CN109544911B - 一种基于lstm-cnn的城市路网交通状态预测方法 - Google Patents

一种基于lstm-cnn的城市路网交通状态预测方法 Download PDF

Info

Publication number
CN109544911B
CN109544911B CN201811278958.1A CN201811278958A CN109544911B CN 109544911 B CN109544911 B CN 109544911B CN 201811278958 A CN201811278958 A CN 201811278958A CN 109544911 B CN109544911 B CN 109544911B
Authority
CN
China
Prior art keywords
road
road network
lstm
vehicle
time
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.)
Active
Application number
CN201811278958.1A
Other languages
English (en)
Other versions
CN109544911A (zh
Inventor
陈锐祥
王家伟
何兆成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201811278958.1A priority Critical patent/CN109544911B/zh
Publication of CN109544911A publication Critical patent/CN109544911A/zh
Application granted granted Critical
Publication of CN109544911B publication Critical patent/CN109544911B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明面向城市路网交通状态的预测，将以路段车速为预测对象进行阐述。首先以路段速度填充路网邻接矩阵，表征某时段的路网交通状态，通过卷积神经网络学习交通状态的空间特征，然后利用长短期记忆神经网络接收不同时段的空间特征，引入时间维度的特征学习，最后结合两种特征信息预测路网各路段的平均行程车速。本发明提出基于路网邻接矩阵的LSTM‑CNN，相比于传统统计学方法，更能把握路网交通状态的时空非线性关系，相比于目前的深度学习方法，构造了基于路网邻接矩阵的交通状态输入，在保留路网交通状态空间特征的同时，减少冗余信息的输入，降低了，通过，有效学习路网交通状态特征，具有较好的预测效果。

