CN110263860A - 一种高速公路交通流预测方法及装置 - Google Patents
一种高速公路交通流预测方法及装置 Download PDFInfo
- Publication number
- CN110263860A CN110263860A CN201910542734.5A CN201910542734A CN110263860A CN 110263860 A CN110263860 A CN 110263860A CN 201910542734 A CN201910542734 A CN 201910542734A CN 110263860 A CN110263860 A CN 110263860A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- flow data
- target
- prediction
- cluster centre
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000011946 reduction process Methods 0.000 claims description 18
- 241001269238 Data Species 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013277 forecasting method Methods 0.000 claims 1
- 238000012549 training Methods 0.000 description 8
- 238000001595 flow curve Methods 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000004218 nerve net Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种高速公路交通流预测方法、装置、设备及可读存储介质，针对高速公路交通流预测问题，预先采用最大偏差相似性准则算法对原始交通流数据进行聚类分析，得到聚类中心集合；此外将历史交通流数据的目标特征向量输入前级LSTM神经网络，得到预测结果；进而根据预测结果和聚类中心集合确定目标聚类中心；最终将历史交通流数据中归属于目标聚类中心的数据输入后级LSTM神经网络，得到最终的预测结果。可见，该方案实现了基于最大偏差相似性准则算法对LSTM神经网络进行优化的目的，具有较快的收敛速度，提升了高速公路交通流预测过程中的实时性和准确性。
Description
技术领域
本申请涉及交通数据预测领域，特别涉及一种高速公路交通流预测方法、装置、设备及可读存储介质。
背景技术
随着我国高速公路建设的完善，人们越来越倾向于选择高速公路交通作为自己出行的方式。然而高速公路交通流的增加，也导致了高速公路交通事故的发生率也急剧上升，高速公路交通事故的发生在一定程度上具有可预测性和可避免性。然而，现有的高速公路交通流预测方案的耗时较长，且预测精度难以满足当前需求。
发明内容
本申请的目的是提供一种高速公路交通流预测方法、装置、设备及可读存储介质，用以解决现有的高速公路交通流预测方案的耗时较长，且预测精度难以满足当前需求的问题。具体方案如下：
第一方面，本申请提供了一种高速公路交通流预测方法，包括：
获取历史交通流数据；
筛选所述历史交通流数据中与目标聚类中心之间的距离在预设范围之内的目标交通流数据；其中，所述目标聚类中心为聚类中心集合中与预测结果距离最近的聚类中心，所述聚类中心集合为利用最大偏差相似性准则算法对所述历史交通流数据进行聚类分析得到的，所述预测结果为根据所述历史交通流数据的目标特征向量，利用预先经过训练的前级LSTM神经网络得到的；
将所述目标交通流数据输入预先经过训练的后级LSTM神经网络，得到目标预测结果。
可选的，在所述筛选所述历史交通流数据中与目标聚类中心之间的距离在预设范围之内的目标交通流数据之前，还包括：
利用指数平滑法对原始的历史交通流数据进行降噪处理；
对降噪处理后的历史交通流数据进行归一化处理。
可选的，在所述筛选所述历史交通流数据中与目标聚类中心之间的距离在预设范围之内的目标交通流数据之前，还包括：
确定所述历史交通流数据中前N天的交通流数据的目标特征向量，其中，N为预设阈值；
将所述前N天的交通流数据的目标特征向量输入预先经过训练的前级LSTM神经网络，预测得到当天的交通流数据的目标特征向量。
可选的，所述目标特征向量包括以下任意一项或多项属性特征：平均车流量、最大车流量、最小车流量、总车流量。
