CN109598381A - 一种基于状态频率记忆神经网络的短时交通流预测方法 - Google Patents
一种基于状态频率记忆神经网络的短时交通流预测方法 Download PDFInfo
- Publication number
- CN109598381A CN109598381A CN201811479335.0A CN201811479335A CN109598381A CN 109598381 A CN109598381 A CN 109598381A CN 201811479335 A CN201811479335 A CN 201811479335A CN 109598381 A CN109598381 A CN 109598381A
- Authority
- CN
- China
- Prior art keywords
- batch
- traffic flow
- moment
- data
- state
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 83
- 230000015654 memory Effects 0.000 title claims abstract description 83
- 238000013277 forecasting method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 4
- 241000921313 Phyllopodium Species 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 241001269238 Data Species 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000001939 inductive effect Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
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
- G06N3/08—Learning methods
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于状态频率记忆神经网络的短时交通流预测方法。该方法按照预测的指定时间间隔对历史交通流数据进行汇总，将一段时间内的多个历史交通流数据按照一定时间间隔进行累加，得到汇总后的历史交通流数据；对汇总后的历史交通流数据进行归一化预处理；设定状态‑频率记忆神经网络预测模型的参数；根据预处理之后的历史交通流数据，训练设定参数后的状态‑频率记忆神经网络预测模型，构建已训练的交通流预测模型；根据已训练的交通流预测模型预测指定时间间隔的交通流，并评估预测误差。本发明利用状态‑频率记忆神经网络模型预测短时交通流能够获得较高的预测精度，同时，也能够对不同时间间隔的交通流量进行预测。
Description
技术领域
本发明属于智能交通系统领域，具体涉及一种基于状态频率记忆神经网络的短时交通流预测方法。
背景技术
智能交通控制与诱导系统一直是智能交通系统的核心内容之一，同时也是近年来研究的热点。智能控制与诱导系统的有效运行能够明显的缓解交通堵塞问题、减轻环境污染，同时提高道路交通安全。实现智能控制与诱导系统有效运行的关键在于对短时交通流进行准确的预测，且对短时交通流预测准确与否在很大程度上决定了控制和诱导的有效性。
交通流预测主要是依据当前道路交通流量的变化规律以及特性进行准确和实时的预测，能够合理的推断出未来短时间内的交通状况。目前，研究人员已提出许多预测短时交通流的方法如指数平滑法、BP神经网络等，然而这些方法预测的效果并不尽如人意，存在各自的缺陷，如指数平滑法对时间的间隔敏感性较强，预测误差较大；BP神经网络在预测时容易出现过拟合的现象，并存在收敛速度较慢等问题。同时，交通流数据是一种时间序列数据，具有非线性和随机性的特点，上述方法预测交通流数据并不能够符合其特点，存在较大的预测误差。
因此，有必要设计一种新的短时交通流预测模型，以克服上述问题。
发明内容
本发明的目的是在于克服现有技术的缺陷，提出了一种基于状态频率记忆神经网络的短时交通流预测方法，以实现提高短时交通流预测精度。
为了实现上述目的，本发明提供了一种基于状态频率记忆神经网络的短时交通流预测方法，具体采用如下技术方案。
一种基于状态频率记忆神经网络的短时交通流预测方法，该方法包括以下步骤：
步骤1：按照预测的指定时间间隔对历史交通流数据进行汇总，将一段时间内的多个历史交通流数据按照一定时间间隔进行累加，得到汇总后的历史交通流数据。
步骤2：对汇总后的历史交通流数据进行归一化预处理；
步骤3：设定状态-频率记忆神经网络预测模型的参数；
步骤4：根据预处理之后的历史交通流数据，训练设定参数后的状态-频率记忆神经网络预测模型，构建状态频率记忆神经网络交通流预测模型；
步骤5：根据状态频率记忆神经网络交通流预测模型预测指定时间间隔的交通流，并评估预测误差。
