CN109493599A - 一种基于生成式对抗网络的短时交通流预测方法 - Google Patents

Abstract

本发明公开了一种基于生成式对抗网络的短时交通流预测方法，所述预测方法可以应用在城市交通路网中，将历史交通数据建模成矩阵序列，使用深度模型学习数据中的时空相关性，迭代训练对抗网络中的生成器和判别器，训练后的模型可以对未来短时间内路网中所有路段的交通状况进行预测。本发明公开的方法充分利用了交通数据的时空特性，预测对象由单一路段扩展到整个交通网，预测的准确率明显提升。

Description

一种基于生成式对抗网络的短时交通流预测方法

技术领域

本发明公开了一种基于生成式对抗网络的短时交通流预测方法，涉及智能交通系统技术领域。

背景技术

随着我国城市化进程的加速，不断增长的城市人口与有限的空间资源之间的矛盾日益加剧，导致交通拥堵问题成为阻碍城市发展的一大难题。有效地缓解交通拥堵问题，对于减轻环境污染，提高人民生活水平，促进我国社会经济的可持续发展具有重要的现实意义。

自上世纪六十年代以来，世界各国对城市交通规划和城市交通控制进行了研究，但随着城市规模的不断扩大和交通状况的日趋复杂，紧靠这两种措施进行有效的交通管理已不再可行，智能交通系统(ITS，Intelligent Transportation System)应运而生。智能交通系统结合先进的物理通讯设备和智能计算机技术，建立起针对整个交通网络的信息预测和管理系统，它是目前全面有效解决包括交通拥堵在内的交通运输领域问题的最佳途径。

短时交通预测是智能交通系统研究的一项重要内容，它是实现主动式交通诱导的前提，已经逐渐成为学界研究ITS的一个重要方向和任务。只有采用有效、合理的交通控制和诱导方式才能有效避免因交通流量过大而导致的大面积拥堵甚至城市路网的瘫痪，为驾驶员提供实时、准确的交通信息，从而可帮助他们选择正确的出行路径，缩短出行时间，改善交通通行能力，并可有效缓解因交通拥堵而造成的环境污染、能源消耗、交通事故等问题。实时、准确的交通流预测技术将交通系统从以前的“被动式”管理转变为“主动式”诱导，对改善交拥堵发挥重要作用，实现ITS的控制和诱导功能，已成为智能交通系统发展的重要领域。因此，短时交通流预测理论和方法的研究，对最大限度的发挥城市路网性能具有重要意义。

现有的短时交通流预测方法可以分为以下几类：

1、传统的统计方法：这类方法是用数理统计的方法对原始数据进行处理，也就是利用历史数据进行预测，一般常有的模型历史平均模型、线性回归模型、时间序列模型、KARIMA算法、历史平均模型；

2、神经网络算法：神经网络模型具有描述非线性，不确定性系统的良好特性，并且考虑了交通流在时空上的关系特征，并通过大量历史数据的学习来估计模型结构中的参数，因此是一种行之可靠的预测算法。包括B P神经网络，小波神经网络，模糊神经网络等等；

3、支持向量机预测模型：支持向量机是以研究校样本数据的模型，通过结构风险最小化较好的解决了“小样本”，“局部极小点”等问题。根据算法的不同，应用于交通流预测的有ε-支持向量机、υ-支持向量机和最小二乘支持向量机等；

4、组合预测：这类方法主要是将两种或者两种以上预测方法组合起来，可以发挥各自的有点，克服各自的缺陷，以达到更加理想的预测效果。

现有的短时交通预测模型主要集中于对单一路段的交通预测。现有研究表明不同地理位置的交通流之间存在自相关性和互相关性。这些模型只考虑了单一路段交通流的时间相关性，而忽略了路段之间的空间相关性。因此，现有模型往往存在预测准确度和效率较低的缺陷。

