CN109697852B - 基于时序交通事件的城市道路拥堵程度预测方法 - Google Patents
基于时序交通事件的城市道路拥堵程度预测方法 Download PDFInfo
- Publication number
- CN109697852B CN109697852B CN201910061932.XA CN201910061932A CN109697852B CN 109697852 B CN109697852 B CN 109697852B CN 201910061932 A CN201910061932 A CN 201910061932A CN 109697852 B CN109697852 B CN 109697852B
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- time
- congestion
- event
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000013145 classification model Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000011478 gradient descent method Methods 0.000 claims abstract description 8
- 239000002243 precursor Substances 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000010200 validation analysis Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 206010039203 Road traffic accident Diseases 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000013075 data extraction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- KRQUFUKTQHISJB-YYADALCUSA-N 2-[(E)-N-[2-(4-chlorophenoxy)propoxy]-C-propylcarbonimidoyl]-3-hydroxy-5-(thian-3-yl)cyclohex-2-en-1-one Chemical compound CCC\C(=N/OCC(C)OC1=CC=C(Cl)C=C1)C1=C(O)CC(CC1=O)C1CCCSC1 KRQUFUKTQHISJB-YYADALCUSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
- G06V20/47—Detecting features for summarising video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Chemical & Material Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于时序交通事件的城市道路拥堵程度预测方法,步骤为:S1:获取城市路段的历史交通事件数据、实时交通事件数据和视频监测数据;S2:通过3D CNN识别视频数据中的交通拥堵前兆事件,结合历史交通事件进行数据时空融合;S3:确立拥堵程度分类标签,构建时序交通拥堵事件数据字典,筛选训练集、验证集和测试集;S4:建立LSTM序列数据分类模型,输入训练集,利用梯度下降法迭代更新模型参数;S5:验证集输入到参数更新后的模型,优化调整超参数,选取最优模型;S6:测试集输入到最优训练模型,检验模型的有效性,并结合实时交通监测数据进行道路拥堵预测。本发明利用LSTM建立序列数据分类模型,基于时序交通事件实现城市道路拥堵程度的预测。
Description
技术领域
本发明属于城市智能交通管理技术领域,涉及一种基于时序交通事件的城市道路拥堵程度预测方法。
背景技术
目前,为有效缓解交通阻塞、减少交通事故、提高路网通行能力、降低能源消耗并减轻环境污染,很多城市已经建成智能交通系统(ITS),其关键技术是能够对城市道路的未来交通情况进行有效预测,为城市交通控制和道路诱导系统提供决策依据。
国内外针对交通拥堵问题多采用交通流数据定量预测技术,如基于统计理论的方法构建ARIMA模型、卡尔曼滤波模型等线性模型,或基于机器学习算法构建决策树模型、支持向量机模型等非线性模型,但由于交通流的复杂性和不确定性,智能交通各子系统的时效关联性不够强,导致交通控制系统和诱导系统联合实现智能交通目标功能还不够完善。
近年来,计算机视觉领域技术不断革新,视频数据的处理方式从简单的卷积神经网络向三维算法推进;同时,随着深度学习方法在交通领域的不断深入,以处理时间序列数据为特点的循环神经网络也得到广泛应用,使得模型可以结合历史交通数据与当前时刻的输入较好地预测下一时刻的道路交通信息。
