CN110675623B - 基于混合深度学习的短时交通流量预测方法、系统、装置 - Google Patents

基于混合深度学习的短时交通流量预测方法、系统、装置 Download PDF

Info

Publication number
CN110675623B
CN110675623B CN201910842242.8A CN201910842242A CN110675623B CN 110675623 B CN110675623 B CN 110675623B CN 201910842242 A CN201910842242 A CN 201910842242A CN 110675623 B CN110675623 B CN 110675623B
Authority
CN
China
Prior art keywords
traffic flow
time
observation point
traffic
flow data
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.)
Active
Application number
CN201910842242.8A
Other languages
English (en)
Other versions
CN110675623A (zh
Inventor
熊刚
李志帅
吕宜生
陈圆圆
赵红霞
朱凤华
沈震
王飞跃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Cloud Computing Center of CAS
Original Assignee
Institute of Automation of Chinese Academy of Science
Cloud Computing Center of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science, Cloud Computing Center of CAS filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN201910842242.8A priority Critical patent/CN110675623B/zh
Publication of CN110675623A publication Critical patent/CN110675623A/zh
Application granted granted Critical
Publication of CN110675623B publication Critical patent/CN110675623B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Abstract

本发明属于智能交通领域，具体涉及一种基于混合深度学习的短时交通流量预测方法、系统、装置，旨在解决现有大规模交通流量预测方法精度低的问题。本系统方法包括获取待预测的各交通观测点的历史交通流量数据；所述历史交通流量数据为t时刻之前连续的等时长时间段的r个交通流量数据集合；分别将各交通流量数据集合中的历史交通流量数据合并得到对应的合并数据，并将各合并数据归一化；基于归一化后的各交通观测点的历史交通流量数据，采用混合深度学习模型获取各交通观测点t时刻归一化的预测结果；将预测结果进行反归一化，得到各交通观测点t时刻的交通流量预测值。本发明提高了大规模交通流量预测的精度。

