CN109272157A - 一种基于门控神经网络的高速公路交通流参数预测方法及系统 - Google Patents
一种基于门控神经网络的高速公路交通流参数预测方法及系统 Download PDFInfo
- Publication number
- CN109272157A CN109272157A CN201811061310.9A CN201811061310A CN109272157A CN 109272157 A CN109272157 A CN 109272157A CN 201811061310 A CN201811061310 A CN 201811061310A CN 109272157 A CN109272157 A CN 109272157A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic flow
- flow parameter
- vehicle
- speed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于门控神经网络GRU的高速公路交通流参数预测方法及系统,所述方法包括以下步骤:根据采集数据的高速路线信息和路段收费站经纬度信息初筛选研究路段数据;接着针对异常数据的表现形式进行异常数据清洗,然后以一定的时间周期计算得到速度时间序列,接着对时间序列数据缺失情况进行缺失数据填充;将填充后速度时间序列数据分为训练数据和测试数据,并利用训练数据训练得到交通流预测模型,最后利用预测得到的数据与测试数据进行误差分析。本发明利用GRU长时间记忆数据特征的优势,可以得到更高的预测精度,且预测模型参数相对较少,具有良好的可移植性,可以为交通管理部门交通诱导以及交通事故管理调度提供技术支撑。
Description
技术领域
本发明涉及一种交通预测技术领域,尤其涉及一种基于门控神经网络的高速公路交通流参数预测方法及系统。
背景技术
近年来,随着交通事业快速发展,地区之间的沟通交流得到不断的增强,但随之而来的是高速公路交通拥堵、交通事故事件时有发生,给交通管理部门合理的决策管理带来挑战。
智能交通系统(Intelligent Transport System,ITS)作为一种高效的综合运输和管理系统,在处理交通拥堵和交通事故等方面发挥着不可替代的作用。交通流预测作为智能交通系统重要的组成部分,其预测的结果可以为管理部门提供决策管理依据,提高道路管理效率。
目前,作为交通流预测的机器学习算法主要有卡尔曼滤波算法、BP神经网络、支持向量机、时间序列方法、模式匹配算法等。而随着数据采集技术的发展、大数据的积累和计算机性能的有效提升,以卷积神经网络(CNN)、循环神经网络(RNN)、长短时记忆神经网络(LSTM)等为代表的深度学习算法成为国内外专家、学者研究的重点。深度学习算法会挖掘出数据的更多信息,因此往往会比普通的机器学习算法表现出更好的性能。
上述的交通流预测算法中,深度学习算法一般会优于普通的机器学习算法,而卷积神经网络、循环神经网络在长时间依赖问题上具有一定的劣势,长短期记忆神经网络在长时间记忆问题上表现出良好的性能,但是其模型比较复杂,参数较多。
门控神经网络(Gated Recurrent Unit,GRU)作为一种新兴的深度学习算法,是长短期记忆神经网络的一种变体,在保持了LSTM的良好性能的同时,简化了算法结构,减少了训练参数,大大提高了模型的训练效率。
发明内容
本发明所要解决的技术问题是提供一种基于门控神经网络的高速公路交通流参数预测方法及系统,用以解决现有技术中高速公路交通流预测不够准确的问题。
根据本发明的一个方面,提供一种基于门控神经网络的高速公路交通流参数预测方法,包括:
采集高速公路营运车辆数据信息和收费站经纬度信息,进行路段数据筛选;
将筛选后的所述路段数据按照预设时间定周期计算,得到交通流参数时间序列;
设定门控神经网络预测模型参数,将所述交通流参数时间序列分为训练数据和测试数据,利用所述训练数据训练交通流参数预测模型;
根据所述交通流参数预测模型预测交通流参数。
所述进行路段数据筛选,包括:
对获取的路段数据进行异常数据清洗。
所述异常数据清洗,包括:
删除重复数据,保留一条有效数据;
若同一车辆在同时刻采集了多条数据,但数据不完全相同,则保留第一条有效数据;
删除同一车辆单次行程中经纬度不变且速度全部为零的数据;
对于同一车辆,采集的车辆经纬度信息正常但是速度全部为零,利用相邻时刻车辆的经纬度变化信息求得车辆的行驶距离,再利用距离除时间差得到相邻时刻的平均速度,用平均速度填充此类速度全部为零的数据;
