CN110827546B - 一种信号交叉口路段短期速度预测方法 - Google Patents
一种信号交叉口路段短期速度预测方法 Download PDFInfo
- Publication number
- CN110827546B CN110827546B CN201911145199.6A CN201911145199A CN110827546B CN 110827546 B CN110827546 B CN 110827546B CN 201911145199 A CN201911145199 A CN 201911145199A CN 110827546 B CN110827546 B CN 110827546B
- Authority
- CN
- China
- Prior art keywords
- intersection
- time
- data
- space
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 230000000306 recurrent effect Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 21
- 230000014509 gene expression Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 8
- 241001417517 Scatophagidae Species 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 210000004556 brain Anatomy 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000015541 sensory perception of touch Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
一种信号交叉口路段短期速度预测方法,包括以下步骤:1)、交通数据整合处理,匹配路段速度数据和信号灯运行数据,针对路口和路网分别构建路口交通数据集和路网交通数据集;2)、输入数据时空建模,包括交通空间模型和交通时序模型;3)、预测模型构建,基于深度图卷积网络GCN、循环神经网络RNN,利用生成对抗网络GAN架构,构建信号交叉口路段短期速度预测模型。本发明提供了一种预测精度较高的信号交叉口路段短期速度预测方法。
Description
技术领域
本发明涉及城市交通领域,特别是涉及短期速度预测领域。
背景技术
城市道路交通拥堵问题由来已久,以往较常用的方法是通过道路及基础设施 的建设来提高城市道路网的交通供给能力,但是由于城市用地资源及成本投入限 制,不可能无限扩张。因此,加大道路交通基础设施投入的力度,制定城市现代 化道路交通管理规划,采用先进的技术手段,实现科学管理控制势在必行。
智能交通技术的发展为解决城市道路交通问题提供了新的思路。智能交通系 统(Intelligent Transportation System,简称ITS)随着科学技术的发展而诞生,通 过将先进的信息采集技术、数据通讯传输技术、电子控制技术及计算机处理技术 等综合运用于道路交通管理控制,通过人、车、路及环境的密切配合最大限度的 发挥既有道路系统的交通效率,缓解道路交通拥堵,提高道路网通行能力。在智 能交通系统中,城市路网的信号控制交叉口作为城市交通网络中不可或缺的重要 组成部分,为了减缓城市道路拥堵等问题,对信号灯配时方案进行优化研究具有 实际意义。信号灯进行合理优化的背后需要大量数据的支持,路段短期速度就是 一项重要的参考指标。
在交通研究中,通常选择交通流的基本变量,即速度、流量和密度作为指标 来监测交通状况的现状和预测未来。根据预测时间的长短,交通预测一般分为短 期(5-30分钟)、中、长期(超过30分钟)。大多数流行的统计方法(例如,线性 回归)能够在短时间间隔预测中表现良好,然而,由于交通流的不确定性和复杂性, 这些方法对相对长期的预测效果较差。通常短期预测方法大致分为两类,一是模 型驱动的方法,二是数据驱动方法,前者通过分析历史数据的统计规律来对短期 速度进行预测,这些方法通常需要数据满足一定的假设,实际情况中交通数据结 构复杂,利用数学工具(如微分方程)和物理知识,通过计算模拟来表达交通问题, 但是不同来源数据质量参差不齐,无法满足这些假设,所以它们在实践中通常表 现并不尽人意。
随着交通数据采集和存储技术的迅速发展,大量研究人员正将注意力转向数 据驱动方法。经典的统计模型和机器学习模型是数据驱动方法的两个主要代表。 在时间序列分析中,自回归移动平均(ARIMA)及其变体是基于经典统计的最统一 的方法之一。然而,这类模型受时间序列平稳假设的限制,没有考虑时空相关性。 因此,这些方法限制了高非线性交通流的可表征性。近年来,经典的统计模型在 交通预测任务上受到机器学习方法的有力挑战。通过k近邻算法(KNN)、支持向 量机(SVM)和神经网络(NN)等模型,可以获得更高的预测结果精度和更复杂的数 据建模。目前,深度学习已被广泛成功地应用于各种交通任务中,相关工作也取 得了显著进展。
但是,数据驱动的方法必须考虑各种交通状态下的历史数据,对于出现突发 事件,方法可能会失效。另外,训练和学习的成本可能会比较高。不过随着数据 和传感技术的不断发展,数据驱动模型引起了越来越多的关注。
发明内容
为了克服已有短期速度预测方法的预测精度较低的不足,本发明提供了一种 预测精度较高的信号交叉口路段短期速度预测方法。
本发明解决其技术问题所采用的技术方案是:
一种信号交叉口路段短期速度预测方法,包括以下步骤:
1、交通数据整合处理,匹配路段速度数据和信号灯运行数据,针对路口和路 网分别构建路口交通数据集和路网交通数据集;其中
路口交通数据集矩阵大小为Nnum_oflane×Thi s×C,其中,Nnum_of_lane表 示当前目标路口进口道车道数;Thi s表示历史数据周期长度;C表示路口级 别特征维度;
路网交通数据集矩阵大小为N×C×T,其中,N表示区域内路口的总数;T表 示历史数据的时间维度,基于历史数据时长和基本时间单元获得;C表示路网级 别特征维度;
2、预测模型输入数据时空建模,包括交通空间模型和交通时序模型,过程如 下:
构建交通空间模型,基于城市道路结构和图的邻接矩阵分别构建目标路口图 结构和区域路网图结构;
构建交通时序模型,每个数据集中包含路口交通数据集、路网交通数据集和 标签值,标签值即待预测的真实值;
3、将步骤2得到的预测模型输入数据输入信号交叉口路段短期速度预测模型, 得到信号交叉口预测速度。
进一步,所述路口级别特征维度包括当前车道每个信号灯周期的速度和当前 车道受控的相位绿信比;所述路网级别特征维度包括平均速度、最大速度、最小 速度、是否早高峰、是否晚高峰。
