CN109754126A

CN109754126A - 基于时空相关性和卷积神经网络的短时交通流预测方法

Info

Publication number: CN109754126A
Application number: CN201910089338.1A
Authority: CN
Inventors: 张伟斌; 余英豪; 郭海锋; 戚湧
Original assignee: Nanjing University of Science and Technology; Enjoyor Co Ltd
Current assignee: Nanjing University of Science and Technology; Enjoyor Co Ltd
Priority date: 2019-01-30
Filing date: 2019-01-30
Publication date: 2019-05-14

Abstract

本发明公开了基于时空相关性和卷积神经网络的短时交通流预测方法，挖掘交通流量数据之中的时空相关性，交通流量数据并转化为具有时空交通流量信息的二维矩阵，利用卷积神经网络对矩阵内部交通流的时空特征信息进行提取、处理和学习，最终得出预测结果，此外还采用了时空特征选择算法筛选出最佳输入数据。本发明深入挖掘交通流数据的随机性与不确定性，充分考虑交通流数据中的时空相关性，从而有效提高了交通流量数据的预测精度。

Description

基于时空相关性和卷积神经网络的短时交通流预测方法

技术领域

本发明属于交通控制领域，涉及基于时空相关性和卷积神经网络的短时交通流预测方法。

背景技术

未来交通的变化趋势一直以来都是交通管理部门和出行者所关心的问题。可靠的交通预测信息能够为交通管理部门制定管理方案、合理分配交通资源等提供参考依据；同时，出行者可以根据交通预测信息合理规划行程。精准及时的交通流量数据能够被用来帮助缓解道路拥堵、减少车辆尾气排放、提高道路工作效率。随着智能交通系统的部署，基于短时的交通流量预测模型的研究显得举足轻重，实时、精准的短时交通流预测数据的获取正在让智能交通系统从被动应对转变为主动控制。

随着短时交通流分析与预测工作的不断深入，研究人员依据不同的分析角度以及应用条件提出了许多模型。这些模型可以分为两类：第一类是基于传统机器学习理论的交通流量预测模型；第二类是基于神经网络为基础的预测模型。第一类模型方法包括自回归滑动平均(ARIMA)模型、支持向量机(SVM)模型和贝叶斯模型等。第二类模型通常借助神经网络的大规模、多维数据处理能力，利用其模型灵活度高、学习能力、泛化能力、预测能力强等特点，在交通预测领域广泛应用。神经网络预测方法比传统机器学习方法更深入、更复杂,并且往往能够取得更好的预测效果。深度学习中的长短时记忆(LSTM)网络、深度信念网络(DBN)和堆叠自编码(SAE)模型等在交通预测领域都得到应用。然而，对于实际的交通预测问题，上述方法往往未能充分利用交通流数据中的时间和空间相关性。

发明内容

为了克服现有技术中存在的不足，本发明在于提供了一种基于时空相关性和卷积神经网络的短时交通流预测方法，解决传统模型难以充分利用交通流数据中的固有的时间和空间相关性的问题。通关卷积神经网络对历史交通流数据的学习，提高模型对交通流量数据的分析能力以及时空相关特征的挖掘能力。而后，通过时空特征选择算法对输入网络的交通流量数据进行选择，从而进一步提高模型的预测精度。