Description

一种基于LSTM-CNN的城市路网交通状态预测方法
技术领域
本发明涉及智能交通领域，更具体的，涉及一种基于LSTM-CNN的城市路网交通状态预测方法。
背景技术
近年来，城市交通拥堵频繁发生，在经济发达城市已具有普遍性，为改善道路运行条件，提高居民生活水平，发展城市智能交通系统(Intelligent Transportation System,简称ITS)成为城市发展的迫切需求。随着信息、传感、通信、以及计算机等技术的水平不断提高，作为这些技术综合运用的产物，ITS正处于高速发展阶段，在调配城市道路资源、提高路网交通效率中扮演越来越重要的角色。对城市路网交通状态的准确预测，是ITS高效运行的关键一环，而路网各路段的平均行程车速是反映其交通状态的重要指标，可靠的路网行程车速预测不仅可以在交通管理，如匝道控制、拥堵收费等方面提供决策支持，同时也促使交通出行者选择合理的出行行为和出行路径，对分配交通资源、缓解道路拥堵具有重要意义。
城市路网中，不同路段之间存在一定的，而同一路段在连续时间内的速度变化也往往具有一定的规律，如何有效挖掘城市路网交通状态的时空特征，并利用这些特征进行城市路网交通状态的预测，是本发明研究的重点和目的所在。
现在的国内外研究和技术现状主要如下[1-6]：
第一，基于传统统计学方法的交通状态预测。国内外学者利用统计学方法进行交通状态预测主要集中在时序模型的应用与卡尔曼滤波算法的应用，时序模型包括ARIMA、SARIMA等仅仅利用数据的时间特征，缺乏考虑交通状态的空间相关性，且不同路段的状态预测一般不能采用同一模型，可推广性较差，不适宜进行城市路网的交通状态预测；卡尔曼滤波算法可以进行一步预测，但是参数选择工作繁重，且对预测效果影响较大，导致方法往往不够健壮。此外，传统统计学方法一般不能利用交通状态演变的非线性关系，导致在预测突发拥堵等交通状态剧变的场景时表现较差。
第二，基于机器学习方法的交通状态预测。机器学习方法包括K近邻、支持向量机以及深度学习等方法。相比于传统统计方法，机器学习方法具有更强的拟合能力，在进行交通状态预测时往往具有更好的效果，但相比于深度学习方法，K近邻与支撑向量机等机器学习模型的缺乏足够强大的特征提取能力，而对于深度学习方法，目前一般只考虑时间维度的特征，缺乏考虑空间特征或考虑过于繁琐。
发明内容
为了解决现有技术中不能利用交通状态演变的非线性关系以及只考虑时间维度的特征的不足，本发明提供了一种基于LSTM-CNN的城市路网交通状态预测方法。
为实现以上发明目的，采用的技术方案是：
一种基于LSTM-CNN的城市路网交通状态预测方法，具体步骤如下：
步骤S1：对路网的历史车速进行估计计算；
步骤S2：基于获得的历史车速信息构建邻接矩阵；
步骤S3：构建LSTM-CNN神经网络；
步骤S4：将邻接矩阵作为输入对LSTM-CNN神经网络进行训练，并利用梯度下降法更新优化LSTM-CNN神经网络的参数；
步骤S5：步骤S5迭代进行直至LSTM-CNN神经网络收敛；
步骤S6：向LSTM-CNN神经网络输入实时的车速信息的邻接矩阵，对路网交通状态进行预测。
优选的，所述步骤S1通过卡口检测的数据和/或浮动车的数据对路网的历史车速进行估计；
其中通过卡口检测的数据对路网的历史车速进行估计的具体过程如下：
步骤S101：筛选T时段路网所有的过车记录R；
步骤S102：判断R是否为空，若是，执行步骤S103；若否，执行步骤S104；
步骤S103：统计所有估计速度，将属于同一路段的结果取平均值；
步骤S104：筛选车牌C所有记录Rc，按时间顺序升序排列；
步骤S105：设Rc第一条记录序号t＝0；共包含记录数Nc；
步骤S106：判断t+1≤Nc是否成立，若否，执行步骤S102；若是，执行步骤S107；
步骤S107：判断t和t+1的记录对应的卡口是否是相邻卡口；若否，执行步骤S108；若是，执行步骤S110；
步骤S108：根据迪杰斯特拉算法重构卡口对之间的路段，设重构后路段集合为S＝{si|i＝1，2…k}，i表示不同的路段；
步骤S109：根据路段长度分配行程时间
Figure GDA0003144025450000031
dj表示路段j的长度；di表示路段i的长度，Tt,t+1表示某辆车在t,t+1两条记录间的行程时间；
