CN110047291A - 一种考虑扩散过程的短时交通流预测方法 - Google Patents

Abstract

本发明公开一种考虑扩散过程的短时交通流预测方法，包括：获取当前路段的历史交通流序列并进行平滑操作，得到平滑后的交通流序列F＝{X¹,X²,...,X^t‑1}；采用LSTM‑CNN模型从平滑后的交通流序列中捕获深度时空特征；通过以类PageRank算法进行数学化描述的扩散过程从平滑后的交通流序列中得到当前路段的道路重要性特征，再将道路重要性特征及道路辅助信息共同组成一个一维向量，作为广度特征；将深度时空特征和广度特征融合，得到当前路段在t时刻的交通流量预测值X^t。

Description

一种考虑扩散过程的短时交通流预测方法

技术领域

本发明涉及一种考虑扩散过程的短时交通流预测方法，属于智能交通、计算机与数学交叉领域。

背景技术

随着社会经济的高速发展和城市化进程的加快，有效的交通控制和诱导成为了亟待解决的问题，而实时准确的交通流量预测是至关重要的一步。但目前的研究并未充分考虑交通流在全路网上的动态变化，导致预测精度不能够达到要求。

发明内容

本发明的主要目的在于克服现有技术的不足，提出一种考虑扩散过程的短时交通流预测方法，通过加入道路重要性等特征，来进行准确的短期交通流预测，以解决现有的预测方法在动态全局性上考虑不够全面的问题，进一步提高预测精度。

本发明为达上述目的提出以下技术方案：

一种考虑扩散过程的短时交通流预测方法，包括：获取当前路段的历史交通流序列O＝{x¹,x²,...,x^m}并进行平滑操作，得到平滑后的交通流序列F＝{X¹,X²,...,X^t-1}；其中，Xⁿ代表对原始的历史交通流序列O进行平滑后得到的当前路段在n时刻的交通流量，n＝1,2,...,t-1；采用LSTM-CNN模型从交通流序列F中捕获当前路段的交通流的深度时空特征；通过以类PageRank算法进行数学化描述的扩散过程从交通流序列F中得到当前路段的道路重要性特征，再将道路重要性特征以及当前路段的道路辅助信息共同组成一个一维向量，作为当前路段的交通流的广度特征；将所述深度时空特征和所述广度特征进行融合，得到当前路段在t时刻的交通流量预测值X^t。

更进一步地：

所述平滑操作包括按均值平滑、按边界值平滑和按中值平滑；平滑操作时的采样间隔为5～30分钟。

所述深度时空特征为包含两个元素的一维向量[a1,a2]，该一维向量的两个元素a1、a2分别由LSTM-CNN模型的两条LSTM链输出；其中一条LSTM链从平滑后的交通流序列F中提取到交通流的时间周期性特征作为输出a1；另一条LSTM链以平滑后的交通流序列F以及交通流的空间相关性特征作为输入，提取到包含交通流的时间平滑性特征和空间相关性特征的融合特征作为输出a2。

所述时间周期性特征用于表征当前路段当前时刻t的交通流与之前t_d天相同时刻交通流的相关性，表现形式为：其中，l_p表示周期间隔。

所述时间平滑性特征用于表征当前路段当前时刻t的交通流与之前t_h个时刻交通流的相关性，表现形式为：

所述空间相关性特征是通过CNN网络从当前路段的交通流序列F以及当前路段的相邻路段的交通流序列中提取得到，用于表征当前路段与相邻路段之间交通流的相关性。需要说明的是，利用LSTM处理时间序列数据以及利用CNN处理空间序列数据的原理和详细处理过程已是本领域的公知技术，在此不再赘述。

以类PageRank算法进行数学化描述的扩散过程包括：

(1)利用公式计算当前路段i在t时刻的拥挤系数con_i,t，其中，和分别表示当前路段i的历史最大交通流量和历史最小交通流量，表示当前路段i在t时刻的交通流量；路段的拥挤程度与拥挤系数成反比；

(2)对当前路段i所在的路网，构建以路段为节点，以路段间的交通流转移关系为边的带权有向图G＝(E,V)，E表示节点的集合，V表示边的集合；其中，节点i指向节点j的边在t时刻的权重系数为：

