CN110164129A - 基于gernn的单交叉口多车道交通流量预测方法 - Google Patents

Abstract

一种基于GERNN的单交叉口多车道交通流量预测方法，首先是对道路交通网络的构建；其次基于道路交通网络构建节点映射矩阵；然后基于节点映射矩阵构建GERNN模型的道路交通输入矩阵；接着基于GERNN模型的道路交通输入矩阵构建单交叉口多车道交通流预测模型；最后验证单交叉口多车道交通流预测模型。本发明解决了现有交通流数据高维、稀疏的时空特征的缺点，将网络中的节点投影到一个低维、稠密的空间中进行运算，从而有效提高了交通流预测的精度。

Description

基于GERNN的单交叉口多车道交通流量预测方法

技术领域

本发明属于交通预测领域，涉及一种基于GERNN(Graph Embedding RecurrentNeural Network，图嵌入循环神经网络)的单交叉口多车道交通流量预测方法。

背景技术

随着社会经济水平的不断提高和生活节奏的不断加快，人们对车辆的需求量也在不断增加，随之而来的是严重的交通堵塞问题。如何有效缓解交通堵塞、更加高效分配交通资源成为了当务之急。智能交通系统的出现则在一定程度上有效解决了这些问题，而作为智能交通系统一部分的道路交通流预测在这过程中发挥着不可替代的作用。

现有的道路交通流预测方法主要有：马尔科夫预测、卡尔曼滤波法、支持向量机、卷积神经网络等等，这些方法有的基于概率统计进行预测、有的基于时间特征进行预测、有的基于浅层神经网络提取特征进行预测等等，虽然这些方法均取得较好的预测结果，但是高维稀疏的向量会花费更多的运行时间和计算空间。

发明内容

为了克服已有道路交通预测方法的运行时间较长、计算的复杂度较高的不足，本发明提供了一种运行时间较短、计算复杂度较低的基于GERNN的单交叉口多车道交通流量预测方法。该方法利用深度游走(DeepWalk)算法和长短期记忆(LSTM)神经网络分别学习网络中的节点的向量表示和时间序列的预测。

本发明解决其技术问题所采用的技术方案是：

一种基于GERNN的单交叉口多车道交通流量预测方法，包括以下步骤：

步骤1、构建道路交通网络：用节点表示道路交通中的路段，两个节点之间的有向连边代表车道，用权重表示车道上的交通状态，构建一个有向有权重的交通网络；

步骤2、基于道路交通网络构建节点映射矩阵：对道路交通网络的邻接矩阵使用DeepWalk方法构建节点映射矩阵；

步骤3、基于节点映射矩阵构建GERNN模型的道路交通输入矩阵：基于节点映射矩阵，构建边特征向量，提取对应的单交叉口多车道流量，构建GERNN模型的输入矩阵；

步骤4、基于GERNN模型的道路交通输入矩阵构建单交叉口多车道交通流预测模型：将单交叉口多车道流量数据分为训练数据和测试数据，对训练数据进行训练，得到预测模型。

本发明的有益效果主要表现在：通过GERNN对道路交通网络的学习训练，形成了单交叉口多车道流量预测模型。本发明将路段看作网络节点，利用DeepWalk将网络表示成低维、实质、稠密的向量形式，使得得到的向量形式可以在向量空间中具有表示以及推理的能力，同时可以方便的作为LSTM神经网络模型的输入，进而减少了道路交通预测的复杂性，提高了预测的精度。

附图说明

图1是基于随机游走的道路交通复杂网络表征学习示意图；

图2是166路口6号车道的交通流预测结果与实际值对比图；

图3是166路口8号车道的交通流预测结果与实际值对比图；

图4是166路口12号车道的交通流预测结果与实际值对比图；

图5是166路口13号车道的交通流预测结果与实际值对比图；

图6是166路口14号车道的交通流预测结果与实际值对比图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图6，一种基于GERNN的单交叉口多车道交通流量预测方法，包括以下步骤：

