CN109800908A - 基于lstm模型的信号交叉口运行状态预测方法和系统 - Google Patents
基于lstm模型的信号交叉口运行状态预测方法和系统 Download PDFInfo
- Publication number
- CN109800908A CN109800908A CN201811612579.1A CN201811612579A CN109800908A CN 109800908 A CN109800908 A CN 109800908A CN 201811612579 A CN201811612579 A CN 201811612579A CN 109800908 A CN109800908 A CN 109800908A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- signalized intersections
- matrix
- prediction
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于LSTM模型的信号交叉口运行状态预测方法和系统,包括:通过移动互联网获取某区域的浮动车数据;根据浮动车数据,提取出某段时间内的与某个信号交叉口匹配的相关数据,并对所述数据进行筛选;对筛选后的数据进行归一化处理,并分为训练数据集和测试数据集,并通过LSTM模型对所述的训练数据集中的数据进行训练,对训练好的模型通过测试数据集进行测试,得到所述信号交叉口的预测模型;根据得到的所述信号交叉口的预测模型通过新采集的实时数据对信号交叉口的运行状态进行预测。本发明通过移动互联浮动车数据对信号交叉口运行状态进行预测,提升信号交叉口区域的交通运行效率。
Description
技术领域
本发明涉及智能交通技术管理领域,尤其涉及一种基于LSTM模型的信号交叉口运行状态预测方法和系统。
背景技术
随着移动互联网的发展,根据浮动车车主的智能手机来收集浮动车数据变的更加的方便,依此可以获得海量的浮动车数据用于交通拥堵识别,交通状态判定,以及制定交通管控策略。
目前国内对信号交叉口的管理控制方法主要包括定时控制、感应控制和自适应控制。然而上述现有的管理控制方法经常会导致信号交叉口在出行较高的延误后,才开始控制优化。即目前的控制手段缺乏对信号交叉口的运行进行预测的方法,亟需相应的预测系统来弥补信号交叉口运行状态的预测空缺,达到提前预知信号交叉口的运行状态来及时制定管控方案。
发明内容
本发明提供了一种基于LSTM模型的信号交叉口运行状态预测方法和系统,以采用移动互联浮动车数据对信号交叉口运行状态进行预测,提升信号交叉口区域的交通运行效率。
为了实现上述目的,本发明采取了如下技术方案。
本发明的一方面提供了一种基于LSTM模型的信号交叉口运行状态预测方法,包括:
通过移动互联网获取某区域的浮动车数据;
根据所述的浮动车数据,提取出某段时间内的与某个信号交叉口匹配的相关数据,并对所述数据进行筛选;
对筛选后的数据进行归一化处理,并分为训练数据集和测试数据集,并采用训练数据集对LSTM模型进行训练,对训练好的模型通过测试数据集进行测试,得到对应信号交叉口的预测模型;
根据得到的所述信号交叉口的预测模型通过新采集的实时数据对信号交叉口的运行状态进行预测。
进一步地,通过移动互联网获取某区域的浮动车数据包括:浮动车的经度、纬度、速度和浮动车车头与南北向的夹角。
进一步地,根据所述的浮动车数据,提取出某段时间内的与某个信号交叉口匹配的相关数据,并对所述数据进行筛选,包括:根据所述浮动车的经度和纬度数据,提取到与信号交叉口位置匹配的相关数据,并对提取到的数据中的坏值和偏值进行删除。
进一步地,提取到与信号交叉口位置匹配的相关数据包括:浮动车通过交叉口的时间、停车次数、平均速度和平均延误时间。
进一步地,对筛选和剔除后的数据进行归一化处理,所述的归一化处理方法如下式(1)所示::
其中,x′为归一化后的数据;x为被归一化的数据,xmin是数据中的最小值,xmax是数据中的最大值。
进一步地,将处理后的数据分为训练数据集和测试数据集,包括:所述的训练数据集和测试数据集的数据比例为7:3。
进一步地,采用训练数据集对LSTM模型进行训练,对训练好的模型通过测试数据集进行测试,得到对应信号交叉口的预测模型,包括如下步骤:
A.建立忘记门层,决定会从细胞状态中丢弃什么信息,该层会读取Hist-1,xt,输出一个在0到1之间的数值给每个在模型状态Ct,生成忘记门矩阵ft,并通过ReLu函数对前一个神经元的历史信息Hist-1判断是否保留至该时刻的Hist中,所述的忘记门矩阵ft如下式(2)所示:
ft=ReLu(Wf·[Hist-1,xt]+Bf) (2)
其中,ReLu是激活函数;Wf是忘记门的权重矩阵;Bf是忘记门的偏置矩阵;Hist-1是上个时刻的输出;xt是当前时刻的输入;
B.建立输入门层,将所述的ReLu层作为输入门层St如下式(3)所示,并对tanh层创建一个新的候选值矩阵Et如下式(4)所示,加入至更新状态(5)中:
St=ReLu(Ws·[Hist-1,xt]+BS) (3)
Et=tanh(We·[Hist-1,xt]+Be) (4)
Ct=ft*Ct-1+Et*St (5)
其中,tanh是双曲函数中的一个,其中tanh()为双曲正切;Ct当前时刻的模型状态,Ws是输入门层的权重矩阵;Bs是输入门层的偏置矩阵;Hist-1是上个时刻的输出;xt是当前时刻的输入;ft忘记门矩阵;Et表示当前的输入状态,We,Be表示当前新的候选值矩阵Et的权重矩阵和偏置矩阵;
C.建立输出矩阵,运行一个ReLu层,然后利用tanh层进行处理,并将ReLu层与tanh层做乘积确定输出Hist如下式(6)和)(7)所示:
Ut=ReLu(Wu·[Hist-1,xt]+Bu) (6)
Hist=Ut*tanh(Ct) (7)
其中,Ct当前时刻的模型状态;Wu是输入门层的权重矩阵;Bu是输入门层的偏置矩阵;Hist-1是上个时刻的输出;xt是当前时刻的输入;tanh()的函数取值范围-1≤tanh()≤1;
D.通过梯度下降的方式,使用标准的方向误差传播方法,设定学习速率,经过多次迭代,得到Wf、Bf、Ws、Bs、We、Be的权重更新。
进一步地,LSTM模型的损失函数如下式(8)所示:
其中,MSE为均方误差,n表示测试集中样本个数;test_y表示测试集中的目标变量;pre_y表示利用模型对测试集test_x预测得出的预测值。
本发明的另一方面提供了一种应用于基于LSTM模型的信号交叉口运行状态预测方法的系统,包括:数据收集模块、数据储存模块、数据处理模块、模型预测模块和预测显示模块;
所述的数据收集模块,用于通过移动互联网获取某区域的浮动车数据;
所述的数据储存模块,用于存储所述数据收集模块获取某区域的浮动车数据;
所述的数据处理模块,用于通过所述数据存储模块提取出某段时间内的与某个信号交叉口匹配的相关数据,并对所述数据进行筛选;
所述的模型预测模块,用于对筛选后的数据进行归一化处理,并分为训练数据集和测试数据集,并通过LSTM模型对所述的训练数据集中的数据进行训练,对训练好的模型通过测试数据集进行测试,得到所述信号交叉口的预测模型。
所述的预测显示模块,用于显示对新采集的实时数据通过所述预测模型得到的预测结果。
由上述本发明的于LSTM模型的信号交叉口运行状态预测方法和系统提供的技术方案可以看出,本发明通过对海量的浮动车数据挖掘,结合机器学习LSTM模型的方法对信号交叉口运行状态预测,对城市信号交叉每个通行方向的交通运行状态进行精准的预测,具有较高的普适性,可以快速的遍历城市信号交叉口,对于交通管理部门的智能控制信号交叉口,降低延误,提升交通运行效率,缓解城市交通拥堵有重要的作用。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为实施例1的一种基于LSTM模型的信号交叉口运行状态预测方法流程图;
图2是实施例1的信号交叉口运行状态的数据库构建图;
图3是实施例1的LSTM模型构建示意图;
图4为实施例2的基于LSTM模型的信号交叉口运行状态预测系统示意图;
图5是实施例2的预测显示模块的结果预测显示图;
图6是实施例3的选定的预测区域;
图7是实施例3的早高峰时间段的模型预测过程;
图8是实施例3的晚高峰时间段的模型的预测过程;
图9是实施例3的早晚高峰的预测结果图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
实施例1
图1为本发明实施例的一种基于LSTM模型的信号交叉口运行状态预测方法流程图,参照图1,该方法包括:
S1通过移动互联网获取某区域的浮动车数据。
通过移动互联网从移动互联网企业、出租车企业、政府等部门获取移动互联网的浮动车数据,信号交叉口配时数据,并将该数据储存在数据库中。