(3)由权重系数w_i→j,t计算t时刻交通流从节点i转移至节点j的转移概率p_i→j,t：

其中，i→k表示由节点i指向相邻节点k的边；

(4)运用类PageRank算法计算当前路段i在t时刻的扩散分数值PR(i,t)：

其中，扩散分数值PR(i,t)即为当前路段i的道路重要性特征，d为当前路段的阻尼系数，(1-d)表示车辆由当前路段产生的概率。

所述道路辅助信息包括天气信息和道路突发事件信息。

采用全连接层对深度特征和广度特征进行融合。

本发明通过对实时采集、存储得到的小时间粒度路网交通流数据进行分析处理，得到交通流的特征集合以进行准确的交通流预测。对时空特征都进行充分描述，同时考虑动态的道路扩散特征及道路其它辅助信息，消除了以往研究中的局部特征的不完全性，从而更好更准确地对全路网路段的交通流进行预测，预测方法的精确度和鲁棒性得以提升。

附图说明

图1是本发明的短时交通流预测方法的流程框图；

图2a是一种示例性的真实路网示意图；

图2b是基于图2a构建的带权有向图。

具体实施方式

下面结合附图和具体的实施方式对本发明作进一步说明。名词解释：LSTM(LongShort-TermMemory，长短时记忆网络)，CNN(ConvolutionalNeuralNetworks，卷积神经网络)。

参考图1，本发明的具体实施方式提供一种考虑扩散过程的短时交通流预测方法，包括：获取当前路段的历史交通流序列O＝{x¹,x²,...,x^m}，并以5～30分钟作为一个采样间隔，进行按均值平滑操作，得到平滑后的交通流序列F＝{X¹,X²,...,X^t-1}；其中，Xⁿ代表对原始的历史交通流序列O进行平滑后得到的当前路段在n时刻的交通流量，n＝1,2,...,t-1；采用LSTM-CNN模型从交通流序列F中捕获当前路段的交通流的深度时空特征；通过以类PageRank算法进行数学化描述的扩散过程从交通流序列F中得到当前路段的道路重要性特征，再将道路重要性特征以及当前路段的道路辅助信息共同组成一个一维向量，作为当前路段的交通流的广度特征；将所述深度时空特征和所述广度特征进行融合，得到当前路段在t时刻的交通流量预测值X^t。

通常，原始的历史交通流数据采集时的采样间隔为30秒，为消除红绿灯等无关因素的影响，本发明对原始的历史交通流数据进行平均值平滑操作，将时间粒度变为15min，即，15分钟内的原始交通流数据进行平均后得到一个时刻点的交通流量值即Xⁿ。应当理解的是，对历史交通流序列O＝{x¹,x²,...,x^m}进行平滑操作时，也可以采用其它的平滑方式，比如按按边界值平滑、按中值平滑等，本发明对此平滑的具体方式不作限制。

本发明基于Wide&Deep模型的思想，对历史交通流数据进行广度特征和深度特征的提取，其中深度特征包含了交通流的时空特征描述，具体包含了时间周期性特征、时间平滑性特征和空间相关性特征的描述；本发明中通过考虑扩散过程来得到道路重要性特征，并加入诸如天气、道路突发事件等道路辅助信息共同构成广度特征。最终结合这些特征进行预测。

如图1所示，利用LSTM-CNN模型从历史交通流序列中捕获深度时空特征，具体而言，利用第一条LSTM链11从平滑后的交通流序列F中捕获交通流的时间周期性特征，记为a1。时间周期性特征用于表征路段当前时刻的交通流与之前t_d天相同时刻交通流的相关性，表现形式为：

其中，l_p表示周期间隔，通常为一天，即24小时，每小时的数据可以平滑为4个时刻，则l_p＝24×4＝96个时刻。第一条LSTM链11采用t_d个LSTM，从t_d天的同一时刻的交通流量中捕获时间周期性特征a1，a1为一个代表了交通流数据在时间周期性特征层面输出的平均值的浮点数。

时间平滑性特征用于表征路段当前时刻的交通流与之前t_h个时刻交通流的相关性，表现形式为：

时间平滑性特征可以通过第二条LSTM链12捕获，但从第二条LSTM链12输出时，并不单独输出时间平滑性特征，而是将由CNN捕获到的空间相关性特征与前t_h个时刻的交通流量通过全连接层融合后作为第二条LSTM链12的输入，以捕获包含交通流的时间平滑性特征和空间相关性特征的融合特征a2，a2为一个代表了交通流数据在时间平滑性特征和空间相关性特征结合的层面输出的平均值的浮点数。空间相关性特征是通过CNN网络从当前路段的交通流序列F以及当前路段的相邻路段的交通流序列中提取得到，用于表征当前路段与相邻路段之间交通流的相关性。CNN在提取空间相关性特征时的输入为均为1×(K+1)的一维向量，其中一种情况是：每个向量中的K+1个元素是当前路段及其K个相邻路段在相应时刻的交通流量；另一种情况是：每个向量中的K+1个元素是当前路段及其K个相邻路段在相应时刻的拥堵系数。拥堵系数的计算在后续会讲述。