Description

基于混合深度学习的短时交通流量预测方法、系统、装置
技术领域
本发明属于智能交通领域，具体涉及一种基于混合深度学习的短时交通流量预测方法、系统、装置。
背景技术
准确有效的交通流量预测对于交通管理和控制至关重要，这有助于缓解城市交通拥堵，节约能源和减少排放。交通流量预测具有长期的研究历史，早在20世纪70年代，ARIMA模型就被用来预测短时交通流量。ARIMA即差分自回归求和滑动平均模型，是一种应用广泛的时间序列模型。该模型应用于短时交通流量的实时预测可以取得较高的预测精度。但是该模型的求解过程是对每个观测点的历史时间序列分别通过离线求解方程实现，求解的参数是相对固定的，不能适应不确定性强的短时交通流量预测要求，不能反映各个交通观测点之间的空间联系。同时，一些非参数的方法也被用来进行交通流量预测，例如k近邻(k-NN)方法，这种方法模型简单，对于较稳定的交通路网具有一定的实用价值，其关键是定义“近邻状态”。近年来，深度学习方法被广泛用于交通预测并且取得了较好的性能。现有的交通流预测方法主要利用浅层交通预测模型，对于较大规模和较大数据量的交通流预测来说，预测效果仍有一定的提升空间。
交通流量变化是典型的空间和时间过程。因此，要实现更为精确的交通流量预测，就需要考虑其空间和时间特征。这使得我们需要重新思考利用交通大数据，研究基于空间和时间特征的交通流量预测问题。本发明针对交通流预测的实际应用需求，提出了一种混合深度学习框架，由图卷积神经网络(Graph Convolution Neural network,GCN)、长短时记忆网络(Long Short-Term Memory,LSTM)和注意力机制(Attention)三种结构组合而成，用于对交通流量的空间和时间特征预测。
发明内容
为了解决现有技术中的上述问题，即为了解决现有大规模交通流量预测方法精度低的问题，本发明第一方面，提出了一种基于混合深度学习的短时交通流量预测方法，该方法包括：
步骤S10，获取待预测的各交通观测点的历史交通流量数据；所述历史交通流量数据为t时刻之前连续的等时长时间段的r个交通流量数据集合；
步骤S20，分别将各所述交通流量数据集合中的历史交通流量数据合并得到对应的合并数据，并将各合并数据归一化；
步骤S30，基于归一化的历史交通流量数据，采用混合深度学习模型获取各交通观测点t时刻归一化的预测结果；
步骤S40，将各交通观测点t时刻归一化的预测结果进行反归一化，得到各交通观测点t时刻的交通流量预测值；
其中，
所述混合深度学习模型由图卷积神经网络、LSTM网络和注意力机制组合而成，通过提取历史交通流量数据的时空关系特征预测当前交通流量数据。
在一些优选的实施方式中，步骤S20中“分别将各所述交通流量数据集合中的历史交通流量数据合并得到对应的各合并数据”，其方法为：分别将各所述交通流量数据集合中的历史交通流量数据进行累加，得到对应的各合并数据。
在一些优选的实施方式中，步骤S20中“将各合并数据归一化”，其方法为：
Figure BDA0002194089360000031
其中，
Figure BDA0002194089360000032
为合并数据，i为交通观测点的下标值，qmax为最大的合并数据，qmin为最小的合并数据，
Figure BDA0002194089360000033
为归一化后的合并数据。
在一些优选的实施方式中，步骤S30中“基于归一化的历史交通流量数据，采用混合深度学习模型获取各交通观测点t时刻归一化的预测结果”，其方法为：
基于图卷积神经网络获取归一化后的各交通观测点的历史交通流量数据的空间关系特征；
根据所述空间关系特征，通过LSTM网络得到各交通观测点的历史交通流量数据的时空关系特征；
基于注意力机制得到各所述时空关系特征对应的权重，根据所述权重对其对应的时空关系特征进行加权平均，得到各交通观测点t时刻归一化的预测结果。
在一些优选的实施方式中，“基于图卷积神经网络获取归一化后的各交通观测点的历史交通流量数据的空间关系特征”，其方法为：
以每个交通观测点为节点，基于各节点之间的欧氏距离，通过核方法计算各节点之间的连接关系，并构建邻接矩阵；
基于所述邻接矩阵，通过图卷积神经网络得到各观测点之间的空间关系特征。
在一些优选的实施方式中，“根据所述权重对其对应的时空关系特征进行加权平均，得到各交通观测点t时刻归一化的预测结果”，其方法为：
Figure BDA0002194089360000034
其中，Y为归一化的预测结果，Hk为时空关系特征，αk为特征权重，T为时空关系特征的个数，k为自然数，表示下标。
在一些优选的实施方式中，步骤S40中“将各交通观测点t时刻的归一化的预测结果进行反归一化，得到各交通观测点t时刻的交通流量预测值”，其方法为：
Figure BDA0002194089360000041
其中，
Figure BDA0002194089360000042
为反归一化后的交通流量预测值。
本发明的第二方面，提出了一种基于混合深度学习的短时交通流量预测系统，该系统包括获取模块、合并归一化模块、预测输出模块、反归一化模块；
所述获取模块，配置为获取待预测的各交通观测点的历史交通流量数据；所述历史交通流量数据为t时刻之前连续的等时长时间段的r个交通流量数据集合；
所述合并归一化模块，配置为分别将各所述交通流量数据集合中的历史交通流量数据合并得到对应的合并数据，并将各合并数据归一化；
所述预测输出模块，配置为基于归一化的历史交通流量数据，采用混合深度学习模型获取各交通观测点t时刻归一化的预测结果；
所述反归一化模块，配置为将各交通观测点t时刻的归一化的预测结果进行反归一化，得到各交通观测点t时刻的交通流量预测值；
其中，
所述混合深度学习模型由图卷积神经网络、LSTM网络和注意力机制组合而成，通过提取历史交通流量数据的时空关系特征预测当前交通流量数据。
本发明的第三方面，提出了一种存储装置，其中存储多条程序，所述程序应用由处理器加载并执行以实现上述的基于混合深度学习的短时交通流量预测方法。