可选的，在所述将所述目标交通流数据输入预先经过训练的后级 LSTM神经网络，得到目标预测结果之后，还包括：
根据所述目标预测结果，生成相应的提示信息。
第二方面，本申请提供了一种高速公路交通流预测装置，包括：
数据获取模块：用于获取历史交通流数据；
数据筛选模块：用于筛选所述历史交通流数据中与目标聚类中心之间的距离在预设范围之内的目标交通流数据；其中，所述目标聚类中心为聚类中心集合中与预测结果距离最近的聚类中心，所述聚类中心集合为利用最大偏差相似性准则算法对所述历史交通流数据进行聚类分析得到的，所述预测结果为根据所述历史交通流数据的目标特征向量，利用预先经过训练的前级LSTM神经网络得到的；
预测模块：用于将所述目标交通流数据输入预先经过训练的后级 LSTM神经网络，得到目标预测结果。
可选的，还包括：
降噪处理模块：用于利用指数平滑法对原始的历史交通流数据进行降噪处理；
归一化模块：用于对降噪处理后的历史交通流数据进行归一化处理。
可选的，还包括：
提示信息生成模块：用于根据所述目标预测结果，生成相应的提示信息。
第三方面，本申请提供了一种高速公路交通流预测设备，包括：
存储器：用于存储计算机程序；
处理器：用于执行所述计算机程序，以实现如上所述的一种高速公路交通流预测方法的步骤。
第四方面，本申请提供了一种可读存储介质，所述可读存储介质用于存储计算机程序，所述计算机程序被处理器执行时用于实现如上所述的一种高速公路交通流预测方法的步骤。
综上，本申请所提供的一种高速公路交通流预测方法、装置、设备及可读存储介质，能够获取历史交通流数据；筛选历史交通流数据中与目标聚类中心之间的距离在预设范围之内的目标交通流数据；其中，目标聚类中心为聚类中心集合中与预测结果距离最近的聚类中心，聚类中心集合为利用最大偏差相似性准则算法对历史交通流数据进行聚类分析得到的，预测结果为根据历史交通流数据的目标特征向量，利用预先经过训练的前级LSTM神经网络得到的；最终将目标交通流数据输入预先经过训练的后级LSTM神经网络，得到目标预测结果。
可见，该方案针对高速公路交通流预测问题，预先采用最大偏差相似性准则算法对原始交通流数据进行聚类分析，得到聚类中心集合；此外将历史交通流数据的目标特征向量输入前级LSTM神经网络，得到预测结果；进而根据预测结果和聚类中心集合确定目标聚类中心；最终在预测时将历史交通流数据中归属于目标聚类中心的数据输入后级LSTM神经网络，得到最终的预测结果。该方案实现了基于最大偏差相似性准则算法对LSTM神经网络进行优化的目的，具有较快的收敛速度，提升了高速公路交通流预测过程中的实时性和准确性。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请所提供的一种高速公路交通流预测方法实施例一的实现流程图；
图2为本申请所提供的一种高速公路交通流预测方法实施例二的实现流程图；
图3为本申请所提供的一种高速公路交通流预测装置实施例的功能框图；
图4为本申请所提供的一种高速公路交通流预测设备实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
目前，高速公路交通流预测的方案耗时较长，且预测精度无法满足当前需求。针对该问题，本申请提供一种高速公路交通流预测方法、装置、设备及可读存储介质，实现了基于最大偏差相似性准则算法对 LSTM神经网络进行优化的目的，显著提升了高速公路交通流预测过程中的实时性和准确性。
下面对本申请提供的一种高速公路交通流预测方法实施例一进行介绍，参见图1，实施例一包括：
步骤S101：获取历史交通流数据；
步骤S102：筛选历史交通流数据中与目标聚类中心之间的距离在预设范围之内的目标交通流数据；
其中，目标聚类中心为聚类中心集合中与预测结果距离最近的聚类中心，聚类中心集合为利用最大偏差相似性准则算法对所述历史交通流数据进行聚类分析得到的，预测结果为根据历史交通流数据的目标特征向量，利用预先经过训练的前级LSTM神经网络得到的；
步骤S103：将目标交通流数据输入预先经过训练的后级LSTM神经网络，得到目标预测结果。
具体的，上述历史交通流数据具体为高速公路的交通流数据。作为一种具体的实施方式，可以从某高速公路控制中心数据库采集交通流数据，选取某个时间段内的数据并按照一定频率进行采样，得到历史交通流数据。值得一提的是，为保证预测的精准性，在采集到原始的历史交通流数据之后，可以对其进行预处理操作，例如数据清洗、降噪处理、归一化处理等操作。值得一提的是，本实施例的上述步骤 S101中获取的历史交通流数据可以为预先经过预处理的数据，也可以为未经过预处理的数据，可以理解的是，只要保证在输入神经网络之前执行预处理操作即可。
