CN109840628B - 一种短时多区域车速预测方法及系统 - Google Patents

一种短时多区域车速预测方法及系统 Download PDF

Info

Publication number
CN109840628B
CN109840628B CN201910045406.4A CN201910045406A CN109840628B CN 109840628 B CN109840628 B CN 109840628B CN 201910045406 A CN201910045406 A CN 201910045406A CN 109840628 B CN109840628 B CN 109840628B
Authority
CN
China
Prior art keywords
layer
time
model
mtl
network
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
CN201910045406.4A
Other languages
English (en)
Other versions
CN109840628A (zh
Inventor
张坤鹏
刘子建
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.)
Hunan University
Original Assignee
Hunan 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 Hunan University filed Critical Hunan University
Priority to CN201910045406.4A priority Critical patent/CN109840628B/zh
Publication of CN109840628A publication Critical patent/CN109840628A/zh
Application granted granted Critical
Publication of CN109840628B publication Critical patent/CN109840628B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种短时多区域车速预测方法及系统，用时间卷积神经网络来代替递归神经网络，提高了计算速度，减少了对计算资源的占用；残差神经网络在确保模型训练稳定性的同时有效的增加了模型中神经网络的层数，提高了模型的学习能力，从而使得预测结果更精确；本发明提出的多任务学习模型能够用一个模型同时预测多个道路的车速，这样不但更加准确的预测单个路段的道路交通状况，也为交管部门或行人提供了整个路网层面上全面的交通信息。