本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；所述程序适用于由处理器加载并执行以实现上述的基于混合深度学习的短时交通流量预测方法。
本发明的有益效果：
本发明提高了大规模交通流量预测的精度。本发明利用历史交通流量数据，通过图卷积神经网络GCN来捕获多个交通观测点的数据空间关系特征，基于LSTM模型捕获数据空间关系特征的时间依赖性，并受图像注意力启发，使用注意力机制对LSTM输出的结果微调，提升预测精度。能够同时对多个观测点的交通流进行预测，具有较高的鲁棒性。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的基于混合深度学习的短时交通流量预测方法的流程示意图；
图2是本发明一种实施例的基于混合深度学习的短时交通流量预测系统的框架示意图；
图3是本发明一种实施例的基于混合深度学习的短时交通流量预测方法的训练和测试过程示例图；
图4是本发明一种实施例的图卷积神经网络结构的示例图；
图5是本发明一种实施例的LSTM网络结构的示例图；
图6是本发明一种实施例的基于注意力机制的加权平均方法的结构示例图；
图7是本发明一种实施例的混合深度学习模型的结构示例图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明的基于混合深度学习的短时交通流量预测方法，如图1所示，包括以下步骤：
步骤S10，获取待预测的各交通观测点的历史交通流量数据；所述历史交通流量数据为t时刻之前连续的等时长时间段的r个交通流量数据集合；
步骤S20，分别将各所述交通流量数据集合中的历史交通流量数据合并得到对应的合并数据，并将各合并数据归一化；
步骤S30，基于归一化的历史交通流量数据，采用混合深度学习模型获取各交通观测点t时刻的归一化的预测结果；
步骤S40，将各交通观测点t时刻归一化的预测结果进行反归一化，得到各交通观测点t时刻的交通流量预测值；
其中，
所述混合深度学习模型由图卷积神经网络、LSTM网络和注意力机制组合而成，通过提取历史交通流量数据的时空关系特征预测当前交通流量数据。
为了更清晰地对本发明基于混合深度学习的短时交通流量预测方法进行说明，下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
下文优选实施例中，先对混合深度学习模型进行详述，然后再对采用混合深度学习模型获取各交通观测点当前时刻的交通流量预测结果的基于混合深度学习的短时交通流量预测方法进行详述。
1、混合深度学习模型
在本实施例中，基于混合深度学习的短时交通流量预测方法的训练及测试过程，如图3所示，具体处理过程如下：
步骤A1，获取历史交通流量数据并进行预处理
本发明中的历史交通流量数据来源于交通数据采集系统，通过线圈检测、视频检测等手段获取。获取的交通流量数据为每个观测点在一定时间间隔内经过的车辆数。
将各观测点预设时间间隔内的若干个历史交通流量数据分别进行累加，得到各观测点预设时间间隔的历史交通流量数据。预设时间间隔根据预测需求设定(例如5分钟)。下述某时刻的交通流数据指的是从此时刻开始经过预设时间间隔(例如5分钟)的交通流量数据，下述的观测点表示为交通观测点。观测时间段内有K个时间间隔，则对于M个观测点中的观测点i，其表示为
Figure BDA0002194089360000071
即获取的历史交通流量数据大小为M×K。
累加后的历史交通流量数据q表示为：
Figure BDA0002194089360000081
Figure BDA0002194089360000082
其中，s表示任意一个预设时间间隔，i表示任意一个交通观测点，选取M×K个历史交通流量数据中的最大值qmax、最小值qmin，则归一化后的历史交通流量数据Q表示为：
Figure BDA0002194089360000083
其求解过程定义如公式(1)所示：
Figure BDA0002194089360000084
步骤A2，构建数据集并划分成训练集和测试集
预测t时刻M个观测点的交通流量
Figure BDA0002194089360000085
Figure BDA0002194089360000086
时，取M个观测点历史时刻t-r,…,t-2,t-1的交通流量数据作为网络输入
Figure BDA0002194089360000087
r为输入数据中历史交通流量数据个数，组成样本对
Figure BDA0002194089360000088
其中
Figure BDA0002194089360000089
Figure BDA00021940893600000810
由此构建数据集
Figure BDA00021940893600000811
并按照7:3比例，将其划分为训练集D1和测试集D2，同时训练集随机打乱样本的顺序。
步骤A3，设置混合深度学习结构预测模型结构
混合深度学习模型由以下三部分组成：
步骤A31，基于图卷积神经网络对历史交通流量数据空间关系提取特征。
如图4所示，按照时间序列进行排序，将交通系统中路网看作一张图G＝{q,E,V,A}，每个观测点视作一个节点，其中，q为节点的流量值，即观测点的历史交通流量，V为节点的集合，E代表观测点的连接边集合，观测点之间的连接关系构成邻接矩阵
Figure BDA00021940893600000812
使用核方法根据观测点之间的欧氏距离来计算A矩阵中的元素，图4中，Gt-r…Gt-1为预设时间间隔的历史交通流量的图表示，ε为节点间的连接边，qt-r为各节点在t-r时间段内的历史交通流量，v1…v6表示节点，Y1……Y6表示为预测结果，W0……WL表示为第0到L层网络的可训练权重。M为观测点个数，其中邻接矩阵A中第i行j列元素Aij计算过程如公式(2)所示：
Figure BDA0002194089360000091