进一步,所述目标路口图结构构建如下:将同一方向的不同车道抽象为图的 节点,图的边表示同一方向不同车道之间的连接性,构建目标路口图结构;所述 区域路网图结构构建如下:将路口抽象为图的节点,图的边表示路口之间的连接 性,构建区域路网图结构。
进一步,所述信号交叉口路段短期速度预测模型,利用生成对抗网络GAN 架构,结合时空注意力机制、深度图卷积网络GCN、循环神经网络RNN构建; 所述生成对抗网络GAN由生成模型G和判别模型D组成,所述生成模型G通过 区域路网子模型和路口子模型分别提取目标路口的特征表达,并融合,生成目标 路口所有进口道短期速度预测值。
进一步,所述区域路网子模型由时空注意力层、时空卷积层和循环神经网络 层组成,数据传递如下:
通过时空注意力层对区域路网图结构、路网交通数据集和噪声Z分别从时间 和空间维度求取注意力得分;
利用空间图卷积层进一步提取空间依赖关系,空间维度上对输入数据采用谱 图理论获取图节点的邻近信息;进一步叠加一个应用于时间维度的标准卷积层通 过融合邻近时间信息来更新图节点的信号,时间卷积层采用ReLU作为激活函数, 输出的节点的特征维度为Cnum_of_temporal_filter,对应的矩阵大小为 N×Cnum_of_temporal_filter×T,记为Mtime_conv_out;
从时空卷积层输出的包含所有路口特征的数据中分离出单个路口的数据,输 入循环神经网络层训练学习,输出单个路口的特征表达,输出的张量维度为 Nnum_of_roadsects×Tpred,Nnum_of_roadsects为路口的不同方向进口道数量;其中,采 用索引号对应的方法分离单个路口数据,获取路口在图结构中对应节点的索引值t, 取Mtime_conv_out[:][t][:]作为路口的特征表达,大小为Cnum_of_temporal_filter×T;
进一步,所述循环神经网络层中每个隐藏层的神经元设置为路口的不同方向 进口道数量,即Nnum_of_roadsects,网络的层数设置为预测的周期数Tpred。
进一步,所述路口子模型由时空注意力层、时空卷积层和全连接层组成,数 据传递如下:
通过时空注意力层对目标路口图结构、路口交通数据集和噪声Z分别从时间 和空间维度求取注意力得分;
利用空间图卷积层进一步提取时空依赖关系,空间维度上对输入数据采用谱 图理论获取图节点的邻近信息,进一步叠加一个应用于时间维度的标准卷积层通 过融合邻近时间信息来更新图节点的信号,时间图卷积层采用ReLU作为激活函 数,输出的节点的特征维度为Nnum_of_lane×Tpred;
通过全连接层将节点数映射为目标路口输出的路段数,输出目标路口的特征 表达,输出的张量维度为Nnum_of_roadsects×Tpred,Nnum_of_roadsects为路口的不同方 向进口道数量。
进一步,所述区域路网子模型和路口子模型输出的目标路口的特征表达的融 合,通过加权求和方式融合,其中权重值作为模型的参数由训练得到。
进一步,所述判别模型D由2层前馈神经网络构成,包括1个隐层和1个输 出层。
进一步,所述判别模型D的损失函数采用传统的D损失,所述生成模型G 的损失函数在传统G损失的基础上融合L2损失。
本发明的技术构思为:基于GAN(Generative Adversarial Network)框架的非线性模型来处理时空短期交通状态预测的挑战任务。本发明的模型充分利用图卷积 网络(GCN)的捕获空间特征,及RNN网络对于时间维度特征长期记忆和时空注意 力机制,并结合生成对抗网络GAN结构设计的优势。基于主流的深度学习框架, 是一种由数据驱动,且非参数化的方法。通过学习历史数据中的规律以及结合道 路网络的时空结构特征,对一个路口未来指定周期的速度进行预测。该预测方法 特别适合于短期交通状态预测需求,这通常是交通控制和管理中最具挑战的任务。
本发明的模型建立在GAN框架基础上,结合图卷积(GCN)和循环神经网 络(RNN)对交通数据集中的时空特征信息进行提取,在对路网进行分层设计的 思想下,最终实现对路网速度状态预测目的。具体来说,本发明的算法采用了深 度学习领域先进的图卷积神经网络,分别从时间和空间两个维度提取输入数据中 与目标任务最相关的时空特征部分,进而提高模型的预测精度。
在解决交叉口路段短期速度预测问题时,采用分层的思想对问题进行抽象, 具体来说,为了预测目标路口所有进口道路段未来一定周期的速度变化,这里首 先从宏观层面考虑目标路口所在的区域,建立区域路网子模型,用于提取区域内 的交通模式,其次针对路段速度预测问题,进一步从微观的角度对路段内的所有 车道进行建模,此处融合了信控数据,提取信控数据特征对路段速度的影响。最 后对于两个子模型的特征表达进行融合,用于最终路段级别的短期速度预测。
不同于传统基于时间序列的预测模型,本发明中的数据源除了交叉路口进口 道浮动车速度数据,还融合了路口信控系统的战略运行记录时空数据。通过GAN 对抗模型学习路段速度的时空变化规律,同时提取信号灯控制作用对于路段速度 的影响。
基于以上所述,根据实际交叉口布局,部分采用真实的记录数据对算法精度 进行验证,速度数据来自于高德地图,信控数据来自于SCATS系统的战略运行 记录,通过设置指标平均绝对误差(MAE),均方根误差(RMSE),平均绝对百分误 差(MAPE)来比较模型的精度。
本发明的有益效果主要表现在:生成式对抗网络(GAN,Generative AdversarialNetworks)是一种深度学习模型,是近年来复杂分布上无监督学习 最具前景的方法之一。本发明通过基于混有随机噪声的历史快照的拓扑图结构状 态数据,生成高质量的时空相关的短期速度预测。使用深度生成对抗网络(GAN) 的思想,基于深度图卷积神经网络GCN、循环神经网络RNN,利用基础GAN网络架 构来处理交通相关的短期时空预测的问题。为了验证模型的有效性,基于真实高 德速度数据集,和其他经典的深度学习算法进行对比。实验结果表明,在时空短 期交通状态预测任务上,本发明的深度学习模型优势明显。
附图说明
图1是一种信号交叉口路段短期速度预测方法的整体流程图。
图2是本发明网络模型结构示意图。
图3是模型训练损失函数分布-767。
图4是模型验证误差分布-767。
图5是767路口4个进口道十周期结果。
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5,一种信号交叉口路段短期速度预测方法,包括以下步骤:
1)数据整合预处理
匹配路段速度数据和信号灯运行数据,针对路口和路网分别构建路口交通数 据集和路网交通数据集;
路口交通数据集矩阵大小为Nnum_of_lane×Thi s×C,其中,Nnum_of_lane表 示当前目标路口进口道车道数;Thi s表示历史数据周期长度;C表示路口级 别特征维度;