本发明中交通流的广度特征包含以扩散过程的扩散分数值表征的道路重要性特征，还包括当时的天气以及道路突发事件等道路辅助信息。天气信息包括天气状况(阴、晴、雨、雪、雾等)、气温、降雨/雪等级等；道路突发事件例如道路上是否发生交通事故等。

本发明的交通流扩散过程采用类PageRank算法进行数学化描述，该扩散过程具体包括如下1)至4)：

1)利用公式计算当前路段i在t时刻的拥挤系数con_i,t，其中，和分别表示当前路段i的历史最大交通流量和历史最小交通流量，表示当前路段i在t时刻的交通流量；路段的拥挤程度与拥挤系数成反比；

2)对当前路段i所在的路网，构建以路段为节点，以路段间的交通流转移关系为边的带权有向图G＝(E,V)，E表示节点的集合，V表示边的集合。如图2a和图2b所示，对于如图2a所示的真实路网，包含道路R1～R5；构建的带权有向图如图2b所示，道路R1～R5变为有向图中的节点，相邻节点在图2a中显示为具有交点的两条道路。节点i指向节点j的边在t时刻的权重系数为：

3)由权重系数w_i→j,t计算t时刻交通流从节点i转移至节点j的转移概率p_i→j,t：

其中，i→k表示由节点i指向相邻节点k的边；

4)运用类PageRank算法计算当前路段i在t时刻的扩散分数值PR(i,t)：

其中，扩散分数值PR(i,t)即为当前路段i的道路重要性特征，d为当前路段阻尼系数，(1-d)表示车辆由当前路段产生(由该路段驶出)的概率。

最后，将前述由a1和a2构成的深度时空特征，以及由道路重要性特征和道路辅助信息构成的广度特征，一同输入至全连接层，如图1，进行融合即得到预测的当前路段在t时刻交通流量X^t。

需要说明的是，利用LSTM捕获时间周期性特征和时间平滑性特征，以及利用CNN捕获空间相关性特征捕获时，对于所涉及的LSTM的时间序列步长和隐藏层个数，CNN的网络层数、卷积核大小、步长，以及各全连接层的神经元个数等这些参数，本领域技术人员都可以根据具体的需求进行配置，在此不一一赘述，而在后述具体实施例中以具体的示例进行说明。

下面，将通过一个具体的实施例来对本发明的预测方法及其效果进行说明。

本实施例的原始交通流数据采样间隔为30s，为消除红绿灯等无关因素的影响，先进行数据平滑操作，将时间粒度变为15min，即对15分钟内的原始数据进行平均得到一个时刻点的交通流量值。数学描述下，即，若当前给出的历史交通流序列为O＝{x¹,x²,...,x^m}，以15分钟作为一个采样间隔对所给数据进行平滑得到新的交通流序列F＝{X¹,X²,...,X^{t -1}}，Xⁿ代表对原始的历史交通流序列O进行平滑后得到的当前路段在n时刻的交通流量，每一个时刻的交通流量Xⁿ都由一个对应的采样间隔——15分钟内的原始数据平均得到。

按照前述已经描述的深度时空特征和广度特征的提取方法，提取深度时空特征和广度特征。在本实施例中，时间周期性特征是当前时刻的交通流与之前t_d＝7天相同时刻交通流的相关性，以天作为周期；时间平滑性特征是路段当前时刻的交通流与之前的t_h＝8个时刻交通流的相关性，空间相关性特征是当前路段和与之相邻的K＝9条道路之间的交通流相关性。