其中，dij为观测点i和j的欧氏距离，σ为所有观测点之间距离d的标准差。
由于每个节点的邻居节点个数和顺序不确定，卷积核无法适应该结构，传统的卷积神经网络无法直接进行卷积操作。因此采用谱域的图卷积神经网络对交通流量数据的空间信息进行特征提取，一层图卷积神经网络GCN操作如下：
定义度矩阵D＝(Dii),其中Dii＝∑jAij，进而得到拉普拉斯矩阵L＝IM-D-1/2AD-1/2＝UΛUT，Λ＝diag(λ1,λ2…λM)是拉普拉斯矩阵L的特征值，U＝{u1,u2…uM}是其特征向量，对应
Figure BDA0002194089360000092
空间下的一组正交基，IM为M×M大小的单位矩阵，■T代表矩阵转置。将图的谱卷积定义为信号
Figure BDA0002194089360000093
与滤波器gθ＝diag(θ)相乘，滤波器被傅里叶域的可训练参数
Figure BDA0002194089360000094
参数化，如式(3)所示：
Figure BDA0002194089360000095
利用切比雪夫多项式近似及层次线性模型约束，可以得到单个滤波器(卷积核)图卷积神经网络的一阶近似形式如公式(4)所示:
Figure BDA0002194089360000096
其中，F1为单个滤波器(卷积核)图卷积神经网络的输出。
则P个滤波器(卷积核)得到的网络最终输出，其求解过程如公式(5)所示：
Figure BDA0002194089360000097
其中，
Figure BDA0002194089360000098
由P个(4)式中的可训练参数θ组成，P为滤波器(卷积核)的个数，F为图卷积神经网络提取的特征。
每个观测点归一化后的交通流量数据
Figure BDA0002194089360000099
作为该节点值x。因此预测t时刻M个观测点交通流量
Figure BDA00021940893600000910
时，各节点r个历史时间间隔流量数据
Figure BDA00021940893600000911
Figure BDA0002194089360000101
作为图卷积神经网络的输入，该网络的输出为F＝(F1,F2,…,FP)，
Figure BDA0002194089360000102
即提取的空间关系特征，由P个M维的特征向量组成。
步骤A32，基于LSTM对交通流量的时空关系提取特征。
LSTM结构由一个输入层、数个隐藏层和一个输出层组成。图神经网络提取的空间关系特征F作为LSTM的输入，LSTM的输出为H＝(H1,H2,…,HT)，T为LSTM输出特征向量个数，则t∈(1,T]，如图5所示，LSTM网络的门控包含有输入门(input gate)，遗忘门(forgetgate)，输出门(output gate)，计算过程如公式(6)(7)(8)所示：
it＝σ(WiHt-1+UiFt) (6)
ft＝σ(WfHt-1+UfFt) (7)
ot＝σ(WoHt-1+UoFt) (8)
其中，it为输入门的输出值，ft为遗忘门的输出值，ot为输出门的输出值，t-1、t表示时刻，Wi、Wf、Wo表示输入门、遗忘门、输出门的时空关系特征的参数，Ui、Uf、Uo表示输入门、遗忘门、输出门的空间信息特征的参数，Ht-1、Ht为t-1时刻、t时刻的时空关系特征。
t时刻的状态信息ct求解如公式(9)所示：
ct＝ft⊙ct-1+it⊙σh(WHt-1+UFt) (9)
t时刻的网络的输出如公式(10)所示：
Ht＝ot⊙σh(ct) (10)
其中，W,U代表可训练的网络参数，σ(·)是sigmoid函数，σh(·)是tanh函数，⊙代表哈达玛积。
步骤A33，基于注意力机制对LSTM层输出加权获取归一化的预测结果。
H由T个M维的特征向量组成，即
Figure BDA0002194089360000103
我们采用一种软注意力机制对H加权平均，求得最终输出结果
Figure BDA0002194089360000104
如公式(11)所示：
Figure BDA0002194089360000111
其中，Y为归一化的预测结果，Hk为时空关系特征，αk为特征权重，T为时空关系特征的个数，k为自然数，表示下标。
如图6所示，Γ表示设定的函数，它可以通过训练一个全连接网络来获得，其作用是针对每个Hk(H1、H2…HT)，计算其得分sk(s1、s2…sT)，并通过softmax函数计算权重αk(α1、α2…αT)，基于权重得到最终的预测结果，计算过程如公式(12)(13)所示：
sk＝Γ(Hk)＝tanh(ωTHk+bk) (12)
αk＝softmax(sk)＝softmax(Γ(Hk)) (13)
其中，ω为全连接网络的可训练权重，b为网络偏置项。
模型网络结构确定后，在保证模型结构复杂度不高、精确度较高情况下，选择GCN和LSTM的隐层数及对应网络隐藏节点个数，一般隐层数不超过3层，选择2的倍数作为隐层节点个数，尝试不同组合，使得模型损失函数尽量小。
步骤A4，训练混合深度学习结构预测模型
模型建立后，利用训练集D1数据，损失函数L设置为均方误差(MSE)，将误差反向传播来训练网络，即针对每一个样本根据损失函数
Figure BDA0002194089360000112
M为观测点的个数，采用随机梯度下降法将每一个样本的预测误差反传来优化网络的权重、偏置等参数，在训练达到最大轮数N时终止，使网络输出结果与归一化后的观测值接近。
步骤A5，利用测试集对模型预测结果性能评估
步骤A51，将测试集D2数据的输入部分输入到深层网络，进行前向计算，得到对应的输出数据，即对指定时间间隔的交通流量的归一化的预测结果Y；
步骤A52，将上述预测结果进行反归一化，得到对指定时间间隔的交通流量的预测值
Figure BDA0002194089360000113
交通流量的预测值
Figure BDA0002194089360000121
的求解过程如公式(14)所示：
Figure BDA0002194089360000122