作为优选，步骤1中所述历史交通流数据为特定观测点观测到的一段时间内经过的交通流量gi,j；
步骤1中所述汇总后的历史交通流数据Q为：
Q＝[Q1,Q2,…,Qn]
其中，i为时间间隔的序号，j为时间间隔内时间的序号，n为时间间隔的数量，m为时间间隔内时间的数量，Qi为汇总后的第i段时间间隔内的交通流量，gi,j为第i段时间间隔的第j-1至j段时间内的交通流量，Q为多段时间间隔的交通流量汇总后组成的时间序列，即汇总后的历史交通流数据；
作为优选，步骤2中所述对汇总后的历史交通流数据进行归一化预处理，具体的方法为：
其中，Q'为归一化预处理的历史交通流数据，Qmin为汇总后的历史交通流数据Q中的最小值，Qmax为汇总后的历史交通流数据Q中的最大值，Q为汇总后的历史交通流数据；
作为优选，步骤3中所述设定状态-频率记忆神经网络模型的参数：
设定输入层节点数量为d1，设定隐藏层χ的隐藏层节点数量为d2，设定输出层节点数量为d3，设定频率维为K，设定迭代次数为iter，设定学习率为lr，设定时刻的数量为p；
作为优选，步骤4中所述训练设定参数后的状态-频率记忆神经网络预测模型为：
将归一化预处理的历史交通流数据划分为训练集数据Qtra、验证集数据Qval以及测试集数据Qtest；
利用训练集数据，根据步骤3设定参数后的状态-频率记忆神经网络的模型上进行训练；
模型隐藏层χ的前向传播过程为：
输入的历史交通流数据序列为：
Qtra,l＝(Qtra,l,1,Qtra,l,2,…,Qtra,l,t,…,Qtra,l,p)
其中，Qtra,l,t为l批次中t时刻输入的序列数据，l∈(1,2,…,s)，t∈(1,2,…,p)，s为批次的数量，p表示时刻的数量，计算方法为：
其中，len(Qtra)表示验证数据集的数量；
则模型遗忘门的计算公式为：
其中，为l批次中t时刻状态遗忘门，为l批次中t时刻频率遗忘门；
l批次中t时刻状态遗忘门计算公式为：
l批次中t时刻频率遗忘门计算公式为：
其中，Wl,ste为l批次中状态遗忘门的权值，Qtra,l,t为l批次中t时刻输入的序列数据，Ul,ste为l批次中状态遗忘门中隐藏层上一个时刻到当前时刻的权值，hl,t-1为l批次中t-1时刻隐藏层的输出，bl,ste为l批次中状态遗忘门的偏置项，Wl,fre为l批次中频率遗忘门的权值，Ul,fre为l批次中频率遗忘门中上一时刻隐藏层输出值传递到当前时刻的权值，bl,fre为l批次中频率遗忘门中的偏置项；
其中，sigmoid激活函数计算方法为：
模型输入门的计算公式为：
Il,t＝sigmoid(Wl,IQtra,l,t+Ul,Ihl,t-1+bl,I)
其中，Il,t为l批次中t时刻输入门的输出值，Wl,I为l批次中输入门的权值，Ul,I为l批次中输入门中上一时刻隐藏层输出值传递到当前时刻的权值，hl,t-1为l批次中t-1时刻隐藏层的输出，bl,I为l批次中隐藏层的偏置项；
描述当前输入的单元状态：
cl,t＝tanh(Al,tul,a+bl,a)
其中：cl,t为l批次中t时刻输入的单元状态，ul,a为l批次中逆变换向量，bl,a为l批次中状态幅度上的偏置项，Wl,c为l批次中输出门单元状态的权值，Ul,c为l批次中输出门中上一时刻隐藏层输出值传递到当前时刻的权值，hl,t-1为l批次中t-1时刻隐藏层的输出，bl,c为l批次中输出门的偏置项。
其中，tanh激活函数计算方法为：
其中，Al,t为l批次中t时刻频率状态矩阵的幅度，RESl,t为l批次中t时刻状态频率矩阵Sl,t的实部，IMSl,t为l批次中t时刻状态频率矩阵Sl,t的虚部，IMSl,t-1为l批次中t-1时刻频率状态矩阵Sl,t-1的虚部，Il,t为l批次中t时刻输入门的输出值，RESl,t-1为l批次中t-1时刻频率状态矩阵Sl,t-1的实部，K为频率维；
模型输出门的计算公式为：
其中ol,t＝sigmoid(Wl,oQtra,l,t+Ul,ohl,t-1+bl,o)，
其中，hl,t为l批次中t时刻隐藏层的输出值，ol,t为l批次中t时刻的输出门的输出值，cl,t为l批次中t时刻的单元状态，Wl,o为l批次中输出门的权重，Ul,o为l批次中输出门中隐藏层上一个时刻到当前时刻的权重，hl,t-1为l批次中t-1时刻隐藏层的输出，bl,o为l批次中输出门的偏置项。
其中，Sl,t为l批次中t时刻的状态频率矩阵，Fl,t为l批次中t时刻遗忘门的输出值，Sl,t-1为l批次中t-1时刻的状态频率矩阵，Il,t为l批次中t时刻输入门的输出值，为l批次中t时刻的输入调制、输入的单元状态，为状态序列上的K个频率分量的傅立叶基；
模型隐藏层反向传播使用沿时间反向传播算法进行训练，其训练公式为：
其中：δT l,t-1为l批次中t-1时刻的误差项、为l批次中t时刻的误差项、hl,t为l批次中t时刻隐藏层的输出、hl,t-1为l批次中t-1时刻隐藏层的输出、Wl,h,t为l批次中t时刻从输入层到隐藏层的权值、Qtra,l,t-1为l批次中t-1时刻输入的序列数据、MSEl为l批次中各个时刻损失值之和，计算方法如下：
其中，MSEl为l批次中各时刻的损失值之和，λ为当前时刻，Bl,t为l批次中模型在t时刻输出的数据，Qtra,l,t为l批次中t时刻输入的序列数据；