步骤S110：计算两卡口间路段的车速
Figure GDA0003144025450000032
步骤S111：令t＝t+1，然后执行步骤S106。
所述步骤S1通过浮动车的数据对路网的历史车速进行估计的具体过程如下：
设每条车辆轨迹Ll，l＝1，2，…N由若干车辆观测记录rlj，j＝1，2，…，nl组成,N表示总的车辆轨迹数；nl表示轨迹Ll的总的行驶记录观测数；None表示轨迹终止，将每条行驶轨迹记录的行程时间用向量Tl表示，Tl中的每个元素tr表示每个车辆第r条行驶记录观测的行程时间，为nl×1的向量，每个路段s的长度用ds表示，对于每条轨迹Ll，构造矩阵
Figure GDA0003144025450000033
分配该轨迹在路网各路段的行驶距离，其中|S|表示路网中路段总数；Dl(i，j)表示对于第l条车辆轨迹，第i条车辆行驶记录被观测到在路段j上行驶的距离；
设路网共包含路段数为|S|＝3，共出现车辆轨迹数N＝2，第一条轨迹中车辆行驶记录观测的总数n1＝2，包含的车辆观测记录是r11,r12；在第二条轨迹中，车辆行驶记录观测的总数n2＝3，包含的车辆观测记录是r21,r22,r23，路段s1,s2,s3的速度分别v1,v2，v3，则两条轨迹行程时间的估计值分别为：
Figure GDA0003144025450000034
Figure GDA0003144025450000035
Figure GDA0003144025450000036
Figure GDA0003144025450000041
Figure GDA0003144025450000042
其中
Figure GDA0003144025450000043
为第一条轨迹第1,2条观测记录的估计行程时间，
Figure GDA0003144025450000044
为第二条轨迹第1,2,3条观测记录的估计行程时间；
则速度估计问题可以转化为以下优化问题：
Figure GDA0003144025450000045
其中，s.t.vj>0，j＝1，2,3；
把上述问题归纳为一般形式如下：
Figure GDA0003144025450000046
其中，s.t.vj>0,j＝1，2，3…N；
V为N×1向量，表示路网各个路段的估计速度，Tl和
Figure GDA0003144025450000047
分别表示轨迹Ll各条观测记录的实际行程时间和估计行程时间；
通过遗传算法求解该问题，即可得到估计的速度信息。
优选的，步骤S2的具体步骤如下：
定义路网为一个有向图G＝(N,E)，其中，N＝{ni|i＝1，2…}表示路网中节点的集合，E＝{ej|j＝1，2…}表示路网中有向路段的集合；设t时间段的路网状态矩阵为
Figure GDA0003144025450000048
若路网节点ni与nj间存在有向路段，则邻接矩阵的元素At(i，j)＝vt(i，j)，否则At(i，j)＝0，其中vt(i，j)表示连接节点ni与nj的有向路段t时间段的平均行程车速。
优选的，步骤S4的具体步骤如下：
步骤S401：设模型中前n个时间段的历史交通状态为At-nΔt,At-(n-1)Δt，…At,预测路网未来m个时间段的交通状态为S；
步骤S402：初始化零初始状态输出元组(C0,h0)；C0表示初始状态；h0表示初始输出；
步骤S403：令Dn-i＝fconv(conv2d(An-iΔt))；其中iΔt表示前i个时间步长，fconv表示卷积层的激活函数，conv2d表示卷积神经网络的卷积过程；
步骤S404：令Pn-i＝pool(Dn-i)；其中pool表示卷积神经网络的池化过程；
步骤S405：令Xn-i＝fflatten(flatten(An-iΔt))；其中fflatten分别表示全连接层的激活函数；
步骤S406：令Cn-i+1＝lstm_state(Xn-i,hn-i,Cn-i)；其中lstm_state表示长短时记忆网络的状态输出过程
步骤S407：令hn-i+1＝lstm_output(Xn-i，hn-i，Cn-i+1)；lstm_output表示长短时记忆网络的当前结果输出过程
步骤S408：得到s＝fflatten(flatten(hn))；
步骤S409：通过采用动态调整参数学习率的梯度下降法优化S和