构建信号交叉口运行状态预测模型数据库,将收集到的数据储存到数据库中。首先确定所要检测的区域,该区域的每个交叉口,各自构建数据表,其中每个交叉口都有特定的唯一的ID作为主键。根据浮动车数据表征的经纬度信息分别将其输入至对应的信号交叉口数据表中。
示意性地,图2是信号交叉口运行状态的数据库构建图,参照图2,浮动车数据包括:浮动车的经度、纬度、速度和浮动车车头与南北向的夹角、浮动车ID,当前浮动车所在位置的时间戳。
信号灯交叉口数据主要包括:信号交叉口各方向红灯时长,信号交叉口各方向黄灯时长,信号交叉口各方向绿灯时长。
交通参数主要包括:交通流量、通过交叉口的时间、停车次数、平均速度、平均延误时间。
浮动车轨迹主要包括:各方向直行、各方向左转。将储存在数据库的数据输入到数据处理模块。将不间断获取的数据输入至数据库,形成历史数据库,为预测模块做准备。
S2根据所述的浮动车数据,提取出某段时间内的与某个信号交叉口匹配的相关数据,并对所述数据进行筛选。
首先根据浮动车的经度和纬度数据,提取到与信号交叉口位置匹配的相关数据,提取到与信号交叉口位置匹配的相关数据包括:浮动车通过交叉口的时间、停车次数、平均速度和平均延误时间。
然后,对提取到的数据中的坏值和偏值进行删除。并提取交通时空参数:时间维度分为:工作日和节假日的早高峰、晚高峰、平峰六个维度;空间维度分为:主干路与主干路相交、主干路与次干路相交、次干路与次干路相交、次干路与支路相交、支路与支路相交所产生的交叉口。基于两种维度提取通过交叉口的不同方向,主要提取的交通方向有:北向直行、北向左转、南向直行、南向左转、东向直行、东向左转、西向直行、西向左转。主要的交通特征参数有:道路交叉口的通行流量、通过道路交叉口的通行时间、通过交叉口的停车次数、道路交叉口的自由流通行时间和道路交叉口的通行平均速度。并确定需要预测的目标值为:通过信号交叉口的延误时间。
S3对筛选后的数据进行归一化处理,并分为训练数据集和测试数据集,并采用训练数据集对长短期记忆网络(Long Short Term Memory,LSTM)模型进行训练,对训练好的模型通过测试数据集进行测试,得到对应信号交叉口的预测模型。
归一化处理方法为Min-Max Normalization,如下式(1)所示::
其中,x′为归一化后的数据;x为被归一化的数据,xmin是数据中的最小值,xmax是数据中的最大值。
优选地,将处理后的数据分为训练数据集和测试数据集,训练数据集和测试数据集的数据比例为7:3。
S4根据得到的所述信号交叉口的预测模型通过新采集的实时数据对信号交叉口的运行状态进行预测。
采用训练数据集对LSTM模型进行训练,对训练好的模型通过测试数据集进行测试,得到对应信号交叉口的预测模型,图3是实施例1的LSTM模型构建示意图,参照图3,该构建过程具体包括如下步骤:
A.建立忘记门层,决定会从细胞状态中丢弃什么信息,该层会读取Hist-1,xt,输出一个在0到1之间的数值给每个在模型状态Ct,生成忘记门矩阵ft,并通过ReLu函数对前一个神经元的历史信息Hist-1判断是否保留至该时刻的Hist中,所述的忘记门矩阵ft如下式(2)所示:
ft=ReLu(Wf·[Hist-1,xt]+Bf) (2)
其中,ReLu是激活函数(线性整流函数Rectified Linear Unit又称修正线性单元,是一种人工神经网络中常用的激活函数,通常指代以斜坡函数及其变种为代表的非线性函数。);Wf是忘记门的权重矩阵;Bf是忘记门的偏置矩阵;Hist-1是上个时刻的输出;xt是当前时刻的输入。
B.建立输入门层,将所述的ReLu层作为输入门层St如下式(3)所示,并对tanh层创建一个新的候选值矩阵Et如下式(4)所示,加入至更新状态(5)中:
St=ReLu(Ws·[Hist-1,xt]+BS) (3)
Et=tanh(We·[Hist-1,xt]+Be) (4)
Ct=ft*Ct-1+Et*St (5)
其中,tanh是双曲函数中的一个,其中tanh()为双曲正切,Ct当前时刻的模型状态,Ws是输入门层的权重矩阵;Bs是输入门层的偏置矩阵;Hist-1是上个时刻的输出;xt是当前时刻的输入;ft忘记门矩阵;Et表示当前的输入状态,We,Be表示当前新的候选值矩阵Et的权重矩阵和偏置矩阵。
C.建立输出矩阵,运行一个ReLu层,然后利用tanh层进行处理,并将ReLu层与tanh层做乘积确定输出Hist如下式(6)和)(7)所示:
Ut=ReLu(Wu·[Hist-1,xt]+Bu) (6)