发明内容
本发明的目的是提供一种基于时序交通事件的城市道路拥堵程度预测方法,利用LSTM循环神经网络建立LSTM序列数据分类模型,并对模型进行训练优化,实现城市道路拥堵程度的预测,避免多源交通流数据的复杂处理过程。
本发明的技术方案是:基于时序交通事件的城市道路拥堵程度预测方法,包括如下步骤:
S1:分别获取城市路段的历史交通事件数据、在线实时交通事件数据和路网监测点的交通监控视频数据;
S2:通过3D CNN(卷积神经网络)对交通监控视频数据进行拥堵前兆事件特征提取,将CNN模型识别的交通事件与已有的历史交通事件进行数据时空融合,补充各路段部分时间戳的缺失数据;
S3:确立路段拥堵程度分类标签,构建时序交通拥堵事件数据字典,实现路段交通事件数据集合和标签的一一对应;筛选有效集合,按比例构建训练集、验证集和测试集;
S4:基于LSTM循环神经网络建立LSTM(长短时记忆循环神经网络)序列数据分类模型,其中,前向传播阶段通过训练集训练LSTM序列数据分类模型,反向传播阶段基于损失函数利用梯度下降法迭代更新LSTM序列数据分类模型参数;
S5:将验证集输入到参数更新后的模型,优化调整模型的超参数,包括:迭代次数epoch、dropout值、batch_size值,选取最优模型,合并训练集和验证集作为整体训练集训练最优模型;
S6:将测试集输入到最优的LSTM序列数据分类模型中,检验LSTM序列数据分类模型的有效性和泛化能力,并结合不断更新的实时路段交通数据进行道路拥堵预测。
步骤S1中的历史交通事件数据来自于公安内网城市道路交通信息及地图软件用户上传的路段实时拥堵信息;所述交通事件类别包含交通阻塞、道路故障、交通事故、违规行驶或恶劣天气,每一条事件信息包含经纬度和时间戳;视频数据由路段监测点的摄像设备,通过视频传输设备将视频信息传送至信息控制中心。
步骤S2中数据时空融合包括以下两个过程:
S2-1:空间匹配:根据历史交通事件的经纬度数据信息进行路段地图匹配,确保融合同一路段中的视频识别数据;
S2-2:时间匹配:选取各路段最小时间间隔作为视频数据提取标准,对历史交通事件和从视频中识别的交通事件进行时间序列匹配,补充各路段部分时间戳的缺失数据,根据每一事件的时间戳按时间序列对不同路段交通事件数据集合内的事件元素排序。
步骤S2中3D CNN首先对视频结构化处理,进行帧、超帧、场景和事件分割,在多个层次上进行数据处理和表达;然后对视频训练数据进行均匀切分,提取每个视频片段中关键帧的时空特征,训练学习分类器,识别异常车辆动作与道路状态,输出模型识别的交通事件。
步骤S3中拥堵程度分类根据拥堵指数分为轻度拥堵、中度拥堵、严重拥堵三类,分别由标签0,1,2表示;时序交通拥堵事件数据字典采用“键-值对”形式,每一路段历史交通事件集合由向量表示,实现路段交通事件集合和标签的一一对应,表示为:
通过清除时序交通拥堵事件数据字典中无先兆事件的偶发性拥堵集合,筛选步骤S3有效集合,由矩阵表示为:
样本对应标签可由矩阵表示为:
式中:X每一行代表一个拥堵路段的历史交通事件集合,y代表对应路段的拥堵程度标签;
最后,按照比例划分训练集(样本X_train,标签y_train)、验证集(样本X_validation,标签y_validation)、测试集(样本X_test,标签y_test)。
步骤S4中LSTM序列数据分类模型,采用多对一的输入输出模式,构建双层LSTM单元逻辑框架;前向传播中根据双层LSTM单元逻辑框特有的“门结构”确定传递信息的增加和删减,实现细胞(cell)状态更新,并利用梯度下降法基于时间的反向传播算法来训练模型。
为了方便LSTM序列数据分类模型算法的实现,将有效集合中的各事件用数字1,2,3,…,n进行编号量化,构成事件元素和数字的一一对应关系。
本发明基于时序交通事件的城市道路拥堵程度预测方法,利用LSTM循环神经网络建立LSTM序列数据分类模型,并对模型进行训练优化,实现城市道路拥堵程度的预测,避免多源交通流数据的复杂处理过程。为解决城市道路拥堵问题提供了一种新的思路。
与现有技术相比,本发明具有以下有益效果:
1)利用城市路段中拥堵前兆事件的时序性和关联性,创新性地提出运用时序交通事件数据进行城市交通道路拥堵程度的预测,避免了传统预测中大量交通流数据的融合计算,可有效提高智能交通系统监控效率;
2)首次利用3D CNN进行交通路段监测视频的特征提取及交通事件识别,通过数据的时空匹配融合完善模型所需数据,并构建时序交通事件数据字典实现数据的规则化管理;
3)基于LSTM的序列数据分类模型对处理各路段不同时间间隔数据有良好的适用性,可实现历史交通数据的高效利用。
附图说明
图1为本发明基于时序交通事件的城市道路拥堵程度预测方法的流程图;
图2为3D CNN(卷积神经网络)的架构;
图3为k-折交叉验证法的数据集分割模型;
图4为LSTM序列数据分类模型的时序逻辑架构;
图5为LSTM序列数据分类模型的算法流程示意图;
具体实施方式
下面结合实施例和附图对本发明进行详细说明。本发明保护范围不限于实施例,本领域技术人员在权利要求限定的范围内做出任何改动也属于本发明保护的范围。
本发明基于时序交通事件的城市道路拥堵程度预测方法,如图1所示,包括如下步骤:
S1:分别获取城市路段的历史交通事件数据、路段在线实时交通事件数据和路网监测点的交通监控视频数据;
S2:通过3D CNN对交通监控视频数据进行拥堵前兆事件特征提取,将CNN模型识别的交通事件与已有的历史交通事件进行数据时空融合,补充各路段部分时间戳的缺失数据;
S3:确立路段拥堵程度分类标签,构建时序交通拥堵事件数据字典,实现路段交通事件数据集合和标签的一一对应;筛选有效集合,按比例构建训练集、和测试集;并利用k-折交叉验证法将训练集随机划分为k份,依次轮换采用其中k-1份作为训练集,另外1份作为验证集,数据分割模型如图3所示。
S4:基于LSTM循环神经网络建立LSTM序列数据分类模型,其中,前向传播阶段通过训练集训练LSTM序列数据分类模型,反向传播阶段基于损失函数利用梯度下降法迭代更新LSTM序列数据分类模型参数;
S5:将验证集输入到参数更新后的模型,优化调整模型的超参数,包括:迭代次数epoch、dropout值、batch_size值,取k次误差的平均值作为模型误差,选取最优模型,合并训练集和验证集作为整体训练集训练最优模型。其中,平均误差计算公式为:
S6:将测试集输入到最优的LSTM序列数据分类模型中,检验LSTM序列数据分类模型的有效性和泛化能力,并结合不断更新的实时路段交通数据进行道路拥堵预测。
具体实施例基于集成开发环境Anaconda3实现Python编程,利用TensorFlow、Keras第三方库搭建3D CNN识别模型、LSTM序列数据分类模型,为便于分析模型的有效性,可利用matplotlib第三方库进行结果的可视化展示。
具体实施例:
步骤一:通过公安内网城市道路交通信息及地图软件用户上传的路段实时拥堵信息获取6000多条路网数据,选取82个典型的城市路段,提取每一个路段拥堵事件前30分钟的时序交通事件。
步骤二:基于Python搭建的3D CNN架构如图2所示,包含一个硬连线hardwired层、3个卷积层、2个池化层和一个全连接层。每个3D卷积核卷积的立方体取连续7帧,每帧大小为60×40,通过第一层提取5个通道的信息,分别是:灰度、x和y方向的梯度,x和y方向的光流;每层卷积核u×v×3(u×v表示空间维度,3表示时间维度)分别对5个通道信息进行卷积运算;利用池化层抽象化特征,经过多层的卷积和池化后,每连续7帧的输入图像都被转化为一个128维的特征向量;模型中所有参数通过在线BP算法进行训练,采用一个线性分类器(如softmax)对输出的特征向量进行分类,识别拥堵路段前兆交通事件。
将识别的交通事件与步骤一中的历史交通事件进行数据时空融合,共获取21种不同的交通事件数据,通过python编码读取*.pikle数据文件如下:
{1:‘严重交通阻塞’,2:‘车停靠路边’,3:‘障碍物’,4:‘大型交通事故’,5:‘交通流量异常增多’,6:‘道路施工’,7:‘大雾’,8:‘减速’,9:‘车辆停止’,10:‘轻微交通阻塞’,11:‘小型交通事故’,12:‘中度交通事故’,13:‘红绿灯故障’,14:‘道路标线模糊’,15:‘路肩危险情况’,16:‘冰雪路面’,17:‘路面积水’,18:‘霾;19‘其它’,20:‘恶劣环境’,21:‘路面施工’}
步骤三:拥堵程度分为轻度拥堵0、中度拥堵1、严重拥堵2三类,融合后数据共构成了2722个路段信息集合,筛选出2200个有效样本集,将有效样本按照7:3比例,划分为训练集(训练样本X_train,标签y_train)和测试集(测试样本X_test,标签y_test);并利用5-折交叉验证法将训练集随机划分为5份,依次轮换采用其中4份作为训练集,另外1份作为验证集(验证样本X_validation,标签y_validation)。即图3数据集分割模型中k=5,训练样本数为1232,验证样本数为308,测试样本数为660。
运用Python编程,构建编号量化后的数据字典的部分截取内容如下:
步骤四:如图4所示的多对一两层LSTM序列数据分类模型的时序逻辑架构,包括输入层、单元状态层和输出层。图5中LSTM序列数据分类模型的训练过程,包括两部分:前向传播阶段通过训练集训练LSTM序列数据分类模型,反向传播阶段基于损失函数利用梯度下降法迭代更新LSTM序列数据分类模型参数。
1)前向传播算法:
每个LSTM单元的前向传播通过三个“门结构”在每个序列索引位置的计算过程如下:遗忘门输出:ft=σ(Wfht-1+Ufxt+bf) (1)
输入门输出:it=σ(Wiht-1+Uixt+bi) (2)
at=tanh(Waht-1+Uaxt+ba) (3)
经过上述两个门结构,可以确定传递交通事件数据的增加和删减,进而进行细胞状态的更新。
细胞状态更新:Ct=Ct-1⊙ft+it⊙at (4)
输出门输出:ot=σ(Woht-1+Uoxt+bo) (5)
ht=ot⊙tanh(Ct) (6)
2)反向传播算法:
其中,Wf,V,c的梯度计算过程为:
其它参数的梯度计算和Wf类似。
上述公式中:
xt为输入数据;
ht-1,ht为隐藏状态;
Ct-1,Ct为细胞状态,是另一隐藏状态;
yt为训练序列的真实输出;
Uf,Ua,Ui,Uo为输入层到隐藏层的权重;