Figure GDA0003144025450000052
的均方误差,进行参数的更新，优化函数表达如下：
Figure GDA0003144025450000051
其中，预测与实测的路网行程车速向量分别为S和
Figure GDA0003144025450000053
，模型待优化相关参数为Θ。
与现有技术相比，本发明的有益效果是：
本发明提出基于路网邻接矩阵的LSTM-CNN，相比于传统统计学方法，更能把握路网交通状态的时空非线性关系，相比于目前的深度学习方法，构造了基于路网邻接矩阵的交通状态输入，在保留路网交通状态空间特征的同时，减少冗余信息的输入，通过有效学习路网交通状态特征，具有较好的预测效果。
附图说明
图1为本发明的流程图。
图2为本发明的浮动车轨迹组织示意图。
图3为本发明基于浮动车的路网行程车速估计图。
图4为本发明不同预测场景的预测稳定性对比图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
如图1、图2、图3所示，一种基于LSTM-CNN的城市路网交通状态预测方法，包括以下步骤：
一种基于LSTM-CNN的城市路网交通状态预测方法，具体步骤如下：
步骤S1：对路网的历史车速进行估计计算；
步骤S2：基于获得的历史车速信息构建邻接矩阵；
步骤S3：构建LSTM-CNN神经网络；
步骤S4：将邻接矩阵作为输入对LSTM-CNN神经网络进行训练，并利用梯度下降法更新优化LSTM-CNN神经网络的参数；
步骤S5：步骤S5迭代进行直至LSTM-CNN神经网络收敛；
步骤S6：向LSTM-CNN神经网络输入实时的车速信息的邻接矩阵，对路网交通状态进行预测。
优选的，所述步骤S1通过卡口检测的数据和/或浮动车的数据对路网的历史车速进行估计；
其中通过卡口检测的数据对路网的历史车速进行估计的具体过程如下：
步骤S101：筛选T时段路网所有的过车记录R；
步骤S102：判断R是否为空，若是，执行步骤S103；若否，执行步骤S104；
步骤S103：统计所有估计速度，将属于同一路段的结果取平均值；
步骤S104：筛选车牌C所有记录Rc，按时间顺序升序排列；
步骤S105：设Rc第一条记录序号t＝0；共包含记录数Nc；
步骤S106：判断t+1≤Nc是否成立，若否，执行步骤S102；若是，执行步骤S107；
步骤S107：判断t和t+1的记录对应的卡口是否是相邻卡口；若否，执行步骤S108；若是，执行步骤S110；
步骤S108：根据迪杰斯特拉算法重构卡口对之间的路段，设重构后路段集合为S＝{si|i＝1，2…k}，i表示不同的路段；
步骤S109：根据路段长度分配行程时间
Figure GDA0003144025450000071
dj表示路段j的长度；di表示路段i的长度，Tt，t+1表示某辆车在t，t+1两条记录间的行程时间；
步骤S110：计算两卡口间路段的车速
Figure GDA0003144025450000072
步骤S111：令t＝t+1，然后执行步骤S106。
所述步骤S1通过浮动车的数据对路网的历史车速进行估计的具体过程如下：
设每条车辆轨迹Ll，l＝1，2，…N由若干车辆观测记录rlj，j＝1，2，…，nl组成,N表示总的车辆轨迹数；nl表示轨迹Ll的总的行驶记录观测数；None表示轨迹终止，将每条行驶轨迹记录的行程时间用向量Tl表示，Tl中的每个元素tr表示每个车辆第r条行驶记录观测的行程时间，为nl×1的向量，每个路段s的长度用ds表示，对于每条轨迹Ll，构造矩阵
Figure GDA0003144025450000073
分配该轨迹在路网各路段的行驶距离，其中|S|表示路网中路段总数；Dl(i，j)表示对于第l条车辆轨迹，第i条车辆行驶记录被观测到在路段j上行驶的距离；
设路网共包含路段数为|S|＝3，共出现车辆轨迹数N＝2，第一条轨迹中车辆行驶记录观测的总数n1＝2，包含的车辆观测记录是r11，r12；在第二条轨迹中，车辆行驶记录观测的总数n2＝3，包含的车辆观测记录是r21，r22，r23，路段s1，s2，s3的速度分别v1,v2,v3，则两条轨迹行程时间的估计值分别为：
Figure GDA0003144025450000074
Figure GDA0003144025450000075