路网交通数据集矩阵大小为N×C×T,其中,N表示区域内路口的总数;T表 示历史数据的时间维度,基于历史数据时长和基本时间单元获得;C表示路网级 别特征维度。
使用的原始速度数据来自高德地图,通过对城市道路浮动车数据的采集和处 理得到的基于路段的速度,然后进一步通过数据匹配的方式将路段速度与交叉路 口信号灯的信控周期数据联合起来,得到城市道路路段级别按信号灯周期组织的 速度,数据表字段说明如表1所示。
表1
通过建模过程确定了整个预测模型中与进口道路段未来周期预测相关的五个 特征维度,首先路段速度的原始记录是按照各个路口战略运行记录中的周期时间 来记录,即表结构记录每个路口,每个进口道对应的信号灯一个周期时长内平均 速度。在对区域路网进行交通模式提取过程中还需从时间维度进行聚类,原因有 以下两点:其一是基于周期的数据时间维度的粒度过细,容易出现波动过大的情 况影响对整体交通特征的把握。其二就是不同路口的SCATS系统在运行过程中由 于不同路口的规模大小和系统自适应功能的影响,导致了不同路口的周期开始时 间和周期持续时间各不相同。因此以10分钟作为基本单元,对战略运行记录中位 于该时间范围内的数据进行聚合。
为了生成数据集还需要指定一个参数,即历史数据时长,取待预测周期前紧 邻的2个小时的数据能够有效提取数据时间维度的依赖,因此本文中对区域路网 构建数据集时选择历史时长为待预测周期开始前两个小时。
对应于本发明中训练数据的构造,对于路网交通数据集,假设目标路口当前 的周期结束时刻为Ti,为了预测该路口所有进口道路段未来Tpred个周期 的速度,则区域路网子模型的输入为一个多维矩阵,大小为N×C×T,其中N表 示区域路网图的节点数,即区域内的路口数量。T表示历史数据的时间维度,根 据前面定义取从Ti开始的前2个小时的数据按照10分钟的时间间隔均分,因 此细分后得到12个时间段,接着将所有路口信号灯周期结束时刻位于该时间段内 的路段交通信息聚合,用以表征路口的交通信息。中间的一个维度C代表的每个 节点的特征数,根据前面设计,这里C=5,且特征分别为:平均速度、最大速度、最小速度、是否早高峰、是否晚高峰。其中前三个特征的数据类型为浮点数,分 别代表对应的十分钟范围内一个路口的所有车道平均速度,所有车道十分钟范围 内的最大和最小速度。最后两个特征是用于标识是否位于高峰时间段,数据类型 为二进制数,即位于高峰期内则对应的值即记为1,不在高峰期内则记为0。在本 文的研究中将早高峰的时间段定义为上午6:00:00至上午9:00:00,晚高峰时间 段为下午17:00:00至20:00:00。
其相应区域路网预测模型输入数据算法:
对于路口级别数据做同样的处理,原有的速度数据是路段基于当前路口信号 灯战略运行记录周期的数据,这该模型中首先将车道与路段进行匹配,同时通过 读取配置信息确定每条车道受控的信号灯相位信息,再结合战略运行记录中每个 周期范围内该相位的通行时间。
对于路口交通数据集,假设目标路口当前的周期结束时刻为Ti,为了预测 该路口所有进口道路段未来Tpred个周期的速度假设当前目标路口有 Nnum_of_lane条车道数,为了预测未来短期周期的速度需要指定历史数据的长度, 这里不同于区域路网子模型中需要对时间进行聚类,该模型是微观层次的建模, 因此在时间粒度上选择为信号灯周期,取历史数据长度为Thi s,则最后训练 数据集矩阵大小为Nnum_of_lane×Thi s×C,其中C表示特征维度,本研究中 对于路口子网络将特征设置为2,分别代表当前车道每个周期的速度和当前车道 受控的相位的绿信比。经过分析在车道级别的尺度中关于速度预测最相关的特征 就是车道的历史速度和每条车道受到的信号灯控制约束,因此本研究中选择以上 两个特征作为输入数据的特征维度。其中由于现有的速度数据是基于路段,为路 段各个车道速度平均的结果,因此这里反向将速度从路段对应到车道的时候直接 通过匹配实现,将路段的速度直接匹配到所有对应的车道,另外一个维度绿信比 即为某一个相位绿灯时长,单位为秒。
2)输入数据时空建模,包括交通空间模型和交通时序模型,过程如下:
2.1、构建交通空间模型
为了进行图卷积操作,除了输入矩阵,还需要构建图的邻接矩阵,在本模型 中一个路口对应的图连接矩阵大小为Nnum_of_lane×Nnum_of_lane,由于在对路口进 行建模时仅考虑受信号灯控制的进口道,各进口道之间并不具有连通性,因此这 里考虑联通性存在于同一方向路段里不同的车道之间。在现实情况中为了保证较 高的行驶效率,在到达停车线之前机动车可以在不同车道之间自由切换。图信号 的维度为当前车道每个周期的速度和当前车道受控的相位的绿信比
对于区域的路网结构采用路口构建图结构网络,方法同路口连通图构建方式。 为了充分把握区域范围内的交通特征,在对区域范围内的路口进行建模的时候将 交叉口抽象为图中的节点,图中的边表示节点之间的连通关系,则对应的区域网 络图结构可以用图的邻接矩阵表示。在构造的时候邻接矩阵采用稀疏矩阵的结构 进行保存,对研究区域所有路口生成的对应具有N个节点的图来说,邻接矩阵为 A∈RN*N,若Aij=1则表示节点索引为i的节点与节点索引为j的节点直接是联 通关系,Aij=0表示不具有联通关系。
图中每个节点的图信号(Graph Signal)则由当前路口包含的进口道的特征来 代表,在设计特征的时候首先考虑到路段和路口之间多对一的关系,这里的特征 要代表所有进口道路段的整体交通特征,同时也要考虑到部分道路的特殊情况, 由于不同方向进口道的特征在不同时间段内往往也呈现出不同的特点,所以为了 将这些特点纳入进来,这里节点的图信号还包括所有进口车道速度的最大值和最 小值。除了速度特征外路段的平均速度还受到当前时间段的影响,最常见的情况 体现速度在时间维度上的区别就是高峰出行和非高峰出行,高峰出行道路车流量 大,出现拥堵的概率大,因此路段速度普遍偏低,相反非高峰时段的车流量较高 峰少,因此对应的平均速度较大。
综上,在对区域范围道路网络抽象建模成图时以路口作为节点,图中的边表 示节点之间的连接性,图信号的维度由以下五部分组成:进口车道的平均速度、 进口车道的最大速度、进口车道的最小速度、是否位于早高峰、是否位于晚高峰。
2.2、构建交通时序模型
数据集取该目标路口信号灯周期结束时刻位于2018-12-02 00:02:00至 2018-12-30 22:00:00的所有周期对应的数据,其中每个数据集中包含了区域路 网子模型的输入、路口子模型的输入和标签值,对数据集中包含错误数据的数据 进行剔除,最后得到整个训练集大小为14673,这里按照8∶1∶1将整个数据集分 为训练、验证和测试数据集,大小分别为11739、1467和1467,以训练数据集为 例,里面具体包含了三个张量,分别是区域路网子模型的输入,大小为 11739×12×18×5,其中12是历史数据的时间维度,18是路口数量,5是路网级 别特征维度;路口子模型的输入,大小为11739×30×12×2,其中30是历史数 据周期长度,12是路口进口道车道数,2是路口级别特征维度;标签值,即待预 测的真实值,大小为11739×4×10,第二位为进口道数为4,本发明预测路口4 个方向进口道的速度,最后一位表示预测的步长,这里为10个周期。