对于同一车辆,采集的车辆经纬度信息正确,但是车辆的瞬时速度出现缺失情况,缺失数据的表现形式为速度为零;则利用相邻时刻车辆的经纬度变化信息求得车辆的行驶距离,再利用距离除时间差得到相邻时刻的平均速度,用平均速度填充此类速度为零的数据,并保留原先正常的车辆行驶数据;
车辆的速度明显的高于车辆限速,保留车辆最高限速以下的数据;
收费站附近车辆速度明显的低于道路最低限速,则删除收费站附近车辆速度低于道路最低限速的数据;
当道路发生交通事故时,保留事故影响期间所有数据;当道路未发生交通事故时,删除车辆的速度低于道路最低限速的数据。
所述方法还包括:
针对交通流参数时间序列数据缺失情况进行缺失数据填充。
所述针对交通流参数时间序列数据缺失情况进行缺失数据填充,包括:
根据所述时间序列数据建立初始矩阵,使得第一列数据为采集数据第一天的时间序列数据;以此类推,同时使得历史同一周期数据具有相同的索引;
计算每个预设时间周期历史数据的高斯分布;
若某一预设时间周期数据没有缺失,则计算所述时间周期数据的概率;
若某一预设时间周期数据缺失,则利用相邻不缺失数据的概率进行线性插值,得到缺失数据位置的概率;利用相应的高斯分布反向计算得到缺失数据的填充值。
所述门控循环单元网络预测模型参数至少包括如下至少一个:
输入层节点数、隐层层数、每个隐层的节点数、输出层节点数。
所述方法还包括:
利用测试数据和预测数据进行误差分析。
所述误差分析包括:
通过平均绝对百分比误差MAPE和均方根误差RMSE来对预测数据进行误差分析,表达式如下:
其中,MAPE(v,v*)为平均绝对误差;RMSE(v,v*)为均方根误差;n为预测出一天的时间周期的数量;vi为i时刻周期的路段平均速度,为i时刻的预设周期的路段预测速度。
根据本发明的另一个方面,提供一种基于惯性融合技术的驾驶习惯评分系统,所述系统包括:
数据采集单元,用于采集高速公路运营车辆数据信息和收费站经纬度信息,进行路段数据筛选;
时间序列计算单元,用于将筛选后的所述路段数据按照预设时间定周期计算,得到交通流参数时间序列;
预测模型单元,用于设定门控神经网络预测模型参数,将所述交通流参数时间序列分为训练数据和测试数据,利用所述训练数据训练交通流参数预测模型;
预测单元,用于根据所述交通流参数预测模型预测交通流参数。
所述系统还包括:
数据清洗单元,用于对获取的路段数据进行异常数据清洗;
数据填充单元,用于针对交通流参数时间序列数据缺失情况进行缺失数据填充;
误差分析单元,用于利用测试数据和预测数据进行误差分析。
采用上述方案的有益效果是:
本发明利用GRU具有长时间记忆的功能以及模型相对简单的优点实现高速公路交通流高精度预测,为道路管理部门决策管理提供决策依据,来实现高速公路交通流诱导,进而提高道路服务质量。
本发明使用的门控神经网络预测算法相对于一般的机器学习预测算法而言具有预测精度高的特点。门控神经网络预测算法相比于其他的深度学习算法而言,具有模型参数较少和深层次记忆历史数据的优点。门控神经网络预测算法预测的交通流参数为未来一段时间内的路段的平均速度,路段的速度可以更直观的反映出道路的交通状态。
附图说明
图1为本发明实施例提供的基于门控神经网络的高速公路交通流参数预测方法原理流程图;
图2为本发明实施例提供的门控神经网络原理图;
图3为本发明实施例提供的未发生交通事故下基于GRU和SVR的预测结果和实际数据的对比图;
图4为本发明实施例提供的发生交通事故下基于GRU和SVR的预测结果和实际数据的对比图;
图5为本发明实施例提供的基于惯性融合技术的驾驶习惯评分系统结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
本发明各个实施例中,利用GRU具有长时间记忆的功能以及模型相对简单的优点实现高速公路交通流高精度预测,为道路管理部门决策管理提供决策依据,来实现高速公路交通流诱导,进而提高道路服务质量。
如图1所示,本实施例提供的基于门控神经网络的高速公路交通流参数预测方法流程图,具体包括:
步骤11,采集高速公路营运车辆数据信息和收费站经纬度信息,进行路段数据筛选。
所述的采集数据为北斗卫星导航系统或其它导航定位系统采集的高速公路营运车辆数据。
所述的采集数据信息为采集数据包含高速路线字段。
所述的路段数据筛选是通过高速路线信息和收费站经纬度信息进行路段空间范围内框定,进而获得研究路段采集的数据。
步骤12,将筛选后的所述路段数据按照预设时间定周期计算,得到交通流参数时间序列。
获取的交通流参数时间序列为实验路段在一定时间间隔内所有浮动车辆瞬时速度的平均值。所述指定时间间隔可以根据预测需求指定(例如10分钟).