本发明采用的技术方案是：

基于时空相关性和卷积神经网络的短时交通流预测方法，其步骤如下：

(1)选定需要进行交通流预测的路段以及该路段中的车辆检测点，获取所选路段及其上下游车辆检测点的短时交通流量历史数据；

(2)根据获取的短时交通流历史数据，选定短时交通流预测的预测时段；

(3)对预测路段检测点的历史交通流数据进行时间相关性分析确定时滞，对同路段的上下游检测点之间的交通流数据进行空间相关性分析确定车辆检测点数目；

(4)提取步骤(3)中确定的相关车辆检测点的交通流数据，按照空间上下游顺序和时间顺序，构建历史交通流量数据集；

(5)构建卷积神经网络，对历史交通流数据集进行预测模型训练并验证优化。

进一步，基于时空相关性和卷积神经网络的短时交通流预测方法，步骤还包括：(6)依据时空特征选择算法对输入交通流数据的最佳时滞和车辆检测点数目进行选定。

进一步，步骤(3)中交通流数据的时间相关性分析和空间相关性分析采用皮尔逊相关系数分析两个交通流量序列的相关性。

进一步，步骤(4)中的历史交通流量数据集以矩阵形式表示，如下所示：

上述矩阵中，Q代表的是输入数据的时滞，P代表的是经过空间相关性分析选取的检测点个数。

进一步，步骤(6)中的时空特征选择算法采用包裹式特征选择算法。

进一步，包裹式特征选择算法以MAPE为标准进行误差分析，按照误差最小化搜索选择按照误差最小化搜索选择最佳时滞和车辆检测点数目作为输入数据。

进一步，包裹式特征选择算法中误差最小化目标函数为：

其中R为不同时滞Q和不同空间数据采集点个数P组成的特征集，构成输入空间I，f(R)表示预测模型的输出，y表示实际的交通流量；|d|＝|P|*|Q|表示单次预测过程的输入数据个数；α是折衷系数。

本发明的有益效果：(1)能够深入交通流数据的短时变化趋势、准确预测交通流量的变化；(2)通过时空特征选择算法对于影响预测路段的交通流量历史数据进行选择，从而进一步提高模型的预测精度。

附图说明

图1是本发明的原理图。

图2是检测点单日的流量变化图。

图3是本发明的交通数据矩阵表示图。

图4是本发明的卷积神经网络结构图。

图5是本发明的时空特征选择图。

图6是本发明的输入数据组织形式展示图。

图7是本发明的模型结果对比图。

具体实施方式

下面结合具体实施例来对本发明进行进一步说明，但并不将本发明局限于这些具体实施方式。本领域技术人员应该认识到，本发明涵盖了权利要求书范围内所可能包括的所有备选方案、改进方案和等效方案。

参见图1，本实施例提供了基于时空相关性和卷积神经网络的短时交通流预测方法，其步骤如下：

在本实施用例中，交通流数据通过线圈采集得到，获取得到的交通流量数据为特定车辆检测点及其上下游路段检测点在一定时间间隔内经过的车辆数目，在本实例中，该时间间隔为5分钟。历史观测数据集合表示为F＝{f_t|t＝1,2,...,T}，其中f_t表示路网特定断点在t时刻的交通流参数，T时刻与T+1时刻的差值为预测时间间隔，本实例中采用的预测时间间隔为5分钟，如图2展示了一天的交通流量数据。

(2)根据获取的短时交通流历史数据，选定短时交通流预测的预测道路路段；

(3)对预测路段检测点的交通流数据进行时间相关性分析确定时滞，对同路段的上下游检测点之间的交通流数据进行空间相关性分析确定车辆检测点数目；

其中交通流数据的时间相关性分析和空间相关性分析采用皮尔逊相关系数分析两个交通流量序列的相关性，皮尔逊相关系数公式如式(1)所示：

其中x_i和y_i代表两个交通流量序列，皮尔逊相关系数值大小表示两个时间序列的相关性大小，系数ρ_X,Y的绝对值越接近1表示两个序列的相关程度越高。

(4)提取步骤(3)中确定的相关车辆检测点的交通流数据，将车辆检测点的交通流数据按照空间上下游顺序和时间顺序表示为矩阵形式从而构成历史交通流量数据集；

历史交通流量数据集的定义如式(2)所示：

上述矩阵中，Q代表的是经过时间相关性分析确定的时滞，P代表的是经过空间相关性分析确定的车辆检测点数目；

为了获得高质量的学习和预测结果，需要有效地组织交通数据，形成有效的输入数据集，图3展示了数据从检测线圈中提取和组织的过程。以选取过去一个小时也就是12个时滞和8个空间相关点的数据为例，图6中的虚线框内的数据样式展示了神经网络的输入数据格式。以5分钟的交通流量预测为例，假设预测的检测线圈编号为110.04，通过采用包裹式特征选择算法选择2016-01-01 00:20:00至2016-01-01 01:35:00时段的编号为105.35、107.27、107.92、108.39、109.18、110.04、111.17、112.61、113.07和113.52的十个检测线圈的数据来预测2016-01-01 00:40:00时刻的110.04编号线圈的交通流量。