Hist=Ut*tanh(Ct) (7)
其中,Ct当前时刻的模型状态;Wu是输入门层的权重矩阵;Bu是输入门层的偏置矩阵;Hist-1是上个时刻的输出;xt是当前时刻的输入;tanh()的函数取值范围-1≤tanh()≤1。
D.通过梯度下降的方式,使用标准的方向误差传播方法(BP,backdrop),设定学习速率,经过多次迭代,得到Wf、Bf、Ws、Bs、We、Be的权重更新。
LSTM模型的目标的损失函数如下式(8)所示:
其中,目标函数为均方误差(Mean Square Error,MSE),n表示测试集中样本个数;test_y表示测试集中的目标变量;pre_y表示利用模型对测试集test_x预测得出的预测值。
通过均方误差分析LSTM模型的误差和评价LSTM模型精度,同时反馈修改模型参数、模型学习率和迭代次数,对模型进行训练和测试。
结合预测得到交通信号交叉口的延误时间与信号交叉口服务水平划分准则匹配给予所选择的信号交叉口的各个方向的交通运行状态进行预测,根据每辆车在信号交叉口经历的平均延误,给出6个服务水平:A等级、B等级、C等级、D等级、E等级、F等级、G等级。
表1信号交叉口运行状态划分
将预测得到的信号交叉口运行状态信息传输至信号进行显示,针对不同时间段对选取的区域的信号运行服务水平进行排名,显示出排名较差的信号交叉口的服务水平。对运行服务较差的交叉口内部各方向运行状态进行预测,并显示出各方向的运行服务水平。
实施例2
本实施例提供了一种应用于基于LSTM模型的信号交叉口运行状态预测方法的系统,图4为本实施例的基于LSTM模型的信号交叉口运行状态预测系统示意图,参照图4,该系统包括:数据收集模块、数据储存模块、数据处理模块、模型预测模块和预测显示模块。
数据收集模块,用于通过移动互联网获取某区域的浮动车数据;
数据储存模块,用于存储所述数据收集模块获取某区域的浮动车数据;
数据处理模块,用于通过所述数据存储模块提取出某段时间内的与某个信号交叉口匹配的相关数据,并对所述数据进行筛选;
模型预测模块,用于对筛选后的数据进行归一化处理,并分为训练数据集和测试数据集,并通过LSTM模型对所述的训练数据集中的数据进行训练,对训练好的模型通过测试数据集进行测试,得到所述信号交叉口的预测模型。
预测显示模块,用于显示对新采集的实时数据通过所述预测模型得到的预测结果。示意性地,图5是预测显示模块的结果预测显示图。
实施例3
本实例采用了现有的互联网移动浮动车数据,对现有的交叉口进行状态预测。
本实例采用了15天的浮动车的数据,数据的间隔时间为3s,选取的区域为:经度范围<116.399450,116.431700>,纬度范围<39.947934,39.966344>。具体选择的交叉口为北京市和平里西街与青年沟路相交的信号交叉口。如图6所示,选择的是标注为2的交叉口。
本实例提取的交通参数为:交通流量、通行时间、平均速度、停车次数、平均延误时间、红灯时长、绿灯时长、次干路与支路相交。所需要预测的目标值为:交叉口信号灯延误时间。对采集的数据剔除坏值和偏值。
通过模型的预测模块,对以上得到的参数数据进行训练和预测,得到该交叉口南向北方向早高峰、晚高峰的预测值。图7是早高峰时间段,模型预测过程,图8是晚高峰时间段,模型的预测过程。可以观测到随着迭代次数的增加,损失函数的值在逐渐降低。图9是早晚高峰的预测结果图,结合表2可以看出预测的结果令人满意。
表2预测结果参数
本领域技术人员应能理解上述输入框的应用类型仅为举例,其他现有的或今后可能出现的输入框应用类型如可适用于本发明实施例,也应包含在本发明保护范围以内,并在此以引用方式包含于此。
本领域技术人员应能理解,图4仅为简明起见而示出的各类网络元素的数量可能小于一个实际网络中的数量,但这种省略无疑是以不会影响对发明实施例进行清楚、充分的公开为前提的。
用本发明实施例的方法进行信号交叉口运行状态预测的具体过程与前述方法实施例类似,此处不再赘述。
综上所述,本发明实施例通过通过对海量的浮动车数据挖掘,结合机器学习LSTM模型的方法对信号交叉口运行状态预测,对城市信号交叉每个通行方向的交通运行状态进行精准的预测。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种基于LSTM模型的信号交叉口运行状态预测方法,其特征在于,包括:
通过移动互联网获取某区域的浮动车数据;
根据所述的浮动车数据,提取出某段时间内的与某个信号交叉口匹配的相关数据,并对所述数据进行筛选;