步骤4中所述构建状态频率记忆神经网络交通流预测模型为：
将验证集数据Qval输入各批次状态频率记忆神经网络模型modl
l∈[1,s]，并计算各批次状态频率记忆神经网络模型在验证集数据上的误差为：
MSEval,l＝|Nl-Qval|l∈[1,s]
其中，Nl为l批次状态频率记忆神经网络模型modl预测输出数据，Qval为验证集数据；
选择各批次状态频率记忆神经网络模型在验证集数据上的误差最小的批次的状态频率记忆神经网络模型，作为状态频率记忆神经网络交通流预测模型：
即在MSEval,1,MSEval,2,...,MSEval,s中选择最小为MSEval,z z∈[1,s]，将z批次状态频率记忆神经网络模型modz作为状态频率记忆神经网络交通流预测模型；
作为优选，步骤5中所述根据状态频率记忆神经网络交通流预测模型预测指定时间间隔的交通流：
将步骤4中所述测试集数据Qtest作为输入数据输入状态频率记忆神经网络交通流预测模型，进行前向计算，得到相应的输出数据A，此数据即为模型对下一指定时间间隔交通流数据的归一化预测值；
将得到的相应的输出数据A进行逆归一化处理，得到对下一指定时间间隔的交通流数据预测值，其中，下一指定时间间隔交通流数据预测值为；
其中，A'为逆归一化之后的数据即下一指定时间间隔交通流数据预测值，Qmin为汇总后的历史交通流数据Q中的最小值，Qmax为汇总后的历史交通流数据Q中的最大值，Q为汇总后的历史交通流数据，A为已训练的交通流预测模型对下一指定时间间隔交通流数据的归一化预测值；
本发明提供的基于状态-频率记忆神经网络的短时交通流预测方法，该方法包括以下步骤：根据短时交通流预测时间间隔，汇总历史交通流数据；对汇总后的数据历史交通流数据进行预处理；对状态-频率记忆神经网络设置合理的参数；使用预处理的历史交通流数据训练该神经网络预测模型，并根据模型在验证数据集上的效果对其训练参数进行调整，选取在验证集上误差最小的预测模型作为最终的交通流预测模型；调用模型预测指定的时间间隔的交通流量并评估误差。本发明利用了状态-频率记忆神经网络预测模型能够长时记忆输入历史交通流数据、且能够自适应调节频率的优势，可得到较高的预测精度，且对于不同的预测时间间隔具有良好的延展性。
与现有技术相比，本发明具有以下有益效果：
使用状态-频率记忆神经网络预测模型预测短时交通流，该模型具有长时记忆历史数据的优点；
使用状态-频率记忆神经网络预测模型预测短时交通流，可以动态确定不同的频率，以便得到更高的预测精度；
使用状态-频率记忆神经网络预测模型预测短时交通流，可以预测不同的时间间隔，具有良好的扩展性。
附图说明
图1：为本发明方法的关于短时交通流预测的一种流程示意图；
图2：为本发明关于状态频率记忆神经网络的一种结构示意图；
图3：为本发明预测模型以30分钟为预测时间间隔所预测得到的短时交通流数据与观测值对比图；
图4：为本发明与其他方法预测的不同时间间隔平均相对误差对比图；
图5：为本发明与其他方法预测的不同时间间隔均方误差对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅为本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施方式的仿真平台为软件python2.7，使用从OpenITS获得的历史交通流数据进行分析建模，选取了安徽省某交叉口的连续30天的历史交通流数据。本发明实施方式使用前24天的历史交通流数据作为训练集数据，使用后续3天的历史交通流数据作为验证集数据，并使用最后3天的的历史交通流数据作为测试集数据。
下面结合图1至图5介绍本发明的实施方式，一种基于状态频率记忆神经网络的短时交通流预测方法，该方法包括以下步骤：
步骤1：按照预测的指定时间间隔对历史交通流数据进行汇总，将一段时间内的多个历史交通流数据按照一定时间间隔进行累加，得到汇总后的历史交通流数据。
步骤1中所述历史交通流数据为特定观测点观测到的一段时间内经过的交通流量gi,j；
步骤1中所述汇总后的历史交通流数据Q为：
Q＝[Q1,Q2,…,Qn]
其中，i为时间间隔的序号，j为时间间隔内时间的序号，n为时间间隔的数量，m为时间间隔内时间的数量，Qi为汇总后的第i段时间间隔内的交通流量，gi,j为第i段时间间隔的第j-1至j段时间内的交通流量，Q为多段时间间隔的交通流量汇总后组成的时间序列，即汇总后的历史交通流数据；
步骤2：对汇总后的历史交通流数据进行归一化预处理；
步骤2中所述对汇总后的历史交通流数据进行归一化预处理，具体的方法为：
其中，Q'为归一化预处理的历史交通流数据，Qmin为汇总后的历史交通流数据Q中的最小值，Qmax为汇总后的历史交通流数据Q中的最大值，Q为汇总后的历史交通流数据；
步骤3：设定状态-频率记忆神经网络预测模型的参数；
步骤3中所述设定状态-频率记忆神经网络模型的参数：
设定输入层节点数量d1＝1，设定隐藏层χ＝1的隐藏层节点数量d2＝50，设定输出层节点数量d3＝1，设定频率维K＝10，设定迭代次数iter＝1200，设定学习率lr＝0.01，设定时刻的数量p＝50；
