CN110766942B - 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 - Google Patents
一种基于卷积长短期记忆网络的交通路网拥堵预测方法 Download PDFInfo
- Publication number
- CN110766942B CN110766942B CN201910993235.8A CN201910993235A CN110766942B CN 110766942 B CN110766942 B CN 110766942B CN 201910993235 A CN201910993235 A CN 201910993235A CN 110766942 B CN110766942 B CN 110766942B
- Authority
- CN
- China
- Prior art keywords
- congestion
- network
- traffic
- road
- time
- 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
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公布了一种基于卷积长短期记忆网络的交通拥堵预测方法,利用实际的路网空间结构和路网中站点的数据,基于卷积长短期记忆网络,实现交通路网拥堵预测;包括构造路网拥堵矩阵过程、构造拥堵张量过程和拥堵预测过程;通过实际路网空间结构和路网中站点的数据来构造二维拥堵矩阵,采用滑动时间窗口方法将二维拥堵矩阵转换为三维拥堵张量,使用双层卷积长短期记忆网络ConvLSTM对拥堵张量进行训练和预测,得到交通路网拥堵预测矩阵,从而实现对未来一段时间内的交通路网拥堵状况进行预测。本发明方法实用,适应性强,对路网交通拥堵的预测精度高。
Description
技术领域
本发明属于智能交通技术领域,涉及交通路网拥堵预测方法,具体涉及一种基于卷积长短期记忆网络的交通拥堵预测方法。
背景技术
交通拥堵已经成为了一个全球性的问题,尤其是在大城市。交通拥堵预测能够提供未来一段时间内可能的交通拥堵状况。交通管理部门可以调整交通控制策略来减轻交通拥堵;人们可以主动避开拥堵路段,合理规划出行路线。
尽管已经有许多交通拥堵预测的相关研究,然而在路网上准确预测拥堵的研究仍旧是一项具有挑战性的工作。首先,绝大多数研究都只关注特定地点的未来短期交通拥堵情况,极少考虑道路网络的拥堵情况。当应用于其他地点时需要重新设置和训练模型参数。根据交通波理论,交通拥堵会向上游和下游道路传播。因此,空间相关性是准确预测路网拥堵的关键因素。然而,单一地点的拥堵预测方法没有考虑到交通拥堵的空间相关性。最后,一些现有的关于交通路网的研究大都使用地图匹配技术,来精确定位道路的位置。这种技术比较复杂且容易出现位置偏移造成一定的误差等问题。
长短期记忆网络(Long-Short Term Memory,LSTM)是一种循环神经网络,在处理具有长期时间依赖关系的任务时性能优异。LSTM的输入是时间序列数据,仅考虑了时间的自相关性,但是无法处理更高维的时空数据序列。卷积LSTM模型(Convolutional LSTM,ConvLSTM)是LSTM的一种变体。不同于LSTM的二维时间序列输入,卷积LSTM的输入是一个三维时空张量,前两维是空间维度,第三维是时间维度。卷积LSTM继承了LSTM处理时间序列相关性的优势,同时卷积操作使得模型能够很好地处理空间结构关系。然而,目前尚未出现使用ConvLSTM来进行交通路网拥堵预测的相关研究。
发明内容
为了克服上述现有技术的不足,本发明提供一种基于卷积长短期记忆网络的交通拥堵预测方法,是一种新的交通路网拥堵预测方法,利用实际的路网空间结构和路网中站点的速度数据,基于卷积长短期记忆网络,实现交通路网拥堵预测,本发明方法实用,适应性强,预测精度高。
本发明的核心是:为了提取交通路网的空间关系,提出了一种新的路网拥塞矩阵构造方法,不需要复杂的地图匹配操作。具体来说,它根据路网上站点的相对位置而不是绝对位置来构造拥堵矩阵。然后将交通拥堵的空间矩阵按照时间维度构造为拥堵张量。显然,这样的拥堵张量同时考虑了交通拥堵的时间特征和空间关系。最后,设计了一个基于ConvLSTM的两层网络来预测区域道路网络内的所有站点在未来一段时间内的交通拥堵状况。