Wf,Wa,Wi,Wo为隐藏层到隐藏层的权重;
V为隐藏层到输出层的权重;
bf,ba,bi,bo,c为偏置值;
其中,t-1为上一序列状态,t为本序列状态,σ为sigmoid激活函数,tanh为激活函数,⊙为Hadamard积。
步骤五:超参数初始值分别取:迭代次数epoch=50、dropout=0.2、batch_size=32,每一套超参数组合构成一个新的模型,本实施例中构建了4个训练模型。将步骤三中划分的训练集和验证集输入到4个模型中,每个模型依次训练5次,取5次误差的平均值作为模型误差,误差最小的模型即为最优模型。本实施例误差结果如表1,优化后的超参数分别取值为epoch=60、dropout=0.15、batch_size=32。
表1训练模型结果误差表
步骤六:将测试集输入到最优的LSTM序列数据分类模型中,输出的误差大小为0.1226,验证了本实施例中LSTM序列数据分类模型的有效性和泛化能力。
Claims (7)
1.一种基于时序交通事件的城市道路拥堵程度预测方法,其特征在于,包括如下步骤:
S1:分别获取城市路段的历史交通事件数据、在线实时交通事件数据和路网监测点的交通监控视频数据;
S2:通过3D CNN对交通监控视频数据进行拥堵前兆事件特征提取,将CNN模型识别的交通事件与已有的历史交通事件进行数据时空融合,补充各路段部分时间戳的缺失数据;
S3:确立路段拥堵程度分类标签,构建时序交通拥堵事件数据字典,实现路段交通事件数据集合和标签的一一对应;筛选有效集合,按比例构建训练集、验证集和测试集;
S4:基于LSTM循环神经网络建立LSTM序列数据分类模型,其中,前向传播阶段通过训练集训练LSTM序列数据分类模型,反向传播阶段基于损失函数利用梯度下降法迭代更新LSTM序列数据分类模型参数;
S5:将验证集输入到参数更新后的模型,优化调整模型的超参数,包括:迭代次数epoch、dropout值、batch_size值,选取最优模型,合并训练集和验证集作为整体训练集训练最优模型;
S6:将测试集输入到最优的LSTM序列数据分类模型中,检验LSTM序列数据分类模型的有效性和泛化能力,并结合不断更新的实时路段交通数据进行道路拥堵预测;
步骤2中所述的数据时空融合,包括以下两个过程:
S2-1:空间匹配:根据所述的历史交通事件的经纬度数据信息进行路段地图匹配,确保融合同一路段中的视频识别数据;
S2-2:时间匹配:选取各路段最小时间间隔作为视频数据提取标准,对所述的历史交通事件和从视频中识别的交通事件进行时间序列匹配,补充各路段部分时间戳的缺失数据,根据每一事件的时间戳按时间序列对不同路段交通事件数据集合内的事件元素排序。
2.根据权利要求1所述的基于时序交通事件的城市道路拥堵程度预测方法,其特征在于,步骤1中所述的历史交通事件数据来自于公安内网城市道路交通信息及地图软件用户上传的路段实时拥堵信息;交通事件类别包含交通阻塞、道路故障、交通事故、违规行驶或恶劣天气,每一条事件信息包含经纬度和时间戳;所述视频数据由路段监测点的摄像设备,通过视频传输设备将视频信息传送至信息控制中心。
3.根据权利要求1所述的基于时序交通事件的城市道路拥堵程度预测方法,其特征在于,步骤2中所述的3D CNN首先对视频结构化处理,进行帧、超帧、场景和事件分割,在多个层次上进行数据处理和表达;然后对视频训练数据进行均匀切分,提取每个视频片段中关键帧的时空特征,训练学习分类器,识别异常车辆动作与道路状态,输出模型识别的交通事件。
6.根据权利要求1所述的基于时序交通事件的城市道路拥堵程度预测方法,其特征在于,步骤4中所述的LSTM序列数据分类模型,采用多对一的输入输出模式,构建双层LSTM单元逻辑框架;前向传播中根据双层LSTM单元逻辑框特有的“门结构”确定传递信息的增加和删减,实现细胞状态更新,并利用梯度下降法基于时间的反向传播算法来训练模型。
7.根据权利要求5或6所述的基于时序交通事件的城市道路拥堵程度预测方法,其特征在于,将有效集合中的各事件用数字1,2,3,…,n进行编号量化,构成事件元素和数字的一一对应关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910061932.XA CN109697852B (zh) | 2019-01-23 | 2019-01-23 | 基于时序交通事件的城市道路拥堵程度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910061932.XA CN109697852B (zh) | 2019-01-23 | 2019-01-23 | 基于时序交通事件的城市道路拥堵程度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109697852A CN109697852A (zh) | 2019-04-30 |
CN109697852B true CN109697852B (zh) | 2021-04-02 |
Family