如上述所述，本实施例预先利用最大偏差相似性准则算法对历史交通流数据进行了聚类分析，得到了聚类中心集合；此外，本实施例还根据历史交通流数据的目标特征向量，利用预先经过训练的前级 LSTM神经网络，得到了预测结果；最终，本实施例根据预测结果和聚类中心集合确定了聚类中心集合中的目标聚类中心。
也就是说，本实施例预先利用最大偏差相似性准则算法将历史交通流数据划分为了几个聚类簇，为了从这些聚类簇中筛选出最具有代表意义的一类，本实施例构建并训练了前级LSTM神经网络，前级 LSTM神经网络用于根据历史交通流数据的目标特征向量预测得到未来一段时间的交通流数据的目标特征向量，作为一种具体的实施方式，本实施例将聚类中心与前级LSTM神经网络的预测结果之间的距离最近的聚类簇作为前述最具有代表意义的聚类簇。在预测过程中，首先筛选出历史交通流数据中归属于该聚类簇的交通流数据，也就是与目标聚类中心之间的距离在预设范围之间的目标交通流数据，并将其作为后级LSTM神经网络的输入，最终后级LSTM神经网络输出目标预测结果。
具体的，上述前级LSTM神经网络具体用于根据历史交通流数据中前N天的交通流数据的目标特征向量，预测得到当天的交通流数据的目标特征向量，其中，N为预设阈值，目标特征向量具体可以包括以下任意一项或多项属性特征：平均车流量、最大车流量、最小车流量、总车流量。
作为一种具体的实施方式，在得到目标预测结果之后，可以根据目标预测结果生成相应的提示信息，例如，预测当天各个时段的交通流情况、发生交通事故的概率等提示信息。
综上，考虑到交通流数据具有时间序列性，最大偏差相似准则算法相比传统聚类算法的效果更好，稳定性好，并且能够减少算法的训练时间；此外，还考虑到长短时记忆算法对时间依赖较长信息具有很强的记忆能力，能够很好的用于交通流时间序列上。本实施例提供一种高速公路交通流预测方法，针对高速公路交通流预测问题，预先采用最大偏差相似性准则算法对原始交通流数据进行聚类分析，得到聚类中心集合；同时将历史交通流数据的目标特征向量输入前级LSTM 神经网络，得到预测结果；进而根据预测结果和聚类中心集合确定目标聚类中心；最终在预测时将历史交通流数据中归属于目标聚类中心的数据输入后级LSTM神经网络，得到最终的预测结果。该方案实现了基于最大偏差相似性准则算法对LSTM神经网络进行优化的目的，具有较快的收敛速度，提升了高速公路交通流预测过程中的实时性和准确性。
下面开始详细介绍本申请提供的一种高速公路交通流预测方法实施例二，实施例二基于上述实施例一实现，并在实施例一的基础上进行了一定程度上的拓展。
具体的，本实施例预先构建了基于长短时记忆神经网络高速公路交通流预测模型，长短时记忆神经网络通过式(1)～式(5)对当前时刻的输入和上一时刻的输出数据的处理：
it＝σ(Wxi·xt+Whi·ht-l+Wci·cellt-l+bi) (1)
ft＝σ(Wxf·xt+Whf·ht-l+Wcf·cellt-l+bf) (2)
ot＝σ(Wxo·xt+Who·ht-l+Wco·cellt-l+bo) (3)
cellt＝ft·ct-l+it·tanh(Wxc·xt+Whc·ht-l+bc) (4)
yt＝ot·tanh(ct) (5)
式(1)中，Wxi为输入-输出门的权值，xt为当前时间的输入，Whi为输入-隐藏层的权值，ht-l为t-l时隐藏层输出值，Wci为Cell记忆模块与输入门的权值，cellt-l为t-l时Cell记忆模块输出值，bi为输入门的阈值；
式(2)中，f为遗忘门，Wxf为输入-遗忘门之间的权值，Whf为隐藏层-遗忘门的权值，Wcf为记忆模块-遗忘门的权值，bf为遗忘门的阈值；
式(3)中，o为输出门，Wxo为输入-输出门的权值，Who为隐藏层-输出门的权值，Wco为记忆模块-输出门的权值，bo为输出门的阈值；
式(4)中，tanh为激活函数，Wxc为输入-Cell记忆模块的权值， Whc为隐藏层-Cell记忆模块的权值，bc为Cell记忆模块的阈值；
式(5)中，yt为长短时记忆神经网络的输出；
此外，i为输入门，σ为sigmoid激活函数，用来控制信号能否进入输入门，sigmoid激活函数如式(6)所示：
作为一种具体的实施方式，本实施例设置3个隐藏层，第1层为 40个节点，第2层和第3层均为12个节点，学习率设置为η＝0.02。此外，本实施例还确定了长短时记忆神经网络的损失函数，作为一种具体的实施方式，损失函数如式(7)所示：
其中ζ为常数，其值在0～1之间(本发明专利ζ＝0.35)，yi为真实值，yi’为预测值。
下面对实施例二的一种高速公路交通流预测方法进行介绍，参见图2，实施例二具体包括：
S201：获取历史交通流数据；