步骤A53，将预测值
Figure BDA0002194089360000123
与对应的反归一化观测值
Figure BDA0002194089360000124
进行对比，得到网络预测模型的最终误差，并采用R2值、均方根误差(RMSE)和平均绝对误差(MAE)计算计算相关性能指标，
Figure BDA0002194089360000125
为观测值
Figure BDA0002194089360000126
的平均值，
Figure BDA0002194089360000127
为测试集样本的个数，其计算过程如公式(15)(16)(17)所示：
Figure BDA0002194089360000128
Figure BDA0002194089360000129
Figure BDA00021940893600001210
通过衡量以上三种性能指标，当模型在测试集上的R2接近1且RMSE和MAE比较小时，说明得到的模型预测性能更准确。其中，不同数据集下RMSE和MAE不一样，这两项指标与车流量的规模有关。流量为0-600的路口一般RMSE为30以下，MAE为20以下为较小。
2、基于混合深度学习的短时交通流量预测方法
本发明实施例的一种基于混合深度学习的短时交通流量预测方法，包括以下步骤：
步骤S10，获取待预测的各交通观测点的历史交通流量数据；所述历史交通流量数据为t时刻之前连续的等时长时间段的r个交通流量数据集合。
本实施例中，基于交通采集系统获取待预测交通观测点的t时刻之前按照预设时间间隔获取的r个连续的等时长时间段的历史交通流量数据。
步骤S20，分别将各所述交通流量数据集合中的历史交通流量数据合并得到对应的合并数据，并将各合并数据归一化。
在本实施例中，将各所述交通流量数据集合中的历史交通流量数据进行累加，得到对应的合并数据。统计各交通观测点对应的合并数据，获取最大的合并数据、最小的合并数据。将各合并数据与所述最大、最小的合并数据按照公式(1)进行计算，将其计算的结果作为归一化后各观测点的历史交通流量数据。
步骤S30，基于归一化的历史交通流量数据，采用混合深度学习模型获取各交通观测点t时刻的归一化的预测结果。
在本实施例中，所述混合深度学习模型由图卷积神经网络、LSTM网络和注意力机制组合而成，通过提取历史交通流量数据的时空关系特征预测当前交通流量数据，通过提取历史交通流量数据的时空关系特征预测当前交通流量数据。如图7所示：该模型由一层GCN网络(一阶形式)、1层LSTM网络(LSTM_1)组成，模型输入历史流量时间序列Q，其中t时刻之前连续的等时长时间段的r个交通流量数据集合分别表示为Qt-r、Qt-r+1…Qt-1，输出时空特征H1,…HT，通过注意力机制(图中的全连接网络和Softmax)计算权重计算每个特征对应的权重α1,…αT，将时空特征根据该权重加权平均作为最终的输出Yt。其中，A为邻接矩阵，W代表网络可训练的参数，网络的激活函数均为Tanh，在网络之间添加了批归一化处理BatchNormalization。具体步骤如下：
步骤S31，基于图卷积神经网络获取归一化后的各交通观测点的历史交通流量数据的空间关系特征；
步骤S32，根据所述空间关系特征，通过LSTM网络得到各交通观测点的历史交通流量数据的时空关系特征；
步骤S33，基于注意力机制得到各所述时空关系特征对应的权重，根据所述权重对其对应的时空关系特征进行加权平均，得到各交通观测点t时刻的归一化的预测结果。
步骤S40，将各交通观测点t时刻归一化的预测结果进行反归一化，得到各交通观测点t时刻的交通流量预测值。
在本实施例中，模型输出的是归一化的预测结果，范围是0-1，并不是真正的交通流量。因此需要对预测结果进行反归一化，得到真实的流量预测值。具体如下：
将各交通观测点t时刻归一化的预测结果与步骤S20得到的最大的合并数据、最小的合并数据按照公式(14)进行计算，得到各交通观测点t时刻的交通流量预测值。
本发明第二实施例的一种基于混合深度学习的短时交通流量预测系统，如图2所示，包括：获取模块100、合并归一化模块200、预测输出模块300、反归一化模块400；
获取模块100，配置为获取待预测的各交通观测点的历史交通流量数据；所述历史交通流量数据为t时刻之前连续的等时长时间段的r个交通流量数据集合；
合并归一化模块200，配置为分别将各所述交通流量数据集合中的历史交通流量数据合并得到对应的合并数据，并将各合并数据归一化；
预测输出模块300，配置为基于归一化的历史交通流量数据，采用混合深度学习模型获取各交通观测点t时刻归一化的预测结果；
反归一化模块400，配置为将各交通观测点t时刻的归一化的预测结果进行反归一化，得到各交通观测点t时刻的交通流量预测值；
其中，
所述混合深度学习模型由图卷积神经网络、LSTM网络和注意力机制组合而成，通过提取历史交通流量数据的时空关系特征预测当前交通流量数据。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的系统的具体的工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于混合深度学习的短时交通流量预测系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适用于由处理器加载并实现上述的基于混合深度学习的短时交通流量预测方法。
本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于混合深度学习的短时交通流量预测方法。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序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。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (9)