Figure GDA0003144025450000076
Figure GDA0003144025450000077
Figure GDA0003144025450000078
其中
Figure GDA0003144025450000081
为第一条轨迹第1,2条观测记录的估计行程时间，
Figure GDA0003144025450000082
为第二条轨迹第1,2,3条观测记录的估计行程时间；
则速度估计问题可以转化为以下优化问题：
Figure GDA0003144025450000083
其中，s.t.vj>0,j＝1,2,3；
把上述问题归纳为一般形式如下：
Figure GDA0003144025450000084
其中，s.t.vj>0,j＝1,2,3…N；
V为N×1向量，表示路网各个路段的估计速度，Tl和
Figure GDA0003144025450000085
分别表示轨迹Ll各条观测记录的实际行程时间和估计行程时间；
通过遗传算法求解该问题，即可得到估计的速度信息。
优选的，步骤S2的具体步骤如下：
定义路网为一个有向图G＝(N,E)，其中，N＝{ni|i＝1,2…}表示路网中节点的集合，E＝{ej|j＝1,2…}表示路网中有向路段的集合；设t时间段的路网状态矩阵为
Figure GDA0003144025450000086
若路网节点ni与nj间存在有向路段，则邻接矩阵的元素At(i,j)＝vt(i,j)，否则At(i,j)＝0，其中vt(i,j)表示连接节点ni与nj的有向路段t时间段的平均行程车速。
优选的，步骤S4的具体步骤如下：
步骤S401：设模型中前n个时间段的历史交通状态为At-nΔt,At-(n-1)Δt,…At,预测路网未来m个时间段的交通状态为S；
步骤S402：初始化零初始状态输出元组(C0,h0)，C0表示初始状态；h0表示初始输出；
步骤S403：令Dn-i＝fconv(conv2d(An-iΔt))；其中iΔt表示前i个时间步长，fconv表示卷积层的激活函数，conv2d表示卷积神经网络的卷积过程；
步骤S404：令Pn-i＝pool(Dn-i)；其中pool表示卷积神经网络的池化过程；
步骤S405：令Xn-i＝fflatten(flatten(An-iΔt))；其中fflatten分别表示全连接层的激活函数；
步骤S406：令Cn-i+1＝lstm_state(Xn-i,hn-i,Cn-i)；其中lstm_state表示长短时记忆网络的状态输出过程
步骤S407：令hn-i+1＝lstm_output(Xn-i,hn-i,Cn-i+1)；lstm_output表示长短时记忆网络的当前结果输出过程
步骤S408：得到S＝fflatten(flatten(hn))；
步骤S409：通过采用动态调整参数学习率的梯度下降法优化S和
Figure GDA0003144025450000093
的均方误差,进行参数的更新，优化函数表达如下：
Figure GDA0003144025450000091
其中，预测与实测的路网行程车速向量分别为S和
Figure GDA0003144025450000092
模型待优化相关参数为Θ。
实施例2
如图1、图2、图3、图4所示，在本实施例中，先验数据与预测结果的步长都设置为5min。为了测试模型在不同先验条件下预测效果的可靠性，本设置有15min,30min,45min以及60min四种长度的先验信息，对应步长数目为H＝{3,6,9,12}，预测长度为5min，15min以及30min，对应步长数目为P＝{1,3,6}。
本实施例基于Tensorflow深度学习框架搭建，经过筛选，模型参数确定为：卷积网络中，使用6个卷积核，尺寸为(3,3),采用平均池化层，尺寸为(2,2)，全连接层神经元个数400，长短期记忆神经网络中，采用1层LSTM网络，节点数为256，通过一层全连接层最终输出，神经元个数为400，学习率定为0.0001，并采用early stopping的机制防止过拟合。同时，为了验证模型的有效性，采用滑动平均、普通全连接深度网络，卷积神经网络以及长短期记忆神经网络四种模型作为实验对比。
其中，设置预测结果的均方误差(MSE)作为准确率的评价指标：
Figure GDA0003144025450000101