作为一种具体的实施方式，从某高速公路控制中心数据库中获取交通流数据，并选取2016年1月到2016年6月共181天的数据作为实验数据，每隔15分钟统计一次车流量信息，单日样本长度具体可以为96，共获取记录17376条。将前150天交通流数据作为训练样本，而最后31天交通流数据作为测试样本，即用前150天的数据训练神经网络参数，构建神经网络预测模型再对后31天的交通车流量实行单点单步预测。
S202：对历史交通流数据进行预处理；
作为一种具体的实施方式，本实施例利用指数平滑法对历史交通流数据进行降噪，再按照式(8)对其进行最小-最大规范化处理，式(8) 如下所示：
其中，xik是第i天历史交通流数据的第k个时间点的高速公路交通流量值，xmax和xmin分别是历史交通流数据的最大值和最小值。将xik的值隐射到[xnewmin,xnewmax]的区域中，其中，xnewmax与xnewmin分别为处理后数据的最大值和最小值。作为一种具体的实施方式，本实施例中设置 xnewmax＝0.75，xnewmin＝0.12。
S203：利用改进的最大偏差相似性准则聚类算法对历史交通流数据进行聚类分析，确定聚类中心集合；
S204：将前N天的交通流数据的目标特征向量输入预先经过训练的前级LSTM神经网络，得到预测结果；
其中预测结果为第N+1天的交通流的目标特征向量。本实施例预先利用交通流数据的目标特征向量对前级LSTM神经网络进行了训练，作为一种具体的实施方式，本实施例选取{平均车流量、最大车流量、最小车流量、总车流量}作为目标特征向量。
S205：计算预测结果与聚类中心集合中各个聚类中心之间距离，以确定预测结果的类别Z；
具体的，本实施例将聚类分析将历史交通流数据划分为多个聚类簇，每个聚类簇作为一个类别，在得到预测结果之后，确定与预测结果之间的距离最小的聚类中心，将该聚类中心对应的聚类簇的类别作为预测结果的类别。
S206：利用历史交通流数据中的第Z类交通流数据对后级LSTM 神经网络进行训练，直至训练总误差小于预设阈值或迭代次数达到设定的最大迭代次数；
作为一种具体的实施方式，本实施例中最大训练次数tmax＝800，预设阈值ε＝10-5。
S207：利用后级LSTM神经网络预测交通流数据。
具体的，本实施例的步骤S205中聚类分析具体包括以下步骤：
第一步，绘制最大偏差相似性准则聚类算法的输入交通流曲线，设第i个交通流是xi＝(xi1,xi2,...,xik,...,xip)，i＝1,2...,n1,k＝1,2,...,p；
第二步，计算两交通流曲线xi与xj在第k个时间点的绝对差值sijk，如式(9)所示：
sijk＝|xik-xjk| (9)
其中，xjk交通流量曲线xj在第k个时间点的交通流量值；
第三步，计算xi与xj相似点个数nij和最大连续偏离点个数mij，mij的表达式如式(10)所示：
其中，mij是最大连续偏离点个数，是交通流xi与xj在第k0个时间点的绝对差值，是交通流xi与xj在第k0+s-1个时间点的绝对差值，γ是最大偏差，δ是最大偏离点允许偏差；
第四步，判断两交通流曲线是否相似，按照式(11)进行判断：
其中，nij是交通流曲线xi与xj相似点个数，n0＝[α×m]，m0＝[β×m]，α为相似度因子，β为连续偏离度因子，且满足，0≤α≤1，0≤β≤1-α；ρ是一个系数，其值在0～1之间，若式(11)成立，则xi与xj相似，若式 (11)不成立，则xi与xj不相似；
第五步，按式(12)计算两相似曲线的总距离d(xi,xj)：
式(12)如下所示：
第六步，计算xi的相似曲线集合s(xi)，得到聚类结果Ci。重复 S5-2～S5-4，将所有满足最大偏差相似性准则的xj分到s(xi)中，即令 s(xi)＝s(xi)∪{xj}，并将xj从原始交通流数据集合U中除去；
第七步，计算Ci的类中心Xi，计算公式如式(13)所示：
可见，本实施例提供的一种高速公路交通流预测方法，提出了基于最大偏差相似性准则算法优化长短时记忆网络的高速公路高速公路交通流预测方法。针对复杂多变的高速公路交通流，利用最大偏差相似性准则算法对历史交通流数据进行精准聚类分析，再将聚类后的数据输入到具有时间记忆的前级LSTM神经网络，得到前级的预测结果，最终将前级预测结果的类别的交通流数据作为后级LSTM神经网络的训练样本，最终利用后级LSTM神经网络实现对交通流数据的预测，有效提升了预测的实时性和准确性。
下面对本申请实施例提供的一种高速公路交通流预测装置进行介绍，下文描述的一种高速公路交通流预测装置与上文描述的一种高速公路交通流预测方法可相互对应参照。
如图3所示，该装置包括：
数据获取模块301：用于获取历史交通流数据；
数据筛选模块302：用于筛选所述历史交通流数据中与目标聚类中心之间的距离在预设范围之内的目标交通流数据；其中，所述目标聚类中心为聚类中心集合中与预测结果距离最近的聚类中心，所述聚类中心集合为利用最大偏差相似性准则算法对所述历史交通流数据进行聚类分析得到的，所述预测结果为根据所述历史交通流数据的目标特征向量，利用预先经过训练的前级LSTM神经网络得到的；