Description

一种短时多区域车速预测方法及系统
技术领域
本发明涉及基于深度学习的预测方法，特别是一种短时多区域车速预测方法及系统。
背景技术
良好的交通状况将为交通安全提供有效保障，准确的车速预测为改善交通状况提供了重要支撑。传统的交通状况预测方法无法对城市交通路网的车速状况进行可靠的预测。参数化方法(如线性回归模型和时间序列模型)善于处理规律性较强的交通数据，难以应用在数据包含随机与非线性特性的情况。非参数化方法(如支持向量积模型(SupportVector Machine,SVM)和k近邻模型(k-NearestNeighbor,k-NN))虽然可以处理随机和非线性数据，但是难以挖掘大量交通数据中更深层次的相关性，使得该方法难以适用于大数据场景。为了解决这些问题，深度学习模型被用来预测短时车速。这些模型包括长短期记忆网络(Long Short-Term Memory,LSTM)、卷积长短期记忆网络(Convolutional LSTM,ConvLSTM)以及卷积神经网络(Convolutional Neural Network)。
上述基于深度学习的预测方法存在以下缺陷。1.递归神经网络(如长短期记忆网络和卷积长短期记忆网络)只有在上一个预测过程完成的情况下才能进行下一次预测；另外在每一次预测过程中都需要储存不同的中间结果。递归神经网络的这两个特性导致模型训练用时较长，需要占用大量的计算资源来完成预测任务。2.在一个神经网络模型中叠加多层递归神经网络会导致模型的不收敛，从而降低预测准确度。为了保证模型的收敛，预测模型往往只包含少量的网络层，这将限制模型的预测能力。3.上述深度学习模型是基于单任务学习建立的。单任务学习模型有两个弊端：无法利用一个模型对多个道路的车速同时进行预测，因此无法提供路网层面的交通信息；在预测一条道路的车速时无法利用其他区域的时空相关性信息，因此无法提供更加准确的预测结果。
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提供一种短时多区域车速预测方法，提高预测结果的准确性。
为解决上述技术问题，本发明所采用的技术方案是：一种短时多区域车速预测方法，包括以下步骤：
1)将历史车速数据
Figure GDA0003938967440000021
(第i个路段，第t-k时刻的车辆速度)和相应的时间标识/>
Figure GDA0003938967440000022
作为原始数据，由输入层导入MTL-TCN模型；其中，/>
Figure GDA0003938967440000023
表示历史车辆速度数据；其中，i为路段标志；K表示回顾时间窗口(用K个历史数据点预测下一时刻的车速)。/>
Figure GDA0003938967440000024
表示/>
Figure GDA0003938967440000025
的时间标识；i＝1,2,3；k＝1,2,…,K
2)在MTL-TCN模型的第一层，残差网络和卷积层从原始数据中提取单个路段的时间相关信息
Figure GDA0003938967440000026
将时间相关信息/>
Figure GDA0003938967440000027
输入到MTL-TCN模型的第二层(/>
Figure GDA0003938967440000028
表示路段i在模型第一层的输出)；/>
3)在MTL-TCN模型的第二层，将来自第一层的各个路段的时间相关信息链接到一起，然后输入到MTL-TCN模型第二层的残差网络中；
4)输出层输出预测结果
Figure GDA0003938967440000029
路段i在时间t时的车速，完成预测。
5)所述MTL-TCN模型包括第一层和第二层；其中，对于每个路段，所述第一层包括输入层；所述输入层与至少一个级联的第一处理层连接；所述第一处理层包括第一残差网络和与该第一残差网络连接的卷积层；所述第一残差网络与所述输入层连接；对于每个路段，所述第二层包括依次连接的第二残差网络、卷积层、第三残差网络、全连接层、输出层；所述第二层将来自第一层的各个路段的时间相关信息链接到一起。
本发明还提供了一种短时多区域车速预测系统，包括：
输入模块，用于将历史车速数据
Figure GDA00039389674400000210
和相应的时间标识/>
Figure GDA00039389674400000211
作为原始数据，将所述原始数据导入MTL-TCN模型第一层的输入层；其中，/>
Figure GDA00039389674400000212
表示历史车辆速度数据；其中，i为路段标志；K表示回顾时间窗口；/>
Figure GDA00039389674400000213
表示/>
Figure GDA00039389674400000214
的时间标识；i＝1,2,3；k＝1,2,…,K；
提取模块，用于在MTL-TCN模型第一层的残差网络和卷积层从原始数据中提取单个路段的时间相关信息
Figure GDA0003938967440000031
将时间相关信息/>
Figure GDA0003938967440000032
输入到MTL-TCN模型的第二层；/>
Figure GDA0003938967440000033
表示路段i在模型第一层的输出；
链接模块，MTL-TCN模型第二层将来自第一层的各个路段的时间相关信息链接到一起，然后作为新的输入量输入到MTL-TCN模型第二层的残差网络中；该新的输入量包含来自路网的时空相关信息，MTL-TCN模型第二层的神经网络处理所述时空相关信息，并将处理后的预测结果输入到MTL-TCN模型的输出层；
输出模块，用于输出预测结果
Figure GDA0003938967440000034
即路段i在时间t时的车速，完成预测与现有技术相比，本发明所具有的有益效果为：
1)用时间卷积神经网络来代替递归神经网络，提高了计算速度，减少了对计算资源的占用；