步骤1、构建道路交通网络

以交叉口之间的路段为节点，以交叉口中的车道作为连边，即基于线圈检测器的城市道路网络模型描述为：

G＝(V,E,H)

其中，V＝{v₁,v₂,…,v_m}是指交叉口之间的路段集合，m是路段的数量，E＝{e_ij|i,j∈N}是交叉口中车道的集合，其中e_ij≠e_ji，H:E->S是车道上的交通状态数据的映射函数；

步骤2、基于道路交通网络构建节点映射矩阵

基于道路交通复杂网络G的有效构建，获得其邻接矩阵A：

其中:

以DeepWalk算法为例，对道路交通复杂网络的有效表征学习过程进行说明，该过程如图1所示。

以道路交通复杂网络中每个节点作为起点，进行随机游走，然后合并各次随机游走的结果，获得一个随机游走序列集合S：

W_i＝[W_i ¹,…,W_i ^d]

S＝[W₁,…,W_m]

其中，W_i为在由节点v_i作为起点的随机游走序列，W_i ^k表示序列W_i中第k个点，W_i ¹为v_i，W_i ^k+1是从W_i ^k的邻居集合中按等概率随机选取的邻居节点，d为随机游走的步数；

将节点W_i ^k的左右宽度为l的区间内一组序列表示为(W_i ^k-l,…,W_i ^k-1,W_i ^k+1,…,W_i ^{k +l})，Skip-gram模型要求以节点W_i ^k为中心所产生的这两侧序列的概率最大化，即通过当前节点来推测周围节点，其优化目标函数表示为：

min log P({W_i ^k-l,…,W_i ^k-1,W_i ^k+1,…,W_i ^k+l}|f(W_i ^k))

其中，f(W_i ^k)是将节点W_i ^k映射到向量空间中的图嵌入表征矩阵。

P({W_i ^k-l,…,W_i ^k-1,W_i ^k+1,…,W_i ^k+l}|f(W_i ^k))独立于W_i ^k，可以展开成：

故最后在随机游走序列集合上需要优化的目标函数为：

最终可获得更新后的随机游走序列的序列集合，即道路交通复杂网络的有效表征学习矩阵；

步骤3、基于节点映射矩阵构建GERNN的道路交通输入矩阵

对于得到的每一个节点的特征表示，使用拼接得到一条边的特征表示，例如对于两个节点W₁ ¹和W₂ ¹，假设其对应的特征表示如下：

W₁ ¹＝(W₁ ¹,W₁ ²,…,W₁ ^d),W₂ ¹＝(W₂ ¹,W₂ ²,…,W₂ ^d)

那么对于一条边(W₁ ¹,W₂ ¹)的特征向量则表示为：

(W₁ ¹,W₂ ¹)＝(W₁ ¹,W₁ ²,…,W₁ ^d,W₂ ¹,W₂ ²,…,W₂ ^d)

其中，(W_i ^k,W_i ^k+1)∈E。

假设每隔一个时刻就记录车道i上一次车流量，一天共记录T个时刻的车流量，则该车道一天的时间序列上的交通流量可用向量表示为x_i＝[x₁ ⁱ,x₂ ⁱ,…,x_T ⁱ]。

根据边(W₁ ¹,W₂ ¹)的特征向量来提取对应的2(d-1)条车道在时间序列上的流量，构成矩阵[x₁,x₂,…,x_2d-2]。

将车道前t个时刻的流量数据构成输入矩阵X：

对于单车道交通流状态输入矩阵X，我们定义单交叉口多车道交通流状态输入矩阵P＝[X₁,X₂,…,X_N]。

步骤4、基于GERNN模型的道路交通输入矩阵构建单交叉口多车道交通流预测模型

LSTM神经网络主要用于时序数据的处理，它能够有选择性的保留历史信息并用于下一时刻的计算。LSTM神经网络主要有多个记忆单元组成，而记忆单元主要由输入门、遗忘门、输出门、状态单元四部分构成。每个记忆单元的计算如下所示：

f_t＝σ(θ₁·[x_t-1 ^k,h_t ^k]+b₁)

i_t＝σ(θ₂·[x_t-1 ^k,h_t ^k]+b₂)

c`_t＝tanh(θ₃·[x_t-1 ^k,h_t ^k]+b₃)

c_t＝f_t⊙c_t-1+i_t⊙c`_t

o_t＝σ(θ₄·[x_t-1 ^k,h_t ^k]+b₄)

h_t ^k＝o_t⊙tanh(c_t)