3)预测模型构建,基于深度图卷积网络GCN、循环神经网络RNN,利用生 成对抗网络GAN架构,构建信号交叉口路段短期速度预测模型;
所述生成对抗网络GAN由生成模型G和判别模型D组成,
其中,所述生成模型包括区域路网子模型和路口子模型;
模型整体架构基于GAN的思想:针对交通路网的网络连接节点的稀疏性和大 范围问题,利用GAN框架提高了循环神经网络的生成能力。一股来说,GAN由一 个生成模型G(Generative Model)和一个判别模型D(Discriminative Model) 组成,二者进行极大极小值博弈。首先,D试图将训练集中的真实数据与G生成 的数据区分开来,G试图欺骗D,生成高质量的样本(数据)。从形式上看,该过程 可以描述为如下(包含两个优化步骤):
其中x为训练集的输入数据,z为某一概率分布p(z)产生的噪声(例如均匀分布)。
本发明中判别模型D的损失采用传统的D损失进行设计,损失函数如下:
生成模型损失函数Gloss如下
为了加快模型收敛,本发明在传统生成模型G损失的基础上,融合L2损失, 是预测更平稳的收敛到真实值,通过传统的G损失,使得模型生成的值不容易被 判别模型D分辨。
和上述标准GAN框架一样,本发明的模型也优化了两个神经网络(即生成模型 G和判别模型D)。具有极大极小博弈关系。生成模型(Generative Model)和判 别模型(Discriminative Model)的互相博弈学习产生相当好的输出。在模型的 博弈中,D尝试将训练数据中的历史真实速度状态特征与生成的交通速度状态区 分开。相反,生成网络G则尽最大化D犯错的概率。希望这个对抗性的过程最终 能够调整G,并最终生成可信的、高质量的时空短期速度预测。
生成模型G由区域路网子模型和路口子模型组成,区域路网子模型由时空注 意力层、时空卷积层和循环神经网络层组成,路口子模型由时空注意力层、时空 卷积层和全连接层组成。
输入时空历史特征数据和Z(noise),输出状态预测速度G(X,Z)。利用时空 注意力机制对时空特征变化的交通流量数据利用时空注意力机制进行合理分配注 意力,使得模型能够更恰当的捕获时空变化的特征。这一步骤在输入数据进行图 卷积提取空间特征之前进行,目的是为了分别使得GCN更好的提取空间变化特 征、RNN更好的提取时序变化的特征数据,输出预测速度G(X,Z)。对于注意力 机制原理和本发明的时空注意力方法说明如下:
众所周知,人脑的生物神经网络存在着网络容量问题,人脑每时每刻从外界 接收来源于视觉、听觉、触觉等各种各样的信息,仅就视觉而言,眼睛每秒钟都 会发送千万比特的信息给视觉神经系统。人脑在有限的计算资源下,并不能同时 处理这些过载的输入信息,人脑可以有意或无意地从这些大量的输入信息中选择 小部分的有用信息来进行重点处理,大脑神经系统有两个重要的机制可以解决信 息过载问题:注意力机制和记忆机制。
深度学习中借鉴了人脑处理信息过载问题的方法,引入了注意力机制来提高 神经网络的信息处理能力。在实践过程中注意力模型可以看作是一个注意力分布, 即关注所有的位置但是关注程度不同,通常使用基于内筒的注意力来生成注意力 分布,根据一个查询,计算输入信息中每一个元素和该查询的匹配程度,然后将 匹配程度分数通过softmax函数生成注意力分布。匹配程度分数通过注意力打分 函数来计算,常用的有以下三种:
s(xi,q)=VTtanh(Wxi+Uq)
在本发明中为了提取交通数据的动态时空关联分别从时间和空间两个维度来 进行注意力分布,本发明中使用到的时空注意力打分函数,输入数据X∈RN×F×T, 其中N表示空间维度,T表示时间维度,F表示输入的特征维度,则时空注意力 的计算公式为:
Atts=VS·σ[(XWt)Wf,t(WfX)T+b]
Attt=Vt·σ[(XTU1)U2(U3X)+b′]
其中σ为sigmoid激活函数,Atts表示空间注意力,VS∈ RN×N,Wt∈RT,Wf,t∈RF×T,Wf∈RF,b∈RN×N, Attt表示时间注意力,且 Vt∈RT×T,U1∈RN,U2∈RF×N,U3∈RF,b′∈RT×T。分别对区域路网子模型和路口子模型的输入进行时空注意力的求取,对于本发明算法 中关注的预测问题,通过学习的方法将与预测相关的输入要素赋予更高的权值, 次相关的赋予较小的权值。
经过了时空注意力机制,我们发明的深度对抗生成时空图卷积模型在空间特 征提取上采用图卷积,图卷积神经网络(Graph Covolutional Network,GCN)的本 质目的就是用来提取拓扑图的空间特征,而其核心就是对非欧几里得空间数据进 行卷积操作。图卷积具体从实现上来说细分为顶点域(vertex domain)和谱域 (spectral domain),本发明中的图卷积过程在谱域中进行。
基于谱图论,可以借助于图的拉普拉斯矩阵的特征值和特征向量来研究图的 性质。方法概括来说,首先拉普拉斯矩阵是对称矩阵,可以进行特征分解,使问 题从空域转换到谱域进行卷积,对谱域空间卷积后的结果再通过空间特征向量变 换转回到空域。
本发明算法中图由城市道路网络抽象而成,同时将图卷积与深度学习结合。 对于一个指定的输入数据x,卷积核gθ和图的拉普拉斯矩阵L,图卷积可以表 述为一种常见的形式:Ugθ(∧)UTx其中gθ(∧)=diag(θ)为 卷积核在图上的傅里叶变换结果,U是正交矩阵,∧是一个对角阵。图卷积可以 扩展到多维的数据,如X∈RK×T×F可以表示为三维的输入数据块,其中K表示空间 维度,T表示时间维度,F表示输入的特征维度。
对于本发明中的D是一个判别网络,判别交通状态值是不是“真实的”。它 的输入参数是x,x代表速度值数据,输出D(x)代表x为真实速度的概率,如 果为1,就代表100%是真实的速度数据,而输出为0,就代表不可能是真实的速 度。判别网络的目的就是能判别出来未来十个周期的短期速度值,它是来自真实 样本集还是假样本集。判别网络给出的最终结果是一个接近0.5的概率值,极限 情况就是0.5,也就是说判别不出来真实数据还是生成的数据,达到纳什平衡。
本发明的判别网络D主要由两层前馈神经网络构成。通过一个隐层(128神 经元)和一个输出层(1个神经元)的全连通前馈神经网络,实现了判别模型D 构建。在训练过程中,D分别输入真实状态速度数据和G(X,Z)生成的短期速度, 并通过和真实标签(real_lable)以及虚假标签(fake_lable)进行对比打分。
3.1、构建区域路网子模型
区域路网子模型中各网络层结构如图2所示,输入的数据各网络层的处理流 程为:
首先通过时空注意力层来分别从时间和空间维度求取该维度上对象的注意力 得分,之后就是利用卷积操作进一步提取数据的空间关联特征,本发明为了充分 提取交通数据的时空依赖,分别从空间和时间两个维度执行卷积操作。空间维度 上为了充分利用路网的拓扑特征,对输入的数据在每个时间片,采用基于谱图理 论的的图卷积来直接处理图中节点的信号数据,用来利用交通网络在空间维度上 的相关性。经典的图卷积操作求解过程中涉及到对图的拉普拉斯矩阵进行特征值 分解图卷积后输出的特征维度为Cnum_of_spatial_filter,矩阵的维度变成 N×Cnum_of_spatial_att_filter×T。在图卷积操作获取到图中每个节点在空间维度上的 邻近信息之后,模型进一步叠加一个应用于时间维度的标准的卷积层通过融合邻 近时间信息来更新节点的信号,时间卷积层采用ReLU作为激活函数。以上网络层 的目的旨在提取图结构中所有节点之间的时空依赖关系,经过最后一步时间卷积 后的节点的特征维度变为Cnum_of_temporal_filter,对应的矩阵大小为 N×Cnum_of_temporal_filter×T,记为Mtime_conv_out。
上述卷积操作目的是为了提取区域路网节点之间的时空依赖规律,获取交通 模式特征。接下来将目光聚焦到单个路口,从卷积层最后输出的包含所有路口特 征的数据中分离出单个路口的数据。本研究中分离出目标路口特征数据的方法是 采用索引号对应的方法,即首先获得目标路口在图结构中对应节点的索引值t,取 Mtime_conv_out[:][t][:]作为目标路口学习得到的特征表达,大小 为Cnum_of_temporal_filter×T。区域路网子模型的最后一个网络层为循环神经网络层 (RNN),此处利用循环神经网络对时序数据的短期记忆能力来提取包含历史数据 信息的状态表达,输入数据为路口级别的特征。为了将输出对应到路段特征,并 与路口子模型的输出结果结合,这里在通过对循环神经网络的参数设置实现,本研究中将网络层中每个隐藏层的神经元设置为路段的条数,即Nnum_of_roadsects, 将网络的层数设置为预测的周期数Tpred,经过循环神经网络的特征学习之 后输出每个隐藏层的最后一个隐藏状态,因为最后一个状态中包含了对前面时序 数据的记忆信息,最后输出张量维度为Nnum_of_roadsects×Tpred。
综合上面所述各网络层的功能,对输入的区域路网所有路口特征数据进行时 空依赖的提取,其包含了路网宏观层次的交通模式,用作基于路段的交通特征预 测的一个信息源,然后讲一步取出模型学习到的单个路口的特征表达。
3.2、构建路口子模型
原有的速度数据是路段基于当前路口信号灯战略运行记录周期的数据,在该 模型中首先将车道与路段进行匹配,同时通过读取配置信息确定每条车道受控的 信号灯相位信息,再结合战略运行记录中每个周期范围内该相位的通行时间。
路口网络子模型中同样对输入的数据进行时空依赖关系的提取,依然从时间 和空间两个维度分别进行,方法上与区域路网子模型提取时空依赖部分相同,这 里不再赘述,最后经过时间卷积后的输出特征维度为Nnum_of_lane×Tpred, 之后通过全连接层将节点数映射为目标路口输出的路段数,输出目标路口的特征 表达,输出的张量维度为Nnum_of_roadsects×Tpred,Nnum_of_roadsects为路口的 不同方向进口道数量。
3.3、融合区域路网子模型和路口子模型
将两个子模型的输出进行整合,输出模型的预测结果,本发明中采用加权求 和的方法来分别获取两个尺度子模型对最后预测结果的重要性,且权重值作为模 型的参数由训练得到。权重是通过误差反向传播训练学得的,根据这两个输出部 分的重要性,误差反传会分配不同的权值给这两个子模型输出,具体分配多少由 各自对预测结果的重要性决定,越重要反向传播分配大的权重,反之,分配小权 重。
基于上述分析,本发明考虑到城市道路网络可以抽象为典型的图网络,因此 本研究选择基于图网络的深度学习模型来提取路网交通数据背后的时空依赖关系, 进而达到预测的目的。由于速度的预测值主要用于路口信号灯的控制,且目前杭 州市区域内大型路口都装配有SCATS系统,因此本发明中仅考虑配备SCATS系统 的路口,为了表示方便,使用SCATS系统编号表示路口。假设目标路口编号为I′, 用G表示区域路网结构,g表示目标路口结构,V表示所有路段的历史速度数据, S表示目标路口的信号灯运行记录,对于目标路口的所有进口道路段,预测未来Tpred个周期交通状态的问题,建立一个非线性的函数模型F(·),使得:
即输入区域网络结构、目标路口的结构、路段历史数据集、信号灯的战略运 行记录,最后可以得到目标路口所有进口道短期速度预测值。
模型最终将得到基于GAN结构框架,利用历史时空数据和噪声数据集共同训 练得到G生成模型,用来对输入噪声和时空特征联合预测。最终将得到G(A,X,Z) 路口速度的短期预测值。张量空间维度表示(batchsize,4,10),4表示路口的四 个方向进口车道。10表示未来十个周期的速度值。
本实施例在操作系统为64位Windows10的设备上进行,处理器型号为 Intel(R)Xeon(R)CPU E3-1240v3@3.70GHz,内存为16.00GB。实验区域为前 面描述的杭州市西湖区西湖科技园部分路段,路口选择为其中配置有SCATS系统 的18个路口,数据时间范围为2018-12-01 00:00:00至2018年-12-31 23:59:59, 首先选择SCATS系统编号为767的路口,即西园路与振华路的交叉口作为目标路 口,数据集取该目标路口信号灯周期结束时刻位于2018-12-02 00:02:00至 2018-12-30 22:00:00的所有周期对应的数据,其中每个数据集中包含了区域路 网子模型的输入、路口子模型的输入和标签值,对数据集中包含错误数据的数据 进行剔除,最后得到整个训练集大小为14673,这里按照8∶1∶1将整个数据集分为训练、验证和测试数据集,大小分别为11739、1467和1467,以训练数据集为 例,里面具体包含了三个张量,分别是区域路网子模型的输入,大小为 11739×12×18×5;路口子模型的输入,大小为11739×30×12×2;标签值,即 待预测的真实值,大小为11739×4×10,最后一位表示预测的步长,这里为10 个周期。
本研究的内容预测是属于回归的一种,因此模型在计算误差的时候选择均方 根误差(Mean Squared Error,MSE)作为训练的损失函数。
模型训练过程中的误差分布如图4所示,本研究中对每次训练后的模型进行 验证,验证集的误差如图所示,数据表明训练后的模型对于路口所有进口道路段, 未来10个周期的预测误差MAPE收敛在12.90%左右。