本发明提供的技术方案是:
一种基于卷积长短期记忆网络ConvLSTM的交通路网拥堵预测方法,包括路网拥堵矩阵构造、拥堵张量构造和拥堵预测过程;通过实际的路网空间结构和路网中站点(站点即能提供交通数据的检测设备所在的位置,检测设备包括感应环路检测器、摄像头等)的数据来构造拥堵矩阵,根据滑动时间窗口方法将二维拥堵矩阵转换为三维张量,使用双层的ConvLSTM网络对拥堵张量进行训练和预测,获取最终预测的交通路网拥堵矩阵;具体包括如下步骤:
A拥堵矩阵构造,包括:
A1:通过地图获取路网中各个站点的空间关系图;
A2:获取路网中车辆在各个站点的实时交通速度,并转换为拥堵指数;
A3:根据步骤A1获得的站点空间关系图和步骤A2得到的拥堵指数数据,构造路网拥堵二维矩阵;
A4:将步骤A3获得的路网拥堵二维矩阵按照时间顺序排列,得到路网拥堵二维矩阵序列,并按照指定的比例划分为训练集和测试集(如训练集样本数:测试集样本数=7:3或4:1等);
B拥堵张量构造,包括:
B1:设定时间窗口的大小;
B2:将步骤A4中训练集和测试集中的路网拥堵二维矩阵序列根据时间窗口的大小划分为多个子序列,每一个子序列都被看作是一个三维的拥堵张量;
C拥堵预测,包括:
C1:构造一个两层的ConvLSTM拥堵预测网络模型,第一层网络包含多个卷积核,用于对步骤B2的拥堵张量进行时空特征提取,输出交通路网拥堵数据的时空特征;第二层网络包含一个卷积核,用于对第一层网络的输出结果进行降维;
C2:使用步骤B2训练集中的样本对步骤C1中的拥堵预测网络模型(双层网络模型)进行训练,根据损失函数进行迭代计算,确定第一层网络中卷积核的最优数目,由此得到训练好的拥堵预测网络模型;
C3:将步骤C2训练好的拥堵预测网络模型用来对步骤B2测试集中的样本进行预测。
C4:在时刻t,根据预测步骤A1-C3可以获取(t+1)时刻的交通路网拥堵预测值;当(t+1)时刻还未到来时,可以将(t+1)时刻的预测值作为真实数据,对(t+2)时刻的拥堵状况进行预测,以此类推,可以获得{(t+3),(t+4),...}时刻的交通拥堵预测结果;
C5:当(t+1)时刻到来时,将通过交通设备收集到的实际观测值添加到历史数据集中,对拥堵预测网络模型进行微调,然后使用微调后的拥堵预测网络模型进行新一轮的预测,即包括步骤A1~C5;
通过上述步骤,实现基于卷积长短期记忆的交通路网拥堵预测,得到未来一段时间内的交通路网拥堵状况数据。
作为一个优选方案,步骤A2中的实时交通速度转为拥堵指数的详细步骤如下:
A21:获取路网中所有站点的速度数据以及站点所在道路的限速,
A22:通过拥堵指数计算公式(式1)计算得到时刻t的拥堵指数ct:
根据实时速度vt和道路限速vlimit计算出时刻t的拥堵指数ct;
A23:时刻t的拥堵指数ct的取值范围在[0,1]之间,越接近0说明道路越畅通,越接近1说明道路越拥堵;
作为一个优选方案,步骤A3中构造路网拥堵二维矩阵的详细步骤如下:
A31:根据步骤A1获得的路网的站点空间关系图,得到各个站点的空间关系;
A32:设置一个二维矩阵,该二维矩阵能够包含路网中所有站点的大小,例如,若路网包含M个站点,则可以简单地设置矩阵大小为M行M列,根据步骤A31中各个站点的空间关系按如下方法填充该二维矩阵:
1)如果三个相邻的站点A,B和C位于同一条单链路或双向道路的同一侧,则将它们构造为矩阵中同一行或同一列上的三个连续单元,如图1(a);
2)如果四个相邻的站点形成一个三岔口,则构建为“T”形结构,如图1(b);
3)如果最近的五个站点形成一个十字路口,则填充为“+”结构,如图1(c);
4)如果相邻的三个站点形成一个三角形区域,则选择其中的连接其他点的数目最少的点进行复制。如图1(d)所示,如果站点A的连接站点最少,则复制A构造一个方形区域。如果三个站点具有相同的连接站点,则任选其一进行复制,构造成方形区域。
5)如果多个站点在道路的两侧,则设置距离阈值δ(如δ=1千米),则:
a)如果d≤δ,d是道路两侧两个站点的最近距离,则将站点填充在同一行或同一列中。如图1(e)中,站点A和B位于道路的一侧,C和D在道路的另一侧,dAC≤δ且dBD≤δ,则填充为方形区域;