预测模块303：用于将所述目标交通流数据输入预先经过训练的后级LSTM神经网络，得到目标预测结果。
作为一种具体的实施方式，还包括：
降噪处理模块：用于利用指数平滑法对原始的历史交通流数据进行降噪处理；
归一化模块：用于对降噪处理后的历史交通流数据进行归一化处理。
作为一种具体的实施方式，还包括：
提示信息生成模块：用于根据所述目标预测结果，生成相应的提示信息。
本实施例的高速公路交通流预测装置用于实现前述的高速公路交通流预测方法，因此该装置中的具体实施方式可见前文中的高速公路交通流预测方法的实施例部分，例如，数据获取模块301、数据筛选模块302、预测模块303，分别用于实现上述高速公路交通流预测装置方法中步骤S101，S102，S103。所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
另外，由于本实施例的高速公路交通流预测装置用于实现前述的高速公路交通流预测方法，因此其作用与上述方法的作用相对应，这里不再赘述。
此外，本申请还提供了一种高速公路交通流预测设备，如图4所示包括：
存储器401：用于存储计算机程序；
处理器402：用于执行所述计算机程序，以实现以下步骤：
获取历史交通流数据；筛选所述历史交通流数据中与目标聚类中心之间的距离在预设范围之内的目标交通流数据；其中，所述目标聚类中心为聚类中心集合中与预测结果距离最近的聚类中心，所述聚类中心集合为利用最大偏差相似性准则算法对所述历史交通流数据进行聚类分析得到的，所述预测结果为根据所述历史交通流数据的目标特征向量，利用预先经过训练的前级LSTM神经网络得到的；将所述目标交通流数据输入预先经过训练的后级LSTM神经网络，得到目标预测结果。
作为一种具体的实施方式，所述处理器402在执行所述存储器401 中的计算机程序时，还可以实现以下步骤：
利用指数平滑法对原始的历史交通流数据进行降噪处理；对降噪处理后的历史交通流数据进行归一化处理。
作为一种具体的实施方式，所述处理器402在执行所述存储器401 中的计算机程序时，还可以实现以下步骤：
确定所述历史交通流数据中前N天的交通流数据的目标特征向量，其中，N为预设阈值；将所述前N天的交通流数据的目标特征向量输入预先经过训练的前级LSTM神经网络，预测得到当天的交通流数据的目标特征向量。
作为一种具体的实施方式，所述处理器402在执行所述存储器401 中的计算机程序时，所述目标特征向量具体包括以下任意一项或多项属性特征：平均车流量、最大车流量、最小车流量、总车流量。
作为一种具体的实施方式，所述处理器402在执行所述存储器401 中的计算机程序时，还可以实现以下步骤：
根据所述目标预测结果，生成相应的提示信息。
最后，本申请还提供了一种可读存储介质，所述可读存储介质用于存储计算机程序，所述计算机程序被处理器执行时用于实现以下步骤：
获取历史交通流数据；筛选所述历史交通流数据中与目标聚类中心之间的距离在预设范围之内的目标交通流数据；其中，所述目标聚类中心为聚类中心集合中与预测结果距离最近的聚类中心，所述聚类中心集合为利用最大偏差相似性准则算法对所述历史交通流数据进行聚类分析得到的，所述预测结果为根据所述历史交通流数据的目标特征向量，利用预先经过训练的前级LSTM神经网络得到的；将所述目标交通流数据输入预先经过训练的后级LSTM神经网络，得到目标预测结果。
在一些具体的实施例中，所述可读存储介质上的计算机在被处理器执行时，还可以实现以下步骤：
利用指数平滑法对原始的历史交通流数据进行降噪处理；对降噪处理后的历史交通流数据进行归一化处理。
在一些具体的实施例中，所述可读存储介质上的计算机在被处理器执行时，还可以实现以下步骤：
确定所述历史交通流数据中前N天的交通流数据的目标特征向量，其中，N为预设阈值；将所述前N天的交通流数据的目标特征向量输入预先经过训练的前级LSTM神经网络，预测得到当天的交通流数据的目标特征向量。
在一些具体的实施例中，所述可读存储介质上的计算机在被处理器执行时，所述目标特征向量包括以下任意一项或多项属性特征：平均车流量、最大车流量、最小车流量、总车流量。
在一些具体的实施例中，所述可读存储介质上的计算机在被处理器执行时，还可以实现以下步骤：
根据所述目标预测结果，生成相应的提示信息。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种高速公路交通流预测方法，其特征在于，包括：
获取历史交通流数据；