本实施例中，在进行历史交通流数据的深度、广度特征的提取时，所设置的各种网络模型参数及相应的配置需求为：

所有CNN均为1层卷积，其中卷积核为1x3，步长为1；LSTM输入端的全连接层神经元个数均为2，最后进行深度和广度特征融合的全连接层神经元个数为1；LSTM的平滑性时间步长为8，周期性时间步长为7，隐藏层个数为128。作出上述参数选择的原因在于本实施例的单个数据输入较小，仅为1x8或1x7的向量，故CNN的层数和卷积核的选择较小。综上，本领域技术人员可以根据各网络模型的输入数据大小配置前述各种参数，本发明对LSTM、CNN和全连接层的前述参数均不作限制。

本实施例中，所采集的交通流序列中70％作为训练集，30％作为测试集，以平均绝对百分比误差MAPE作为预测方法效果的评价指标，与现有的针对交通流预测提出的SVR、RBF、LSTM、LSTM+CNN等算法进行对比，如下表1：

表1

从上表可以看出，本发明提出的短时交通流预测方法在计算速率和准确率性能上确有提升。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (9)

1.一种考虑扩散过程的短时交通流预测方法，其特征在于，包括：

获取当前路段的历史交通流序列O＝{x¹,x²,...,x^m}并进行平滑操作，得到平滑后的交通流序列F＝{X¹,X²,...,X^t-1}；其中，Xⁿ代表对原始的历史交通流序列O进行平滑后得到的当前路段在n时刻的交通流量，n＝1,2,...,t-1；

采用LSTM-CNN模型从交通流序列F中捕获当前路段的交通流的深度时空特征；

通过以类PageRank算法进行数学化描述的扩散过程从交通流序列F中得到当前路段的道路重要性特征，再将道路重要性特征以及当前路段的道路辅助信息共同组成一个一维向量，作为当前路段的交通流的广度特征；

将所述深度时空特征和所述广度特征进行融合，得到当前路段在t时刻的交通流量预测值X^t。

2.如权利要求1所述的短时交通流预测方法，其特征在于，所述平滑操作包括按均值平滑、按边界值平滑和按中值平滑；平滑操作时的采样间隔为5～30分钟。

3.如权利要求1所述的短时交通流预测方法，其特征在于，所述深度时空特征为包含两个元素的一维向量[a1,a2]，该一维向量的两个元素a1、a2分别由LSTM-CNN模型的两条LSTM链输出；

其中一条LSTM链从交通流序列F中提取到交通流的时间周期性特征作为输出a1；另一条LSTM链以交通流序列F和交通流的空间相关性特征作为输入，提取到包含交通流的时间平滑性特征和空间相关性特征的融合特征作为输出a2。

4.如权利要求3所述的短时交通流预测方法，其特征在于，所述时间周期性特征用于表征当前路段当前时刻t的交通流与之前t_d天相同时刻交通流的相关性，表现形式为：

其中，l_p表示周期间隔。

5.如权利要求3所述的短时交通流预测方法，其特征在于，所述时间平滑性特征用于表征当前路段当前时刻t的交通流与之前t_h个时刻交通流的相关性，表现形式为：

6.如权利要求3所述的短时交通流预测方法，其特征在于，所述空间相关性特征是通过CNN网络从当前路段的交通流序列F以及当前路段的相邻路段的交通流序列中提取得到，用于表征当前路段与相邻路段之间交通流的相关性。

7.如权利要求1所述的短时交通流预测方法，其特征在于，以类PageRank算法进行数学化描述的扩散过程包括：

(1)利用公式计算当前路段i在t时刻的拥挤系数con_i,t，其中，和分别表示当前路段i的历史最大交通流量和历史最小交通流量，表示当前路段i在t时刻的交通流量；路段的拥挤程度与拥挤系数成反比；

(2)对当前路段i所在的路网，构建以路段为节点，以路段间的交通流转移关系为边的带权有向图G＝(E,V)，E表示节点的集合，V表示边的集合；其中，节点i指向节点j的边在t时刻的权重系数为：

(3)由权重系数w_i→j,t计算t时刻交通流从节点i转移至节点j的转移概率p_i→j,t：

其中，i→k表示由节点i指向相邻节点k的边；

(4)运用类PageRank算法计算当前路段i在t时刻的扩散分数值PR(i,t)：

其中，扩散分数值PR(i,t)即为当前路段i的道路重要性特征，d为当前路段的阻尼系数，(1-d)表示车辆由当前路段产生的概率。

8.如权利要求1所述的短时交通流预测方法，其特征在于，所述道路辅助信息包括天气信息和道路突发事件信息。

9.如权利要求1所述的短时交通流预测方法，其特征在于，采用全连接层对深度特征和广度特征进行融合。