对筛选后的数据进行归一化处理,并分为训练数据集和测试数据集,并采用训练数据集对LSTM模型进行训练,对训练好的模型通过测试数据集进行测试,得到对应信号交叉口的预测模型;
根据得到的所述信号交叉口的预测模型通过新采集的实时数据对信号交叉口的运行状态进行预测。
2.根据权利要求1所述的方法,其特征在于,所述的通过移动互联网获取某区域的浮动车数据包括:浮动车的经度、纬度、速度和浮动车车头与南北向的夹角。
3.根据权利要求2所述的方法,其特征在于,所述的根据所述的浮动车数据,提取出某段时间内的与某个信号交叉口匹配的相关数据,并对所述数据进行筛选,包括:根据所述浮动车的经度和纬度数据,提取到与信号交叉口位置匹配的相关数据,并对提取到的数据中的坏值和偏值进行删除。
4.根据权利要求3所述的的方法,其特征在于,所述的提取到与信号交叉口位置匹配的相关数据包括:浮动车通过交叉口的时间、停车次数、平均速度和平均延误时间。
5.根据权利要求1所述的方法,其特征在于,所述的对筛选和剔除后的数据进行归一化处理,所述的归一化处理方法如下式(1)所示::
其中,x′为归一化后的数据;x为被归一化的数据,xmin是数据中的最小值,xmax是数据中的最大值。
6.根据权利要求1所述的方法,其特征在于,所述的将处理后的数据分为训练数据集和测试数据集,包括:所述的训练数据集和测试数据集的数据比例为7:3。
7.根据权利要求1所述的方法,其特征在于,所述的采用训练数据集对LSTM模型进行训练,对训练好的模型通过测试数据集进行测试,得到对应信号交叉口的预测模型,包括如下步骤:
A.建立忘记门层,决定会从细胞状态中丢弃什么信息,该层会读取Hist-1,xt,输出一个在0到1之间的数值给每个在模型状态Ct,生成忘记门矩阵ft,并通过ReLu函数对前一个神经元的历史信息Hist-1判断是否保留至该时刻的Hist中,所述的忘记门矩阵ft如下式(2)所示:
ft=ReLu(Wf·[Hist-1,xt]+Bf) (2)
其中,ReLu是激活函数;Wf是忘记门的权重矩阵;Bf是忘记门的偏置矩阵;Hist-1是上个时刻的输出;xt是当前时刻的输入;
B.建立输入门层,将所述的ReLu层作为输入门层St如下式(3)所示,并对tanh层创建一个新的候选值矩阵Et如下式(4)所示,加入至更新状态(5)中:
St=ReLu(Ws·[Hist-1,xt]+BS) (3)
Et=tanh(We·[Hist-1,xt]+Be) (4)
Ct=ft*Ct-1+Et*St (5)
其中,tanh是双曲函数中的一个,其中tanh()为双曲正切;Ct当前时刻的模型状态,Ws是输入门层的权重矩阵;Bs是输入门层的偏置矩阵;Hist-1是上个时刻的输出;xt是当前时刻的输入;ft忘记门矩阵;Et表示当前的输入状态,We,Be表示当前新的候选值矩阵Et的权重矩阵和偏置矩阵;
C.建立输出矩阵,运行一个ReLu层,然后利用tanh层进行处理,并将ReLu层与tanh层做乘积确定输出Hist如下式(6)和)(7)所示:
Ut=ReLu(Wu·[Hist-1,xt]+Bu) (6)
Hist=Ut*tanh(Ct) (7)
其中,Ct当前时刻的模型状态;Wu是输入门层的权重矩阵;Bu是输入门层的偏置矩阵;Hist-1是上个时刻的输出;xt是当前时刻的输入;tanh()的函数取值范围-1≤tanh()≤1;
D.通过梯度下降的方式,使用标准的方向误差传播方法,设定学习速率,经过多次迭代,得到Wf、Bf、Ws、Bs、We、Be的权重更新。
8.根据权利要求1所述的方法,其特征在于,所述的LSTM模型的损失函数如下式(8)所示:
其中,MSE为均方误差,n表示测试集中样本个数;test_y表示测试集中的目标变量;pre_y表示利用模型对测试集test_x预测得出的预测值。
9.一种应用于权利要求1-8的所述的基于LSTM模型的信号交叉口运行状态预测方法的系统,其特征在于,包括:数据收集模块、数据储存模块、数据处理模块、模型预测模块和预测显示模块;
所述的数据收集模块,用于通过移动互联网获取某区域的浮动车数据;
所述的数据储存模块,用于存储所述数据收集模块获取某区域的浮动车数据;
所述的数据处理模块,用于通过所述数据存储模块提取出某段时间内的与某个信号交叉口匹配的相关数据,并对所述数据进行筛选;