其中，·表示叉乘，⊙表示点乘，θ₁、θ₂、θ₃、θ₄表示遗忘门、输入门、状态单元、输出门的权重矩阵，B₁、B₂、B₃、B₄是遗忘门、输入门、状态单元以及输出门的偏置矩阵，f_t、i_t、c_t、h_t ^k表示当前时刻遗忘门、输入门、状态单元以及记忆单元的输出，c`_t表示候选状态，o_t是当前时刻的最终输出值。σ(t)、tanh(t)分别表示sigmoid函数和双曲正切函数。LSTM的输出矩阵O_i如下所示。

O_i＝[o₁,o₂,…,o_t]

其中，O_i表示第i条车道的预测值。

故单交叉口多车道预测模型的最终输出为：O＝[O₁,O₂,…,O_N]，N为该交叉口车道的数量。

本发明将数据分为训练集和测试集，对训练集使用LSTM神经网络进行训练，将高维数据作为输入，得到多车道的流量输出。整个计算过程可由Keras中的LSTM层进行实现，需要输出单元数量及隐藏数目。将LSTM神经网络输出的多车道数据作为全连接层，预测基于历史多车道流量数据输入下的下一时刻状态，全连接表达式如下所示。

Y_pre＝θ₅·O

其中，θ₅为全连接层权重矩阵，O为LSTM神经网络输出结果，全连接层可由Keras中Dense层进行实现，需要设置输出单元数目。

定义模型预测的交通状态为Y_pre,实际交通状态为Y_ture，则模型损失函数F为如下形式：

其中，m表示模型输入的样本数量。

将模型预测的交通流状态与实际的交通流状态进行比较，计算模型的损失函数F，然后利用反向传播算法实现对模型参数的不断优化。最后，将测试集数据作为模型输入，实现实时多车道交通状态的预测。在本发明中，反向传播算法中的梯度计算与参数更新均通过Adam优化器进行实现。

本实施例选取均方误差(MAE)、均方根误差(RMSE)作为道路交通状态预测精度的指标，其计算公式分别如下所示：

其中，f_i为实际观测交通状态，为模型输出的预测交通状态。

实际实验中的数据处理过程如下：

(1)选取实验数据

本实验选用的是杭州市第166号交叉口，对该路口的5个车道进行实验，分别为6、8、12、13、14号车道，随机游走的序列长度d设置为5，数据集包含该交叉口车道30天的车流量数据，采样间隔为15min。

将166号交叉口的5条车道的30天的车流量数据划分为训练数据和测试数据。将5条车道前20天的车道流量数据作为训练数据集，进行对GERNN模型训练。将5条车道后10天的车道流量数据作为实验数据集作为模型的输入，实现对单交叉口多车道流量的预测，验证单交叉口多车道交通流模型。

(2)参数确定

本发明的实验结果均基于tensorflow环境下实现的，使用keras完成整个实验模型框架的搭建，LSTM神经网络通过LSTM层实现，全连接层通过Dense函数实现。故整个实验参数设定如下：输入矩阵大小为5×8、LSTM层输出单元为64，时间步长设置为3，全连接层输出单元数量为5。

