CN110517488A

CN110517488A - 基于时序分解和循环神经网络的短时交通流预测方法

Info

Publication number: CN110517488A
Application number: CN201910762200.3A
Authority: CN
Inventors: 余英豪; 张伟斌; 戚湧; 郭海锋; 张卓伟; 桂林卿
Original assignee: Nanjing Tech University
Current assignee: Nanjing Tech University
Priority date: 2019-08-19
Filing date: 2019-08-19
Publication date: 2019-11-29

Abstract

本发明设计了一种短时交通流预测方法。本发明结构主要分为三个部分：首先，通过历史平均模型构建日内交通流量趋势，并通过自回归滑动平均模型（ARIMA）拟合实际流量与日内流量趋势之间的剩余部分。然后建立广义自回归条件异方差（GARCH）模型来捕获自回归滑动平均模型残差序列的波动性以增强预测能力；使用长短时记忆神经网络（LSTM）用于捕捉日常交通的长期依赖性和非线性特征；最后，通过深度神经网络（DNN）融合和学习上述特征用于预测。本发明深入挖掘交通流数据的随机性与不确定性，充分考虑交通流数据中的线性和非线性特征，从而有效提高了交通流量数据的预测精度。

Description

基于时序分解和循环神经网络的短时交通流预测方法

技术领域

本发明涉及交通行业的交通控制领域，以及计算机行业的基于神经网络的交通流预测算法领域。

背景技术

短期交通预测是智能交通系统(ITS)部署的基础部分，也为交通控制策略选择提供决策参考依据。作为一个经典的研究领域，短期交通预测几十年来一直是研究的热点。在道路交通控制日趋精细化和智能化的发展趋势下，高精度的交通流量预测数据对智慧城市建设提供了基础保障。准确的交通流量数据也为交通管理部门制定合理的交通规划、出行者合理地安排出行提供了方便。

随着交通预测研究的不断推进，统计计算模型和计算智能模型成为交通预测模型的两大研究方向。经典统计模型通过严格的数学方程或数据分析来实现预测。代表性预测模型包括卡尔曼滤波(Kalman)，支持向量回归(SVR)，贝叶斯网络，自回归滑动平均模型(ARIMA)及其改进的模型。经典统计模型充分利用时间序列数据中的特征和组成部分，并进行谱分量分解分析，主成分分析(PCA)，小波变换分析，以及关于交通数据的异方差波动分析等，以提高预测准确性。计算智能模型具有处理高维数据和捕获复杂非线性关系的能力。代表性研究有：人工神经网络(ANN)、模糊神经网络、堆叠自编码器(SAE)、长短时记忆神经网络(LSTM)和卷积神经网络(CNN)等。在整个交通预测领域的发展中，大多数研究都致力于特定预测模型的设计，很少模型将交通领域的先验知识与深度学习预测模型相结合。

本发明将对基于时间序列的分解和循环神经网络中的长短时记忆神经网络的短时交通流预测方法进行说明。

发明内容

发明目的：本发明在于通过交通领域的先验知识和深度学习方法相结合提出了基于时序分解和循环神经网络的短时交通流预测方法。本发明结合了深度学习的强大自学习能力、多维数据分析能力和交通研究人员的数据分析和领域知识，以提高预测准确性。本研究中的数据处理分为三个部分：首先，通过历史平均模型构建日内交通流量趋势，并通过自回归滑动平均模型(ARIMA)模型拟合实际流量与日内流量趋势之间的剩余部分。然后我们可以得到看起来像白噪声的残差序列，并建立广义自回归条件异方差(GARCH)模型来捕获残差序列的波动性以增强预测能力。其次，使用长短时记忆神经网络(LSTM)用于捕捉日常交通的长期依赖性和非线性特征。最后，通过深度神经网络(DNN)融合和学习上述特征用于预测。

技术方案：基于时序分解和循环神经网络的短时交通流预测方法，主要包含以下几个步骤：

(1)选定需要进行交通流预测的路段的观测点，获取所选路段中所有断点的短时交通流量历史数据；

(2)通过历史平均模型构建交通对应观测点数据的日内交通流量趋势；

(3)对步骤(2)中获得的交通流量的日内趋势进行一次差分，差分的步长为预测的时间步长，从而建立交通流量变化的特征；

(4)通过ARIMA模型拟合实际流量与日内流量趋势之间的剩余部分，ARIMA模型将剩余部分分解为确定性部分和残差部分；

(5)建立广义自回归条件异方差模型来捕获残差部分中的条件异方差波动性特征；

(6)建立LSTM神经网络捕获(1)获取的短时交通流量中的非线性特征；

(7)建立深度神经网络整合上述(1)-(6)的特征和数据并用于模型的训练和验证。

进一步，步骤(1)中获取的交通流量如下：

Y₁(t)＝[y₁(1),y₁(2),…,y₁(n)]，…，Y_N(t)＝[y_N(1),y_N(2),…,y_N(n)]