本实施例中将数据集划分为训练数据集、验证数据集、测试数据集，将历史交通流量数据集中70％的数据作为训练数据集，10％的数据作为验证数据集，20％的数据作为测试数据集。

本实施例中通过训练数据集进行模型训练，然后通过验证数据集对比预测结果；

具体的，卷积神经网络是一种专门用来处理具有类似网格结构的数据的神经网络结构。例如时间序列数据(可以认为是在时间轴上有规律地采样形成的一维网格)和图像数据(可以看作二维的像素网格)。与传统的人工神经网络算法相比，卷积神经网络通过有效的参数共享、稀疏连接和等变表示来帮助改进学习系统。在交通流量预测问题中的特征就是输入交通流量时空矩阵内的相互关联特征，利用这些特征进行交通流量预测。

卷积层和池化层是卷积神经网络和传统神经网络最大的不同之处。传统的人工神经网络的每一个神经元和上一层的所有的神经元都相互连接，而卷积神经网络通过卷积核与上一层的局部神经元连接。每层卷积层都可以拥有多个卷积核，而每一个卷积核对输入的交通时空矩阵提取一个时空特征。

激活函数在多层的神经网络中起到非线性映射的作用，可以建立起预测值与交通时空特性之间复杂的函数关系。卷积神经网络激活函数为ReLU函数，见式(3)所示：

式(3)中x是激活函数的输入，g(x)是激活函数的输出。激活函数是对输入输出的非线性映射。卷积是卷积神经网络最重要的计算操作，卷积计算过程如式(4)所示：

(4)式中W_i、X_M、b_i和y_i分别是权值系数矩阵、输入数据矩阵、偏置系数矩阵和输出数据。M和N表示权值矩阵的维度。池化层主要是对卷积层的输出下采样，这样做不仅可以减少模型的参数数目，而且最大池化操作可以提取出卷积层提取的最显著时空特征。池化操作一般选用2*2的池化窗口，即每次选择四个值中的最大的值。池化操作见式(5)所示：

y^pool＝max(x_p,q),p∈[1,2],q∈[1,2] (5)

y^pool是池化层的输出，卷积神经网络每层的输入是前一层的输出，第一层卷积层和池化层的输入是交通流量数据，假设卷积核的大小为m*n，池化窗口的大小是p*q，卷积层和池化层的操作如式(6)、式(7)所示：

式(6)中，X_M、和分别表示conv层的第i个卷积核的权值系数矩阵、输入数据矩阵、偏置系数矩阵和输出数据。M和N表示权值矩阵的维度；和表示池化层的输入和输出；卷积层和池化层的输入是一个三维矩阵，其中c_I表示I^th卷积层的卷积核个数；对于输入层来说c_I等于1。

卷积神经网络的全连接层与人工神经网络的类似，即后层的神经元与上一层的神经元均通过权值连接。全连接层建立起提取特征与输出之间的函数关系，激活函数为ReLU。池化层的输出数据要转为一维向量形式，将数据转化为全连接层适合处理的形式，见式(8)、式(9)所示：

式(8)中y^flatten是将池化层的输出转为包含交通流量特征的一维稠密矩阵，式(9)中W^fc和b^fc分别表示全连接层的权值矩阵和偏置矩阵；全连接层将卷积层提取到的时空特性与交通流的预测值之间建立函数联系，获取的时空特征具有的高层含义。其中表示输出层的输出，就是预测时刻的交通流量。所使用的卷积神经网络结构如图4所示，包括多层卷积层和池化层、以及作为输出层的全连接层。

(6)依据时空特征选择算法对预测车辆检测点的输入交通流数据的最佳时间相关长度和空间相关车辆检测点数目进行选定。

具体的，本实施例中利用测试数据集进行时空特征选择优化。时空特征选择算法(STFSA)采用基于包裹式特征选择方法的特征选择算法，包裹式特征选择算法直接将分类器的性能作为特征选择中的子集评估方法，如LVW算法，在候选特征集中自由选择特征子集；在特征子集表示的数据集上，运行学习算法；用分类的错误率来评估特征子集的好坏。