(3)实验结果

所有实验车道流量预测结果统计分析与传统LSTM比较如下所示：

表1为166路口6号车道流量预测结果分析统计；

模型	RMSE	MAE
			GERNN	8.089	5.903
LSTM	11.708	8.930

表1

表2为166路口8号车道流量预测结果分析统计

模型	RMSE	MAE
			GERNN	8.062	5.891
LSTM	12.052	8.737

表2

表3为166路口12号车道流量预测结果分析统计

模型	RMSE	MAE
			GERNN	6.513	5.017
LSTM	7.872	6.109

表3

表4为166路口13号车道流量预测结果分析统计

模型	RMSE	MAE
			GERNN	8.111	5.895
LSTM	11.750	8.831

表4

表5为166路口14号车道流量预测结果分析统计

表5。

Claims (5)

1.一种基于GERNN的单交叉口多车道交通流量预测方法，其特征在于，包括以下步骤：

步骤1、构建道路交通网络：用节点表示道路交通中的路段，两个节点之间的有向连边代表车道，用权重表示车道上的交通状态，构建一个有向有权重的交通网络；

步骤2、基于道路交通网络构建节点映射矩阵：对道路交通网络的邻接矩阵使用DeepWalk方法构建节点映射矩阵；

步骤3、基于节点映射矩阵构建GERNN模型的道路交通输入矩阵：基于节点映射矩阵，构建边特征向量，提取对应的单交叉口多车道流量，构建GERNN模型的输入矩阵；

步骤4、基于GERNN模型的道路交通输入矩阵构建单交叉口多车道交通流预测模型：将单交叉口多车道流量数据分为训练数据和测试数据，对训练数据进行训练，得到预测模型。

2.如权利要求1所述的基于GERNN的单交叉口多车道交通流量预测方法，其特征在于，所述步骤1中，以交叉口之间的路段为节点，以交叉口中的车道作为连边，即基于线圈检测器的城市道路网络模型描述为：

G＝(V,E,H)

其中，V＝{v₁,v₂,…,v_m}是指交叉口之间的路段集合，m是路段的数量，E＝{e_ij|i,j∈N}是交叉口中车道的集合，其中e_ij≠e_ji，H:E->S是车道上的交通状态数据的映射函数。

3.如权利要求2所述的基于GERNN的单交叉口多车道交通流量预测方法，其特征在于，所述步骤2中，基于道路交通复杂网络G的有效构建，获得其邻接矩阵A：

其中:

以道路交通复杂网络中每个节点作为起点，进行随机游走，然后合并各次随机游走的结果，获得一个随机游走序列集合：

W_i＝[W_i ¹,…,W_i ^d]

S＝[W₁,…,W_m]

其中，W_i为在由节点v_i作为起点的随机游走序列，W_i ^k表示序列W_i中第k个点，W_i ¹为v_i，W_i ^{k +1}是从W_i ^k的邻居集合中按等概率随机选取的邻居节点，d为随机游走的步数；

将节点W_i ^k的左右宽度为l的区间内一组序列表示为(W_i ^k-l,…,W_i ^k-1,W_i ^k+1,…,W_i ^k+l)，Skip-gram模型要求以节点W_i ^k为中心所产生的这两侧序列的概率最大化，即通过当前节点来推测周围节点，其优化目标函数表示为：

min log P({W_i ^k-l,…,W_i ^k-1,W_i ^k+1,…,W_i ^k+l}|f(W_i ^k))

其中，f(W_i ^k)是将节点W_i ^k映射到向量空间中的图嵌入表征矩阵。

P({W_i ^k-l,…,W_i ^k-1,W_i ^k+1,…,W_i ^k+l}|f(W_i ^k))独立于W_i ^k，可以展开成：

故最后在随机游走序列集合上需要优化的目标函数为：

最终获得更新后的随机游走序列的序列集合，即道路交通复杂网络的有效表征学习矩阵。

4.如权利要求3所述的基于GERNN的单交叉口多车道交通流量预测方法，其特征在于，所述步骤3中，对于得到的每一个节点的特征表示，使用拼接得到一条边的特征表示，对于两个节点W₁ ¹和W₂ ¹，假设其对应的特征表示如下：