步骤4：根据预处理之后的历史交通流数据，训练设定参数后的状态-频率记忆神经网络预测模型，构建状态频率记忆神经网络交通流预测模型；
步骤4中所述训练设定参数后的状态-频率记忆神经网络预测模型为：
将归一化预处理的历史交通流数据划分为训练集数据Qtra、验证集数据Qval以及测试集数据Qtest；
利用训练集数据，根据步骤3设定参数后的状态-频率记忆神经网络的模型上进行训练；
模型隐藏层χ的前向传播过程为：
输入的历史交通流数据序列为：
Qtra,l＝(Qtra,l,1,Qtra,l,2,…,Qtra,l,t,…,Qtra,l,p)
其中，Qtra,l,t为l批次中t时刻输入的序列数据，l∈(1,2,…,s)，t∈(1,2,…,p)，s为批次的数量，p表示时刻的数量，计算方法为：
其中，len(Qtra)表示验证数据集的数量；
则模型遗忘门的计算公式为：
其中，为l批次中t时刻状态遗忘门，为l批次中t时刻频率遗忘门；
l批次中t时刻状态遗忘门计算公式为：
l批次中t时刻频率遗忘门计算公式为：
其中，Wl,ste为l批次中状态遗忘门的权值，Qtra,l,t为l批次中t时刻输入的序列数据，Ul,ste为l批次中状态遗忘门中隐藏层上一个时刻到当前时刻的权值，hl,t-1为l批次中t-1时刻隐藏层的输出，bl,ste为l批次中状态遗忘门的偏置项，Wl,fre为l批次中频率遗忘门的权值，Ul,fre为l批次中频率遗忘门中上一时刻隐藏层输出值传递到当前时刻的权值，bl,fre为l批次中频率遗忘门中的偏置项；
其中，sigmoid激活函数计算方法为：
模型输入门的计算公式为：
Il,t＝sigmoid(Wl,IQtra,l,t+Ul,Ihl,t-1+bl,I)
其中，Il,t为l批次中t时刻输入门的输出值，Wl,I为l批次中输入门的权值，Ul,I为l批次中输入门中上一时刻隐藏层输出值传递到当前时刻的权值，hl,t-1为l批次中t-1时刻隐藏层的输出，bl,I为l批次中隐藏层的偏置项；
描述当前输入的单元状态：
cl,t＝tanh(Al,tul,a+bl,a)
其中：cl,t为l批次中t时刻输入的单元状态，ul,a为l批次中逆变换向量，bl,a为l批次中状态幅度上的偏置项，Wl,c为l批次中输出门单元状态的权值，Ul,c为l批次中输出门中上一时刻隐藏层输出值传递到当前时刻的权值，hl,t-1为l批次中t-1时刻隐藏层的输出，bl,c为l批次中输出门的偏置项。
其中，tanh激活函数计算方法为：
其中，Al,t为l批次中t时刻频率状态矩阵的幅度，RESl,t为l批次中t时刻状态频率矩阵Sl,t的实部，IMSl,t为l批次中t时刻状态频率矩阵Sl,t的虚部，IMSl,t-1为l批次中t-1时刻频率状态矩阵Sl,t-1的虚部，Il,t为l批次中t时刻输入门的输出值，RESl,t-1为l批次中t-1时刻频率状态矩阵Sl,t-1的实部，K为频率维；
模型输出门的计算公式为：
其中ol,t＝sigmoid(Wl,oQtra,l,t+Ul,ohl,t-1+bl,o)，
其中，hl,t为l批次中t时刻隐藏层的输出值，ol,t为l批次中t时刻的输出门的输出值，cl,t为l批次中t时刻的单元状态，Wl,o为l批次中输出门的权重，Ul,o为l批次中输出门中隐藏层上一个时刻到当前时刻的权重，hl,t-1为l批次中t-1时刻隐藏层的输出，bl,o为l批次中输出门的偏置项。
其中，Sl,t为l批次中t时刻的状态频率矩阵，Fl,t为l批次中t时刻遗忘门的输出值，Sl,t-1为l批次中t-1时刻的状态频率矩阵，Il,t为l批次中t时刻输入门的输出值，为l批次中t时刻的输入调制、输入的单元状态，为状态序列上的K个频率分量的傅立叶基；
模型隐藏层反向传播使用沿时间反向传播算法进行训练，其训练公式为：
其中：δT l,t-1为l批次中t-1时刻的误差项、为l批次中t时刻的误差项、hl,t为l批次中t时刻隐藏层的输出、hl,t-1为l批次中t-1时刻隐藏层的输出、Wl,h,t为l批次中t时刻从输入层到隐藏层的权值、Qtra,l,t-1为l批次中t-1时刻输入的序列数据、MSEl为l批次中各个时刻损失值之和，计算方法如下：
其中，MSEl为l批次中各时刻的损失值之和，λ为当前时刻，Bl,t为l批次中模型在t时刻输出的数据，Qtra,l,t为l批次中t时刻输入的序列数据；
步骤4中所述构建状态频率记忆神经网络交通流预测模型为：
将验证集数据Qval输入各批次状态频率记忆神经网络模型modl
l∈[1,s]，并计算各批次状态频率记忆神经网络模型在验证集数据上的误差为：
MSEval,l＝|Nl-Qval|l∈[1,s]
其中，Nl为l批次状态频率记忆神经网络模型modl预测输出数据，Qval为验证集数据；
选择各批次状态频率记忆神经网络模型在验证集数据上的误差最小的批次的状态频率记忆神经网络模型，作为状态频率记忆神经网络交通流预测模型：
即在MSEval,1,MSEval,2,...,MSEval,s中选择最小为MSEval,zz∈[1,s]，将z批次状态频率记忆神经网络模型modz作为状态频率记忆神经网络交通流预测模型；
步骤5：根据状态频率记忆神经网络交通流预测模型预测指定时间间隔的交通流，并评估预测误差。