1.一种基于混合深度学习的短时交通流量预测方法，其特征在于，该方法包括：
步骤S10，获取待预测的各交通观测点的历史交通流量数据；所述历史交通流量数据为t时刻之前连续的等时长时间段的r个交通流量数据集合；
步骤S20，分别将各所述交通流量数据集合中的历史交通流量数据合并得到对应的合并数据，并将各合并数据归一化；
步骤S30，基于归一化的历史交通流量数据，采用混合深度学习模型获取各交通观测点t时刻的归一化的预测结果；所述混合深度学习模型由图卷积神经网络、LSTM网络和注意力机制组合而成，通过提取历史交通流量数据的时空关系特征预测当前交通流量数据；
其中，“采用混合深度学习模型获取各交通观测点t时刻的归一化的预测结果”，其方法为：
基于所述图卷积神经网络获取归一化后的各交通观测点的历史交通流量数据的空间关系特征；
根据所述空间关系特征，通过所述LSTM网络得到各交通观测点的历史交通流量数据的时空关系特征；
基于注意力机制得到各所述时空关系特征对应的权重，根据所述权重对其对应的时空关系特征进行加权平均，得到各交通观测点t时刻归一化的预测结果；
步骤S40，将各交通观测点t时刻归一化的预测结果进行反归一化，得到各交通观测点t时刻的交通流量预测值。
2.根据权利要求1所述的基于混合深度学习的短时交通流量预测方法，其特征在于，步骤S20中“分别将各所述交通流量数据集合中的历史交通流量数据合并得到对应的各合并数据”，其方法为：分别将各所述交通流量数据集合中的历史交通流量数据进行累加，得到对应的各合并数据。
3.根据权利要求1或2所述的基于混合深度学习的短时交通流量预测方法，其特征在于，步骤S20中“将各合并数据归一化”，其方法为：
Figure FDA0002708671250000021
其中，
Figure FDA0002708671250000022
为合并数据，i为交通观测点的下标值，qmax为最大的合并数据，qmin为最小的合并数据，
Figure FDA0002708671250000024
为归一化后的合并数据。
4.根据权利要求1所述的基于混合深度学习的短时交通流量预测方法，其特征在于，“基于图卷积神经网络获取归一化后的各交通观测点的历史交通流量数据的空间关系特征”，其方法为：
以每个交通观测点为节点，基于各节点之间的欧氏距离，通过核方法计算各节点之间的连接关系，并构建邻接矩阵；
基于所述邻接矩阵，通过图卷积神经网络得到各观测点之间的空间关系特征。
5.根据权利要求3所述的基于混合深度学习的短时交通流量预测方法，其特征在于，“根据所述权重对其对应的时空关系特征进行加权平均，得到各交通观测点t时刻的归一化的预测结果”，其方法为：
Figure FDA0002708671250000023
其中，Y为归一化的预测结果，Hk为时空关系特征，αk为特征权重，T为时空关系特征的个数，k为自然数，表示下标。
6.根据权利要求5所述的基于混合深度学习的短时交通流量预测方法，其特征在于，步骤S40中“将各交通观测点t时刻的归一化的预测结果进行反归一化，得到各交通观测点t时刻的交通流量预测值”，其方法为：
Figure FDA0002708671250000031
其中，
Figure FDA0002708671250000032
为反归一化后的交通流量预测值。
7.一种基于混合深度学习的短时交通流量预测系统，其特征在于，该系统包括获取模块、合并归一化模块、预测输出模块、反归一化模块；
所述获取模块，配置为获取待预测的各交通观测点的历史交通流量数据；所述历史交通流量数据为t时刻之前连续的等时长时间段的r个交通流量数据集合；
所述合并归一化模块，配置为分别将各所述交通流量数据集合中的历史交通流量数据合并得到对应的合并数据，并将各合并数据归一化；
所述预测输出模块，配置为基于归一化的历史交通流量数据，采用混合深度学习模型获取各交通观测点t时刻归一化的预测结果；所述混合深度学习模型由图卷积神经网络、LSTM网络和注意力机制组合而成，通过提取历史交通流量数据的时空关系特征预测当前交通流量数据；
其中，“采用混合深度学习模型获取各交通观测点t时刻的归一化的预测结果”，其方法为：
基于所述图卷积神经网络获取归一化后的各交通观测点的历史交通流量数据的空间关系特征；
根据所述空间关系特征，通过所述LSTM网络得到各交通观测点的历史交通流量数据的时空关系特征；
基于注意力机制得到各所述时空关系特征对应的权重，根据所述权重对其对应的时空关系特征进行加权平均，得到各交通观测点t时刻归一化的预测结果；
所述反归一化模块，配置为将各交通观测点t时刻的归一化的预测结果进行反归一化，得到各交通观测点t时刻的交通流量预测值。
8.一种存储装置，其中存储有多条程序，其特征在于，所述程序应用由处理器加载并执行以实现权利要求1-6任一项所述的基于混合深度学习的短时交通流量预测方法。
9.一种处理装置，包括处理器、存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；其特征在于，所述程序适用于由处理器加载并执行以实现权利要求1-6任一项所述的基于混合深度学习的短时交通流量预测方法。
CN201910842242.8A 2019-09-06 2019-09-06 基于混合深度学习的短时交通流量预测方法、系统、装置 Active CN110675623B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910842242.8A CN110675623B (zh) 2019-09-06 2019-09-06 基于混合深度学习的短时交通流量预测方法、系统、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910842242.8A CN110675623B (zh) 2019-09-06 2019-09-06 基于混合深度学习的短时交通流量预测方法、系统、装置