传统的预测模型在大多数情况下对输入数据没有给出合适的数据选择标准，有时会提供无用的数据输入。无用数据增加了系统模型的复杂性，过多的数据输入并不总是提高预测精度，实际上可能会降低预测精度。本方法所采用的预测模型的数据选择是基于预测误差最小化，并由数据搜索方法确定的。

包裹式特征选择算法以MAPE为标准进行误差分析，从特征子集中根据最小化目标函数选择按照误差最小化搜索选择最佳时滞和车辆检测点数目作为输入数据。

具体的，误差分析计算过程见式(10)所示：

其中代表预测交通流数据，y_i代表交通流量数据的真实值，N代表共选取测试数据的个数。

包裹式特征选择算法中误差最小化目标函数见式(11)所示：

其中R为不同时滞Q和不同空间数据采集点个数P组成的特征集，构成一个输入空间I，输入空间内的每一个元素R是一个特定的输入时滞Q和空间数据采集点个数P构成；f(R)表示预测算法的输出，y表示实际的交通流量；|d|＝|P|*|Q|表示单次预测过程的输入数据个数；α|d|项的加入是在网络复杂度和预测精度之间做了一个折衷；α是一个折衷系数。获取的最佳数据提取过程如图5所示。

预测结果与现有方法预测结果的对比图如图7所示。在我们的模型对比试验分析中得到了以下结论：经过包裹式特征选择算法后的CNN的5分钟流量预测误差MAPE值达到了5.38％，相比于BP神经网络的7.62％预测误差和SVR算法的7.51％预测误差分别降低了2.24％和2.13％，说明经过包裹式特征选择算法后的CNN模型对交通流量预测问题有更好的预测表现。我们进一步讨论了所提模型和其他模型在不同时间段的预测性能，分别用不同模型预测未来10分钟，15分钟和20分钟的交通流量，并比较它们的预测性能。在相同的网络结构下，当预测间隔从5分钟延长到20分钟时，本发明模型取得了10分钟7.59％、15分钟9.51％和20分钟1.08％的MAPE值；与此同时，SVR模型为10分钟8.56％、15分钟9.92％和20分钟11.36％；BP预测模型为10分钟9.14％、15分钟10.61％和20分钟11.57％。从以上数据可以发现，本文提出的方法在不同时段预测误差率均为最低且随着预测时间的延长，误差增长速度也最慢。根据上述讨论本发明方法具有良好的预测精度，并且在不同的时间间隔预测问题上表现较为稳定。

Claims

1.基于时空相关性和卷积神经网络的短时交通流预测方法，其步骤如下：

2.根据权利要求1所述的基于时空相关性和卷积神经网络的短时交通流预测方法，其特征在于：所述步骤还包括：(6)依据时空特征选择算法对输入交通流数据的最佳时滞和车辆检测点数目进行选定。

3.根据权利要求1所述的基于时空相关性和卷积神经网络的短时交通流预测方法，其特征在于：步骤(3)中交通流数据的时间相关性分析和空间相关性分析采用皮尔逊相关系数分析两个交通流量序列的相关性。

4.根据权利要求3所述的基于时空相关性和卷积神经网络的短时交通流预测方法，其特征在于：步骤(4)中的历史交通流量数据集以矩阵形式表示，如下所示：

上述矩阵中，Q代表的是经过时间相关性分析确定的时滞，P代表的是经过空间相关性分析确定的车辆检测点数目。

5.根据权利要求2所述的基于时空相关性和卷积神经网络的短时交通流预测方法，其特征在于：步骤(6)中的时空特征选择算法采用包裹式特征选择算法。

6.根据权利要求5所述的基于时空相关性和卷积神经网络的短时交通流预测方法，其特征在于：所述包裹式特征选择算法以MAPE为标准进行误差分析，按照误差最小化搜索选择最佳时滞和车辆检测点数目作为输入数据。

7.根据权利要求6所述的基于时空相关性和卷积神经网络的短时交通流预测方法，其特征在于：所述包裹式特征选择算法中的误差最小化目标函数为：

其中R为不同时滞Q和不同车辆检测点数目P组成的特征集，构成输入空间I，f(R)表示预测模型的输出，y表示实际的交通流量，|d|＝|P|*|Q|表示单次预测过程的输入数据个数，α是折衷系数。