步骤5中所述根据状态频率记忆神经网络交通流预测模型预测指定时间间隔的交通流：
将步骤4中所述测试集数据Qtest作为输入数据输入状态频率记忆神经网络交通流预测模型，进行前向计算，得到相应的输出数据A，此数据即为模型对下一指定时间间隔交通流数据的归一化预测值；
将得到的相应的输出数据A进行逆归一化处理，得到对下一指定时间间隔的交通流数据预测值，其中，下一指定时间间隔交通流数据预测值为；
其中，A'为逆归一化之后的数据即下一指定时间间隔交通流数据预测值，Qmin为汇总后的历史交通流数据Q中的最小值，Qmax为汇总后的历史交通流数据Q中的最大值，Q为汇总后的历史交通流数据，A为已训练的交通流预测模型对下一指定时间间隔交通流数据的归一化预测值；
对安徽某交叉口实测得到的数据与利用基于状态频率记忆神经网络预测出的交通流数据对比如图3所示，从图中可以清晰的看出使用SFM状态-频率记忆神经网络预测的结果具有较高的准确度。图4与图5分别为此实验的平均误差对比和均方根误差对比，从图中我们可以看出SFM状态-频率记忆神经网络预测的性能要优于一般的预测方法，且预测的误差较小，精度更高。
本发明具有以下有益效果：本实施例提供的状态频率记忆神经网络短时交通流预测模型可以长时间记忆时间序列中的历史数据，并且可以动态的确定最优的历史时间长度来进行预测，通过与指数平滑法以及BP神经网络等方法进行对比，可以发现，SFM状态-频率记忆神经网络对于不同预测时间间隔的误差都是最低的，验证了该模型能够提高短时交通流预测的精度，证明了该模型的有效性。
以上对本发明的具体实施进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
Claims (6)
1.一种基于状态频率记忆神经网络的短时交通流预测方法，其特征在于，包括以下步骤：
步骤1：按照预测的指定时间间隔对历史交通流数据进行汇总，将一段时间内的多个历史交通流数据按照一定时间间隔进行累加，得到汇总后的历史交通流数据；
步骤2：对汇总后的历史交通流数据进行归一化预处理；
步骤3：设定状态-频率记忆神经网络预测模型的参数；
步骤4：根据预处理之后的历史交通流数据，训练设定参数后的状态-频率记忆神经网络预测模型，构建状态频率记忆神经网络交通流预测模型；
步骤5：根据状态频率记忆神经网络交通流预测模型预测指定时间间隔的交通流，并评估预测误差。
2.根据权利要求1所述的基于状态频率记忆神经网络的短时交通流预测方法，其特征在于：
步骤1中所述历史交通流数据为特定观测点观测到的一段时间内经过的交通流量gi,j；
步骤1中所述汇总后的历史交通流数据Q为：
Q＝[Q1,Q2,…,Qn]
其中，i为时间间隔的序号，j为时间间隔内时间的序号，n为时间间隔的数量，m为时间间隔内时间的数量，Qi为汇总后的第i段时间间隔内的交通流量，gi,j为第i段时间间隔的第j-1至j段时间内的交通流量，Q为多段时间间隔的交通流量汇总后组成的时间序列，即汇总后的历史交通流数据。
3.根据权利要求1所述的基于状态频率记忆神经网络的短时交通流预测方法，其特征在于：
步骤2中所述对汇总后的历史交通流数据进行归一化预处理，具体的方法为：
其中，Q'为归一化预处理的历史交通流数据，Qmin为汇总后的历史交通流数据Q中的最小值，Qmax为汇总后的历史交通流数据Q中的最大值，Q为汇总后的历史交通流数据。
4.根据权利要求1所述的基于状态频率记忆神经网络的短时交通流预测方法，其特征在于：
步骤3中所述设定状态-频率记忆神经网络模型的参数：
设定输入层节点数量为d1，设定隐藏层χ的隐藏层节点数量为d2，设定输出层节点数量为d3，设定频率维为K，设定迭代次数为iter，设定学习率为lr，设定时刻的数量为p。
5.根据权利要求1所述的基于状态频率记忆神经网络的短时交通流预测方法，其特征在于：
步骤4中所述训练设定参数后的状态-频率记忆神经网络预测模型为：
将归一化预处理的历史交通流数据划分为训练集数据Qtra、验证集数据Qval以及测试集数据Qtest；
利用训练集数据，根据步骤3设定参数后的状态-频率记忆神经网络的模型上进行训练；
模型隐藏层χ的前向传播过程为：
输入的历史交通流数据序列为：
Qtra,l＝(Qtra,l,1,Qtra,l,2,…,Qtra,l,t,…,Qtra,l,p)
其中，Qtra,l,t为l批次中t时刻输入的序列数据，l∈(1,2,…,s)，t∈(1,2,…,p)，s为批次的数量，p表示时刻的数量，计算方法为：
其中，len(Qtra)表示验证数据集的数量；
则模型遗忘门的计算公式为：
其中，为l批次中t时刻状态遗忘门，为l批次中t时刻频率遗忘门；
l批次中t时刻状态遗忘门计算公式为：
l批次中t时刻频率遗忘门计算公式为：
其中，Wl,ste为l批次中状态遗忘门的权值，Qtra,l,t为l批次中t时刻输入的序列数据，Ul,ste为l批次中状态遗忘门中隐藏层上一个时刻到当前时刻的权值，hl,t-1为l批次中t-1时刻隐藏层的输出，bl,ste为l批次中状态遗忘门的偏置项，Wl,fre为l批次中频率遗忘门的权值，Ul,fre为l批次中频率遗忘门中上一时刻隐藏层输出值传递到当前时刻的权值，bl,fre为l批次中频率遗忘门中的偏置项；