设置在不同预测场景下，路段行程车速预测平方误差的方差(Var)为模型预测稳定性的评价指标：
Figure GDA0003144025450000102
其中，N表示预测结果数目，yi和
Figure GDA0003144025450000103
分别代表预测路段平均行程车速和对应的实测车速。
首先，在不同时长的先验条件下，对比模型的预测结果，分析模型预测的准确性。总体来说本模型准确率优于另外四种模型，特别地，对于本次实验数据，当先验时长从历史15min扩展到历史60min时，本模型在不同预测长度的实验的均方误差都呈现下降趋势，LSTM模型也呈现类似变化规律，说明在15min到60min这一区间的先验信息，信息越多，具备LSTM结构的模型可以更好地学习序列数据的变化规律，即交通状态随时间变化的特征，在先验数据时间长度只有15min时，本模型与LSTM模型的差距最大，可以认为在先验数据较少时，时间维度特征较少，此时引入路网的拓扑结构信息可以有效提高预测精度。随着先验信息变多，LSTM的预测准确率逐渐接近本模型，表明先验数据的时间长度成为影响预测精度的主要因素，此时时间维度的特征是影响实验效果的关键。
除了考虑模型的预测精度外，在对路网的交通状态进行预测时，有必要判断预测区域内的每个路段的预测效果是否稳定，因此对模型预测的稳定性进行分析。
如图4所示，15min-5min表示先验时长15min，进行未来5min的路网行程车速预测。从上表可知，在大部分预测场景，本模型预测稳定性较好，说明在预测路网交通状态时，每条路段每个步长的预测效果较为稳定，更有利于支持交通决策。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
参考文献
[1]Lippi M,Bertini M,Frasconi P.Short-Term Traffic Flow Forecasting:An Experimental Comparison ofTime-Series Analysis and Supervised Learning[J].IEEE Transactions on Intelligent Transportation Systems,2013,14(2):871-882.
[2]XIE Y,ZHANG Y,YE Z.Short-Term Traffic Volume Forecasting UsingKalman Filter with Discrete Wavelet Decomposition[J].Computer-aided Civil&Infrastructure Engineering,2007,22(5):326–334.
[3]ZHANG L,LIU Q,YANG W,et al.An Improved K-nearest Neighbor Modelfor Short-term Traffic Flow Prediction[J].Procedia-Social and BehavioralSciences,2013,96:653-662.
[4]CHEN Y,ZHAO Y,YAN P.Daily ETC Traffic Flow Time Series PredictionBased on k-NN and BPNeural Network[M]//Social Computing.Springer Singapore,2016.
[5]SUN S,ZHANG C,YU G.Abayesian network approach to traffic flowforecasting [J].IEEE Transactions on Intelligent Transportation Systems,2006,7(1):124-132.
[6]MAX,TAO Z,WANGY,et al.Long short-term memory neural network fortraffic speed prediction using remote microwave sensor data[J].TransportationResearch Part C Emerging Technologies,2015,54:187-197.