筛选所述历史交通流数据中与目标聚类中心之间的距离在预设范围之内的目标交通流数据；其中，所述目标聚类中心为聚类中心集合中与预测结果距离最近的聚类中心，所述聚类中心集合为利用最大偏差相似性准则算法对所述历史交通流数据进行聚类分析得到的，所述预测结果为根据所述历史交通流数据的目标特征向量，利用预先经过训练的前级LSTM神经网络得到的；
将所述目标交通流数据输入预先经过训练的后级LSTM神经网络，得到目标预测结果。
2.如权利要求1所述的高速公路交通流预测方法，其特征在于，在所述筛选所述历史交通流数据中与目标聚类中心之间的距离在预设范围之内的目标交通流数据之前，还包括：
利用指数平滑法对原始的历史交通流数据进行降噪处理；
对降噪处理后的历史交通流数据进行归一化处理。
3.如权利要求2所述的高速公路交通流预测方法，其特征在于，在所述筛选所述历史交通流数据中与目标聚类中心之间的距离在预设范围之内的目标交通流数据之前，还包括：
确定所述历史交通流数据中前N天的交通流数据的目标特征向量，其中，N为预设阈值；
将所述前N天的交通流数据的目标特征向量输入预先经过训练的前级LSTM神经网络，预测得到当天的交通流数据的目标特征向量。
4.如权利要求1所述的高速公路交通流预测方法，其特征在于，所述目标特征向量包括以下任意一项或多项属性特征：平均车流量、最大车流量、最小车流量、总车流量。
5.如权利要求1-4任意一项所述的高速公路交通流预测方法，其特征在于，在所述将所述目标交通流数据输入预先经过训练的后级LSTM神经网络，得到目标预测结果之后，还包括：
根据所述目标预测结果，生成相应的提示信息。
6.一种高速公路交通流预测装置，其特征在于，包括：
数据获取模块：用于获取历史交通流数据；
数据筛选模块：用于筛选所述历史交通流数据中与目标聚类中心之间的距离在预设范围之内的目标交通流数据；其中，所述目标聚类中心为聚类中心集合中与预测结果距离最近的聚类中心，所述聚类中心集合为利用最大偏差相似性准则算法对所述历史交通流数据进行聚类分析得到的，所述预测结果为根据所述历史交通流数据的目标特征向量，利用预先经过训练的前级LSTM神经网络得到的；
预测模块：用于将所述目标交通流数据输入预先经过训练的后级LSTM神经网络，得到目标预测结果。
7.如权利要求6所述的高速公路交通流预测装置，其特征在于，还包括：
降噪处理模块：用于利用指数平滑法对原始的历史交通流数据进行降噪处理；
归一化模块：用于对降噪处理后的历史交通流数据进行归一化处理。
8.如权利要求6或7所述的高速公路交通流预测装置，其特征在于，还包括：
提示信息生成模块：用于根据所述目标预测结果，生成相应的提示信息。
9.一种高速公路交通流预测设备，其特征在于，包括：
存储器：用于存储计算机程序；
处理器：用于执行所述计算机程序，以实现如权利要求1-5任意一项所述的一种高速公路交通流预测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质用于存储计算机程序，所述计算机程序被处理器执行时用于实现如权利要求1-5任意一项所述的一种高速公路交通流预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910542734.5A CN110263860A (zh) | 2019-06-21 | 2019-06-21 | 一种高速公路交通流预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910542734.5A CN110263860A (zh) | 2019-06-21 | 2019-06-21 | 一种高速公路交通流预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110263860A true CN110263860A (zh) | 2019-09-20 |
Family
ID=67920336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910542734.5A Pending CN110263860A (zh) | 2019-06-21 | 2019-06-21 | 一种高速公路交通流预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110263860A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860989A (zh) * | 2020-07-08 | 2020-10-30 | 南通大学 | 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法 |