2)残差神经网络在确保模型训练稳定性的同时有效的增加了模型中神经网络的层数，提高了模型的学习能力，从而使得预测结果更精确；
3)本发明提出的多任务学习模型能够用一个模型同时预测多个道路的车速，这样不但更加准确的预测单个路段的道路交通状况，也为交管部门或行人提供了整个路网层面上全面的交通信息。
附图说明
图1为单任务学习与多任务学习示意图；(a)单任务学习示意图；(b)多任务学习示意图；
图2为时间卷积神经网络(虚线表示平行运算)示意图；
图3为残差神经网络(曲线表示残差运算)示意图；
图4为MTL-TCN模型(曲线表示残差运算)示意图；
图5为本发明实现原理示意图；
图6为本发明实施例路段分布(圆圈里的数字为路段标签)示意图。
具体实施方式
为了预测多个路段的车速情况，现有的基于单任务学习的模型(如图1中的(a)所示)需要针对每个待预测路段建立单独的预测模型。这样不但忽略了各个路段交通状况的关联性，而且需要更多的计算资源来完成这些预测任务。为解决这些问题，本发明提出了基于多任务学习(如图1中的(b)所示)的车速预测模型：基于多任务学习的时间卷积神经网络(Multi-Task Learning Temporal Convolutional Network,MTL-TCN)。
MTL-TCN模型包括以下三个主要部分。
时间卷积神经网络：时间卷积神经网络基于扩增因果卷积网络，从图2可以看出其组成包含输入层，隐藏层和输出层。在时间节点t扩增因果卷积网络的核心计算是卷积运算F(t)。该卷积运算过程可以定义为
Figure GDA0003938967440000041
其中f(i)是卷积层的第i个过滤器，k是过滤器大小，d是扩增因子。该运算过程可以使输出层的每一个输出量
Figure GDA0003938967440000042
在更少的计算步骤内尽可能多的表征来自输入层的输入量xi(i＝0,...,t)，从而提高运算效率。与此同时，时间卷积神经网络可以对多个预测过程进行平行运算，进一步缩短了运算耗时。此外，时间卷积神经网络可以直接将上一层的运算结果传递到下一层，无需储存中间结果，从而降低了计算资源的占用率。
残差神经网络：为了提高模型的学习能力，使得预测结果更精确，本发明利用残差神经网络在保证模型稳定性的情况下有效增加神经网络的层数。一个残差神经网络单元如图3所示。从图中可以看出该网络包括：时间卷积神经网络层、权重归一化层、激活函数层、池化层和Dropout层。残差网络的运算过程
Figure GDA0003938967440000043
可以表述为以下公式
y1＝wF(t)+b (2)
w＝sv/||v|| (3)
y2＝Φ(y1) (4)
y3＝Φp(y2)·r (5)
其中，F(t)是扩增因果卷积网络在时间节点t的卷积运算。w和b是扩增因果卷积网络层参数。权重归一化层的计算过程如公式(3)所示。其中w表示公式(2)中的权重向量，s是一个标量，v表示参数向量，||v||表示v的欧几里得范数。激活函数层的运算如公式(3)所示，其中Φ表示非线性激活函数。池化层和Dropout层的运算如公式(5)所示，其中Φp表示池化函数，运算符·表示乘积运算，r服从独立伯努利随机过程。
残差网络的运算过程可以总结为
Figure GDA0003938967440000051
其中Φ表示非线性激活函数。在保证训练稳定性的前提下，残差神经网络可以显著增加神经网络层数，从而提高模型的学习能力。
多任务学习模型：为了在预测路网层面的车速时利用整个区域的时空相关性信息，本发明提出了一个基于深度学习的多任务学习模型。图4展示了该模型同时预测三个路段的情况。从图中可以看出该模型分为两层：第一层用来接收各个路段的车速历史数据，并对其进行计算提取单个路段的时间相关信息；第二层将对第一层的所得结果进行连接操作，这一过程确保了在预测各个路段车速时考虑到了全部三个路段之间的时空相关性。此外，为了进一步确保该模型的训练稳定性，第一层和第二层之间将进行残差运算。
图5MTL-TCN模型运算步骤
Figure GDA0003938967440000052
表示历史车辆速度数据。其中，i为路段标志；K表示回顾时间窗口(用K个历史数据点预测下一时刻的车速)。/>
Figure GDA0003938967440000053
表示/>
Figure GDA0003938967440000054
的时间标识。Z表示隐藏层的输出。
1)历史车速数据
Figure GDA0003938967440000055
和相应的时间标识/>
Figure GDA0003938967440000056
作为原始数据由输入层导入MTL-TCN模型。
2)在MTL-TCN模型的第一层，残差网络和卷积层将从原始输入数据中提取单个路段的时间相关信息
Figure GDA0003938967440000057
这些信息将被输入到模型的第二层。
3)在模型的第二层，来自第一层的各个路段的时间相关信息将被链接到一起输入到第二层的残差网络中。
该步骤确保了在预测各个路段车速时考虑到了全部三个路段之间的时空相关性。
4)为了进一步确保该模型的训练稳定性，来自第一层的时间相关信息将再次被运用到第二层的残差网络中。
5)输出层将输出预测结果
Figure GDA0003938967440000058
完成预测。
实施例：
长沙市中心区域24个路段的车速数据被用于验证MTL-TCN模型的预测准确性。该数据集一共包含27天的历史车速数据。其中前26天的数据用来训练模型，最后一天的数据用来验证模型的预测准确性。24个路段分布如图6所示。预测结果如表1所示。从表1可以看出相比于其他模型(长短期记忆网络(LSTM)、卷积长短期记忆网络(ConvLSTM)、支持向量积模型(SVM)和k近邻模型(k-NN))，MTL-TCN模型能够达到最准确的预测精度。
表1预测结果
Figure GDA0003938967440000061
/>