其中，sigmoid激活函数计算方法为：
模型输入门的计算公式为：
Il,t＝sigmoid(Wl,IQtra,l,t+Ul,Ihl,t-1+bl,I)
其中，Il,t为l批次中t时刻输入门的输出值，Wl,I为l批次中输入门的权值，Ul,I为l批次中输入门中上一时刻隐藏层输出值传递到当前时刻的权值，hl,t-1为l批次中t-1时刻隐藏层的输出，bl,I为l批次中隐藏层的偏置项；
描述当前输入的单元状态：
cl,t＝tanh(Al,tul,a+bl,a)
其中：cl,t为l批次中t时刻输入的单元状态，ul,a为l批次中逆变换向量，bl,a为l批次中状态幅度上的偏置项，Wl,c为l批次中输出门单元状态的权值，Ul,c为l批次中输出门中上一时刻隐藏层输出值传递到当前时刻的权值，hl,t-1为l批次中t-1时刻隐藏层的输出，bl,c为l批次中输出门的偏置项；
其中，tanh激活函数计算方法为：
其中，Al,t为l批次中t时刻频率状态矩阵的幅度，RESl,t为l批次中t时刻状态频率矩阵Sl,t的实部，IMSl,t为l批次中t时刻状态频率矩阵Sl,t的虚部，IMSl,t-1为l批次中t-1时刻频率状态矩阵Sl,t-1的虚部，Il,t为l批次中t时刻输入门的输出值，RESl,t-1为l批次中t-1时刻频率状态矩阵Sl,t-1的实部，K为频率维；
模型输出门的计算公式为：
其中ol,t＝sigmoid(Wl,oQtra,l,t+Ul,ohl,t-1+bl,o)，
其中，hl,t为l批次中t时刻隐藏层的输出值，ol,t为l批次中t时刻的输出门的输出值，cl,t为l批次中t时刻的单元状态，Wl,o为l批次中输出门的权重，Ul,o为l批次中输出门中隐藏层上一个时刻到当前时刻的权重，hl,t-1为l批次中t-1时刻隐藏层的输出，bl,o为l批次中输出门的偏置项；
其中，Sl,t为l批次中t时刻的状态频率矩阵，Fl,t为l批次中t时刻遗忘门的输出值，Sl,t-1为l批次中t-1时刻的状态频率矩阵，Il,t为l批次中t时刻输入门的输出值，为l批次中t时刻的输入调制、输入的单元状态，为状态序列上的K个频率分量的傅立叶基；
模型隐藏层反向传播使用沿时间反向传播算法进行训练，其训练公式为：
其中：δT l,t-1为l批次中t-1时刻的误差项、为l批次中t时刻的误差项、hl,t为l批次中t时刻隐藏层的输出、hl,t-1为l批次中t-1时刻隐藏层的输出、Wl,h,t为l批次中t时刻从输入层到隐藏层的权值、Qtra,l,t-1为l批次中t-1时刻输入的序列数据、MSEl为l批次中各个时刻损失值之和，计算方法如下：
其中，MSEl为l批次中各时刻的损失值之和，λ为当前时刻，Bl,t为l批次中模型在t时刻输出的数据，Qtra,l,t为l批次中t时刻输入的序列数据；
步骤4中所述构建状态频率记忆神经网络交通流预测模型为：
将验证集数据Qval输入各批次状态频率记忆神经网络模型modl
l∈[1,s]，并计算各批次状态频率记忆神经网络模型在验证集数据上的误差为：
MSEval,l＝|Nl-Qval|l∈[1,s]
其中，Nl为l批次状态频率记忆神经网络模型modl预测输出数据，Qval为验证集数据；
选择各批次状态频率记忆神经网络模型在验证集数据上的误差最小的批次的状态频率记忆神经网络模型，作为状态频率记忆神经网络交通流预测模型：
即在MSEval,1,MSEval,2,...,MSEval,s中选择最小为MSEval,z z∈[1,s]，将z批次状态频率记忆神经网络模型modz作为状态频率记忆神经网络交通流预测模型。
6.根据权利要求1所述的基于状态频率记忆神经网络的短时交通流预测方法，其特征在于：
步骤5中所述根据状态频率记忆神经网络交通流预测模型预测指定时间间隔的交通流：
将步骤4中所述测试集数据Qtest作为输入数据输入状态频率记忆神经网络交通流预测模型，进行前向计算，得到相应的输出数据A，此数据即为模型对下一指定时间间隔交通流数据的归一化预测值；
将得到的相应的输出数据A进行逆归一化处理，得到对下一指定时间间隔的交通流数据预测值，其中，下一指定时间间隔交通流数据预测值为；
其中，A'为逆归一化之后的数据即下一指定时间间隔交通流数据预测值，Qmin为汇总后的历史交通流数据Q中的最小值，Qmax为汇总后的历史交通流数据Q中的最大值，Q为汇总后的历史交通流数据，A为已训练的交通流预测模型对下一指定时间间隔交通流数据的归一化预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811479335.0A CN109598381B (zh) | 2018-12-05 | 2018-12-05 | 一种基于状态频率记忆神经网络的短时交通流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811479335.0A CN109598381B (zh) | 2018-12-05 | 2018-12-05 | 一种基于状态频率记忆神经网络的短时交通流预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109598381A true CN109598381A (zh) | 2019-04-09 |