发明内容

本发明所要解决的技术问题是：针对现有技术的缺陷，提供一种基于生成式对抗网络的短时交通流预测方法，用于解决单一路段预测无法有效利用空间相关性的问题。采用本发明公开的方法，可以有效利用交通流数据的时空相关性实现路网级交通流整体预测，并保证比较高的预测精度。

本发明为解决上述技术问题采用以下技术方案：

1.一种基于生成式对抗网络的短时交通流预测方法，该方法包括以下步骤：

S1：对交通流的参数设定一个阈值，对于临界值以外的异常数据进行剔除，并采用平滑预测的方法来恢复缺损的数据，其公式为：

其中，是估计值，k代表平滑宽度；

S2：将经过预处理的交通流数据与路网拓扑结构建模成路网状态矩阵；

S3：使用S2构建的路网状态矩阵来训练生成式对抗神经网络；

S4：将交通路网数据中的前n个时刻的路网状态矩阵序列输入训练好的神经网络模型中，生成下一时刻路网中所有路段的交通状况的预测结果，即n+1时刻的路网状态矩阵。

进一步地，一种基于生成式对抗网络的短时交通流预测方法，步骤S2具体为：

S201：交通路网中的每一条道路根据道路的路口被划分为多个路段，这里定义的路段具有方向的概念，即从路口inter_i到路口inter_j的路段被表示为l_i，j＝(inter_i，inter_j)，而从路口inter_j到路口inter_i的路段被表示为l_j，i＝(inter_j，inter_i)；

S202：将交通路网表示为N＝(V，L)，其中V是路口的集合，L是两个路口之间路段的集合；使用路网状态矩阵S^t来描述交通路网N在时刻t的交通状况，矩阵的行和列对应于N中的路口V，而矩阵中的元素则对应于从路口inter_i到inter_j的路段l_i，j上的交通流的状态(如流量、速度、占有率等)；当两个路口之间不存在路段时，我们将对应的元素值设为-1；连续时刻(t₁，t₂，...t_n)的路网状态矩阵构成一个路网状态矩阵序列

进一步地，一种基于生成式对抗网络的短时交通流预测方法，步骤S3具体为：

S301：由路网状态矩阵来训练生成式对抗神经网络，其训练模型由两个部分组成，一个生成器和一个判别器；方便起见，我们使用G和D来分别代表生成器和判别器，而它们的输入则分别是路网状态矩阵序列和真实的路网状态矩阵 是G通过学习样本分布所生成的样本；如果D的输入来源于真实数据分布，那么它的输出值为1(代表判断样本为真)；如果D的输入来源于那么它的输出值为0(代表判断样本为假)；

S302：在给定初始G的情况下，首先对D进行优化，D的分类模型使用Sigmoid函数，它的训练是一个最小化交叉熵的过程，其损失函数如下：

其中是真实数据分布，是先验分布；

S303：D的训练数据集来自两个部分：真实的路网状态矩阵数据和由G生成的“虚假”数据；在给定G的情况下，需要最小化公式(1)来获得最优解；在连续空间中，公式(1)可以写成如下形式：

在给定G的情况下，目标函数(2)在时得到最优解；表示来自真实数据的概率；当输入数据从真实数据分布处采样时，D的目标是使输出概率值趋近于1；而当输入数据从生成数据处采样时，D的目标是使得趋近于0，同时G的目标是使得趋近于1；这是一个G和D之间的零和博弈，所以G的损失函数是Obj^G(θ_G)＝-Obj^D(θ_D，θ_G)；因此模型的优化问题本质上是一个极小-极大化问题，它的目标函数可以描述成如下形式：

S304：在生成式对抗神经网络的训练过程中，通过训练D来最大化其对数据来源的判别精度；同时，通过训练G来最小化D的判别精度；整个模型的优化方法是通过对D和G的交替优化实现的；首先固定G并对D进行优化，最大化D的判别准确率；然后固定D并对G进行优化，最小化D的判别准确率；这两个过程交替循环，最终，当且仅当P_data＝P_g时，得到全局最优解；