Claims (2)

1.一种短时多区域车速预测方法，其特征在于，包括以下步骤：
1)将历史车速数据
Figure FDA0003938967430000011
和相应的时间标识
Figure FDA0003938967430000012
作为原始数据，将所述原始数据导入多任务学习的时间卷积神经网络MTL-TCN模型第一层的输入层；其中，
Figure FDA0003938967430000013
表示第i个路段在第t-k时刻的车辆速度数据；其中，i为路段标志；K表示回顾时间窗口；
Figure FDA0003938967430000014
表示
Figure FDA0003938967430000015
的时间标识；i＝1,2,3；k＝1,2,…,K；
2)MTL-TCN模型第一层的残差网络和卷积层从原始数据中提取单个路段的时间相关信息
Figure FDA0003938967430000016
将时间相关信息
Figure FDA0003938967430000017
输入到MTL-TCN模型的第二层；
Figure FDA0003938967430000018
表示路段i在模型第一层的输出；
3)MTL-TCN模型第二层将来自第一层的各个路段的时间相关信息链接到一起，然后作为新的输入量输入到MTL-TCN模型第二层的残差网络中；该新的输入量包含来自路网的时空相关信息，MTL-TCN模型第二层的神经网络处理所述时空相关信息，并将处理后的预测结果输入到MTL-TCN模型的输出层；
4)输出层输出预测结果
Figure FDA0003938967430000019
Figure FDA00039389674300000110
即路段i在时间t时的车速，完成预测；
所述MTL-TCN模型包括第一层和第二层；其中，对于每个路段，所述第一层包括输入层；所述输入层与至少一个级联的第一处理层连接；所述第一处理层包括第一残差网络和与该第一残差网络连接的卷积层；所述第一残差网络与所述输入层连接；对于每个路段，所述第二层包括依次连接的第二残差网络、卷积层、第三残差网络、全连接层、输出层；所述第二层将来自第一层的各个路段的时间相关信息链接到一起。
2.一种短时多区域车速预测系统，其特征在于，包括：
输入模块，用于将历史车速数据
Figure FDA00039389674300000111
和相应的时间标识
Figure FDA00039389674300000112
作为原始数据，将所述原始数据导入多任务学习的时间卷积神经网络MTL-TCN模型第一层的输入层；其中，
Figure FDA0003938967430000021
表示历史车辆速度数据；其中，i为路段标志；K表示回顾时间窗口；
Figure FDA0003938967430000022
表示
Figure FDA0003938967430000023
的时间标识；i＝1,2,3；k＝1,2,…,K；
提取模块，用于在MTL-TCN模型第一层的残差网络和卷积层从原始数据中提取单个路段的时间相关信息
Figure FDA0003938967430000024
将时间相关信息
Figure FDA0003938967430000025
输入到MTL-TCN模型的第二层；
Figure FDA0003938967430000026
表示路段i在模型第一层的输出；
链接模块，MTL-TCN模型第二层将来自第一层的各个路段的时间相关信息链接到一起，然后作为新的输入量输入到MTL-TCN模型第二层的残差网络中；该新的输入量包含来自路网的时空相关信息，MTL-TCN模型第二层的神经网络处理所述时空相关信息，并将处理后的预测结果输入到MTL-TCN模型的输出层；
输出模块，用于输出预测结果
Figure FDA0003938967430000027
Figure FDA0003938967430000028
即路段i在时间t时的车速，完成预测；其中，所述MTL-TCN模型包括第一层和第二层；其中，对于每个路段，所述第一层包括输入层；所述输入层与至少一个级联的第一处理层连接；所述第一处理层包括第一残差网络和与该第一残差网络连接的卷积层；所述第一残差网络与所述输入层连接；对于每个路段，所述第二层包括依次连接的第二残差网络、卷积层、第三残差网络、全连接层、输出层；所述第二层将来自第一层的各个路段的时间相关信息链接到一起。
CN201910045406.4A 2019-01-17 2019-01-17 一种短时多区域车速预测方法及系统 Active CN109840628B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910045406.4A CN109840628B (zh) 2019-01-17 2019-01-17 一种短时多区域车速预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910045406.4A CN109840628B (zh) 2019-01-17 2019-01-17 一种短时多区域车速预测方法及系统

Publications (2)

Publication Number Publication Date
CN109840628A CN109840628A (zh) 2019-06-04
CN109840628B true CN109840628B (zh) 2023-03-24

Family

ID=66883888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910045406.4A Active CN109840628B (zh) 2019-01-17 2019-01-17 一种短时多区域车速预测方法及系统

Country Status (1)