将实验路段指定时间间隔内的所有浮动车采集的瞬时速度求得平均值,得到路段指定时间间隔的交通流参数数据。下述某时刻的交通流参数指的是从此时刻开始经过指定时间间隔(例如10分钟)的交通流参数数据。
交通流参数集合可以表示为V={vi|i=1,2,L,m},其中vm表示为路段获得的第m个交通流数据,m时刻和m+1时刻之间的差值为预测时间间隔Δt(例如10分钟)。
一个实施例中,在步骤12之前,还包括对原始数据进行异常数据清洗的过程。具体包括:
删除重复数据,保留1条有效数据;
若同一浮动车在同时刻采集了多条数据,但数据不完全相同,则保留第一条有效数据;
删除同一车辆单次行程中经纬度不变且速度全部为零的数据;
对于同一车辆,采集的车辆经纬度信息正常但是速度全部为零,利用相邻时刻车辆的经纬度变化信息求得车辆的行驶距离,再利用距离除时间差得到相邻时刻的平均速度,用平均速度填充此类速度全部为零的数据;
对于同一车辆,采集的车辆经纬度信息正确,但是车辆的瞬时速度出现缺失情况,缺失数据的表现形式为速度为零,则利用相邻时刻车辆的经纬度变化信息求得车辆的行驶距离,再利用距离除时间差得到相邻时刻的平均速度,用平均速度填充此类速度为零的数据,并保留原先正常的车辆行驶数据;
采集的数据中,车辆的速度明显的高于车辆限速,对于此类数据,保留车辆最高限速以下的数据;
采集的数据中,收费站附近车辆速度明显的低于道路最低限速,对于该类数据,采取删除收费站附近车辆速度低于道路最低限速的数据;
当道路发生交通事故时,保留事故影响期间所有数据;当道路未发生交通事故时,删除车辆的速度低于道路最低限速的数据。
步骤13,设定门控神经网络预测模型参数,将所述交通流参数时间序列分为训练数据和测试数据,利用所述训练数据训练交通流参数预测模型。
所述的设定门控神经网络预测模型的各个参数包含以下参数:输入层节点数,隐层层数,每个隐层的节点数和输出层节点数。
所述的将交通流参数时间序列数据分为训练数据和测试数据,并利用训练数据训练交通流参数预测模型,其步骤如下;
将交通流参数时间序列数据分为训练数据和测试数据;
设置预测模型参数,利用训练数据在已经设置好参数的模型上进行训练;
图2是本实施例提供的门控神经网络模型架构图,如图2所示,门控神经网络预测模型由输入层、隐藏层和输出层构成,该模型区别与其他神经网络如卷积神经网络、长短时记忆神经网络等的地方在于隐藏层的数据传输方式上面,该模块由长短时记忆神经网络改进而来,是门控神经网络特有的记忆模块,图2中也显示了该模型记忆模块的结构以及数据传输的方式。
门控神经网络前向训练过程如下:
以一定时间周期计算得到交通流参数时间序列数据X={x1,x2,L,xn},其中序列的长度为n,将时间序列数据作为GRU预测模型输入,当模型运行到时间步t时,其输入值为xt,则对应的隐层输出为ht,其中计算关系公式如下:
rt=σ(Wr·[ht-1,xt]+br) 公式(1)
zt=σ(Wz·[ht-1,xt]+bz) 公式(2)
其中[]表示两个向量相连接,*表示矩阵元素相乘,Wr,Wz,为权重矩阵,br,bz,为偏差项,ht-1为上一时间步的隐藏激活值,xt为当前时间步的输入值,rt为重置门,zt为更新门,σ和tanh分别为激活函数,其表达式如公式(5)、公式(6)所示。
其中,对于公式(1)中重置信号rt是用来判定ht-1对结果的重要程度。如果ht-1和新的记忆的计算不相关,那么重置门能够完全消除过去的隐层信息。
对于公式(2)中更新信号zt能够决定以多大的程度将ht-1传递到下一个状态。如果zt≈1,新的前向传递给下一隐层;如果zt≈0,则ht-1几乎全部传递给ht。
对于公式(3)中新的记忆是由过去的隐层状态ht-1和新的输入xt共同得到的。即新的记忆是隐层状态ht-1和新的输入xt的整合。
对于公式(4)中是使用过去的隐藏状态ht-1和新记忆产生的候选隐藏状态最终得到最新的隐藏状态ht,而更新门信号决定了隐藏状态和候选隐藏状态的权重。
预测模型在反向传播的过程中采用梯度下降的方法,逐渐的减小目标误差,使得训练过程中整个模型的输出越来越接近目标值。
在步骤13之前,还包括一个针对交通流参数时间序列数据缺失情况进行缺失数据填充的步骤,可以采用趋势-历史填充算法,其步骤如下:
利用时间序列数据建立初始矩阵,使得第一列数据为采集数据第一天的时间序列数据,第二列数据为采集数据第二天的时间序列数据,以此类推,同时使得历史同一周期数据具有相同的索引。
计算每个时间周期历史数据的高斯分布。
若某一时间周期数据没有缺失,则计算该时间周期数据的概率。
若某时间周期数据缺失,则利用相邻不缺失数据的概率进行线性插值,得到缺失数据位置的概率,最后利用相应的高斯分布反向计算得到缺失数据的填充值。
步骤14,根据所述交通流参数预测模型预测交通流参数。
模型在训练过程中,会不断地正向传播和反向传播,且在反向传播过程中采用梯度下降的方法,逐步调整模型的参数,使得模型的输出值越来越接近对应时间点的实际值,最终会选择误差最小的模型作为实际的预测模型进行预测输出。
本实施例还包括一个利用测试数据和预测数据进行误差分析的步骤,具体如下:
通过平均绝对百分比误差MAPE和均方根误差RMSE来对预测数据进行误差分析,表达式如下:
其中,MAPE(v,v*)为平均绝对误差;RMSE(v,v*)为均方根误差;n为预测出一天的时间周期的数量;vi为i时刻的周期的路段平均速度,为i时刻的周期的路段预测速度。
本实施例中,利用GRU具有长时间记忆的功能以及模型相对简单的优点实现高速公路交通流高精度预测,为道路管理部门决策管理提供决策依据,来实现高速公路交通流诱导,进而提高道路服务质量。
本发明使用的门控神经网络预测算法相对于一般的机器学习预测算法而言具有预测精度高的特点。门控神经网络预测算法相比于其他的深度学习算法而言,具有模型参数较少和深层次记忆历史数据的优点。门控神经网络预测算法预测的交通流参数为未来一段时间内的路段的平均速度,路段的速度可以更直观的反映出道路的交通状态。
实际上,本实施例的有效性可以通过下面的仿真实验来进一步说明。需要说明的是,实验中应用的参数不影响本发明的一般性。
仿真条件
操作系统:Windows7旗舰版
处理器:Intel(R)Core(TM)i5-4200U CPU@1.60GHZ 1.60GHZ
安装内存(RAM):8.00GB
系统类型:64位操作系统
仿真软件:JetBrains PyCharm 2017.3.4x64,
软件版本:python3.6
仿真内容
本实施例仿真实验采用的数据是由北斗卫星定位系统采集的,采集数据范围为某省境内所有高速公路,采集对象为高速公路营运车辆数据,历史数据采集的时间范围为2016年6月1日至2016年8月2日。首先实验选取一条高速公路相邻收费站作为实验路段,车辆运行方向为由北向南。原始的路段数据要先进行数据清洗,然后以10分钟的时间间隔求得路段平均速度,针对数据缺失问题采用了趋势-历史填充算法进行填充,最终得到处理后的速度时间序列。本实验以前61天的速度时间序列数据作为训练数据,后2天的数据作为测试数据,其中待预测的两天中,第一天未发生交通事故,第二天发生了交通事故。
关于神经单元网络模型,实验设置为输入层节点为12,输出层节点为1,并采用2层GRU单元隐藏层,每层神经单元个数为64;1层采用全连接层,dropout设置为0.2,全连接层激活函数为σ函数。
实验选取了支持向量回归模型(SVR)进行对比,SVR模型在高维特征回归问题中具有良好的性能。
其中预测结果和实际交通流数据对比误差如下:
GRU和SVR预测结果和实际交通流数据对比如图3,图4所示,预测结果误差如下表所示。
对路段发生交通事故和未发生交通事故下的交通流进行预测,预测结果如图3、图4所示,在未发生交通事故时,两种预测方法均具有较高的预测精度,且GRU的预测精度要比SVR预测精度更高;在发生交通事故时,事故期间的路段的交通流数据波动情况加剧,因此整体的预测结果精度有所下降,但是在发生交通事故时,GRU的预测精度同样优于SVR。整体而言,GRU在高速公路交通流短时预测方面具有更高的预测精度,因此其预测结果可以为公路管理部门决策管理提供决策依据。
图5为本发明实施例提供的基于惯性融合技术的驾驶习惯评分系统结构示意图,其中,
数据采集单元21,用于采集高速公路营运车辆数据信息和收费站经纬度信息,进行路段数据筛选;
时间序列计算单元22,用于将筛选后的所述路段数据按照预设时间定周期计算,得到交通流参数时间序列;
预测模型单元23,用于设定门控神经网络预测模型参数,将所述交通流参数时间序列分为训练数据和测试数据,利用所述训练数据训练交通流参数预测模型;
预测单元24,用于根据所述交通流参数预测模型预测交通流参数。
上述系统还包括:
数据清洗单元25,用于对获取的路段数据进行异常数据清洗;
数据填充单元26,用于针对交通流参数时间序列数据缺失情况进行缺失数据填充;
误差分析单元27,用于利用测试数据和预测数据进行误差分析。
综上所述,本发明利用GRU具有长时间记忆的功能以及模型相对简单的优点实现高速公路交通流高精度预测,为道路管理部门决策管理提供决策依据,来实现高速公路交通流诱导,进而提高道路服务质量。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于门控神经网络的高速公路交通流参数预测方法,其特征在于,包括:
采集高速公路营运车辆数据信息和收费站经纬度信息,进行路段数据筛选;
将筛选后的所述路段数据按照预设时间定周期计算,得到交通流参数时间序列;
设定门控神经网络预测模型参数,将所述交通流参数时间序列分为训练数据和测试数据,利用所述训练数据训练交通流参数预测模型;
根据所述交通流参数预测模型预测交通流参数。
2.根据权利要求1所述的基于门控神经网络的高速公路交通流参数预测方法,其特征在于,所述进行路段数据筛选,包括:
对获取的路段数据进行异常数据清洗。
3.根据权利要求2所述的基于门控神经网络的高速公路交通流参数预测方法,其特征在于,所述异常数据清洗,包括:
删除重复数据,保留一条有效数据;
若同一车辆在同时刻采集了多条数据,但数据不完全相同,则保留第一条有效数据;
删除同一车辆单次行程中经纬度不变且速度全部为零的数据;
对于同一车辆,采集的车辆经纬度信息正常但是速度全部为零,则利用相邻时刻车辆的经纬度变化信息求得车辆的行驶距离,再利用距离除时间差得到相邻时刻的平均速度,用平均速度填充此类速度全部为零的数据;