进一步地，一种基于生成式对抗网络的短时交通流预测方法，步骤S3中，判别器D和生成器G的具体设计方法如下：

S3011：生成器包含三层结构来深入捕捉输入交通数据的时空特征，训练数据首先输入到一个卷积神经网络层(CNN)来学习整个路网上交通流数据的空间特征；

S3012：一个长短时记忆网络层(LSTM)将用来捕捉交通数据序列的时间相关性；LSTM层的输出会输入到另一个CNN层来生成未来时刻的预测路网状态矩阵；

S3013：判别器包含三层结构，一个CNN层、一个双向LSTM层和一个全连接层；生成的路网状态矩阵与真实数据构成的矩阵会首先输入到CNN层来学习数据潜在的空间特性，然后输入到一个双向的LSTM层来学习时间特性；

S3014：一个全连接层被用来将双向LSTM的输出变换为低维特征向量，一个分类模型则对输入的未来时刻数据的真伪作出分类。

作为本发明的进一步优选方案，所述步骤S3中，卷积神经网络中通常使用的传统卷积核无法适用于本专利，因为路网状态矩阵和图像的灰度值矩阵之间存在差异性，因此设计了一种可变形卷积核，根据点的行ID和列ID，直接扫描与中心点具有很强空间相关性的点。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)本发明首次利用生成式对抗网路进行短时交通流预测，将整个路网的交通流数据建模成路网状态矩阵，实现了从单一路段预测到路网级多路段整体预测的提升。

(2)本发明提出了针对交通流特征可变形卷积网络，捕捉交通流之间的空间相关性，利用交通流数据的空间特征提高了预测的准确性。

附图说明

图1是基于生成式对抗网络的短时交通流预测方法总体流程图；

图2是路网状态矩阵的构造过程；

图3是神经网络模型的具体设计结构；

图4是传统卷积核示例；

图5是可变形卷积核示例；

图6是生成式对抗网络结构图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

基于生成式对抗网络的短时交通流预测方法总体流程如图1所示。建模后的交通流数据输入到一个生成式对抗网络模型，生成对未来短时交通流的预测。现有研究表明，周期性是交通流数据的一个显著特征。因此输入数据不仅包括预测时刻之前几个时间点的路网状态矩阵序列，还包括过去几天或几周的路网状态矩阵序列。具体来讲，本发明构造了三组数据作为输入：

F_n：预测时间点之前n个时刻t₁，t₂，...，t_n的交通流数据。

F_d：该序列对交通流的日周期性进行建模。其中t^d表示前一天与时刻t相同的时刻。

F_w：该序列对交通流的周周期性进行建模。其中t^w表示一周之前与时刻t相同的时刻。

1.一种基于生成式对抗网络的短时交通流预测方法，其特征在于该方法包括以下步骤：

S1：对交通流的参数设定一个阈值，对于临界值以外的异常数据进行剔除，并采用平滑预测的方法来恢复缺损的数据，其公式为：

其中，是估计值，k代表平滑宽度；

S2：将经过预处理的交通流数据与路网拓扑结构建模成路网状态矩阵；

S201：交通路网中的每一条道路根据道路的路口被划分为多个路段，这里定义的路段具有方向的概念，即从路口inter_i到路口inter_j的路段被表示为l_i，j＝(inter_i，inter_j)，而从路口inter_j到路口inter_i的路段被表示为l_j，i＝(inter_j，inter_i)；

S202：将交通路网表示为N＝(V，L)，其中V是路口的集合，L是两个路口之间路段的集合；使用路网状态矩阵S^t来描述交通路网N在时刻t的交通状况，矩阵的行和列对应于N中的路口V，而矩阵中的元素则对应于从路口inter_i到inter_j的路段l_i，j上的交通流的状态(如流量、速度、占有率等)；当两个路口之间不存在路段时，我们将对应的元素值设为-1；连续时刻(t₁，t₂，...t_n)的路网状态矩阵构成一个路网状态矩阵序列