上述表达式中Y_N表示的是采集的第N天的数据，n表示一天中的交通流量采样次数。

进一步，步骤(1)中获取的交通流量的历史数据是以5分钟为时间间隔的交通流采样数据，预测时段为5分钟。

进一步，步骤(2)观测点数据的日内交通流量趋势的构造方法如下：

其中L代表用于计算日内趋势的近期历史天数。如果L＝N，则日内趋势由所有采样天数的平均值确定。

进一步，所述的基于时序分解和循环神经网络的短时交通流预测方法，其特征在于步骤(3)中的日内趋势进行一次差分方法如下：

其中d表示预测的时间间隔，在对于单步预测问题来说，设置d＝1。Y_difference(t)表示对应于t时刻的过去L天内d步变化的平均差分。

进一步，步骤(4)中的ARIMA模型的最佳模型参数通过AIC准则确定。

进一步，步骤(7)中整合使用步骤(1)至步骤(6)获取的所有线性和非线性特征由于深度神经网络的训练。

本发明的有益效果：(1)结合了深度学习的强大自学习能力、多维数据分析能力和交通研究人员的数据分析和领域知识，以提高预测准确性。(2)将研究人员对于数据的先验认知获取的交通流量变化特征和深度学习自动获取的特征相结合进一步提高预测准确度。

附图说明

图1是本发明的原理图，

图2是观测点一个月的流量变化图，

图3是单日实际交通与日内趋势变化图，

图4是自回归滑动平均模型构建过程图，

图5是剩余部分序列的自相关和偏自相关分析图，

图6是残差序列的自相关和偏自相关分析图，

图7是残差序列的异方差性分析图，

图8是本发明与其他方法的性能比较图。

具体实施方式

下面结合附图和具体实例，对本发明进一步说明，这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

基于时序分解和循环神经网络的短时交通流预测方法，主要流程图及其结构图如图1所示，具体过程包括以下步骤：

(1)选定需要进行交通流预测的路段以及该路段中的观测点，获取观测点的短时交通流量历史数据；

(6)建立长短时记忆神经网络捕获(1)获取的短时交通流量中的非线性特征；

(7)建立深度神经网络整合上述(1)-(6)的特征和数据并用于本发明的训练和验证。

在本实例中，获取的交通流量数据为交通检测线圈采集得到，其特点为在一段时间间隔里通过检测线圈的车辆数目，该时间间隔为5分钟，一天可以获得总计288个采样数据。在交通预测过程中历史数据集合可以表示为F＝{f_t|t＝1,2,...,T}，其中f_t表示t时刻的交通流量，我们使用相对于预测点T及以前的历史交通流量数据对f_T+N的交通流量进行预测，本实例中采用的预测时间间隔为5分钟即N＝1。如图2展示了30天的交通流量采集数据。

使用历史平均模型对最近10天的交通流量数据建立对应路口的交通流量日内趋势。整个过程如式(1)所示：

图(3)展示了日内趋势与具体的单日交通流量变化之间的关系。除此之外，我们使用日内趋势的循环前向差作为输入特征，其可以被视为交通在一个预测间隔内变化的历史平均估计。

Y_different(t)表示对应于t时刻的过去L天内单步变化的平均差分。在去除日内周期趋势后，交通流的剩余部分是每个特定日的不可再现的交通模式，我们将其称为剩余部分。交通流序列在不同的采样时间内具有很强的相关性。由于每日独特的交通流演变，去除日内趋势的剩余部分仍然包含时间相关性和异方差波动性。因此，我们在此引入ARIMA模型来捕获剩余部分中的相关部分称为确定性部分。剩余部分由ARIMA模型分为确定性部分和残差部分。

标准ARIMA(p,d,q)由三部分组成，其中p是自回归项的阶数，d表示差分的次数，q是滞后预测误差的阶数。ARIMA(p,d,q)过程的数学表示可以表述如下：

其中X_t表示输入的一维时间序列，ε_t表示一个均值为0，方差为的高斯白噪声过程。Φ_i(i＝1,2,…,p)和θ_i(i＝1,2,…,q)表示模型需要拟合的参数，L是一个时间延迟算子,其中L^kx_t＝x_t-k。在我们提出的方法中，赤池信息准则(AIC)用来确定ARIMA模型最优的模型参数：

AIC＝-2 log(L)+2m (4)

其中L是特定模型的数据似然值，m是为该模型选择的参数数量。对于参数p，d和q，我们使用网格搜索来查找具有最低AIC值的参数。ARIMA模型的整个构造过程如图4所示。对确定性部分序列的自相关分析和偏自相关分析如图5所示。

从公式(3)可以看出，ARIMA模型假设残差是为静态高斯序列，但在实际情况中，交通流量的波动在一天的不同时间段内不一致。例如，交通在高峰时段急剧变化，在黎明时分相对稳定。ARIMA的恒定方差假设将导致信息丢失和预测能力受损。为了填补这一空白我们使用广义自回归条件异方差(GARCH)来表征时间序列的方差随时间变化的现象。GARCH(p,q)的计算过程如下：

其中h_t表示输入数据的条件方差，ε_t表示一个标志正态随机过程。在建立GARCH模型之前，我们需要验证序列残差是否具有ARCH效应。ARCH效应是指当前时刻残差的方差与前一时间之间的相关性。只有存在ARCH效应时，才能有效地建立ARCH模型。Ljung-Box统计量被用于残差平方的用于检验ARCH效应。对残差的自相关分析和偏自相关分析如图6所示，对残差平方序列的自相关分析和偏自相关分析如图7所示.