b)如果d>δ,d是道路两侧的两个站点之间的距离,则填充到对角单元中。如图1(f)所示,站点A和B位于道路的一侧,C位于另一侧,dAC>δ且dBC>δ,则填充为矩阵中的“V”形单元格中。
A33:将所有存在道路站点的单元格填上对应的拥堵指数,不存在道路站点的网格填充为0。
A34:删除所有不包含拥堵数据的行和列,获取道路网络对应的最小且完整的二维拥堵矩阵;
作为一个优选方案,步骤B2包含如下步骤:
B21:根据设置的时间窗口W将A4中训练集和测试集中的所有二维拥堵矩阵构成的序列{X1,X2,...,Xt}(Xi表示时刻i对应的二维拥堵矩阵,其中i=1,2,...,t,t为当前时刻)划分为长度为W的多个子序列{X1,X2,...,XW},{X2,X3,...,XW+1},{X3,X4,...,XW+2},...;
B22:根据步骤B21获得的多个子序列,将每一个子序列看做一个三维张量:
作为一个优选方案,步骤C1包含如下步骤:
C11:设计多个两层的ConvLSTM拥堵预测网络,第一层用于时空特征挖掘,第二层用于降维;
C12:对多个双层卷积长短期记忆网络ConvLSTM,分别设置第一层的卷积核数目为8,16,32,...,Kmax,Kmax是第一层网络包含卷积核的最大数量(取值可为128或256,一般不超过256)。第二层只包含一个卷积核,卷积核的大小需要根据构造的二维拥堵矩阵的复杂度来确定(一般卷积核大小设置为2*2或是3*3),优化器使用adam(Adaptive MomentEstimation);
作为一个优选方案,步骤C2包含如下步骤:
C21:使用步骤B2训练集中的样本对步骤C12中第一层分别包含8,16,32,...,Kmax个卷积核的多个双层网络模型进行训练;
C22:选出在达到指定迭代次数时(如最大迭代次数为100次)损失函数最小的双层网络作为最终预测模型。损失函数为平均平方误差(MSE),公式如下:
与现有技术相比,本发明的有益效果是:
本发明所提供的基于卷积长短期记忆的交通路网拥堵预测方法,根据路网上站点的相对位置而不是绝对位置来构造拥堵矩阵,将交通拥堵的空间矩阵按照时间维度构造为拥堵张量,拥堵张量同时考虑了交通拥堵的时间特征和空间关系,能够发掘交通拥堵序列的时间模式和空间模式再构建两层ConvLSTM网络来预测区域道路网络内的所有站点在未来一段时间内的交通拥堵状况。本发明能够适应当前交通状况,对交通路网拥堵的预测精度高,适用性强,可推广应用于各种交通路网。
附图说明
图1是本发明提供的交通路网拥堵矩阵构造方法过程示意图;
其中,(a)为三个相邻的站点A,B和C位于同一条单链路或双向道路的同一侧构造为矩阵中同一行或同一列上的三个连续单元;(b)为四个相邻的站点形成一个三岔口构建为“T”形结构;(c)为最近的五个站点形成一个十字路口构造为“+”结构;(d)为相邻的三个站点形成一个三角形区域的构造情形;(e)和(f)为多个站点在道路的两侧的构造情形。
图2是本发明提供的交通路网拥堵预测方法的流程框图;
图3是本发明具体实施采用的ConvLSTM的单元结构示意图;
其中,在t时刻的输入为Xt,Ht为当前时刻的隐层状态,是当前单元的候选状态,it、ft和ot分别表示输入门、忘记门和输出门的值,σ表示Sigmoid函数,tanh表示双曲正切函数,*和+分别表示向量的点积和加法运算。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
本发明给出一种基于卷积长短期记忆网络的交通路网拥堵预测方法。如图2所示,该模型包括拥堵矩阵构造过程、拥堵张量构造过程和拥堵预测过程:
A拥堵矩阵构造:
A1:通过地图获取路网中各个站点的空间关系;
A2:获取路网中各个站点的实时速度,转换为拥堵指数;详细过程如下:
A21:获取路网中所有站点的速度数据以及道路的限速信息;
A22:通过拥堵指数计算公式(式1),按照实时速度vt和道路限速vlimit计算出时刻t的拥堵指数ct;
A23:拥堵指数ct取值范围为[0,1],越接近0说明道路越畅通,越接近1说明道路越拥堵;
A3:根据步骤A1观察获得的空间关系和步骤A2的拥堵指数数据,构造路网拥堵矩阵;主要包括以下步骤:
A31:根据步骤A1获得的路网图片,观察各个站点的空间关系;
A32:设置一个足够大的二维矩阵,根据步骤A31的观察按如下方法填充,图1所示为交通路网拥堵矩阵构造方法过程:
1)如果三个相邻的站点A,B和C位于同一条单链路或双向道路的同一侧,则将它们构造为矩阵中同一行或同一列上的三个连续单元,如图1(a);
2)如果四个相邻的站点形成一个三岔口,则构建为“T”形结构,如图1(b);
3)如果最近的五个站点形成一个十字路口,则填充为“+”结构,如图1(c);
4)如果相邻的三个站点形成一个三角形区域,则选择连接其他点的数目最少的点进行复制。如图1(d)所示,如果站点A的连接站点最少,则复制A构造一个方形区域。如果三个站点具有相同的连接站点,则任选其一复制。
5)如果多个站点在道路的两侧,则设阈值δ(如δ=1千米),则:
a)如果d≤δ,d是道路两侧两个站点的最近距离,则将站点填充在同一行或同一列中。如图1(e)中,站点A和B位于道路的一侧,C和D在道路的另一侧,dAC≤δ且dBD≤δ,则填充为方形区域;
b)如果d>δ,d是道路两侧的两个站点之间的距离,则填充到对角单元中。如图1(f)所示,站点A和B位于道路的一侧,C位于另一侧,dAC>δ且dBC>δ,则填充为矩阵中的“V”形单元格中。
A33:将所有存在道路站点的单元格填上对应的拥堵指数,不存在道路站点的网格填充为0。
A34:删除所有不包含拥堵数据的行和列,即为道路网络的二维拥堵矩阵;
A4:将步骤A34获得的二维拥堵矩阵按照时间顺序排列,并按照指定的比例划分为训练集和测试集(如训练集样本数∶测试集样本数=7∶3或4∶1等);
B拥堵张量构造:
B1:设定时间窗口的大小W;
B2:将步骤A4中训练集和测试集中的二维拥堵矩阵序列划分为多个子序列,每一个子序列都被看作是一个三维的拥堵张量;详细步骤如下:
B21:根据设置的时间窗口W将A4中训练集和测试集中的所有二维拥堵矩阵X构成的序列{X1,X2,...,Xt}划分为长度为W的多个子序列{X1,X2,...,XW},{X2,X3,...,XW+1},{X3,X4,...,XW+2},...;
B22:将步骤B21获得的每一个子序列都看做一个三维张量;
C拥堵预测:
C1:构造一个两层的ConvLSTM拥堵预测网络,第一层包含多个卷积核用于对步骤B22的拥堵张量进行时空特征提取,第二层包含一个卷积核用于对第一层网络的输出结果进行降维;具体过程如下:
C11:设计一个两层的ConvLSTM拥堵预测网络,第一层用于时空特征挖掘,第二层用于降维;ConvLSTM网络的单元结构如图3所示,在t时刻的输入为Xt,Ht为当前时刻的隐层状态,是当前单元的候选状态。ConvLSTM单元包含三个门,即输入门(input gate)、输出门(output gate)和忘记门(forget gate)。三个门的输入都是当前时刻的输入Xt和上一个时刻隐层的输出Ht-1,输出分别是it、ot和ft,计算公式如下(式3-式7):
C12:设置第一层的卷积核数目分别为8,16,32,...,Kmax,Kmax是第一层网络包含卷积核的最大数量。第二层只包含一个卷积核,卷积核的大小需要根据构造的二维拥堵矩阵的复杂度来确定(一般卷积核大小设置为2*2或是3*3),优化器使用adam(Adaptive MomentEstimation);
C2:使用步骤B22训练集中的样本对步骤C1中的双层网络模型进行训练,确定第一层网络中卷积核的最优数目;详细过程包括:
C21:使用步骤B22训练集中的样本对步骤C12中第一层分别包含8,16,32,...,Kmax个卷积核的多个双层网络模型进行训练;
C22:选出在迭代次数达到设置的最大值时损失函数MSE最小的双层网络作为最终的预测网络模型。
C3:使用步骤C2训练好的预测模型对步骤B22测试集中的样本进行预测。
C4:在时刻t,根据预测步骤A1-C3可以获取(t+1)时刻的交通路网拥堵预测值;当(t+1)时刻还未到来时,可以将(t+1)时刻的预测值作为真实数据,对(t+2)时刻的拥堵状况进行预测,依次类推,可以获得{(t+3),(t+4),...}时刻的交通拥堵预测结果;