S3：使用S2构建的路网状态矩阵来训练生成式对抗神经网络；

S301：由路网状态矩阵来训练生成式对抗神经网络，其训练模型由两个部分组成，一个生成器和一个判别器；方便起见，我们使用G和D来分别代表生成器和判别器，而它们的输入则分别是路网状态矩阵序列和真实的路网状态矩阵 是G通过学习样本分布所生成的样本；如果D的输入来源于真实数据分布，那么它的输出值为1(代表判断样本为真)；如果D的输入来源于那么它的输出值为0(代表判断样本为假)；

S3011：生成器包含三层结构来深入捕捉输入交通数据的时空特征，训练数据首先输入到一个卷积神经网络层(CNN)来学习整个路网上交通流数据的空间特征；

S3012：一个长短时记忆网络层(LSTM)将用来捕捉交通数据序列的时间相关性；LSTM层的输出会输入到另一个CNN层来生成未来时刻的预测路网状态矩阵；

S3013：判别器包含三层结构，一个CNN层、一个双向LSTM层和一个全连接层；生成的路网状态矩阵与真实数据构成的矩阵会首先输入到CNN层来学习数据潜在的空间特性，然后输入到一个双向的LSTM层来学习时间特性；

S3014：一个全连接层被用来将双向LSTM的输出变换为低维特征向量，一个分类模型则对输入的未来时刻数据的真伪作出分类。

S302：在给定初始G的情况下，首先对D进行优化，D的分类模型使用Sigmoid函数，它的训练是一个最小化交叉熵的过程，其损失函数如下：

其中是真实数据分布，是先验分布；

S303：D的训练数据集来自两个部分：真实的路网状态矩阵数据和由G生成的“虚假”数据；在给定G的情况下，需要最小化公式(1)来获得最优解；在连续空间中，公式(1)可以写成如下形式：

在给定G的情况下，目标函数(2)在时得到最优解；表示来自真实数据的概率；当输入数据从真实数据分布处采样时，D的目标是使输出概率值趋近于1；而当输入数据从生成数据处采样时，D的目标是使得趋近于0，同时G的目标是使得趋近于1；这是一个G和D之间的零和博弈，所以G的损失函数是Obj^G(θ_G)＝-Obj^D(θ_D，θ_G)；因此模型的优化问题本质上是一个极小-极大化问题，它的目标函数可以描述成如下形式：

S304：在生成式对抗神经网络的训练过程中，通过训练D来最大化其对数据来源的判别精度；同时，通过训练G来最小化D的判别精度；整个模型的优化方法是通过对D和G的交替优化实现的；首先固定G并对D进行优化，最大化D的判别准确率；然后固定D并对G进行优化，最小化D的判别准确率；这两个过程交替循环，最终，当且仅当P_data＝P_g时，得到全局最优解；

S4：将交通路网数据中的前n个时刻的路网状态矩阵序列输入训练好的神经网络模型中，生成下一时刻路网中所有路段的交通状况的预测结果，即n+1时刻的路网状态矩阵。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (4)

1.一种基于生成式对抗网络的短时交通流预测方法，其特征在于该方法包括以下步骤：

S1：对交通流的参数设定一个阈值，对于临界值以外的异常数据进行剔除，并采用平滑预测的方法来恢复缺损的数据，其公式为：

其中，是估计值，k代表平滑宽度；

S2：将经过预处理的交通流数据与路网拓扑结构建模成路网状态矩阵；

S3：使用S2构建的路网状态矩阵来训练生成式对抗神经网络；

S4：将交通路网数据中的前n个时刻的路网状态矩阵序列输入训练好的神经网络模型中，生成下一时刻路网中所有路段的交通状况的预测结果，即n+1时刻的路网状态矩阵。

2.如权利要求1所述的一种基于生成式对抗网络的短时交通流预测方法，其特征在于，所述的步骤S2具体为：

S201：交通路网中的每一条道路根据道路的路口被划分为多个路段，这里定义的路段具有方向的概念，即从路口inter_i到路口inter_j的路段被表示为l_i，j＝(inter_i，inter_j)，而从路口inter_j到路口inter_i的路段被表示为l_j，i＝(inter_j，inter_i)；