LSTM是一种适用于序列数据处理的神经网络算法，在方法中使用标准的LSTM神经网络用于分析。输入数据是流量x_t，遗忘门f_t，输入门i_t，输出门o_t和输入单元状态的迭代计算过程定义如下：

f_t＝σ_g(W_fx_t+U_fh_t-1+b_f) (7)

i_t＝σ_g(W_ix_t+U_ih_t-1+b_i) (8)

o_t＝σ_g(W_ox_t+U_oh_t-1+b_o) (9)

其中W_f，W_i，W_o和W_c是权重矩阵，将隐藏层输入映射到三个门和输入单元状态，而U_f，U_i，U_o和U_c是权重矩阵，将前一个输出状态映射到三个门和输入单元状态；此外，b_f，b_i，b_o和b_c表示偏置向量；σ_g是非线性激活函数，通常是Sigmoid函数，tanh是双曲正切函数，它在[-1,1]范围内缩放输出；单元输出状态C_t和输出h_t可以通过如下计算获得：

h_t＝o_t*tanh(C_t) (12)

LSTM的输出可以由以下的向量表示：

Y_t＝[h_t-n,h_t-n-1,…,h_t-1] (13)

其中k表示隐藏神经元的数量，我们可以将h_t视为LSTM捕获的特征。

随后通过DNN挖掘这些交通特征中的非线性相关特征以获得预测。实例中使用的具有两个隐藏层的深度神经网络的数学表达式如下：

公式(14)是DNN模型的计算过程，x_i作为输入是聚合步骤(1)至步骤(6)特征，输出y是交通流量的预测；其中g是隐藏层中的激活函数。W_ij和b_j分别是权重矩阵和偏差矢量。反向传播算法用于调整权重矩阵和偏置向量。

为了比较不同预测模型的性能，采用平均绝对百分比误差(MAPE)和平均绝对误差(MAE)来测量预测数据和实际数据之间的偏差。MAE和MAPE的数学方程如下：

ARIMA模型和LSTM模型被用作两个比较模型。表1示出了在不同时间间隔内的三种预测模型的预测结果。图8给出了对比方法和基于时序分解和循环神经网络的短时交通流预测方法的预测误差对比图。

表1.不同预测方法表现比较

从表1和图8可以观察到一些关键结果。首先，预测性能随着预测时间的增加而减少。例如，当在相同的模型结构下，当预测时间间隔从5分钟增加到20分钟时，ARIMA算法的MAPE从10.69％增加到15.31％。其次，虽然所有方法的准确性会随着预测时间的延长而降低，但误差增长率在模型之间显着不同。例如，当预测间隔从5分钟延长到20分钟时，本发明方法的MAPE仅增加了0.45％；同时，ARIMA和LSTM的MAPE分别增加4.62％和3.79％。本发明方法实现了最低的误差，并且随着预测间隔的延长，也产生了最慢的误差增长率。根据上述讨论，我们可以看到本发明方法实现了良好的预测准确性并且在各种时间间隔内是稳定的。

Claims

1.基于时序分解和循环神经网络的短时交通流预测方法，其特征在于：包含以下步骤

(4)通过自回归滑动平均模型(ARIMA)拟合实际流量与日内流量趋势之间的剩余部分，并将剩余部分分解为确定性部分和残差部分；

(5)建立广义自回归条件异方差模型(GARCH)来捕获残差部分中的条件异方差波动性特征；

(6)建立长短时记忆神经网络(LSTM)捕获(1)获取的短时交通流量中的非线性特征；

2.根据权利要求1所述的基于时序分解和循环神经网络的短时交通流预测方法，其特征在于：步骤(1)中获取的交通流量的历史数据是以5分钟为时间间隔的交通流采样数据，预测时段为5分钟。

3.根据权利要求1所述的基于时序分解和循环神经网络的短时交通流预测方法，其特征在于步骤(4)中的自回归滑动平均模型(ARIMA)的最佳模型参数通过赤池信息量准则(AIC)确定。

4.根据权利要求1所述的基于时序分解和循环神经网络的短时交通流预测方法，其特征在于步骤(7)中整合使用步骤(1)至步骤(6)获取的所有线性和非线性特征进行深度神经网络(DNN)的训练。