对于同一车辆,采集的车辆经纬度信息正常,但是车辆的瞬时速度出现缺失情况,缺失数据的表现形式为速度为零,则利用相邻时刻车辆的经纬度变化信息求得车辆的行驶距离,再利用距离除时间差得到相邻时刻的平均速度,用平均速度填充此类速度为零的数据,并保留原先正常的车辆行驶数据;
车辆的速度明显的高于车辆限速,保留车辆最高限速以下的数据;
收费站附近车辆速度明显的低于道路最低限速,删除收费站附近车辆速度低于道路最低限速的数据;
当道路发生交通事故时,保留事故影响期间所有数据;当道路未发生交通事故时,删除车辆的速度低于道路最低限速的数据。
4.根据权利要求1所述的基于门控神经网络的高速公路交通流参数预测方法,其特征在于,所述方法还包括:
针对交通流参数时间序列数据缺失情况进行缺失数据填充。
5.根据权利要求4所述的基于门控神经网络的高速公路交通流参数预测方法,其特征在于,所述针对交通流参数时间序列数据缺失情况进行缺失数据填充,包括:
根据所述时间序列数据建立初始矩阵,使得第一列数据为采集数据第一天的时间序列数据;以此类推,同时使得历史同一周期数据具有相同的索引;
计算每个预设时间周期历史数据的高斯分布;
若某一预设时间周期数据没有缺失,则计算所述时间周期数据的概率;
若某一预设时间周期数据缺失,则利用相邻不缺失数据的概率进行线性插值,得到缺失数据位置的概率;利用相应的高斯分布反向计算得到缺失数据的填充值。
6.根据权利要求1所述的基于门控神经网络的高速公路交通流参数预测方法,其特征在于,所述门控神经网络预测模型参数至少包括如下至少一个:
输入层节点数、隐层层数、每个隐层的节点数,输出层节点数。
7.根据权利要求1所述的基于门控神经网络的高速公路交通流参数预测方法,其特征在于,所述方法还包括:
利用测试数据和预测数据进行误差分析。
8.根据权利要求7所述的基于门控神经网络的高速公路交通流参数预测方法,其特征在于,所述误差分析包括:
通过平均绝对百分比误差MAPE和均方根误差RMSE来对预测数据进行误差分析,表达式如下:
其中,MAPE(v,v*)为平均绝对误差;RMSE(v,v*)为均方根误差;n为预测出一天的时间周期的数量;vi为i时刻的周期的路段平均速度,为i时刻的预设周期的路段预测速度。
9.一种基于惯性融合技术的驾驶习惯评分系统,其特征在于,所述系统包括:
数据采集单元,用于采集高速公路运营车辆数据信息和收费站经纬度信息,进行路段数据筛选;
时间序列计算单元,用于将筛选后的所述路段数据按照预设时间定周期计算,得到交通流参数时间序列;
预测模型单元,用于设定门控神经网络预测模型参数,将所述交通流参数时间序列分为训练数据和测试数据,利用所述训练数据训练交通流参数预测模型;
预测单元,用于根据所述交通流参数预测模型预测交通流参数。
10.根据权利要求9所述的基于惯性融合技术的驾驶习惯评分系统,其特征在于,所述系统还包括:
数据清洗单元,用于对获取的路段数据进行异常数据清洗;
数据填充单元,用于针对交通流参数时间序列数据缺失情况进行缺失数据填充;
误差分析单元,用于利用测试数据和预测数据进行误差分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811061310.9A CN109272157A (zh) | 2018-09-12 | 2018-09-12 | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811061310.9A CN109272157A (zh) | 2018-09-12 | 2018-09-12 | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109272157A true CN109272157A (zh) | 2019-01-25 |
Family
ID=65188715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811061310.9A Pending CN109272157A (zh) | 2018-09-12 | 2018-09-12 | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272157A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726771A (zh) * | 2019-02-27 | 2019-05-07 | 深圳市赛梅斯凯科技有限公司 | 异常驾驶检测模型建立方法、装置及存储介质 |
CN110009427A (zh) * | 2019-04-10 | 2019-07-12 | 国网浙江省电力有限公司 | 一种基于深度循环神经网络的电力销售金额智能预测方法 |
CN110322695A (zh) * | 2019-07-23 | 2019-10-11 | 内蒙古工业大学 | 一种基于深度学习的短时交通流预测方法 |
CN110390419A (zh) * | 2019-05-20 | 2019-10-29 | 重庆大学 | 基于pso-lssvm模型的高速公路收费站流量预测方法 |
CN110415521A (zh) * | 2019-07-31 | 2019-11-05 | 京东城市(北京)数字科技有限公司 | 交通数据的预测方法、装置和计算机可读存储介质 |
CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
CN110580548A (zh) * | 2019-08-30 | 2019-12-17 | 天津大学 | 一种基于类集成学习的多步交通速度预测方法 |
CN110895598A (zh) * | 2019-10-23 | 2020-03-20 | 山东九州信泰信息科技股份有限公司 | 基于多源预测的实时异常检测并行化方法 |
CN110991776A (zh) * | 2020-03-04 | 2020-04-10 | 浙江鹏信信息科技股份有限公司 | 一种基于gru网络实现水位预测的方法及系统 |
CN111325437A (zh) * | 2019-02-18 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 异常行驶行为的识别方法、装置以及电子设备 |
CN111507495A (zh) * | 2019-01-30 | 2020-08-07 | 北京金风科创风电设备有限公司 | 缺失的测风数据的预测方法及装置 |
CN111540199A (zh) * | 2020-04-21 | 2020-08-14 | 浙江省交通规划设计研究院有限公司 | 一种基于多模态融合和图注意力机制的高速交通流预测方法 |
CN111540193A (zh) * | 2020-03-13 | 2020-08-14 | 华南理工大学 | 一种基于图卷积时序生成对抗网络的交通数据修复方法 |
CN111785018A (zh) * | 2020-06-18 | 2020-10-16 | 重庆大学 | 一种基于门控循环单元的收费站下道流量预测方法 |
CN111783040A (zh) * | 2020-06-30 | 2020-10-16 | 深圳前海微众银行股份有限公司 | 一种服务性能稳定性测试评估的方法及装置 |
CN111901134A (zh) * | 2019-05-05 | 2020-11-06 | 中国移动通信集团四川有限公司 | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 |
CN112116080A (zh) * | 2020-09-24 | 2020-12-22 | 中国科学院沈阳计算技术研究所有限公司 | 一种融合了注意力机制的cnn-gru水质预测方法 |
CN112242959A (zh) * | 2019-07-16 | 2021-01-19 | 中国移动通信集团浙江有限公司 | 微服务限流控制方法、装置、设备及计算机存储介质 |
CN112309109A (zh) * | 2019-08-01 | 2021-02-02 | 中移(苏州)软件技术有限公司 | 一种道路通行时间预测的方法、装置及存储介质 |
CN112653997A (zh) * | 2020-12-29 | 2021-04-13 | 西安九索数据技术股份有限公司 | 一种基于基站序列的位置轨迹计算方法 |
CN113611119A (zh) * | 2021-08-10 | 2021-11-05 | 北京航空航天大学 | 一种基于门控递归单元的车辆诱导方法 |
CN113689721A (zh) * | 2021-07-30 | 2021-11-23 | 深圳先进技术研究院 | 一种自动驾驶车速控制方法、系统、终端以及存储介质 |
CN114298493A (zh) * | 2021-12-09 | 2022-04-08 | 苏州智能交通信息科技股份有限公司 | 一种公路运行监测系统、方法、终端及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
CN106295874A (zh) * | 2016-08-08 | 2017-01-04 | 上海交通大学 | 基于深信度网络的交通流参数预测方法 |
-
2018
- 2018-09-12 CN CN201811061310.9A patent/CN109272157A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
CN106295874A (zh) * | 2016-08-08 | 2017-01-04 | 上海交通大学 | 基于深信度网络的交通流参数预测方法 |
Non-Patent Citations (5)
Title |
---|
JINGYAN GUO 等: "On-line Multi-step Prediction of Short Term Traffic Flow Based on GRU Neural Network", 《ICPS PROCEEDINGS》 * |
YUANKAI WUA 等: "A hybrid deep learning based traffic flow prediction method and its", 《TRANSPORTATION RESEARCH PART C》 * |