C5:当(t+1)时刻到来时,将通过交通设备收集到的实际观测值xt+1添加到历史数据集中,并对双层预测网络进行参数微调,然后进行新一轮的预测。
通过上述步骤,实现基于卷积长短期记忆的交通路网拥堵预测,得到未来一段时间内的交通路网拥堵状况数据。实施表明,采用本发明技术方案,能够发掘交通拥堵序列的时间模式和空间模式,适应当前交通状况,对交通路网拥堵的预测精度高,适用性强,可推广应用于各种交通路网。
以上所述,仅为本发明中的具体实现方法,但本发明的保护范围并不局限于此,任何类似方法的替换或者函数变换,都应在本发明的包含范围之内。
Claims (8)
1.一种基于卷积长短期记忆网络的交通路网拥堵预测方法,包括构造路网拥堵矩阵过程、构造拥堵张量过程和拥堵预测过程;通过实际路网空间结构和路网中站点的数据来构造二维拥堵矩阵,采用滑动时间窗口方法将二维拥堵矩阵转换为三维拥堵张量,使用双层卷积长短期记忆网络ConvLSTM对拥堵张量进行训练和预测,得到交通路网拥堵预测矩阵,从而实现交通路网拥堵预测;具体包括如下步骤:
A.构造拥堵矩阵,执行如下操作:
A1.根据交通路网地图获取路网中各站点的空间关系图;
A2.获取路网中车辆在各站点的实时交通速度,并转换为拥堵指数;
将实时交通速度转为拥堵指数包括如下步骤:
A21:获取路网中所有站点的速度数据以及站点所在道路的限速;
A22:通过式1计算拥堵指数,得到时刻t的拥堵指数ct:
其中,vt为实时速度;vlimit为道路限速;
A3.根据站点空间关系图和步骤A2得到的拥堵指数数据,构造路网拥堵二维矩阵;包括如下步骤:
A31.根据步骤A1获得的路网的站点空间关系图,得到各个站点的空间关系;
A32.设置一个二维矩阵,根据各个站点的空间关系填充二维矩阵,将相邻站点构造成在二维矩阵中的形式为:连续单元、“T”形结构、“+”结构、方形区域或“V”形单元格;
根据各个站点的空间关系填充二维矩阵的方法具体包括:
a1).当三个相邻的站点A,B和C位于同一条单链路或双向道路的同一侧,将它们构造为矩阵中同一行或同一列上的三个连续单元;
a2).当四个相邻的站点形成一个三岔口时,构建为“T”形结构;
a3).当最近的五个站点形成一个十字路口时,填充为“+”结构;
a4).当相邻的三个站点形成一个三角形区域时,选择其中的连接其他点的数目最少的点进行复制,构造成方形区域;如果三个站点具有相同的连接站点,则任选其一进行复制,构造成方形区域;
a5).当多个站点在道路的两侧时,设置距离阈值δ,包括:
如果道路两侧两个站点的最近距离d≤δ,则将站点填充在同一行或同一列的方形区域中;
如果道路两侧两个站点的最近距离d>δ,则填充到矩阵中的“V”形的对角单元中;
A33.在二维矩阵中,将所有存在道路站点的单元格填上对应的拥堵指数,不存在道路站点的单元格填充为0;
A34.在二维矩阵中,删除所有不包含拥堵数据的行和列,由此获取道路网络对应的最小且完整的路网拥堵二维矩阵;
A4.将所述路网拥堵二维矩阵按照时间顺序排列,得到路网拥堵二维矩阵序列,按照指定的比例划分为训练集和测试集;
B.构造拥堵张量,执行如下操作:
B1.设定时间窗口的大小;
B2.根据时间窗口的大小,将步骤A4中训练集和测试集中的路网拥堵二维矩阵序列划分为多个子序列,每一个子序列作为一个三维拥堵张量;
C.进行路网拥堵预测,执行如下操作:
C1.构造一个双层卷积长短期记忆网络ConvLSTM作为拥堵预测网络模型,其中第一层网络包含多个卷积核,用于对三维拥堵张量进行时空特征提取,输出交通路网拥堵数据的时空特征;第二层网络包含一个卷积核,用于对第一层网络的输出结果进行降维;
C2.使用训练集中的样本对所述拥堵预测网络模型进行训练,根据损失函数进行迭代计算,确定第一层网络中卷积核的最优数目,由此得到训练好的拥堵预测网络模型;
损失函数采用平均平方误差MSE,表示为式2:
将达到设定迭代次数时损失函数最小的双层网络作为训练好的拥堵预测网络模型;
C3.利用训练好的拥堵预测网络模型,对测试集中的样本进行拥堵预测;
通过上述步骤,即可实现基于卷积长短期记忆网络的交通路网拥堵预测。
2.如权利要求1所述基于卷积长短期记忆网络的交通路网拥堵预测方法,其特征是,步骤C3进行拥堵预测中,包括:
a.在时刻t对t+1时刻进行交通路网拥堵预测:即执行步骤A1-C3获取t+1时刻的交通路网拥堵预测值;