Publications (2)

Publication Number Publication Date
CN110675623A CN110675623A (zh) 2020-01-10
CN110675623B true CN110675623B (zh) 2020-12-01

Family

ID=69076648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910842242.8A Active CN110675623B (zh) 2019-09-06 2019-09-06 基于混合深度学习的短时交通流量预测方法、系统、装置

Country Status (1)

Country Link
CN (1) CN110675623B (zh)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414989B (zh) * 2020-02-13 2023-11-07 山东师范大学 基于门控机制的用户信任关系网络链路预测方法及系统
CN111275971A (zh) * 2020-02-18 2020-06-12 山西交通控股集团有限公司 一种高速公路交通流量预测方法
CN111223301B (zh) * 2020-03-11 2021-01-26 北京理工大学 一种基于图注意力卷积网络的交通流量预测方法
CN111428920B (zh) * 2020-03-17 2023-06-09 北京香侬慧语科技有限责任公司 一种基于图注意力网络的交通预测方法及系统
CN111414875B (zh) * 2020-03-26 2023-06-02 电子科技大学 基于深度回归森林的三维点云头部姿态估计系统
CN113496305A (zh) * 2020-04-03 2021-10-12 浙江大学 数据处理方法及装置
CN111523706B (zh) * 2020-04-06 2022-07-08 武汉理工大学 一种基于深度学习组合模型的断面车道级短时交通流预测方法
CN111554089A (zh) * 2020-04-13 2020-08-18 广东省智能制造研究所 一种基于深度学习的交通状态预测方法及装置
CN111508230B (zh) * 2020-04-16 2021-08-20 中国科学院自动化研究所 基于深度学习的分时段交通流趋势预测方法、系统、装置
CN111540198B (zh) * 2020-04-17 2021-07-27 浙江工业大学 基于有向图卷积神经网络的城市交通态势识别方法
CN111292562B (zh) * 2020-05-12 2020-08-18 北京航空航天大学 一种航空流量预测方法
CN111783262B (zh) * 2020-06-17 2022-10-18 北京航空航天大学 一种基于层次化图神经网络的路网表征的学习方法
CN111970163B (zh) * 2020-06-30 2022-06-21 网络通信与安全紫金山实验室 一种基于注意力机制的lstm模型的网络流量预测方法
CN111815046B (zh) * 2020-07-06 2024-03-22 北京交通大学 基于深度学习的交通流量预测方法
CN111968375B (zh) * 2020-08-27 2021-08-10 北京嘀嘀无限科技发展有限公司 交通流量的预测方法、装置、可读存储介质及电子设备
CN112116155B (zh) * 2020-09-18 2023-07-25 平安科技（深圳）有限公司 基于智能决策的人口流动预测方法、装置及计算机设备
CN112257918B (zh) * 2020-10-19 2021-06-22 中国科学院自动化研究所 基于内嵌注意力机制的循环神经网络的交通流量预测方法
CN112419722B (zh) * 2020-11-18 2022-08-30 百度(中国)有限公司 交通异常事件检测方法、交通管控方法、设备和介质
CN114973640A (zh) * 2021-02-24 2022-08-30 阿里巴巴集团控股有限公司 交通流量的预测方法、装置及系统
CN112906982A (zh) * 2021-03-22 2021-06-04 哈尔滨理工大学 一种基于gnn-lstm结合的网络流量预测方法
CN113178073A (zh) * 2021-04-25 2021-07-27 南京工业大学 一种基于时间卷积网络的车流量短期预测优化应用方法
CN113240182A (zh) * 2021-05-19 2021-08-10 广州广电运通金融电子股份有限公司 复杂路网下的短时交通流量预测方法、存储介质和系统
CN113487856B (zh) * 2021-06-04 2022-10-14 兰州理工大学 基于图卷积网络及注意力机制的交通流组合预测模型
CN113345233A (zh) * 2021-06-04 2021-09-03 安徽达尔智能控制系统股份有限公司 一种道路交通流预测方法和系统
CN113724508B (zh) * 2021-09-08 2022-08-23 四川国蓝中天环境科技集团有限公司 一种考虑交通排放不确定性的交通信号鲁棒控制方法
CN114283584A (zh) * 2021-12-31 2022-04-05 云控智行(上海)汽车科技有限公司 一种智能网联环境下高速公路路况预测方法及计算机可读存储介质
CN114973678B (zh) * 2022-06-08 2024-04-09 广州航海学院 一种基于图注意力神经网络和时空大数据的交通预测方法
CN116740476B (zh) * 2023-08-15 2023-11-07 四川互慧软件有限公司 一种基于患者360可视化人体自动标注方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002298281A (ja) * 2001-03-30 2002-10-11 Foundation For The Promotion Of Industrial Science 交通量予測装置、交通量予測方法、交通情報センターおよび車載ナビゲーションシステム
CN104134351B (zh) * 2014-08-14 2016-08-03 中国科学院自动化研究所 一种短时交通流预测方法
CN105389980B (zh) * 2015-11-09 2018-01-19 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
CN105654729B (zh) * 2016-03-28 2018-01-02 南京邮电大学 一种基于卷积神经网络的短时交通流量预测方法
CN105761488B (zh) * 2016-03-30 2018-11-23 湖南大学 基于融合的实时极限学习机短时交通流预测方法
CN109492814B (zh) * 2018-11-15 2021-04-20 中国科学院深圳先进技术研究院 一种城市交通流量预测方法、系统及电子设备
CN109598381B (zh) * 2018-12-05 2023-04-18 武汉理工大学 一种基于状态频率记忆神经网络的短时交通流预测方法