ID=66234305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910061932.XA Expired - Fee Related CN109697852B (zh) | 2019-01-23 | 2019-01-23 | 基于时序交通事件的城市道路拥堵程度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109697852B (zh) |
Families Citing this family (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110267292B (zh) * | 2019-05-16 | 2022-07-08 | 湖南大学 | 基于三维卷积神经网络的蜂窝网络流量预测方法 |
CN110197593A (zh) * | 2019-05-20 | 2019-09-03 | 河海大学 | 一种基于云端短时路径预测的路况播报方法及系统 |
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 |
CN110459050B (zh) * | 2019-05-27 | 2021-07-20 | 华南理工大学 | 一种基于混合决策树的短期公交客流预测方法 |
CN110264711A (zh) * | 2019-05-29 | 2019-09-20 | 北京世纪高通科技有限公司 | 一种交通事故概率的确定方法及装置 |
CN110210664B (zh) * | 2019-05-29 | 2020-07-24 | 东南大学 | 多个个体车辆使用行为短时预测的深度学习方法 |
CN110223517B (zh) * | 2019-06-20 | 2021-05-18 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
CN110263860A (zh) * | 2019-06-21 | 2019-09-20 | 广东工业大学 | 一种高速公路交通流预测方法及装置 |
CN110223518B (zh) * | 2019-06-21 | 2021-01-15 | 北京航空航天大学 | 一种面向三维立体交通系统的车辆密集路段车流诱导方法 |
CN110674887A (zh) * | 2019-10-08 | 2020-01-10 | 中兴飞流信息科技有限公司 | 一种基于视频分类的端到端道路拥堵检测算法 |
CN111191871A (zh) * | 2019-11-21 | 2020-05-22 | 深圳壹账通智能科技有限公司 | 项目基线数据生成方法、装置、计算机设备和存储介质 |
CN111145535B (zh) * | 2019-11-28 | 2020-12-15 | 银江股份有限公司 | 一种复杂场景下的行程时间可靠性分布预测方法 |
CN111159478A (zh) * | 2019-12-31 | 2020-05-15 | 上海依图网络科技有限公司 | 一种基于视频解析的事件预测方法、装置及其介质和系统 |
CN111402579A (zh) * | 2020-02-29 | 2020-07-10 | 深圳壹账通智能科技有限公司 | 道路拥堵程度预测方法、电子装置及可读存储介质 |
CN111461413B (zh) * | 2020-03-20 | 2024-04-19 | 淮阴工学院 | 一种公路路面使用性能检测系统 |
CN111599170B (zh) * | 2020-04-13 | 2021-12-17 | 浙江工业大学 | 一种基于时序交通网络图的交通运行状态分类方法 |
CN111524353B (zh) * | 2020-04-28 | 2021-08-17 | 中国计量大学 | 一种交通文本数据用于速度预测及行程规划方法 |
CN111797768B (zh) * | 2020-07-06 | 2023-05-12 | 华侨大学 | 一种城市道路交通拥堵多原因自动实时识别方法及系统 |
CN112016735B (zh) * | 2020-07-17 | 2023-03-28 | 厦门大学 | 一种基于交通违法热点预测的巡逻路线规划方法、系统和可读存储介质 |
CN112329974B (zh) * | 2020-09-03 | 2024-02-27 | 中国人民公安大学 | 基于lstm-rnn的民航安保事件行为主体识别与预测方法及系统 |
CN112115024B (zh) * | 2020-09-03 | 2023-07-18 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
CN112216101B (zh) * | 2020-09-08 | 2021-08-24 | 吉林大学 | 一种基于弹性学习框架的交通预测方法及系统 |
CN112116167A (zh) * | 2020-09-28 | 2020-12-22 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、数据处理装置、存储介质和电子设备 |