所述的模型预测模块,用于对筛选后的数据进行归一化处理,并分为训练数据集和测试数据集,并通过LSTM模型对所述的训练数据集中的数据进行训练,对训练好的模型通过测试数据集进行测试,得到所述信号交叉口的预测模型。
所述的预测显示模块,用于显示对新采集的实时数据通过所述预测模型得到的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811612579.1A CN109800908A (zh) | 2018-12-27 | 2018-12-27 | 基于lstm模型的信号交叉口运行状态预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811612579.1A CN109800908A (zh) | 2018-12-27 | 2018-12-27 | 基于lstm模型的信号交叉口运行状态预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109800908A true CN109800908A (zh) | 2019-05-24 |
Family
ID=66557896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811612579.1A Pending CN109800908A (zh) | 2018-12-27 | 2018-12-27 | 基于lstm模型的信号交叉口运行状态预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800908A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335466A (zh) * | 2019-07-11 | 2019-10-15 | 青岛海信网络科技股份有限公司 | 交通流量预测方法和设备 |
CN111190829A (zh) * | 2019-12-31 | 2020-05-22 | 武汉中海庭数据技术有限公司 | 一种路口测试模型数据自动构建方法和装置 |
CN113450559A (zh) * | 2020-03-27 | 2021-09-28 | 华为技术有限公司 | 审核交通灯的控制方案的方法和装置 |
CN114387782A (zh) * | 2022-01-12 | 2022-04-22 | 智道网联科技(北京)有限公司 | 预测交通状态的方法、装置和电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101385057B1 (ko) * | 2012-08-30 | 2014-04-14 | 경희대학교 산학협력단 | Its 데이터를 활용한 도심 구간의 정체도 예측 방법 |
CN108335487A (zh) * | 2018-03-20 | 2018-07-27 | 北方工业大学 | 一种基于交通状态时序性的道路交通状态预测系统 |
-
2018
- 2018-12-27 CN CN201811612579.1A patent/CN109800908A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101385057B1 (ko) * | 2012-08-30 | 2014-04-14 | 경희대학교 산학협력단 | Its 데이터를 활용한 도심 구간의 정체도 예측 방법 |
CN108335487A (zh) * | 2018-03-20 | 2018-07-27 | 北方工业大学 | 一种基于交通状态时序性的道路交通状态预测系统 |
Non-Patent Citations (1)
Title |
---|
臧超: "基于浮动车数据的信号交叉口运行状态评估", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335466A (zh) * | 2019-07-11 | 2019-10-15 | 青岛海信网络科技股份有限公司 | 交通流量预测方法和设备 |
CN111190829A (zh) * | 2019-12-31 | 2020-05-22 | 武汉中海庭数据技术有限公司 | 一种路口测试模型数据自动构建方法和装置 |
CN111190829B (zh) * | 2019-12-31 | 2022-04-29 | 武汉中海庭数据技术有限公司 | 一种路口测试模型数据自动构建方法和装置 |