通过上述结果可以看到本发明中提出的模型对单个路口路段信号灯周期内的 速度具有较好的效果,特别是对于高峰时段的出行。为了进一步说明模型的有效 性,研究中进行了两组对比实验,对比对象分别是GCN(Graph Convolution Network)与RNN(Recurrent Neural Network)。这里的GCN依然利用子模型来分 别提取特征,不同之处在于这里省略了模型第一步的时空注意力机制,而是直接 用数据进行卷积操作,然后融合两个子模型的输出用于最终的预测。RNN模型以 其特有的短期记忆功能擅长于时序数据的处理,为了保证对比实验的可靠性,这 里RNN输入的数据结构和网络结构设置保持与区域路口子模型中的输入一致。
为了说明实验结果的准确性,对比实验分别对路口编号分别为767和768的 路口分别展开。实验采用多个指标进行统计,首先在预测步长上分为3、5和10 个周期进行,其次对验证数据集进一步划分分为高峰出行时段和非高峰出行时段。 实验结果如表1和表2所示,其中采用的误差计算指标如下:
平均绝对误差(Mean Absolute Error,MAE),计算公式为:
平均百分比误差(Mean Absolute Percentage Error,MAPE),计算公式为:
平方根误差(Root Mean Square Error,RMSE),计算公式为;
表1为767号路口对比实验结果。
表1
表2为768号路口对比实验结果。
表2
通过对比实验结果可以发现两个路口呈现出来的实验结果大致相同,即本发 明提出来的方法基本具有最高的精度。首先随着预测步长的增加误差整体呈现出 增加的趋势,在对比实验中本发明提出的方法误差值依然小于对比实验组误差。 同时从高峰时段和非高峰时段来看,由于不同路口的特征不同,767号路口高峰 时间段的预测精度较非高峰精度高出了不少,768号路口则相反,非高峰值精度 较高,但是较实验对比组算法来说依然是精度最高。进一步分析数据结果发现RNN 算法在本场景中精度最低,GCN稍差于本发明中提出的算法,分析可知RNN仅仅 提取数据在时间维度的依赖,对于城市道路网络这种结构复杂,道路间互相影响 较大的情况下无法得到很高的精度,比较GCN和本发明中提出的算法,两者从两 个尺寸进行建模,分别进行了时间和空间卷积,同RNN结果相比表明卷积操作能 够有效提取交通数据的时空依赖关系,再加上时空注意力机制后,本发明提出的 方法在对输入数据特征的把握上更胜GCN一筹,也表明注意力机制能够有效衡量 对象之间的影响力大小。同时,本发明中的GAN判别网络D能够对生成的预测值 进行判定,利用误差反向传播调整生成模型G,对网络模型生成的精度进行有效 提升。实验结果表明,基于GAN框架,结合时空图卷积和RNN对数据时空特征提 取,在配合时空注意力机制的前提下,达到了预期的效果。
为了直观检验预测效果,这里以767路口为例,分别选取高峰和非高峰周期 各一个,用本研究中的模型来分别进行预测,可以看到模型对于短期的速度预测 具有较好的效果。该路口四个路段短期预测的误差分布,通过高峰和非高峰误差 分布发现非高峰期间的误差标准差较高峰期大,可能原因为非高峰期间道路车辆 密度较低,速度数据采集过程中可能是通过少数车辆的速度融合得到,速度值波 动较大,而模型的输出的预测结果波动不大,最终导致了非高峰期的预测误差大 于高峰期预测结果。
Claims (8)
1.一种信号交叉口路段短期速度预测方法,其特征在于,所述方法包括以下步骤:
1)、交通数据整合处理,匹配路段速度数据和信号灯运行数据,针对路口和路网分别构建路口交通数据集和路网交通数据集;其中,
所述路口交通数据集矩阵大小为Nnum_of_lane×This×C,其中,Nnum_of_lane表示当前目标路口进口道车道数;This表示历史数据周期长度;C表示路口级别特征维度;
所述路网交通数据集矩阵大小为N×C×T,其中,N表示区域内路口的总数;T表示历史数据的时间维度,基于历史数据时长和基本时间单元获得;C表示路网级别特征维度;
2)、预测模型输入数据时空建模,包括交通空间模型和交通时序模型,过程如下:
构建交通空间模型,基于城市道路结构和图的邻接矩阵分别构建目标路口图结构和区域路网图结构;
构建交通时序模型,每个数据集中包含路口交通数据集、路网交通数据集和标签值,标签值即待预测的真实值;
3)、将步骤2)得到的预测模型输入数据输入信号交叉口路段短期速度预测模型,得到信号交叉口预测速度;
所述信号交叉口路段短期速度预测模型,利用生成对抗网络GAN架构,结合时空注意力机制、深度图卷积网络GCN、循环神经网络RNN构建;所述生成对抗网络GAN由生成模型G和判别模型D组成,所述生成模型G由区域路网子模型和路口子模型组成,通过区域路网子模型和路口子模型分别提取目标路口的特征表达,并融合,生成目标路口所有方向进口道短期速度预测值;
所述区域路网子模型由时空注意力层、时空卷积层和循环神经网络层组成,数据传递如下:
通过时空注意力层对区域路网图结构、路网交通数据集和噪声Z分别从时间和空间维度求取注意力得分;
利用空间图卷积层进一步提取空间依赖关系,空间维度上对输入数据采用谱图理论获取图节点的邻近信息;进一步叠加一个应用于时间维度的标准卷积层通过融合邻近时间信息来更新图节点的信号,时间卷积层采用ReLU作为激活函数,输出的节点的特征维度为Cnum_of_temporal_filter,对应的矩阵大小为N×Cnum_of_temporal_filter×T,记为Mtime_conv_out;
从时空卷积层输出的包含所有路口特征的数据中分离出单个路口的数据,输入循环神经网络层训练学习,输出单个路口的特征表达,输出的张量维度为Nnum_of_roadsects×Tpred,Nnum_of_roadsects为路口的不同方向进口道数量;其中,所述分离出单个路口的数据采用索引号对应的方法,获取路口在图结构中对应节点的索引值t,取Mtime_conv_out[:][t][:]作为路口的特征表达,大小为Cnum_of_temporal_filter×T。
2.如权利要求1所述的一种信号交叉口路段短期速度预测方法,其特征在于,所述路口级别特征维度包括当前车道每个信号灯周期的速度和当前车道受控的相位绿信比;所述路网级别特征维度包括平均速度、最大速度、最小速度、是否早高峰、是否晚高峰。
3.如权利要求1所述的一种信号交叉口路段短期速度预测方法,其特征在于,
所述目标路口图结构构建如下:将同一方向的不同车道抽象为图的节点,图的边表示同一方向不同车道之间的连接性,构建目标路口图结构;
所述区域路网图结构构建如下:将路口抽象为图的节点,图的边表示路口之间的连接性,构建区域路网图结构。
4.如权利要求1所述的一种信号交叉口路段短期速度预测方法,其特征在于,所述循环神经网络层中每个隐藏层的神经元设置为路口的不同方向进口道数量,即Nnum_of_roadsects,网络的层数设置为预测的周期数Tpred。
5.如权利要求1所述的一种信号交叉口路段短期速度预测方法,其特征在于,所述路口子模型由时空注意力层、时空卷积层和全连接层组成,数据传递如下:
通过时空注意力层对目标路口图结构、路口交通数据集和噪声Z分别从时间和空间维度求取注意力得分;