| CN109598381B CN109598381B (zh) | 2023-04-18 |
Family
ID=65961085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811479335.0A Active CN109598381B (zh) | 2018-12-05 | 2018-12-05 | 一种基于状态频率记忆神经网络的短时交通流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109598381B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110675623A (zh) * | 2019-09-06 | 2020-01-10 | 中国科学院自动化研究所 | 基于混合深度学习的短时交通流量预测方法、系统、装置 |
| CN110910659A (zh) * | 2019-11-29 | 2020-03-24 | 腾讯云计算（北京）有限责任公司 | 一种交通流量预测方法、装置、设备以及存储介质 |
| CN111242395A (zh) * | 2020-04-26 | 2020-06-05 | 北京全路通信信号研究设计院集团有限公司 | 用于od数据的预测模型构建方法及装置 |
| CN111461400A (zh) * | 2020-02-28 | 2020-07-28 | 国网浙江省电力有限公司 | 一种基于Kmeans和T-LSTM的负荷数据补全方法 |
| CN112489453A (zh) * | 2020-11-18 | 2021-03-12 | 安徽四创电子股份有限公司 | 一种基于神经网络的交通信号智能调节方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
| CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
| CN105788249A (zh) * | 2014-12-16 | 2016-07-20 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
| 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 |
| CN108510741A (zh) * | 2018-05-24 | 2018-09-07 | 浙江工业大学 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
-
2018
- 2018-12-05 CN CN201811479335.0A patent/CN109598381B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
| CN105788249A (zh) * | 2014-12-16 | 2016-07-20 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
| CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
| 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 |
| CN108510741A (zh) * | 2018-05-24 | 2018-09-07 | 浙江工业大学 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110675623A (zh) * | 2019-09-06 | 2020-01-10 | 中国科学院自动化研究所 | 基于混合深度学习的短时交通流量预测方法、系统、装置 |
| CN110910659A (zh) * | 2019-11-29 | 2020-03-24 | 腾讯云计算（北京）有限责任公司 | 一种交通流量预测方法、装置、设备以及存储介质 |
| CN110910659B (zh) * | 2019-11-29 | 2021-08-17 | 腾讯云计算（北京）有限责任公司 | 一种交通流量预测方法、装置、设备以及存储介质 |
| CN111461400A (zh) * | 2020-02-28 | 2020-07-28 | 国网浙江省电力有限公司 | 一种基于Kmeans和T-LSTM的负荷数据补全方法 |
| CN111461400B (zh) * | 2020-02-28 | 2023-06-23 | 国网浙江省电力有限公司 | 一种基于Kmeans和T-LSTM的负荷数据补全方法 |
| CN111242395A (zh) * | 2020-04-26 | 2020-06-05 | 北京全路通信信号研究设计院集团有限公司 | 用于od数据的预测模型构建方法及装置 |