| CN112235152A (zh) * | 2020-09-04 | 2021-01-15 | 北京邮电大学 | 流量大小估算方法和装置 |
| CN112489422A (zh) * | 2020-11-19 | 2021-03-12 | 浙江工业大学 | 一种基于算法模型分析的车流量预测方法 |
| CN112561188A (zh) * | 2020-12-22 | 2021-03-26 | 广州杰赛科技股份有限公司 | 一种人流量预测方法和装置 |
| CN112820103A (zh) * | 2020-12-31 | 2021-05-18 | 山东奥邦交通设施工程有限公司 | 一种一体化动静结合标志管控方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
| CN107085941A (zh) * | 2017-06-26 | 2017-08-22 | 广东工业大学 | 一种交通流预测方法、装置及系统 |
| CN107154150A (zh) * | 2017-07-25 | 2017-09-12 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
| CN109309382A (zh) * | 2018-09-13 | 2019-02-05 | 广东工业大学 | 一种短期电力负荷预测方法 |
| CN109658695A (zh) * | 2019-01-02 | 2019-04-19 | 华南理工大学 | 一种多因素的短时交通流预测方法 |
| CN109671272A (zh) * | 2018-12-29 | 2019-04-23 | 广东工业大学 | 一种高速公路交通流预测方法 |
| CN109697852A (zh) * | 2019-01-23 | 2019-04-30 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
-
2019
- 2019-06-21 CN CN201910542734.5A patent/CN110263860A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
| CN107085941A (zh) * | 2017-06-26 | 2017-08-22 | 广东工业大学 | 一种交通流预测方法、装置及系统 |
| CN107154150A (zh) * | 2017-07-25 | 2017-09-12 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
| CN109309382A (zh) * | 2018-09-13 | 2019-02-05 | 广东工业大学 | 一种短期电力负荷预测方法 |
| CN109671272A (zh) * | 2018-12-29 | 2019-04-23 | 广东工业大学 | 一种高速公路交通流预测方法 |
| CN109658695A (zh) * | 2019-01-02 | 2019-04-19 | 华南理工大学 | 一种多因素的短时交通流预测方法 |
| CN109697852A (zh) * | 2019-01-23 | 2019-04-30 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| XIAOLEI MA ET AL.: "Long short-term memory neural network for traffic speed prediction using remote microwave sensor data", 《TRANSPORTATION RESEARCH PART C》 * |
| 王祥雪 等: "基于深度学习的短时交通流预测研究", 《交通运输系统工程与信息》 * |
| 罗向龙 等: "基于KNN-LSTM的短时交通流预测", 《北京工业大学学报》 * |
| 韦鹏程 等: "《基于R语言数据挖掘的统计与分析方法》", 31 December 2017, 电子科技大学出版社 * |
| 黄何列 等: "基于最大偏差相似性准则的交通流聚类算法", 《计算机应用研究》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860989A (zh) * | 2020-07-08 | 2020-10-30 | 南通大学 | 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法 |