W₁ ¹＝(W₁ ¹,W₁ ²,…,W₁ ^d),W₂ ¹＝(W₂ ¹,W₂ ²,…,W₂ ^d)

那么对于一条边(W₁ ¹,W₂ ¹)的特征向量则表示为：

(W₁ ¹,W₂ ¹)＝(W₁ ¹,W₁ ²,…,W₁ ^d,W₂ ¹,W₂ ²,…,W₂ ^d)

其中，(W_i ^k,W_i ^k+1)∈E。

假设每隔一个时刻就记录车道i上一次车流量，一天共记录T个时刻的车流量，则该车道一天的时间序列上的交通流量可用向量表示为x_i＝[x₁ ⁱ,x₂ ⁱ,…,x_T ⁱ]；

根据边(W₁ ¹,W₂ ¹)的特征向量来提取对应的2(d-1)条车道在时间序列上的流量，构成矩阵[x₁,x₂,…,x_2d-2]；

将车道前t个时刻的流量数据构成输入矩阵X：

对于单车道交通流状态输入矩阵X，定义单交叉口多车道交通流状态输入矩阵P＝[X₁,X₂,…,X_N]。

5.如权利要求4所述的基于GERNN的单交叉口多车道交通流量预测方法，其特征在于，所述步骤4中，LSTM神经网络有多个记忆单元组成，而记忆单元由输入门、遗忘门、输出门、状态单元四部分构成，每个记忆单元的计算如下所示：

f_t＝σ(θ₁·[x_t-1 ^k,h_t ^k]+b₁)

i_t＝σ(θ₂·[x_t-1 ^k,h_t ^k]+b₂)

c`_t＝tanh(θ₃·[x_t-1 ^k,h_t ^k]+b₃)

c_t＝f_t⊙c_t-1+i_t⊙c`_t

o_t＝σ(θ₄·[x_t-1 ^k,h_t ^k]+b₄)

h_t ^k＝o_t⊙tanh(c_t)

其中，·表示叉乘，⊙表示点乘，θ₁、θ₂、θ₃、θ₄表示遗忘门、输入门、状态单元、输出门的权重矩阵，B₁、B₂、B₃、B₄是遗忘门、输入门、状态单元以及输出门的偏置矩阵，f_t、i_t、c_t、h_t ^k表示当前时刻遗忘门、输入门、状态单元以及记忆单元的输出，c`_t表示候选状态，o_t是当前时刻的最终输出值，σ(t)、tanh(t)分别表示sigmoid函数和双曲正切函数；LSTM的输出矩阵O_i如下所示。

O_i＝[o₁,o₂,…,o_t]

其中，O_i表示第i条车道的预测值；

故单交叉口多车道预测模型的最终输出为：O＝[O₁,O₂,…,O_N]；

将数据分为训练集和测试集，对训练集使用LSTM神经网络进行训练，将高维数据作为输入，得到多车道的流量输出；整个计算过程可由Keras中的LSTM层进行实现，需要输出单元数量及隐藏数目。将LSTM神经网络输出的多车道数据作为全连接层，预测基于历史多车道流量数据输入下的下一时刻状态，全连接表达式如下所示。

Y_pre＝θ₅·O

其中，θ₅为全连接层权重矩阵，O为LSTM神经网络输出结果，全连接层可由Keras中Dense层进行实现，需要设置输出单元数目；

定义模型预测的交通状态为Y_pre,实际交通状态为Y_ture，则模型损失函数F为如下形式：

其中，m表示模型输入的样本数量；

将模型预测的交通流状态与实际的交通流状态进行比较，计算模型的损失函数F，然后利用反向传播算法实现对模型参数的不断优化。反向传播算法中的梯度计算与参数更新均通过Adam优化器进行实现；

选取均方误差MAE、均方根误差RMSE作为道路交通状态预测精度的指标，其计算公式分别如下所示：

其中，f_i为实际观测交通状态，为模型输出的预测交通状态。