当t+1时刻还未到来时对t+1时刻之后的时刻进行交通路网拥堵预测:将t+1时刻的预测值作为真实数据,对t+2时刻的拥堵状况进行预测;
由此可获得还未到来的多个时刻的交通拥堵预测结果;
b.当t+1时刻到来时,将通过交通设备收集到的实际观测值添加到历史数据集中,对拥堵预测网络模型进行微调,将微调后的拥堵预测网络模型作为训练好的拥堵预测网络模型进行预测;
通过上述步骤,进行基于卷积长短期记忆的交通路网拥堵预测,得到未来一段时间内的交通路网拥堵状况数据。
3.如权利要求1所述基于卷积长短期记忆网络的交通路网拥堵预测方法,其特征是,步骤B2划分多个子序列的方法为:
设置时间窗口为W,根据W将训练集和测试集中所有的二维拥堵矩阵X构成的序列{X1,X2,...,Xt}划分为多个子序列,表示为:
{X1,X2,...,XW},
{X2,X3,...,XW+1},
{X3,X4,...,XW+2},
…
其中,每个子序列的长度为W。
4.如权利要求1所述基于卷积长短期记忆网络的交通路网拥堵预测方法,其特征是,步骤C1所述双层卷积长短期记忆网络ConvLSTM具体包括第一层网络和第二层网络;
第一层网络用于时空特征挖掘,第二层网络用于降维;
所述双层卷积长短期记忆网络ConvLSTM为多个网络,第一层网络的卷积核数目分别为8,16,32,…,Kmax,其中Kmax是第一层网络包含卷积核的最大数量;
第二层只包含一个卷积核;
优化器使用adam。
5.如权利要求4所述基于卷积长短期记忆网络的交通路网拥堵预测方法,其特征是,步骤C2训练拥堵预测网络模型,具体包括如下步骤:
C21:使用训练集中的样本对拥堵预测网络模型的第一层网络分别包含8,16,32,…,Kmax个卷积核的多个双层网络模型进行训练;
C22:设定最大迭代次数,选出在达到指定迭代次数时损失函数最小的双层网络作为最终预测模型。
6.如权利要求5所述基于卷积长短期记忆网络的交通路网拥堵预测方法,其特征是,步骤C22最大迭代次数设置为100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910993235.8A CN110766942B (zh) | 2019-10-18 | 2019-10-18 | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910993235.8A CN110766942B (zh) | 2019-10-18 | 2019-10-18 | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766942A CN110766942A (zh) | 2020-02-07 |
CN110766942B true CN110766942B (zh) | 2020-12-22 |
Family
ID=69332442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910993235.8A Active CN110766942B (zh) | 2019-10-18 | 2019-10-18 | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766942B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242044B (zh) * | 2020-01-15 | 2022-06-28 | 东华大学 | 基于ConvLSTM双通道编码网络的夜间无人车场景预测方法 |
CN111523410B (zh) * | 2020-04-09 | 2022-08-26 | 哈尔滨工业大学 | 一种基于注意力机制的视频显著性目标检测方法 |
CN111524353B (zh) * | 2020-04-28 | 2021-08-17 | 中国计量大学 | 一种交通文本数据用于速度预测及行程规划方法 |
CN111833605B (zh) * | 2020-07-10 | 2022-04-26 | 北京嘀嘀无限科技发展有限公司 | 路况预测方法、路况预测模型训练方法、装置及存储介质 |