Country Link
CN (1) CN109840628B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110275954A (zh) * 2019-06-21 2019-09-24 深圳大学 基于时间卷积网络的中文文本分类方法
CN110472779B (zh) * 2019-07-30 2022-05-03 东莞理工学院 一种基于时间卷积网络的电力系统短期负荷预测方法
CN112950924B (zh) * 2019-12-10 2022-08-19 东北大学秦皇岛分校 一种基于深度学习的复杂交通路网交通速度预测方法
CN111371609B (zh) * 2020-02-28 2021-07-02 同济大学 基于深度学习的车联网连通预测方法
CN111540199B (zh) * 2020-04-21 2021-04-06 浙江省交通规划设计研究院有限公司 基于多模态融合和图注意力机制的高速交通流预测方法
CN111915081B (zh) * 2020-08-03 2023-10-17 东北大学秦皇岛分校 一种基于深度学习的峰值敏感型出行需求预测方法
CN112966927A (zh) * 2021-03-03 2021-06-15 北京京东乾石科技有限公司 运输设备运行管理的方法和装置
CN113222211B (zh) * 2021-03-31 2023-12-12 中国科学技术大学先进技术研究院 一种多区域柴油车污染物排放因子预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002298281A (ja) * 2001-03-30 2002-10-11 Foundation For The Promotion Of Industrial Science 交通量予測装置、交通量予測方法、交通情報センターおよび車載ナビゲーションシステム
CN107705556A (zh) * 2017-09-01 2018-02-16 南京邮电大学 一种基于支持向量机和bp神经网络结合的交通流预测方法
CN109035779A (zh) * 2018-08-30 2018-12-18 南京邮电大学 基于DenseNet的高速公路交通流预测方法
CN109215349A (zh) * 2018-10-26 2019-01-15 同济大学 基于深度学习的长时交通流量预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002298281A (ja) * 2001-03-30 2002-10-11 Foundation For The Promotion Of Industrial Science 交通量予測装置、交通量予測方法、交通情報センターおよび車載ナビゲーションシステム
CN107705556A (zh) * 2017-09-01 2018-02-16 南京邮电大学 一种基于支持向量机和bp神经网络结合的交通流预测方法
CN109035779A (zh) * 2018-08-30 2018-12-18 南京邮电大学 基于DenseNet的高速公路交通流预测方法
CN109215349A (zh) * 2018-10-26 2019-01-15 同济大学 基于深度学习的长时交通流量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An Overview of Multi-Task Learning;Sebastian Ruder;《https://arxiv.org/abs/1706.05098v1》;20170615;全文 *
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting;Bing Yu et al;《https://arxiv.org/abs/1709.04875v4》;20180712;全文 *

Also Published As

Publication number Publication date
CN109840628A (zh) 2019-06-04

Similar Documents

Publication Publication Date Title
CN109840628B (zh) 一种短时多区域车速预测方法及系统
Zhao et al. Deep temporal convolutional networks for short-term traffic flow forecasting
Xu et al. Real-time prediction of taxi demand using recurrent neural networks
CN107038478A (zh) 路况预测方法及装置、计算机设备与可读介质
CN111667092A (zh) 基于图卷积神经网络的轨道交通短时客流预测方法和系统
CN107220734A (zh) 基于决策树的数控车床车削过程能耗预测系统
CN107133645A (zh) 预估乘客取消订单行为的方法、设备及存储介质
CN111754025A (zh) 基于cnn+gru的公交短时客流预测方法
CN110019401A (zh) 件量预测方法、装置、设备及其存储介质
Yu et al. A dynamic holding strategy in public transit systems with real-time information
Wang et al. An effective dynamic spatiotemporal framework with external features information for traffic prediction
CN113642758A (zh) 一种共享电动汽车的供需预测及调度方法和装置
CN114492978A (zh) 一种基于多层注意力机制的时空序列预测方法及设备
CN113159403A (zh) 路口行人轨迹预测的方法及装置
CN104632188A (zh) 一种单油井产量的预测方法及装置
Zong et al. Price forecasting for agricultural products based on BP and RBF Neural Network
Xi et al. Hmdrl: Hierarchical mixed deep reinforcement learning to balance vehicle supply and demand
CN115080795A (zh) 一种多充电站协同负荷预测方法及装置
Xia et al. A distributed EMDN-GRU model on Spark for passenger waiting time forecasting
CN115965163A (zh) 基于时空图生成对抗损失的轨道交通短时客流预测方法
CN115630733A (zh) 订单送达时间预估方法、系统、介质及电子设备
CN115796259A (zh) 模型训练方法、数据处理方法、预测方法及装置、设备
US20220138525A1 (en) Memory network method based on automatic addressing and recursive information integration
CN114973640A (zh) 交通流量的预测方法、装置及系统
CN111489171A (zh) 基于二维码的乘车行程匹配方法、装置、电子设备及介质

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