CN113450559A (zh) * | 2020-03-27 | 2021-09-28 | 华为技术有限公司 | 审核交通灯的控制方案的方法和装置 |
WO2021190176A1 (zh) * | 2020-03-27 | 2021-09-30 | 华为技术有限公司 | 审核交通灯的控制方案的方法和装置 |
CN113450559B (zh) * | 2020-03-27 | 2023-02-03 | 华为技术有限公司 | 审核交通灯的控制方案的方法和装置 |
CN114387782A (zh) * | 2022-01-12 | 2022-04-22 | 智道网联科技(北京)有限公司 | 预测交通状态的方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107180530B (zh) | 一种基于深度时空卷积循环网络的路网状态预测方法 | |
CN109800908A (zh) | 基于lstm模型的信号交叉口运行状态预测方法和系统 | |
Leshem et al. | Traffic flow prediction using adaboost algorithm with random forests as a weak learner | |
CN111081016B (zh) | 一种基于复杂网络理论的城市交通异常识别方法 | |
Liu et al. | Data fusion for multi-source sensors using GA-PSO-BP neural network | |
CN106781489B (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN110570651A (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN111985706B (zh) | 一种基于特征选择和lstm的景区日客流量预测方法 | |
CN108364467A (zh) | 一种基于改进型决策树算法的路况信息预测方法 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN110782093A (zh) | 一种融合ssae深度特征学习和lstm网络的pm2.5小时浓度预测方法及系统 | |
CN102646332A (zh) | 基于数据融合的交通状态估计装置和方法 | |
CN109544690A (zh) | 共享单车出行影响因素识别方法、系统及存储介质 | |
CN112613225B (zh) | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 | |
CN111967712B (zh) | 一种基于复杂网络理论的交通风险预测方法 | |
CN110517485A (zh) | 一种基于时段划分的短时交通流预测方法 | |
CN109887284A (zh) | 一种智慧城市交通信号控制推荐方法、系统及装置 | |
CN109118787A (zh) | 一种基于深度神经网络的车辆速度预测方法 | |
CN106504548A (zh) | 交通灯智能控制方法及系统 | |
CN107220724A (zh) | 客流量预测方法及装置 | |
CN112967493A (zh) | 一种基于神经网络的车辆通过交叉口行程时间的预测方法 | |
Keyarsalan et al. | Designing an intelligent ontological system for traffic light control in isolated intersections | |
CN115409256A (zh) | 基于行程时间预测的拥堵区避让的路径推荐方法 | |
CN114333361A (zh) | 一种信号灯配时方法及装置 | |
CN115131966A (zh) | 一种考虑交叉口运行特性的路网关键节点识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190524 |
|
RJ01 | Rejection of invention patent application after publication |