利用空间图卷积层进一步提取时空依赖关系,空间维度上对输入数据采用谱图理论获取图节点的邻近信息,进一步叠加一个应用于时间维度的标准卷积层通过融合邻近时间信息来更新图节点的信号,时间图卷积层采用ReLU作为激活函数,输出的节点的特征维度为Nnum_of_lane×Tpred;
通过全连接层将节点数映射为目标路口输出的路段数,输出目标路口的特征表达,输出的张量维度为Nnum_of_roadsects×Tpred,Nnum_of_roadsects为路口的不同方向进口道数量。
6.如权利要求1所述的一种信号交叉口路段短期速度预测方法,其特征在于,所述区域路网子模型和路口子模型输出的目标路口的特征表达的融合,通过加权求和方式融合,其中权重值作为模型的参数由训练得到。
7.如权利要求1所述的一种信号交叉口路段短期速度预测方法,其特征在于,所述判别模型D由2层前馈神经网络构成,包括1个隐层和1个输出层。
8.如权利要求1所述的一种信号交叉口路段短期速度预测方法,其特征在于,所述判别模型D的损失函数采用传统的D损失,所述生成模型G的损失函数在传统G损失的基础上融合L2损失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911145199.6A CN110827546B (zh) | 2019-11-21 | 2019-11-21 | 一种信号交叉口路段短期速度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911145199.6A CN110827546B (zh) | 2019-11-21 | 2019-11-21 | 一种信号交叉口路段短期速度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110827546A CN110827546A (zh) | 2020-02-21 |
CN110827546B true CN110827546B (zh) | 2021-02-26 |
Family
ID=69557531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911145199.6A Active CN110827546B (zh) | 2019-11-21 | 2019-11-21 | 一种信号交叉口路段短期速度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827546B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN111612281B (zh) * | 2020-06-23 | 2023-04-14 | 中国人民解放军国防科技大学 | 一种地铁站人流量峰值的预测方法、装置和计算机设备 |
CN111696355A (zh) * | 2020-06-29 | 2020-09-22 | 中南大学 | 动态图卷积交通速度预测方法 |
CN113971885B (zh) * | 2020-07-06 | 2023-03-03 | 华为技术有限公司 | 车速预测的方法、装置及系统 |
CN112216101B (zh) * | 2020-09-08 | 2021-08-24 | 吉林大学 | 一种基于弹性学习框架的交通预测方法及系统 |
CN112348243B (zh) * | 2020-10-29 | 2022-10-04 | 浙江工业大学 | 三维路网下交通拥堵识别方法 |
CN112419718B (zh) * | 2020-11-17 | 2022-02-01 | 东北大学秦皇岛分校 | 一种基于时空图卷积神经网络的交通拥塞传播预测方法 |
CN112687102A (zh) * | 2020-12-23 | 2021-04-20 | 大连理工大学 | 基于知识图谱和深度时空卷积的城域交通流量预测方法 |
CN112863180B (zh) * | 2021-01-11 | 2022-05-06 | 腾讯大地通途(北京)科技有限公司 | 交通速度预测方法、装置、电子设备及计算机可读介质 |
CN112926768A (zh) * | 2021-01-27 | 2021-06-08 | 浙江工业大学 | 基于时空注意力机制的地面道路车道级交通流预测方法 |
CN112907956B (zh) * | 2021-01-29 | 2022-09-20 | 同济大学 | 一种基于时空信息的高速公路车道级运行速度预测方法 |
CN113112819B (zh) * | 2021-03-26 | 2022-10-25 | 华南理工大学 | 一种基于改进lstm的图卷积交通速度预测方法 |
CN112949946A (zh) * | 2021-04-20 | 2021-06-11 | 智道网联科技(北京)有限公司 | 实时交通路况信息的预测方法、装置及电子设备 |
CN113450561B (zh) * | 2021-05-06 | 2022-05-24 | 浙江工业大学 | 一种基于时空图卷积-生成对抗网络的交通速度预测方法 |
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 |
CN113611122B (zh) * | 2021-10-09 | 2022-01-14 | 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) | 车速引导方法、装置及设备 |
CN115019501B (zh) * | 2022-04-13 | 2023-05-02 | 合肥工业大学 | 路侧单元通信负载预测模型、策略模型、控制方法和系统 |
CN114627649B (zh) * | 2022-04-13 | 2022-12-27 | 北京魔门塔科技有限公司 | 速度控制模型的生成方法、车辆控制方法及装置 |
CN115019505B (zh) * | 2022-05-27 | 2024-04-30 | 湖南大学 | 一种交通流速度的预测方法及装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101602746B1 (ko) * | 2014-04-03 | 2016-03-11 | 부산대학교 산학협력단 | 교통 예측 시스템 및 방법 |
CN107134141B (zh) * | 2017-06-30 | 2018-12-28 | 北京航空航天大学 | 考虑空间结构特征的大规模路网时空交通状态表达与分析方法 |
CN108734958B (zh) * | 2018-04-25 | 2021-04-20 | 江苏大学 | 一种交通速度预测方法 |
CN109118787B (zh) * | 2018-08-20 | 2020-08-04 | 浙江工业大学 | 一种基于深度神经网络的车辆速度预测方法 |