S202：将交通路网表示为N＝(V，L)，其中V是路口的集合，L是两个路口之间路段的集合；使用路网状态矩阵S^t来描述交通路网N在时刻t的交通状况，矩阵的行和列对应于N中的路口V，而矩阵中的元素则对应于从路口inter_i到inter_j的路段l_i，j上的交通流的状态(如流量、速度、占有率等)；当两个路口之间不存在路段时，我们将对应的元素值设为-1：连续时刻(t₁，t₂，...t_n)的路网状态矩阵构成一个路网状态矩阵序列

3.如权利要求1所述的一种基于生成式对抗网络的短时交通流预测方法，其特征在于，所述的步骤S3具体为：

S301：由路网状态矩阵来训练生成式对抗神经网络，其训练模型由两个部分组成，一个生成器和一个判别器；方便起见，我们使用G和D来分别代表生成器和判别器，而它们的输入则分别是路网状态矩阵序列和真实的路网状态矩阵是G通过学习样本分布所生成的样本；如果D的输入来源于真实数据分布，那么它的输出值为1(代表判断样本为真)；如果D的输入来源于那么它的输出值为0(代表判断样本为假)；

S302：在给定初始G的情况下，首先对D进行优化，D的分类模型使用Sigmoid函数，它的训练是一个最小化交叉熵的过程，其损失函数如下：

其中是真实数据分布，是先验分布；

S303：D的训练数据集来自两个部分：真实的路网状态矩阵数据和由G生成的“虚假”数据；在给定G的情况下，需要最小化公式(1)来获得最优解；在连续空间中，公式(1)可以写成如下形式：

在给定G的情况下，目标函数(2)在时得到最优解；表示来自真实数据的概率；当输入数据从真实数据分布处采样时，D的目标是使输出概率值趋近于1；而当输入数据从生成数据处采样时，D的目标是使得趋近于0，同时G的目标是使得趋近于1；这是一个G和D之间的零和博弈，所以G的损失函数是Obj^G(θ_G)＝-Obj^D(θ_D，θ_G)；因此模型的优化问题本质上是一个极小一极大化问题，它的目标函数可以描述成如下形式：

S304：在生成式对抗神经网络的训练过程中，通过训练D来最大化其对数据来源的判别精度；同时，通过训练G来最小化D的判别精度；整个模型的优化方法是通过对D和G的交替优化实现的；首先固定G并对D进行优化，最大化D的判别准确率；然后固定D并对G进行优化，最小化D的判别准确率；这两个过程交替循环，最终，当且仅当P_data＝P_g时，得到全局最优解。

4.如权利要求1所述的一种基于生成式对抗网络的短时交通流预测方法，其特征在于，所述步骤S3中，判别器D和生成器G的具体发计方法如下：

S3011：生成器包含三层结构来深入捕捉输入交通数据的时空特征，训练数据首先输入到一个卷积神经网络层(CNN)来学习整个路网上交通流数据的空间特征；

S3012：一个长短时记忆网络层(LSTM)将用来捕捉交通数据序列的时间相关性；LSTM层的输出会输入到另一个CNN层来生成未来时刻的预测路网状态矩阵；

S3013：判别器包含三层结构，一个CNN层、一个双向LSTM层和一个全连接层；生成的路网状态矩阵与真实数据构成的矩阵会首先输入到CNN层来学习数据潜在的空间特性，然后输入到一个双向的LSTM层来学习时间特性；

S3014：一个全连接层被用来将双向LSTM的输出变换为低维特征向量，一个分类模型则对输入的未来时刻数据的真伪作出分类。