EP4016412A1 (en) * | 2020-12-18 | 2022-06-22 | Imec VZW | Traffic prediction |
CN112633602B (zh) * | 2020-12-31 | 2023-03-03 | 深圳云天励飞技术股份有限公司 | 一种基于gis地图信息的交通拥堵指数预测方法及装置 |
CN112734100B (zh) * | 2020-12-31 | 2023-06-30 | 北京航空航天大学 | 一种基于张量化神经网络的路网行程时间预测方法 |
CN112927508B (zh) * | 2021-02-05 | 2022-02-18 | 北京交通大学 | 一种考虑多拥堵等级的交通事故时空影响范围估算方法 |
CN112966871B (zh) * | 2021-03-15 | 2023-05-05 | 上海交通大学 | 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统 |
CN113160570A (zh) * | 2021-05-27 | 2021-07-23 | 长春理工大学 | 一种交通拥堵预测方法及系统 |
CN113256986B (zh) * | 2021-06-29 | 2021-10-26 | 中移(上海)信息通信科技有限公司 | 交通分析方法、相关设备及可读存储介质 |
CN113808395B (zh) * | 2021-08-31 | 2023-04-18 | 东南大学 | 一种大型活动交叉路口拥堵风险预测方法 |
CN113792945B (zh) * | 2021-11-17 | 2022-02-08 | 西南交通大学 | 一种营运车辆的派遣方法、装置、设备及可读存储介质 |
CN115359444B (zh) * | 2022-10-18 | 2023-04-07 | 智道网联科技(北京)有限公司 | 道路拥堵预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107180530A (zh) * | 2017-05-22 | 2017-09-19 | 北京航空航天大学 | 一种基于深度时空卷积循环网络的路网状态预测方法 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN109886387A (zh) * | 2019-01-07 | 2019-06-14 | 北京大学 | 一种基于门控网络和梯度提升回归的交通时序预测方法 |
CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10855550B2 (en) * | 2016-11-16 | 2020-12-01 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
-
2019
- 2019-10-18 CN CN201910993235.8A patent/CN110766942B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180530A (zh) * | 2017-05-22 | 2017-09-19 | 北京航空航天大学 | 一种基于深度时空卷积循环网络的路网状态预测方法 |
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN109886387A (zh) * | 2019-01-07 | 2019-06-14 | 北京大学 | 一种基于门控网络和梯度提升回归的交通时序预测方法 |
CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
Non-Patent Citations (2)
Title |
---|
PCNN: Deep Convolutional Networks for Short-Term Traffic Congestion Prediction;Meng Chen 等;《IEEE Transactions on Intelligent Transportation Systems》;20180621;第19卷(第11期);全文 * |