Also Published As

Publication number Publication date
CN110675623A (zh) 2020-01-10

Similar Documents

Publication Publication Date Title
CN110675623B (zh) 基于混合深度学习的短时交通流量预测方法、系统、装置
CN105224872B (zh) 一种基于神经网络聚类的用户异常行为检测方法
CN114220271A (zh) 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质
Ge et al. Temporal graph convolutional networks for traffic speed prediction considering external factors
CN113705880A (zh) 基于时空注意力图卷积网络的交通速度预测方法和装置
CN113240187B (zh) 预测模型生成方法、系统、设备、存储介质及预测方法
CN113313947A (zh) 短期交通预测图卷积网络的路况评估方法
CN111079975A (zh) 一种交通数据预测方法、装置及交通工具控制方法
Vila et al. Bayesian nonlinear model selection and neural networks: A conjugate prior approach
CN111881954A (zh) 基于渐进式簇净化网络的转导推理小样本分类方法
CN110689183A (zh) 一种集群光伏功率概率预测方法、系统、介质及电子设备
CN115512545A (zh) 一种基于时空动态图卷积网络的交通速度预测方法
CN114973678B (zh) 一种基于图注意力神经网络和时空大数据的交通预测方法
CN113887704A (zh) 交通信息预测方法、装置、设备及存储介质
CN111047078A (zh) 交通特征预测方法、系统及存储介质
CN113988263A (zh) 工业物联网边缘设备中基于知识蒸馏的空时预测方法
Liu et al. A method for short-term traffic flow forecasting based on GCN-LSTM
CN116052254A (zh) 基于扩展卡尔曼滤波神经网络的视觉连续情感识别方法
CN117131991A (zh) 基于混合神经网络的城市降雨量预测方法及平台
CN117074951A (zh) 锂电池荷电状态的估计方法、装置、设备及可读存储介质
CN114708307B (zh) 基于相关滤波器的目标跟踪方法、系统、存储介质及设备
CN107704944A (zh) 一种基于信息论学习的股市波动区间预测方法
CN116486611A (zh) 一种城市道路车辆速度预测方法
CN115730248A (zh) 一种机器账号检测方法、系统、设备及存储介质
CN116434569A (zh) 基于stnr模型的交通流量预测方法及系统

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
GR01 Patent grant
GR01 Patent grant