| CN111860989B (zh) * | 2020-07-08 | 2024-04-19 | 南通大学 | 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法 |
| CN112235152A (zh) * | 2020-09-04 | 2021-01-15 | 北京邮电大学 | 流量大小估算方法和装置 |
| CN112235152B (zh) * | 2020-09-04 | 2022-05-10 | 北京邮电大学 | 流量大小估算方法和装置 |
| CN112489422A (zh) * | 2020-11-19 | 2021-03-12 | 浙江工业大学 | 一种基于算法模型分析的车流量预测方法 |
| CN112561188A (zh) * | 2020-12-22 | 2021-03-26 | 广州杰赛科技股份有限公司 | 一种人流量预测方法和装置 |
| CN112820103A (zh) * | 2020-12-31 | 2021-05-18 | 山东奥邦交通设施工程有限公司 | 一种一体化动静结合标志管控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263860A (zh) | 一种高速公路交通流预测方法及装置 | |
| CN105654729B (zh) | 一种基于卷积神经网络的短时交通流量预测方法 | |
| CN106599520B (zh) | 一种基于lstm-rnn模型的空气污染物浓度预报方法 | |
| CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
| CN104778508B (zh) | 一种基于多源数据融合的公共自行车租借预测方法 | |
| CN102622515B (zh) | 一种天气预测方法 | |
| CN109785618B (zh) | 一种基于组合逻辑的短时交通流预测方法 | |
| CN102622418B (zh) | 一种基于bp神经网络的预测装置及设备 | |
| CN109840660A (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
| CN105678422A (zh) | 基于经验模态神经网络的混沌时间序列预测方法 | |
| CN111127888A (zh) | 一种基于多源数据融合的城市交通流预测方法 | |
| CN105160866A (zh) | 一种基于深度学习神经网络结构的交通流预测方法 | |
| CN108596470A (zh) | 一种基于TensorFlow框架的电力设备缺陷文本处理方法 | |
| CN108711847A (zh) | 一种基于编码解码长短期记忆网络的短期风电功率预测方法 | |
| CN110381523A (zh) | 一种基于tvf-emd-lstm模型的蜂窝基站网络流量预测方法 | |
| CN107704970A (zh) | 一种基于Spark的需求侧负荷预测方法 | |
| Chi et al. | Back analysis of the permeability coefficient of a high core rockfill dam based on a RBF neural network optimized using the PSO algorithm | |
| CN105096614A (zh) | 基于生成型深信度网络的新建路口交通流量预测方法 | |
| CN108346293A (zh) | 一种实时交通流短时预测方法 | |
| CN112766600A (zh) | 一种城市区域人群流量预测方法及系统 | |
| CN110135634A (zh) | 中长期电力负荷预测装置 | |
| CN104537835B (zh) | 一种宏观—微观结合的环路交通可靠性仿真方法与系统 | |
| Wu et al. | Local and global Bayesian network based model for flood prediction | |
| CN106570594A (zh) | 一种基于tmbp的相似日光伏发电短期预测方法 | |
| CN112749508B (zh) | 一种基于gmm和bp神经网络的路感模拟方法 |
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: 20190920 |
|
| RJ01 | Rejection of invention patent application after publication |