严新平 等: "《智能运输系统 原理、方法及应用 第2版》", 31 August 2014 * |
洛荷: "Python 3 & Keras 实现基于神经网络的交通流预测", 《HTTPS://WWW.JIANSHU.COM/P/1D1C5ADF43C6》 * |
王英会: "高速公路交通流异常数据识别及修复方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507495A (zh) * | 2019-01-30 | 2020-08-07 | 北京金风科创风电设备有限公司 | 缺失的测风数据的预测方法及装置 |
CN111325437A (zh) * | 2019-02-18 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 异常行驶行为的识别方法、装置以及电子设备 |
CN109726771A (zh) * | 2019-02-27 | 2019-05-07 | 深圳市赛梅斯凯科技有限公司 | 异常驾驶检测模型建立方法、装置及存储介质 |
CN110009427A (zh) * | 2019-04-10 | 2019-07-12 | 国网浙江省电力有限公司 | 一种基于深度循环神经网络的电力销售金额智能预测方法 |
CN111901134A (zh) * | 2019-05-05 | 2020-11-06 | 中国移动通信集团四川有限公司 | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 |
CN111901134B (zh) * | 2019-05-05 | 2023-04-07 | 中国移动通信集团四川有限公司 | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 |
CN110390419A (zh) * | 2019-05-20 | 2019-10-29 | 重庆大学 | 基于pso-lssvm模型的高速公路收费站流量预测方法 |
CN112242959A (zh) * | 2019-07-16 | 2021-01-19 | 中国移动通信集团浙江有限公司 | 微服务限流控制方法、装置、设备及计算机存储介质 |
CN110322695A (zh) * | 2019-07-23 | 2019-10-11 | 内蒙古工业大学 | 一种基于深度学习的短时交通流预测方法 |
CN110415521A (zh) * | 2019-07-31 | 2019-11-05 | 京东城市(北京)数字科技有限公司 | 交通数据的预测方法、装置和计算机可读存储介质 |
CN112309109A (zh) * | 2019-08-01 | 2021-02-02 | 中移(苏州)软件技术有限公司 | 一种道路通行时间预测的方法、装置及存储介质 |
CN110580548A (zh) * | 2019-08-30 | 2019-12-17 | 天津大学 | 一种基于类集成学习的多步交通速度预测方法 |
CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
CN110895598B (zh) * | 2019-10-23 | 2021-09-14 | 山东九州信泰信息科技股份有限公司 | 基于多源预测的实时异常检测并行化方法 |
CN110895598A (zh) * | 2019-10-23 | 2020-03-20 | 山东九州信泰信息科技股份有限公司 | 基于多源预测的实时异常检测并行化方法 |
CN110991776A (zh) * | 2020-03-04 | 2020-04-10 | 浙江鹏信信息科技股份有限公司 | 一种基于gru网络实现水位预测的方法及系统 |
CN111540193A (zh) * | 2020-03-13 | 2020-08-14 | 华南理工大学 | 一种基于图卷积时序生成对抗网络的交通数据修复方法 |
CN111540193B (zh) * | 2020-03-13 | 2022-07-26 | 华南理工大学 | 一种基于图卷积时序生成对抗网络的交通数据修复方法 |
CN111540199A (zh) * | 2020-04-21 | 2020-08-14 | 浙江省交通规划设计研究院有限公司 | 一种基于多模态融合和图注意力机制的高速交通流预测方法 |
CN111785018A (zh) * | 2020-06-18 | 2020-10-16 | 重庆大学 | 一种基于门控循环单元的收费站下道流量预测方法 |
CN111783040A (zh) * | 2020-06-30 | 2020-10-16 | 深圳前海微众银行股份有限公司 | 一种服务性能稳定性测试评估的方法及装置 |
CN112116080A (zh) * | 2020-09-24 | 2020-12-22 | 中国科学院沈阳计算技术研究所有限公司 | 一种融合了注意力机制的cnn-gru水质预测方法 |
CN112653997A (zh) * | 2020-12-29 | 2021-04-13 | 西安九索数据技术股份有限公司 | 一种基于基站序列的位置轨迹计算方法 |