Claims (3)

1.一种基于LSTM-CNN的城市路网交通状态预测方法，其特征在于，包括以下步骤：
步骤S1：对路网的历史车速进行估计计算；
所述步骤S1通过卡口检测的数据和/或浮动车的数据对路网的历史车速进行估计；
其中通过卡口检测的数据对路网的历史车速进行估计的具体过程如下：
步骤S101：筛选T时段路网所有的过车记录R；
步骤S102：判断R是否为空，若是，执行步骤S103；若否，执行步骤S104；
步骤S103：统计所有估计速度，将属于同一路段的结果取平均值；
步骤S104：筛选车牌C所有记录Rc，按时间顺序升序排列；
步骤S105：设Rc第一条记录序号t＝0；共包含记录数Nc；
步骤S106：判断t+1≤Nc是否成立，若否，执行步骤S102；若是，执行步骤S107；
步骤S107：判断t和t+1的记录对应的卡口是否是相邻卡口；若否，执行步骤S108；若是，执行步骤S110；
步骤S108：根据迪杰斯特拉算法重构卡口对之间的路段，设重构后路段集合为S＝{si|i＝1，2…k}，i表示不同的路段；
步骤S109：根据路段长度分配行程时间
Figure FDA0003144025440000011
dj表示路段j的长度；di表示路段i的长度，Tt，t+1表示某辆车在t，t+1两条记录间的行程时间；
步骤S110：计算两卡口间路段的车速
Figure FDA0003144025440000012
步骤S111：令t＝t+1，然后执行步骤S106；
所述步骤S1通过浮动车的数据对路网的历史车速进行估计的具体过程如下：
设每条车辆轨迹Ll，l＝1，2，...N由若干车辆观测记录rlj，j＝1，2，...，nl组成，N表示总的车辆轨迹数；nl表示轨迹Ll的总的行驶记录观测数；None表示轨迹终止，将每条行驶轨迹记录的行程时间用向量Tl表示，Tl中的每个元素tr表示每个车辆第r条行驶记录观测的行程时间，为nl×1的向量，每个路段s的长度用ds表示，对于每条轨迹Ll，构造矩阵
Figure FDA0003144025440000021
分配该轨迹在路网各路段的行驶距离，其中|S|表示路网中路段总数；Dl(i，j)表示对于第l条车辆轨迹，第i条车辆行驶记录被观测到在路段j上行驶的距离；
设路网共包含路段数为|S|＝3，共出现车辆轨迹数N＝2，第一条轨迹中车辆行驶记录观测的总数n1＝2，包含的车辆观测记录是r11，r12；在第二条轨迹中，车辆行驶记录观测的总数n2＝3，包含的车辆观测记录是r21，r22，r23，路段s1，s2，s3的速度分别v1，v2，v3，则两条轨迹行程时间的估计值分别为：
Figure FDA0003144025440000022
Figure FDA0003144025440000023
Figure FDA0003144025440000024
Figure FDA0003144025440000025
Figure FDA0003144025440000026
其中
Figure FDA0003144025440000027
为第一条轨迹第1，2条观测记录的估计行程时间，
Figure FDA0003144025440000028
为第二条轨迹第1，2，3条观测记录的估计行程时间；
则速度估计问题可以转化为以下优化问题：
Figure FDA0003144025440000029
其中，s.t.vj＞0，j＝1，2，3；
把上述问题归纳为一般形式如下：
Figure FDA00031440254400000210
其中，s.t.vj＞0，j＝1，2，3…N；
V为N×1向量，表示路网各个路段的估计速度，Tl和
Figure FDA0003144025440000031
分别表示轨迹Ll各条观测记录的实际行程时间和估计行程时间；
通过遗传算法求解该问题，即可得到估计的速度信息；
步骤S2：基于获得的历史车速信息构建邻接矩阵；
步骤S3：构建LSTM-CNN神经网络；
步骤S4：将邻接矩阵作为输入对LSTM-CNN神经网络进行训练，并利用梯度下降法更新优化LSTM-CNN神经网络的参数；
步骤S5：步骤S5迭代进行直至LSTM-CNN神经网络收敛；
步骤S6：向LSTM-CNN神经网络输入实时的车速信息的邻接矩阵，对路网交通状态进行预测。
2.根据权利要求1所述的一种基于LSTM-CNN的城市路网交通状态预测方法，其特征在于，步骤S2的具体步骤如下：
定义路网为一个有向图G＝(N，E)，其中，N＝{ni|i＝1，2...}表示路网中节点的集合，E＝{ej|j＝1，2...}表示路网中有向路段的集合；设t时间段的路网状态矩阵为
Figure FDA0003144025440000032
若路网节点ni与nj间存在有向路段，则邻接矩阵的元素At(i，j)＝vt(i，j)，否则At(i，j)＝0，其中vt(i，j)表示连接节点ni与nj的有向路段t时间段的平均行程车速。
3.根据权利要求2所述的一种基于LSTM-CNN的城市路网交通状态预测方法，其特征在于，步骤S4的具体步骤如下：
步骤S401：设模型中前n个时间段的历史交通状态为At-nΔt，At-(n-1)Δt，…At，预测路网未来m个时间段的交通状态为S；
步骤S402：初始化零初始状态输出元组(C0，h0)；C0表示初始状态；h0表示初始输出；
步骤S403：令Dn-i＝fconv(conv2d(An-iΔt))；其中iΔt表示前i个时间步长，fconv表示卷积层的激活函数，conv2d表示卷积神经网络的卷积过程；
步骤S404：令Pn-i＝pool(Dn-i)；其中pool表示卷积神经网络的池化过程；
步骤S405：令Xn-i＝fflatten(flatten(An-iΔt))；其中fflatten分别表示全连接层的激活函数；
步骤S406：令Cn-i+1＝lstm_state(Xn-i，hn-i，Cn-i)；其中lstm_state表示长短时记忆网络的状态输出过程；
步骤S407：令hn-i+1＝lstm_output(Xn-i，hn-i，Cn-i+1)；lstm-output表示长短时记忆网络的当前结果输出过程；
步骤S408：得到S＝fflatten(flatten(hn))；
步骤S409：通过采用动态调整参数学习率的梯度下降法优化S和
Figure FDA0003144025440000041
的均方误差，进行参数的更新，优化函数表达如下：
Figure FDA0003144025440000042
其中，预测与实测的路网行程车速向量分别为S和
Figure FDA0003144025440000043
模型待优化相关参数为Θ。
CN201811278958.1A 2018-10-30 2018-10-30 一种基于lstm-cnn的城市路网交通状态预测方法 Active CN109544911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811278958.1A CN109544911B (zh) 2018-10-30 2018-10-30 一种基于lstm-cnn的城市路网交通状态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811278958.1A CN109544911B (zh) 2018-10-30 2018-10-30 一种基于lstm-cnn的城市路网交通状态预测方法