CN112215435B (zh) * | 2020-11-02 | 2023-06-09 | 银江技术股份有限公司 | 一种基于循环自回归模型的城市拥堵传播模式的预测方法 |
CN112561146B (zh) * | 2020-12-08 | 2023-04-18 | 哈尔滨工程大学 | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 |
CN114639233B (zh) * | 2020-12-15 | 2024-02-02 | 腾讯科技(深圳)有限公司 | 一种拥堵状态预测方法、装置、电子设备及存储介质 |
CN112991719B (zh) * | 2021-01-28 | 2022-05-24 | 北京奥泽尔科技发展有限公司 | 一种基于拥堵画像的交通拥堵预测方法及系统 |
CN112700650B (zh) * | 2021-01-29 | 2022-09-30 | 杭州易龙安全科技有限公司 | 一种安全智能监测预警的方法 |
CN113053123B (zh) * | 2021-03-23 | 2022-10-28 | 长安大学 | 一种基于时空大数据的交通量预测方法及装置 |
CN113378458A (zh) * | 2021-05-26 | 2021-09-10 | 广州华南路桥实业有限公司 | 一种基于大数据的拥堵预警方法、装置、介质及设备 |
CN113259900B (zh) * | 2021-05-27 | 2021-10-15 | 华砺智行(武汉)科技有限公司 | 一种分布式多源异构交通数据融合方法及装置 |
CN113538903B (zh) * | 2021-06-21 | 2022-07-22 | 东南大学 | 一种基于交通流量特征提取与分类的交通拥堵预测方法 |
CN113570862B (zh) * | 2021-07-28 | 2022-05-10 | 太原理工大学 | 一种基于XGboost算法的大型交通拥堵预警方法 |
CN113570867B (zh) * | 2021-09-26 | 2021-12-07 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
CN114023074B (zh) * | 2022-01-10 | 2022-04-15 | 佛山市达衍数据科技有限公司 | 基于多信号源的交通拥堵预测方法、设备及介质 |
CN115409114A (zh) * | 2022-08-31 | 2022-11-29 | 济南永信新材料科技有限公司 | 一种数据流两阶段早期分类方法 |
CN116029408A (zh) * | 2022-09-02 | 2023-04-28 | 深圳计算科学研究院 | 基于时序图规则的事件预测的方法及装置 |
CN116071711B (zh) * | 2023-03-20 | 2023-08-01 | 广东致盛技术有限公司 | 一种交通拥堵状况检测方法及装置 |
CN117974075A (zh) * | 2024-04-01 | 2024-05-03 | 法诺信息产业有限公司 | 一种基于大数据的智慧城市公共信息管理系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154150A (zh) * | 2017-07-25 | 2017-09-12 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
CN108960498A (zh) * | 2018-06-27 | 2018-12-07 | 沈阳理工大学 | 一种基于时序关联规则的交通拥堵预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101075376B (zh) * | 2006-05-19 | 2010-11-03 | 无锡易斯科电子技术有限公司 | 基于多视点的智能视频交通监控系统及方法 |
CN104966104B (zh) * | 2015-06-30 | 2018-05-11 | 山东管理学院 | 一种基于三维卷积神经网络的视频分类方法 |
KR101821494B1 (ko) * | 2016-08-10 | 2018-01-24 | 중앙대학교 산학협력단 | 감응식 교통 신호 제어 방법 및 그 장치 |
CN106297297B (zh) * | 2016-11-03 | 2018-11-20 | 成都通甲优博科技有限责任公司 | 基于深度学习的交通拥堵判别方法 |
CN108764019A (zh) * | 2018-04-03 | 2018-11-06 | 天津大学 | 一种基于多源深度学习的视频事件检测方法 |
CN109034264B (zh) * | 2018-08-15 | 2021-11-19 | 云南大学 | 交通事故严重性预测csp-cnn模型及其建模方法 |
-
2019