CN113689721A (zh) * | 2021-07-30 | 2021-11-23 | 深圳先进技术研究院 | 一种自动驾驶车速控制方法、系统、终端以及存储介质 |
CN113689721B (zh) * | 2021-07-30 | 2022-09-20 | 深圳先进技术研究院 | 一种自动驾驶车速控制方法、系统、终端以及存储介质 |
CN113611119A (zh) * | 2021-08-10 | 2021-11-05 | 北京航空航天大学 | 一种基于门控递归单元的车辆诱导方法 |
CN113611119B (zh) * | 2021-08-10 | 2022-06-28 | 北京航空航天大学 | 一种基于门控递归单元的车辆诱导方法 |
CN114298493A (zh) * | 2021-12-09 | 2022-04-08 | 苏州智能交通信息科技股份有限公司 | 一种公路运行监测系统、方法、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272157A (zh) | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
CN110709908B (zh) | 用于交通系统的状态预测的计算机系统和方法 | |
Jin et al. | A group-based traffic signal control with adaptive learning ability | |
Zhao et al. | Truck traffic speed prediction under non-recurrent congestion: Based on optimized deep learning algorithms and GPS data | |
CN112489426B (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
CN110223517A (zh) | 基于时空相关性的短时交通流量预测方法 | |
CN109840660A (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
CN110570672B (zh) | 一种基于图神经网络的区域交通信号灯控制方法 | |
CN103593535A (zh) | 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法 | |
CN113704956A (zh) | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 | |
Li et al. | Deep learning based parking prediction on cloud platform | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
CN112071062A (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
Chen et al. | A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways | |
US20220414450A1 (en) | Distributed Multi-Task Machine Learning for Traffic Prediction | |
Fujimoto et al. | Ad hoc distributed simulations | |
Zheng et al. | A novel approach to coordinating green wave system with adaptation evolutionary strategy | |
CN110738356A (zh) | 一种基于sdn增强网络的电动汽车充电智能调度方法 | |
Jalel et al. | Continuous time markov chain traffic model for urban environments | |
CN114916013B (zh) | 基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质 | |
CN114463978B (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
CN113516277B (zh) | 一种基于路网动态定价的网联智能交通路径规划方法 | |
Wang et al. | Hybrid neural network modeling for multiple intersections along signalized arterials-current situation and some new results |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190125 |