Publications (2)

Publication Number Publication Date
CN109544911A CN109544911A (zh) 2019-03-29
CN109544911B true CN109544911B (zh) 2021-10-01

Family

ID=65845551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811278958.1A Active CN109544911B (zh) 2018-10-30 2018-10-30 一种基于lstm-cnn的城市路网交通状态预测方法

Country Status (1)

Country Link
CN (1) CN109544911B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767930A (zh) * 2019-04-01 2020-10-13 北京百度网讯科技有限公司 物联网时序数据异常检测方法及其相关设备
CN110070715A (zh) * 2019-04-29 2019-07-30 浙江工业大学 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法
CN110675621B (zh) * 2019-05-23 2021-01-15 北京嘀嘀无限科技发展有限公司 预测交通信息的系统和方法
CN110047291B (zh) * 2019-05-27 2020-06-19 清华大学深圳研究生院 一种考虑扩散过程的短时交通流预测方法
CN110516708B (zh) * 2019-07-23 2023-04-18 江苏大学 一种基于轨迹与路网匹配的路径预测方法
CN110517484A (zh) * 2019-08-06 2019-11-29 南通大学 菱形立交区域平面交叉标志遮挡预测模型构建方法
CN110414747B (zh) * 2019-08-08 2022-02-01 东北大学秦皇岛分校 一种基于深度学习的时空长短期城市人流量预测方法
CN111613054B (zh) * 2020-05-07 2021-07-06 浙江大学 一种协同考虑时空相关性及贡献差异的多步交通速度预测方法
CN111508094B (zh) * 2020-06-30 2020-09-22 之江实验室 一种基于etc门架与卡口通行数据的高速公路拥堵发现方法
CN112183589B (zh) * 2020-09-14 2022-04-22 西北工业大学 一种低采样率下的实时车辆k近邻查询方法
CN112201036B (zh) * 2020-09-25 2022-06-24 同济大学 一种基于Inception-CNN的城市快速路行程速度短时预测方法
CN112330158B (zh) * 2020-11-06 2023-10-13 北京建筑大学 基于自回归差分移动平均-卷积神经网络的识别交通指数时间序列的方法
CN112614349B (zh) * 2020-12-31 2021-09-03 郑州轻工业大学 一种基于大数据的交通状况预测方法及系统
CN112907956B (zh) * 2021-01-29 2022-09-20 同济大学 一种基于时空信息的高速公路车道级运行速度预测方法
CN113129585B (zh) * 2021-03-05 2022-03-01 浙江工业大学 基于重构交通网络的图聚合机制的道路交通流预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105869402B (zh) * 2016-05-12 2019-04-19 中山大学 基于多类型浮动车数据的高速公路路段速度修正方法
KR101742042B1 (ko) * 2016-11-15 2017-05-31 한국과학기술정보연구원 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체
CN107103758B (zh) * 2017-06-08 2019-06-21 厦门大学 一种基于深度学习的城市区域交通流量预测方法
CN108648457B (zh) * 2018-06-28 2021-07-13 苏州大学 一种速度预测的方法、装置和计算机可读存储介质

Also Published As

Publication number Publication date
CN109544911A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
CN109544911B (zh) 一种基于lstm-cnn的城市路网交通状态预测方法
CN105513359B (zh) 一种基于智能手机移动检测的城市快速路交通状态估计方法
CN109215350B (zh) 一种基于rfid电子车牌数据的短期交通状态预测方法
US11913795B2 (en) Computer-implemented method of predicting energy use for a route
GB2599765A (en) Vehicle traffic flow prediction method with missing data
CN114529081B (zh) 一种时空联合的交通流量预测方法及装置
CN111160639B (zh) 基于用户出行时空分布特性的电动汽车充电负荷预测方法
CN111710161B (zh) 一种基于传染病模型的路网拥堵传播态势预测方法及系统
CN109376906B (zh) 基于多维度轨迹的出行时间预测方法、系统及电子设备
CN115148019A (zh) 一种基于节假日拥堵预测算法的预警方法及系统
CN114360266A (zh) 一种网联车探测状态感知的交叉口强化学习信号控制方法
CN115762147B (zh) 一种基于自适应图注意神经网络的交通流量预测方法
CN111429000A (zh) 一种基于站点聚类的共享单车取还站点推荐方法及系统
Qi et al. Stochastic approach for short-term freeway traffic prediction during peak periods
CN112906945A (zh) 一种交通流量预测方法、系统及计算机可读存储介质
CN114692827A (zh) 面向边缘联邦学习的电动汽车锂电池soh在线预测方法
Zou et al. City-level traffic flow prediction via LSTM networks
Lartey et al. XGBoost: a tree-based approach for traffic volume prediction
CN111311905A (zh) 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法
CN107145714A (zh) 基于多因素的公共自行车使用量预测方法
CN109117972A (zh) 一种电动汽车的充电需求确定方法
CN117636633A (zh) 一种基于时空感知混合图的交通流量预测方法
CN116993391A (zh) 一种站点式共享单车系统使用需求预测方法
Song et al. Prediction of road network traffic state using the NARX neural network
CN108199895B (zh) 一种智能卡口优化布置方法及装置

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
GR01 Patent grant
GR01 Patent grant