CN110599766A - 一种基于sae-lstm-sad的道路交通拥堵传播预测方法 - Google Patents

Abstract

一种基于SAE‑LSTM‑SAD的道路交通拥堵传播预测方法，首先获取多条道路的车流量与车速数据矩阵，根据宏观基本图得到各车道的临界交通流状态阈值，从而获得体现时空信息的道路交通状态矩阵；然后利用堆栈自动编码器(SAE)对交通状态矩阵进行有效编码，并将其输入长短期时间记忆网络(LSTM)进行模型的训练；最后，定义模型损失函数为模型预测结果与实际数据的差值，并且利用反向传播算法不断优化模型参数，直至得到最优的模型参数，完成模型的训练。本发明能有效地利用道路在时间和空间上的依赖关系，能充分的挖掘道路交通状态矩阵的潜在特征，提高道路交通状态矩阵的预测精度。

Description

一种基于SAE-LSTM-SAD的道路交通拥堵传播预测方法

技术领域

本发明属于交通预测领域，涉及一种基于SAE-LSTM-SAD的道路交 通拥堵传播预测方法。

背景技术

城市经济水平的提高以及城市规模的扩大，使得人们的生活水平 不断提高，因而城市中车辆的数目也在急剧增长，而车辆的增多也带 来了许多问题，交通拥堵可以说是首要问题。交通流状态预测在合理 分配城市道路资源以及缓解交通拥堵问题上起着至关重要的作用。

目前主要的道路交通预测方法为：支持向量机，反馈神经网络以 及传统的差分整合移动平均自回归方法等。由于这些方法难以做到充 分挖掘出道路交通网络中时间与空间的特征，因此预测精度往往不够 高。本发明提出的是一种基于融合模型的道路交通状态预测方法，该 方法利用自编码器和长短期时间记忆网络实现对道路交通数据的时空 特征提取，从而实现未来交通状态中车流量与平均速度的预测。

发明内容

为了克服已有交通预测方法的准确性较低的不足，本发明的目的 在于提供一种基于SAE-LSTM-SAD的道路交通拥堵传播预测方法。该方 法首先利用宏观基本图原理获取路段拥堵的阈值，然后基于该阈值构 建道路交通状态网络，最后基于SAE-LSTM-SAD实现了道路交通拥堵的 传播预测，提高了道路交通拥堵预测的准确性。

本发明解决其技术问题所采用的技术方案是：

一种基于SAE-LSTM-SAD的道路交通拥堵传播预测方法，包括以 下步骤：

1)构建道路交通状态网络：针对各车道的交通流数据，基于宏观 基本图获取各车道拥堵对应的临界交通流状态阈值，基于临界交通流 状态阈值构建道路交通状态网络；

2)基于SAE-LSTM-SAD构建道路交通拥堵的传播预测模型，过 程如下；

2.1：基于SAE的道路交通状态网络压缩编码

基于道路交通状态网络URN(t)的构建，获得其临界矩阵A(t)，为 n×n的矩阵，将其行向量拼接，得到n²×1的向量作为SAE的输入， 记为X(t)；

记第j个隐藏层输出为其对应的解码输出为h为隐藏层数目；

邻接矩阵的自编码表示为如下方程：

邻接矩阵的解码表示为如下方程：

其中，C₁为压缩权重矩阵，e为压缩偏置矩阵，C₂为解码权重矩阵， d为解码偏置矩阵，f与g均为非线性映射函数；

记重构误差为L(X,Z)、模型参数为θ，则重构误差表示为：

为了使自编码器可以较好的重构原始数据，引进稀疏限制，将重构 误差定义为：

SAO＝L(X(t),Z(t))+λ·SP (6)

其中，λ为稀疏项权重；SP为稀疏限制项；H_D为隐藏层的数目， ρ是稀疏性参数，通常接近于零；是训练集中 隐藏单位j的平均激活；是Kullback-Leibler(KL)散度，计 算公式为：

当时，会使KL散度具有的性质，它为编 码提供稀疏性约束，反向传播(BP)算法用于求解该优化问题；

则θ的求解过程为：

将每一层的编码后的数据作为下一层的输入，经过多层累加，最后 可构建栈式自编码器，最终可实现道路交通状态网络的有效压缩编码；

2.2：基于LSTM的道路交通状态网络压缩数据的时间特征提取

t时刻获取经SAE特征学习后的道路交通状态网络的有效编码 y^h(t)，并将其作为LSTM模型的输入，LSTMs中每一个记忆单元包含 四个节点；遗忘节点，输入节点，输出节点和单元状态节点，各节点 的输入输出计算如下：

f_t＝f(W_f[h_t-1,y^h(t)]+b_f) (9)

i_t＝f(W_i[h_t-1,y^h(t)]+b_i) (10)

o_t＝f(W_o[h_t-1,y^h(t)]+b_o) (11)

C^～ _t＝tanh(W_c[h_t-1,y^h(t)]+b_c) (12)

其中W_f，W_i，W_o，W_c是各个节点的权重矩阵，b_f，b_i，b_o，b_c表示 各个节点的偏置，f()表示Sigmoid激活函数,tanh()表示双曲线激活函 数，遗忘节点的输出f_t决定之前时刻的信息被保留或是被剔除，输入 节点，输出节点和单元状态节点的输出i_t，o_t和c^～ _t决定什么新信息被 存放在记忆单元中，时刻t的输入数据y^h(t)；然后是对单元状态的更 新和单元输出的计算，计算如下：

C_t＝f_t*C_t-1+i_t*C^～ _t (13)

h_t＝o_t*tanh(C_t) (14)

其中C_t表示记忆单元t时刻的状态值，h_t表示记忆单元t时刻的输 出值，*表示值的乘法运算；

2.3：基于SAD的道路交通拥堵传播预测

预测得到t+1时刻的道路交通状态网络的有效编码

其中W_fc表示全连层中的权重矩阵，b_fc表示全连层中的偏置；

将预测得到的t+1时刻的道路交通状态网络的有效编码输 入到SAD模型中进行解码：

最终可获得解码后的向量

损失函数选择平均绝对误差：

其中表示向量中的第i个数据，X(t+1)(1,i)表示 向量X(t+1)中的第i个数据；

确定网络的学习率lr，通过多次迭代计算，对损失进行最小化处理， 调整LSTMs中记忆单元各个节点的参数矩阵以及偏置，使损失函数 的值趋于最小，使网络趋于最优；

向量为n²×1的向量，将其变换为n×n的矩阵该 矩阵中包含了t+1时刻道路交通拥堵的预测信息，即实现了道路交通 拥堵传播预测。

进一步，所述步骤1)的处理过程为：

1.1：基于宏观基本图获取各车道拥堵对应的临界交通流状态阈值 以SCATS系统中线圈检测器采集的道路交通状态数据，根据宏观 基本图中的流量(q)-密度(o)模型，得：

其中，v_f为自由流速度，o_j为阻塞密度,o_m为临界流量阈值，q_m为 临界密度阈值。

流量(q)-密度(o)模型为二次函数关系。统计SCATS系统中实际的流 量、密度值用抛物线拟合，得到各路段的临界交通流状态阈值(o_m,q_m)。

1.2：基于临界交通流状态阈值构建道路交通状态网络

道路交通状态网络的构建以SCATS系统下的城市道路为例进行说 明。采取对偶方法，以路段为节点，以连接路段的交叉口为边，建立 道路交通状态网络；

一般表达式如下：

URN(t)＝(N,E,ES(t)) (2)

其中，N＝{n₁,n₂,…,n_n}是节点集合，n是选取路网中路段的数量， E＝{e_ij|i,j∈N}是边的集合，e_ij≠e_ji； 即道路交通拥堵时认为该条连 边失效。

本发明的有益效果主要表现在：本发明通过获得的道路交通状态 阈值构建道路交通状态网络，将其编码后作为LSTM模型的输入，通过 预测和解码实现了短时道路交通状态预测，对道路交通拥堵传播规律 进行了深度的挖掘，提高了交通拥堵预测的准确度。

交通拥堵预测在智能交通诱导方面有着关键的作用，本发明实现 了短时交通拥堵的传播预测。

附图说明

图1是流量(q)-密度(o)模型示意图。

图2是十字交叉口有向二分网络。

图3是道路交通状态网络示意图。

图4是基于SAE-LSTM-SAD构建道路交通拥堵的传播预测示意 图。

图5是道路交通网络压缩编码示意图。

图6是SAE-LSTM网络模型结构图。

图7是所挑选的交叉口车道交通流数据。

图8是SAE-LSTM模型预测结果(平均车速)。

图9是SAE-LSTM模型预测结果(车流量)。

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9，一种基于SAE-LSTM-SAD的道路交通拥堵传播预 测方法，包括以下步骤：

1)构建道路交通状态网络：针对各车道的交通流数据，基于宏观 基本图获取各车道拥堵对应的临界交通流状态阈值，基于临界交通流 状态阈值构建道路交通状态网络；

1.1：基于宏观基本图获取各车道拥堵对应的临界交通流状态阈值 以SCATS系统中线圈检测器采集的道路交通状态数据(流量、密 度)为例，根据宏观基本图中的流量(q)-密度(o)模型(示意图如图1 所示)，可得：

其中，v_f为自由流速度，o_j为阻塞密度,o_m为临界流量阈值，q_m为 临界密度阈值。

由图1可知，流量(q)-密度(o)模型为二次函数关系。统计SCATS 系统中实际的流量、密度值用抛物线拟合，可得到各路段的临界交通 流状态阈值(o_m,q_m)。

1.2：基于临界交通流状态阈值构建道路交通状态网络

道路交通状态网络的构建以SCATS系统下的城市道路为例进行说 明。采取对偶方法，以路段为节点，以连接路段的交叉口为边，建立 道路交通状态网络。

一般表达式如下：

URN(t)＝(N,E,ES(t)) (2)

其中，N＝{n₁,n₂,…,n_n}是节点集合，n是选取路网中路段的数量， E＝{e_ij|i,j∈N}是边的集合，e_ij≠e_ji； (即道路交通拥堵时认为该条连 边失效)。以典型的十字路口(如图2)为例，网络模型示例如图3所 示。

2)基于SAE-LSTM-SAD构建道路交通拥堵的传播预测模型；

2.1：基于SAE的道路交通状态网络压缩编码

基于道路交通状态网络URN(t)的构建，可获得其临界矩阵A(t)，为 n×n的矩阵，将其行向量拼接，得到n²×1的向量作为SAE的输入， 记为X(t)。

记第j个隐藏层输出为其对应的解码输出为h为隐藏层数目。

邻接矩阵的自编码可以表示为如下方程：

邻接矩阵的解码可以表示为如下方程：

其中，C₁为压缩权重矩阵，e为压缩偏置矩阵，C₂为解码权重矩阵， d为解码偏置矩阵，f与g均为非线性映射函数。

记重构误差为L(X,Z)、模型参数为θ(含权重矩阵和偏置矩阵)， 则重构误差表示为：

为了使自编码器可以较好的重构原始数据，引进稀疏限制，将重构 误差定义为：

SAO＝L(X(t),Z(t))+λ·SP (6)

其中，λ为稀疏项权重；SP为稀疏限制项；H_D为隐藏层的数目， ρ是稀疏性参数，通常接近于零；是训练集中 隐藏单位j的平均激活；是Kullback-Leibler(KL)散度，计 算公式为：

当时，会使KL散度具有的性质。它为编 码提供稀疏性约束，反向传播(BP)算法可用于求解该优化问题。

则θ的求解过程为：

将每一层的编码后的数据作为下一层的输入，经过多层累加，最后 可构建栈式自编码器，最终可实现道路交通状态网络的有效压缩编码。

2.2：基于LSTM的道路交通状态网络压缩数据的时间特征提取

t时刻获取经SAE特征学习后的道路交通状态网络的有效编码 y^h(t)，并将其作为LSTM模型的输入。LSTMs中每一个记忆单元包含 四个节点。遗忘节点，输入节点，输出节点和单元状态节点，各节点 的输入输出计算如下：

f_t＝f(W_f[h_t-1,y^h(t)]+b_f) (9)

i_t＝f(W_i[h_t-1,y^h(t)]+b_i) (10)

o_t＝f(W_o[h_t-1,y^h(t)]+b_o) (11)

C^～ _t＝tanh(W_c[h_t-1,y^h(t)]+b_c) (12)

其中W_f，W_i，W_o，W_c是各个节点的权重矩阵，b_f，b_i，b_o，b_c表示 各个节点的偏置，f()表示Sigmoid激活函数,tanh()表示双曲线激活函 数。遗忘节点的输出f_t决定之前时刻的信息被保留或是被剔除。输入 节点，输出节点和单元状态节点的输出i_t，o_t和c^～ _t决定什么新信息(时 刻t的输入数据y^h(t))被存放在记忆单元中。然后是对单元状态的更 新和单元输出的计算，计算如下：

C_t＝f_t*C_t-1+i_t*C^～ _t (13)

h_t＝o_t*tanh(C_t) (14)

其中C_t表示记忆单元t时刻的状态值，h_t表示记忆单元t时刻的输 出值，*表示值的乘法运算。

2.3：基于SAD的道路交通拥堵传播预测

预测得到t+1时刻的道路交通状态网络的有效编码

其中W_fc表示全连层中的权重矩阵，b_fc表示全连层中的偏置。

将预测得到的t+1时刻的道路交通状态网络的有效编码输 入到SAD模型中进行解码：

最终可获得解码后的向量

损失函数选择平均绝对误差(Mean Absolute Deviation)

其中表示向量中的第i个数据，X(t+1)(1,i)表示 向量X(t+1)中的第i个数据。

确定网络的学习率lr，通过多次迭代计算，对损失进行最小化处理， 调整LSTMs中记忆单元各个节点的参数矩阵以及偏置，使损失函数 的值趋于最小，使网络趋于最优。

向量为n²×1的向量，将其变换为n×n的矩阵该 矩阵中包含了t+1时刻道路交通拥堵的预测信息，即实现了道路交通 拥堵传播预测。

实例：实际实验中的数据，过程如下：

(1)选取实验数据

原始交通流数据集包含52条车道在2017年6月1日至6月30 日共计30天的车流量数据，数据集中的交通流数据为杭州市如图7 所挑选的交叉口(红色)车道交通流数据，采样间隔T为15min，每 个车道的数据个数为2880。17个交叉口可用路段数量为68条，两条 路段由车道连接，构成一个大小为68*68的交通路网。将每个时刻的 车道上的交通流数据映射到交通路网上，然后根据每个时刻的车道的 临界交通流状态阈值，构成交通状态矩阵，矩阵数量为2880。

将2880个交通状态矩阵的前70％的作为训练集数据，进行模 型参数训练。将剩下的30％的交通状态矩阵作为实验数据集，进行算 法验证。

(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 整个实验模型的框架的搭建，采用2层自编码器构成堆栈自编码器， 每个自编码器的隐层单元个数均为128，激活函数选择为Sigmoid； LSTM神经网络通过LSTM层实现，LSTM层输出单元均为64，层数 设置为2，激活函数为tanh；输出单元全连接层通过Dense函数实现， 全连接层输出单元数量为52,激活函数为relu。模型训练迭代次数为 100，每次迭代训练时最小批次大小为64，均采用Adam优化模型参 数。

(3)实验结果

本发明实验实现了道路短时拥堵传播预测为目的，通过训练集进行 模型训练，测试集进行模型预测性能的检验。

本实验选取、均方根误差(RMSE)、准确度(Accuracy)、错误率 (Error rate)作为道路交通拥堵传播预测精度的指标，其计算公式分 别如下：

其中，为模型预测的交通状态，y_i为真实的交通状态，k为评价 模型性能时选取数据的个数，m为预测正确的个数。精确度的指标分 为真实值为1和真实值为0的两种情况，分别记为Accuracy_1， Accuray_0。

所有实验道路交通拥堵传播预测结果统计如表1所示：

模型	RMSE	Accuracy_1	Accuracy_0
				LSTM	0.3236	0.9432	0.4613
KNN	0.3828	0.9396	0.0772
				GRU	0.2980	0.9562	0.5043
SVM	0.3660	0.9552	0.0622
				ARIMA	0.2861	0.9649	0.4964
SAE-LSTM-SAD	0.2599	0.9845	0.4613

表1。

Claims (2)

1.一种基于SAE-LSTM-SAD的道路交通拥堵传播预测方法，其特征在于，所述方法包括以下步骤：

1)构建道路交通状态网络：针对各车道的交通流数据，基于宏观基本图获取各车道拥堵对应的临界交通流状态阈值，基于临界交通流状态阈值构建道路交通状态网络；

2)基于SAE-LSTM-SAD构建道路交通拥堵的传播预测模型，过程如下；

2.1：基于SAE的道路交通状态网络压缩编码

基于道路交通状态网络URN(t)的构建，获得其临界矩阵A(t)，为n×n的矩阵，将其行向量拼接，得到n²×1的向量作为SAE的输入，记为X(t)；

记第j个隐藏层输出为其对应的解码输出为(j＝1,2,…h)，h为隐藏层数目；

邻接矩阵的自编码表示为如下方程：

邻接矩阵的解码表示为如下方程：

其中，C₁为压缩权重矩阵，e为压缩偏置矩阵，C₂为解码权重矩阵，d为解码偏置矩阵，f与g均为非线性映射函数；

记重构误差为L(X,Z)、模型参数为θ，则重构误差表示为：

为了使自编码器可以较好的重构原始数据，引进稀疏限制，将重构误差定义为：

SAO＝L(X(t),Z(t))+λ·SP (6)

其中，λ为稀疏项权重；SP为稀疏限制项；H_D为隐藏层的数目，ρ是稀疏性参数，通常接近于零；是训练集中隐藏单位j的平均激活；是Kullback-Leibler(KL)散度，计算公式为：

当时，会使KL散度具有的性质，它为编码提供稀疏性约束，反向传播(BP)算法用于求解该优化问题；

则θ的求解过程为：

将每一层的编码后的数据作为下一层的输入，经过多层累加，最后可构建栈式自编码器，最终可实现道路交通状态网络的有效压缩编码；

2.2：基于LSTM的道路交通状态网络压缩数据的时间特征提取

t时刻获取经SAE特征学习后的道路交通状态网络的有效编码y^h(t)，并将其作为LSTM模型的输入，LSTMs中每一个记忆单元包含四个节点；遗忘节点，输入节点，输出节点和单元状态节点，各节点的输入输出计算如下：

f_t＝f(W_f[h_t-1,y^h(t)]+b_f) (9)

i_t＝f(W_i[h_t-1,y^h(t)]+b_i) (10)

o_t＝f(W_o[h_t-1,y^h(t)]+b_o) (11)

其中W_f，W_i，W_o，W_c是各个节点的权重矩阵，b_f，b_i，b_o，b_c表示各个节点的偏置，f()表示Sigmoid激活函数,tanh()表示双曲线激活函数，遗忘节点的输出f_t决定之前时刻的信息被保留或是被剔除，输入节点，输出节点和单元状态节点的输出i_t，o_t和决定什么新信息被存放在记忆单元中，时刻t的输入数据y^h(t)；然后是对单元状态的更新和单元输出的计算，计算如下

h_t＝o_t*tanh(C_t) (14)

其中C_t表示记忆单元t时刻的状态值，h_t表示记忆单元t时刻的输出值，*表示值的乘法运算；

2.3：基于SAD的道路交通拥堵传播预测

预测得到t+1时刻的道路交通状态网络的有效编码

其中W_fc表示全连层中的权重矩阵，b_fc表示全连层中的偏置；

将预测得到的t+1时刻的道路交通状态网络的有效编码输入到SAD模型中进行解码：

最终可获得解码后的向量

损失函数选择平均绝对误差：

其中表示向量中的第i个数据，X(t+1)(1,i)表示向量X(t+1)中的第i个数据；

确定网络的学习率lr，通过多次迭代计算，对损失进行最小化处理，调整LSTMs中记忆单元各个节点的参数矩阵以及偏置，使损失函数的值趋于最小，使网络趋于最优；

向量为n²×1的向量，将其变换为n×n的矩阵该矩阵中包含了t+1时刻道路交通拥堵的预测信息，即实现了道路交通拥堵传播预测。

2.如权利要求1所述的一种基于SAE-LSTM-SAD的道路交通拥堵传播预测方法，其特征在于，所述步骤1)的处理过程为：

1.1：基于宏观基本图获取各车道拥堵对应的临界交通流状态阈值

以SCATS系统中线圈检测器采集的道路交通状态数据，根据宏观基本图中的流量(q)-密度(o)模型，得：

其中，v_f为自由流速度，o_j为阻塞密度,o_m为临界流量阈值，q_m为临界密度阈值；

流量(q)-密度(o)模型为二次函数关系，统计SCATS系统中实际的流量、密度值用抛物线拟合，得到各路段的临界交通流状态阈值(o_m,q_m)；

1.2：基于临界交通流状态阈值构建道路交通状态网络

采取对偶方法，以路段为节点，以连接路段的交叉口为边，建立道路交通状态网络；

一般表达式如下：

URN(t)＝(N,E,ES(t)) (2)

其中，N＝{n₁,n₂,…,n_n}是节点集合，n是选取路网中路段的数量，E＝{e_ij|i,j∈N}是边的集合，e_ij≠e_ji；即道路交通拥堵时认为该条连边失效。