基于长时卷积深度网络的交通流预测方法;邹煜星 等;《测绘与空间地理信息》;20190731;第42卷(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110766942A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766942B (zh) | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 | |
US11270579B2 (en) | Transportation network speed foreeasting method using deep capsule networks with nested LSTM models | |
CN109887282B (zh) | 一种基于层级时序图卷积网络的路网交通流预测方法 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN111860951A (zh) | 一种基于动态超图卷积网络的轨道交通客流预测方法 | |
CN113313947A (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN112071062B (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
CN107194491A (zh) | 一种基于公交客流和站间行程时间预测的动态调度方法 | |
CN111047078B (zh) | 交通特征预测方法、系统及存储介质 | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
CN112949828A (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
Venkatesh et al. | Rainfall prediction using generative adversarial networks with convolution neural network | |
CN111160622A (zh) | 基于混合神经网络模型的景区客流预测方法和装置 | |
CN112862171B (zh) | 一种基于时空神经网络的航班到达时间预测方法 | |
CN112150207A (zh) | 基于时空上下文注意力网络的网约车订单需求预测方法 | |
CN114722551B (zh) | 一种恶劣天气下空域网络容量预测方法 | |
CN115376317B (zh) | 一种基于动态图卷积和时序卷积网络的交通流预测方法 | |
Liu et al. | Spatial-temporal conv-sequence learning with accident encoding for traffic flow prediction | |
CN113780665A (zh) | 一种基于增强循环神经网络的私家车停留位置预测方法和系统 | |
CN111815075B (zh) | 一种重大公共卫生事件下交通出行需求的预测方法 | |
CN112396164A (zh) | 一种基于环境敏感的智能车辆轨迹预测方法 | |
CN117116048A (zh) | 基于知识表示模型和图神经网络的知识驱动交通预测方法 | |
CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 | |
CN112528557A (zh) | 基于深度学习的洪水流量预测系统和方法 | |
Son et al. | Partial convolutional LSTM for spatiotemporal prediction of incomplete data |
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 |