| CN111242395B (zh) * | 2020-04-26 | 2020-07-31 | 北京全路通信信号研究设计院集团有限公司 | 用于od数据的预测模型构建方法及装置 |
| CN112489453A (zh) * | 2020-11-18 | 2021-03-12 | 安徽四创电子股份有限公司 | 一种基于神经网络的交通信号智能调节方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109598381B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109598381A (zh) | 一种基于状态频率记忆神经网络的短时交通流预测方法 | |
| Nikoo et al. | Flood-routing modeling with neural network optimized by social-based algorithm | |
| CN109859469A (zh) | 一种基于集成lstm神经网络的车流量预测方法 | |
| Ferreira et al. | An approach to reservoir computing design and training | |
| CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
| CN103309370B (zh) | 一种基于bp神经网络的孵房湿度控制方法 | |
| CN107045785B (zh) | 一种基于灰色elm神经网络的短时交通流量预测的方法 | |
| CN105137967A (zh) | 一种深度自动编码器与q学习算法相结合的移动机器人路径规划方法 | |
| CN103544547B (zh) | 一种基于离散化全局分布搜索的可信服务组合方法 | |
| CN104900063B (zh) | 一种短程行驶时间预测方法 | |
| Ehteram et al. | Performance improvement for infiltration rate prediction using hybridized adaptive neuro-fuzzy inferences system (ANFIS) with optimization algorithms | |
| CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
| Azzouz et al. | Steady state IBEA assisted by MLP neural networks for expensive multi-objective optimization problems | |
| CN103839412A (zh) | 一种基于贝叶斯加权的路口动态转向比例组合估计方法 | |
| CN108898249A (zh) | 一种电网故障预测方法 | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| Pan et al. | A probabilistic deep reinforcement learning approach for optimal monitoring of a building adjacent to deep excavation | |
| Keskin et al. | Artificial models for interbasin flow prediction in southern Turkey | |
| Tarsauliya et al. | Financial time series volatility forecast using evolutionary hybrid artificial neural network | |
| CN104732427B (zh) | 一种农产品消费行为决策的预测方法及装置 | |
| El-Sharkh et al. | Forecasting electricity demand using dynamic artificial neural network model | |
| Armenio et al. | Scenario optimization for optimal training of Echo State Networks | |
| CN108280441A (zh) | 一种人群流量预测方法及系统 | |
| Yang et al. | Situation Assessment for Soccer Robots using Deep Neural Network | |
| Fang | Traffic flow prediction analysis method based on the improved genetic algorithm. |
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 |