- 2019-01-23 CN CN201910061932.XA patent/CN109697852B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154150A (zh) * | 2017-07-25 | 2017-09-12 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
CN108960498A (zh) * | 2018-06-27 | 2018-12-07 | 沈阳理工大学 | 一种基于时序关联规则的交通拥堵预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109697852A (zh) | 2019-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697852B (zh) | 基于时序交通事件的城市道路拥堵程度预测方法 | |
CN112215337B (zh) | 一种基于环境注意力神经网络模型的车辆轨迹预测方法 | |
Ranjan et al. | City-wide traffic congestion prediction based on CNN, LSTM and transpose CNN | |
Nguyen et al. | Deep learning methods in transportation domain: a review | |
CN109887282B (zh) | 一种基于层级时序图卷积网络的路网交通流预测方法 | |
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 | |
US11270579B2 (en) | Transportation network speed foreeasting method using deep capsule networks with nested LSTM models | |
Rahmani et al. | Graph neural networks for intelligent transportation systems: A survey | |
Yan et al. | Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its | |
Li et al. | Graph CNNs for urban traffic passenger flows prediction | |
CN113362491B (zh) | 一种车辆轨迹预测及驾驶行为分析方法 | |
CN110570035B (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测系统 | |
CN113283581B (zh) | 多融合图网络协同多通道注意力模型及其应用和应用方法 | |
CN112270355A (zh) | 基于大数据技术与sae-gru的主动安全预测方法 | |
WO2022129421A1 (en) | Traffic prediction | |
CN113051811B (zh) | 一种基于gru网络的多模式短期交通拥堵预测方法 | |
Xu et al. | AGNP: Network-wide short-term probabilistic traffic speed prediction and imputation | |
CN115662113A (zh) | 一种信号交叉口人车博弈冲突风险评估与预警方法 | |
CN114692762A (zh) | 一种基于图注意力交互机制的车辆轨迹预测方法 | |
Wang et al. | A traffic prediction model based on multiple factors | |
CN112559585A (zh) | 交通时空序列单步预测方法、系统及存储介质 | |
Haputhanthri et al. | Short-term traffic forecasting using LSTM-based deep learning models | |
Xiao et al. | Parking prediction in smart cities: A survey | |
Bao et al. | Forecasting network-wide multi-step metro ridership with an attention-weighted multi-view graph to sequence learning approach | |
CN111815075B (zh) | 一种重大公共卫生事件下交通出行需求的预测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210402 Termination date: 20220123 |
|
CF01 | Termination of patent right due to non-payment of annual fee |