CN109493599A (zh) * | 2018-11-16 | 2019-03-19 | 南京航空航天大学 | 一种基于生成式对抗网络的短时交通流预测方法 |
CN109544922B (zh) * | 2018-11-27 | 2020-11-24 | 华南理工大学 | 一种基于区域划分的交通路网分布式预测控制方法 |
CN109754605B (zh) * | 2019-02-27 | 2021-12-07 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN110164128B (zh) * | 2019-04-23 | 2020-10-27 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
CN110264709B (zh) * | 2019-05-06 | 2021-02-12 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN110322695B (zh) * | 2019-07-23 | 2020-10-09 | 内蒙古工业大学 | 一种基于深度学习的短时交通流预测方法 |
-
2019
- 2019-11-21 CN CN201911145199.6A patent/CN110827546B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110827546A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827546B (zh) | 一种信号交叉口路段短期速度预测方法 | |
CN110164128B (zh) | 一种城市级智能交通仿真系统 | |
CN112801404B (zh) | 一种基于自适应空间自注意力图卷积的交通预测方法 | |
Chen et al. | Traffic flow prediction based on deep learning in internet of vehicles | |
Messaoud et al. | Non-local social pooling for vehicle trajectory prediction | |
CN111612206B (zh) | 一种基于时空图卷积神经网络的街区人流预测方法及系统 | |
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 | |
CN105354273A (zh) | 一种快速检索高速公路逃费车辆高相似度图像的方法 | |
CN113362491B (zh) | 一种车辆轨迹预测及驾驶行为分析方法 | |
Alizadeh et al. | Network traffic forecasting based on fixed telecommunication data using deep learning | |
Zhao et al. | A data-driven crowd simulation model based on clustering and classification | |
CN115578851A (zh) | 一种基于mgcn的交通预测方法 | |
Huang et al. | Adaptive spatiotemporal transformer graph network for traffic flow forecasting by iot loop detectors | |
Mao et al. | Traffic signal control optimization under severe incident conditions using Genetic Algorithm | |
CN115392554A (zh) | 基于深度图神经网络和环境融合的轨道客流预测方法 | |
Shen et al. | An attention-based digraph convolution network enabled framework for congestion recognition in three-dimensional road networks | |
Tung et al. | Falcon: neural fuzzy control and decision systems using FKP and PFKP clustering algorithms | |
Zhao et al. | Spatial-channel transformer network for trajectory prediction on the traffic scenes | |
Jin et al. | Trafformer: unify time and space in traffic prediction | |
CN117456730A (zh) | 一种基于自适应部分注意力扩散图卷积神经网络的交通流量预测方法 | |
Zhang et al. | Off-deployment traffic estimation—a traffic generative adversarial networks approach | |
CN117131979A (zh) | 基于有向超图及注意力机制的交通流速度预测方法及系统 | |
Chmiel et al. | Learning fuzzy cognitive map for traffic prediction using an evolutionary algorithm | |
Xing et al. | GRU‐CNN Neural Network Method for Regional Traffic Congestion Prediction Serving Traffic Diversion Demand | |
Gao et al. | Traffic prediction based on a novel deep learning model: Tpbert |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province Patentee after: Yinjiang Technology Co.,Ltd. Address before: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province Patentee before: ENJOYOR Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |