CN111126680A - 一种基于时间卷积神经网络的道路断面交通流量预测方法 - Google Patents
一种基于时间卷积神经网络的道路断面交通流量预测方法 Download PDFInfo
- Publication number
- CN111126680A CN111126680A CN201911266936.8A CN201911266936A CN111126680A CN 111126680 A CN111126680 A CN 111126680A CN 201911266936 A CN201911266936 A CN 201911266936A CN 111126680 A CN111126680 A CN 111126680A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- time
- data set
- neural network
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000012795 verification Methods 0.000 claims abstract description 26
- 238000010606 normalization Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 3
- 230000001364 causal effect Effects 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 108010003272 Hyaluronate lyase Proteins 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于时间卷积神经网络的道路断面交通流量预测方法,包括以下步骤:对采集的历史交通流量数据按指定时间间隔进行合并,并进行归一化处理,将归一化的交通流数据划分为训练数据集、验证数据集和测试数据集;建立基于时间卷积神经网络的的交通流量预测方法,利用训练数据集训练时间卷积神经网络预测模型,利用验证数据集筛选出最优的预测模型,在测试集上利用时间卷积神经网络模型进行交通流量预测;对比预测数据和实际数据,进行误差分析。本发明基于时间卷积神经网络结构,考虑交通流的时空相关性,训练时间短、预测精度高。
Description
技术领域
本发明涉及智能交通系统领域,具体涉及一种基于时间卷积神经网络的 道路断面交通流量预测方法。
背景技术
随着城市化进程的不断推进,智能交通系统在城市治理中获得了越来越 多的关注。交通信息预测系统是智能交通系统的重要组成部分。准确、及时 的交通信息可以帮助我们做出更好的出行决策,缓解交通拥堵,减少城市环 境污染,提升城市居住的幸福感。随着各种传感器、摄像头的日益普及,我 们获得交通运行的数据越来越丰富,如何挖掘利用丰富的交通大数据进行准 确及时的交通预测,为城市交通拥堵治理提供支持是一个重要的课题。
经过对现有交通流预测模型的文献检索发现,现有的预测模型大致可以 分为两类:经典的统计方法模型和机器学习方法模型。大部分的基于统计方 法的交通流模型都是多年之前提出的,当时的交通状态较为简单,交通数据 量规模较小,差分自回归移动平均(ARIMA)模型及其变体是常用的有效方 法,但这类模型不适用于高维的、时空相关的复杂数据。随着交通数据规模 越来越大,由于机器学习方法和深度学习方法在处理复杂高维、非线性问题 上的优势,很多研究者开始将机器学习深度学习方法应用于交通流预测。循环神经网络(RNN)及其变体长短时记忆网络(LSTM)等在交通流预测方面取 得了良好的表现,但这类模型只能捕捉交通流数据的时间相关性,忽视了交 通网络的空间相关性,且这类模型训练费时。目前还没有基于时间卷积神经 网络模型的交通流量预测方法。
发明内容
针对现有技术中的不足,本发明同时考虑交通流数据的时间相关性和 交通网络的空间相关性,提供了一种基于时间卷积神经网络的道路断面交通 流量预测方法,能够对道路断面交通流量预测并提高了预测精度。
一种基于时间卷积神经网络的道路断面交通流量预测方法,包括以下步 骤:
S1:将采集的历史交通流量数据按指定间隔时间进行合并,并进行归 一化处理,将归一化的交通流量数据划分为训练数据集、验证数据集和测试 数据集;
S2:建立基于时间卷积神经网络的交通流量预测模型;
S3:利用步骤S1的训练数据集训练步骤S2的基于时间卷积神经网络的 交通流量预测模型,得到训练后的预测模型,通过步骤S1的验证数据集验 证训练后的预测模型,得到验证结果,根据验证结果筛选出最优的预测模型, 在步骤S1的测试数据集上利用筛选出的最优的预测模型进行道路断面交通 流量预测,得到预测数据。
步骤S1中,所述的指定间隔时间为5~15分钟,如每隔5分钟将历史 交通流量数据合并一次。
所述的历史交通流量数据是指:在某一观测点某一间隔时间经过的车 辆数(断面车流量)。
将采集的历史交通流量数据按指定间隔时间进行合并,并进行归一化处 理,将归一化处理后的交通流量数据集划分为训练数据集、验证数据集和测 试数据集,具体包括:
将在各观测点采集的交通流量数据按指定间隔时间分别进行累加合并, 得到各个指定间隔时间的交通流量数据,选取各个指定间隔时间的交通流量 数据中最大的交通流量值,将各个指定间隔时间的交通流量数据与该最大的 交通流量值的比值作为归一化处理后的交通流量数据集;将归一化处理后的 交通流量数据集的60%~80%(最优选为70%)作分为训练数据集,将归一 化处理后的交通流量数据集的20%~40%(最优选为30%)作为验证数据集, 将归一化处理后的交通流量数据集的剩余的5%~20%(最优选为10%)作为 测试数据集。
步骤S2中,使用一维卷积(1D Fully-Convolutional Network)和因果卷积(Casual Convolutions)来提取交通流量数据的时间相关性和观测点的空间相 关性,使用扩展卷积(Dilated Convolutions)来指数倍地增大卷积操作的感受 野。建立基于时间卷积神经网络的交通流量预测模型,具体包括:
A)建立扩展因果卷积(Dilated Casual Convolutions)模块,采用扩展因果 卷积(Dilated Casual Convolutions)模块计算;
B)将步骤A)建立的扩展因果卷积(Dilated Casual Convolutions)模块堆 叠多层后输出;
C)将步骤B)输出的结果连接一个全连接层进行线性变换,完成基于 时间卷积神经网络的交通流量预测模型的建立。
步骤A)中,扩展因果卷积(Dilated Casual Convolutions)模块的计算包括:
a)扩展因果卷积运算;
b)将步骤a)中扩展因果卷积运算中的权值参数标准化;
c)将步骤b)中权值参数标准化后的扩展因果卷积运算的结果输入到 ReLU激活函数;
d)将步骤c)中ReLU激活函数输出的结果进行Dropout正则化。
步骤S3具体包括:
S31,根据步骤S1的训练数据集中的交通流量数据包含的观测点的数目 N,确定所述基于时间卷积神经网络的交通流量预测模型中的扩展因果卷积 的输入通道数和输出通道数,确定输入通道数和输出通道数均为N,选取网 络的深度和卷积核的大小,完成基于时间卷积神经网络的交通流量预测模型 的模型参数确定;
S32,预测t时刻的交通流量时,选取前L个时间间隔的交通流量作为 所建立模型的输入,将所有观测点的归一化后的数据按照时间顺序依次向后 每L个为一页,一个批次中共包含B页,所述基于时间卷积神经网络的交通 流量预测模型的输入数据维度为B×N×L;标签数据为要预测的指定间隔时 间的数据,标签数据维度为B×N,预测模型输出的数据维度为B×N,完成 基于时间卷积神经网络的交通流量预测模型的输入输出数据的格式确定;
S33,根据步骤S31确定的模型参数以及步骤S31确定的输入输出数据 的格式,初步确定基于时间卷积神经网络的交通流量预测模型,利用训练数 据集训练,得到训练后的预测模型;
S34,将验证数据集输入到步骤S33的训练后的预测模型,当训练轮数 达到设定值时,或者误差小于设定阈值时,停止模型训练,保存验证误差最 小的预测模型作为最优的预测模型;
S35,将测试数据集输入到步骤S34的最优的预测模型,进行前向计算, 得到对应输出数据,将输出值反归一化,得到道路断面交通流量的预测数据。
本发明的基于时间卷积神经网络的道路断面交通流量预测方法,还包 括:
S4:对比预测数据和道路断面交通流量的实际数据,分析结果。
通过平均绝对误差MAE、平均绝对百分比误差MAPE和均方根误差 RMSE来对预测数据进行误差分析,计算公式如下:
与现有技术相比,本发明具有如下优点:
1、本发明使用时间卷积神经网络预测道路断面交通流量,同时考虑交 通流数据的时间相关性和交通网络的空间相关性,提高了预测精度,训练时 间短、预测精度高。
2、本发明使用时间卷积神经网络预测道路断面交通流量,具有模型训 练时间短、易收敛的优点。
附图说明
图1为本发明提供的基于时间卷积神经网络的道路断面交通流量预测方 法的流程图;
图2为进行三次扩展因果卷积运算的时间卷积神经网络结构示意图,扩 展卷积因子d=1,2,4,卷积核的大小k=3;
图3为扩展因果卷积运算的模块堆叠示意图,模块包含扩展因果卷积运 算、权值参数标准化、ReLU激活函数以及Dropout正则化;
图4为所述时间卷积神经网络模型和对比模型在验证集上的迭代误差表 现示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。所描述的实施例有助于对本发 明的理解,而对其不起任何限定作用。
如图1所示,本发明提供的基于时间卷积神经网络(TCN)的道路断面交通 流量预测方法,包括以下步骤:
步骤S1:将采集的历史交通流量数据按指定时间间隔进行合并,并进 行归一化处理,将归一化的交通流数据划分为训练数据集、验证数据集和测 试数据集。
所述的历史交通流量数据来源于交通数据采集系统,可以通过线圈检测 器、交通卡口视频检测等方法获得。
获取的历史交通流量数据为特定观测点或路段上在一定间隔时间内经 过的车辆数。所述指定的间隔时间可以根据预测需求进行制定(例如5分钟)。
将各观测点或路段上的指定时间间隔内的若干个交通流量数据分别进 行累加,得到各观测点指定间隔时间的交通流量数据。下述某时刻的交通流 量数据指的是从此时刻开始经过指定时间间隔(例如5分钟)的交通流量数 据。
若观测时间段内有L个时间间隔,有N个观测点,则历史观测交通流 数据集合(即各个指定间隔时间的交通流量数据)可表示为:
其中xij表示观测点j的第i时刻的交通流量数据。i时刻和i+1时刻之间 的差值为预测时间间隔△t(如5分钟)。
对合并之后的历史交通流量数据进行归一化处理。
具体地,可选取历史观测数据集合中的最大交通流量值,将历史观测数 据集合中的交通流量数据与该最大交通流量的比值作为归一化到[0,1]区间 的交通流量数据。
将归一化的历史观测交通流数据集合划分为训练数据集、验证数据集和 测试数据集。具体地,将全部交通流量数据的70%作分为训练数据集,30% 作为验证数据集,剩余的10%作为测试数据集。
步骤S2:建立基于时间卷积神经网络的交通流量预测方法。
建立基于时间卷积神经网络的交通流量预测方法是使用一维卷积(1D Fully-Convolutional Network)和因果卷积(Casual Convolutions)来提取交通流 数据的时间相关性和观测点的空间相关性,使用扩展卷积(Dilated Convolutions)来指数倍地增大卷积操作的感受野。
进行扩展因果卷积模块的堆叠,扩展因果卷积模块包含扩展因果卷积运 算、权值参数标准化、ReLU激活函数以及Dropout正则化。输出层最后进 行线性变换,连接一个全连接层得到最终输出结果。模型训练算法是基于反 向传播算法,利用链式求导计算损失函数对每个权重的偏导数(梯度),然后 根据梯度下降公式更新权重。
如图2和图3所示,建立基于时间卷积神经网络的交通流量预测模型, 具体包括:
A)建立扩展因果卷积(Dilated Casual Convolutions)模块,采用扩展因果 卷积(Dilated Casual Convolutions)模块计算;
扩展因果卷积(Dilated Casual Convolutions)模块的计算包括:
a)扩展因果卷积运算;
b)将步骤a)中扩展因果卷积运算中的权值参数标准化;
c)将步骤b)中权值参数标准化后的扩展因果卷积运算的结果输入到 ReLU激活函数;
d)将步骤c)中ReLU激活函数输出的结果进行Dropout正则化;
B)将步骤A)建立的扩展因果卷积(Dilated Casual Convolutions)模块堆 叠多层后输出;
C)将步骤B)输出的结果连接一个全连接层进行线性变换,完成基于 时间卷积神经网络的交通流量预测模型的建立。
图2为进行三次扩展因果卷积运算的时间卷积神经网络结构示意图,扩 展卷积因子d=1,2,4。图3为扩展因果卷积模块的堆叠示意图。图2中输入 层的{x1,x2,......xT-1,xT}为N个观测点中某一观测点的T个时间间隔的交通流 量数据,一维卷积运算的卷积核的大小k=3,使用zero padding来保持输出 序列的长度和输入的一样。
输入层到隐藏层进行如图3所示的扩展因果卷积模块的运算,扩展卷积 因子依次为d=1,2,4。扩展卷积(Dilated Convolutions)能够跳过某个大小步长 的输入值,增大了一维卷积的感受野,使得以较浅的网络就能捕捉到输入序 列较长范围的时间相关性。
输入一个一维时间序列x,和卷积核f进行扩展卷积运算,在t位置的输 出s(feature map)可以表示如下:
式中:d是扩展因子,k是卷积核大小,t-d·k表示移动的方向。
步骤S3:利用训练数据集训练时间卷积神经网络预测模型,利用验证 数据集选出最优的预测模型,在测试集上利用最优的时间卷积神经网络模型 进行交通流预测。
步骤S3包括以下步骤:
S31,根据一个交通流量数据包含的观测点的数目N确定所述TCN预测 模型中的一维卷积输入通道数和输出通道数为N,选取网络的深度和卷积核 的大小。
S32,预测t时刻的交通流量时,选取前L个时间间隔的交通流量作为 输入,将所有观测点的归一化后的数据按照时间顺序依次向后每L个为一 页,一个批次中共包含B页,所述预测模型的输入数据维度为B×N×L,即 所述模型中的一维卷积运算的输入数据维度为B×N×L;标签数据为要预测 的指定时间间隔的数据,标签(label)数据维度为B×N,所述预测模型输出的 数据维度为B×N。模型训练算法是基于反向传播算法,误差函数计算公式定 义如下:
S33,在所述预测模型上,利用训练数据集,有监督地调整所述网络结 构预测模型的参数。所有的训练数据集都输入完为一个Epoch,利用训练所 得预测模型在验证集数据上进行验证,得到模型在验证集上的平均误差并记 录。
S34,循环训练若干个Epoch,当训练轮数达到时,或者误差小于设定 阈值时,停止模型训练,保存验证误差最小的预测模型作为指定时间间隔的 交通流量数据的时间卷积神经网络预测模型。
S35,将测试集的数据输入所述时间卷积神经网络预测模型,进行前向 计算,得到对应输出数据,将输出值反归一化,得到交通流量的预测值。
步骤S4:对比预测数据和实际数据,分析结果。具体地,通过平均绝 对误差MAE、平均绝对百分比误差MAPE和均方根误差RMSE来对预测数 据进行误差分析,计算公式如下:
本实施例的有效性可通过下面的仿真实验来进一步说明。需要指出,实 验中应用的参数不影响本发明的一般性。
1)仿真条件:
CPU:Intel(R)Core(TM)i7 2.5GHz,RAM 8.00G,操作系统Windows10, 仿真软件PyCharm2018。
2)仿真内容:
使用美国加州交通局性能测量系统(PeMS)收集的数据进行分析建模。选 取旧金山湾区的170个检测器,时间范围自2018年7月1日至2018年8月 31日共62天的数据,原始的交通流量数据是30秒间隔记录的,将原始数据 合并为5分钟时间间隔,用所述方法对数据进行归一化。实验将全部交通流 量数据的70%作分为训练数据集,30%作为验证数据集,剩余的10%作为测 试数据集。
将所述时间卷积神经网络模型与几个经典的时间序列预测模型作为对 比,包括ARIMA:差分自回归移动平均模型,ARIMA模型使用当前时间的 交通流作为下一时间间隔的预测值,被广泛应用于时间序列预测中。循环神 经网络模型LSTM和GRU,循环神经网络及其变体在处理序列数据方面表 现出了良好的性能。
对所有检测器观测点进行预测,并进行误差分析,结果如表1所示,
本发明基于时间卷积神经网络的交通流量预测模型在所有评价指标上 都取得最优表现,具有较高的准确性,证明了本发明基于时间卷积神经网络 的交通流量预测模型对交通流量预测的优秀性能。
表1各预测模型的表现对比
图4为LSTM、GRU、TCN模型在验证集上的迭代验证误差,可以看出 TCN模型的训练时间更短,收敛速度更快。
以上对本发明的具体实施例进行了描述。需要理解的是,以上所述仅为 本发明的具体实施例,不用于限制本发明,本领域技术人员可以在权利要求 的范围内做出各种变化或修改,这并不影响本发明的实质内容。
Claims (6)
1.一种基于时间卷积神经网络的道路断面交通流量预测方法,其特征在于,包括以下步骤:
S1:将采集的历史交通流量数据按指定间隔时间进行合并,并进行归一化处理,将归一化的交通流量数据划分为训练数据集、验证数据集和测试数据集;
S2:建立基于时间卷积神经网络的交通流量预测模型;
S3:利用步骤S1的训练数据集训练步骤S2的基于时间卷积神经网络的交通流量预测模型,得到训练后的预测模型,通过步骤S1的验证数据集验证训练后的预测模型,得到验证结果,根据验证结果筛选出最优的预测模型,在步骤S1的测试数据集上利用筛选出的最优的预测模型进行道路断面交通流量预测,得到预测数据。
2.根据权利要求1所述的基于时间卷积神经网络的道路断面交通流量预测方法,其特征在于,步骤S1中,所述的指定间隔时间为5~15分钟。
3.根据权利要求1所述的基于时间卷积神经网络的道路断面交通流量预测方法,其特征在于,步骤S1中,将采集的历史交通流量数据按指定间隔时间进行合并,并进行归一化处理,将归一化处理后的交通流量数据集划分为训练数据集、验证数据集和测试数据集,具体包括:
将在各观测点采集的交通流量数据按指定间隔时间分别进行累加合并,得到各个指定间隔时间的交通流量数据,选取各个指定间隔时间的交通流量数据中最大的交通流量值,将各个指定间隔时间的交通流量数据与该最大的交通流量值的比值作为归一化处理后的交通流量数据集;将归一化处理后的交通流量数据集的60%~80%作分为训练数据集,将归一化处理后的交通流量数据集的20%~40%作为验证数据集,将归一化处理后的交通流量数据集的剩余的5%~20%作为测试数据集。
4.根据权利要求1所述的基于时间卷积神经网络的道路断面交通流量预测方法,其特征在于,步骤S2中,建立基于时间卷积神经网络的交通流量预测模型,具体包括:
A)建立扩展因果卷积模块,采用扩展因果卷积模块计算;
B)将步骤A)建立的扩展因果卷积模块堆叠多层后输出;
C)将步骤B)输出的结果连接一个全连接层进行线性变换,完成基于时间卷积神经网络的交通流量预测模型的建立。
5.根据权利要求4所述的基于时间卷积神经网络的道路断面交通流量预测方法,其特征在于,步骤A)中,扩展因果卷积模块的计算包括:
a)扩展因果卷积运算;
b)将步骤a)中扩展因果卷积运算中的权值参数标准化;
c)将步骤b)中权值参数标准化后的扩展因果卷积运算的结果输入到ReLU激活函数;
d)将步骤c)中ReLU激活函数输出的结果进行Dropout正则化。
6.根据权利要求1所述的基于时间卷积神经网络的道路断面交通流量预测方法,其特征在于,步骤S3具体包括:
S31,根据步骤S1的训练数据集中的交通流量数据包含的观测点的数目N,确定所述基于时间卷积神经网络的交通流量预测模型中的扩展因果卷积的输入通道数和输出通道数,确定输入通道数和输出通道数均为N,选取网络的深度和卷积核的大小,完成基于时间卷积神经网络的交通流量预测模型的模型参数确定;
S32,预测t时刻的交通流量时,选取前L个时间间隔的交通流量作为所建立模型的输入,将所有观测点的归一化后的数据按照时间顺序依次向后每L个为一页,一个批次中共包含B页,所述基于时间卷积神经网络的交通流量预测模型的输入数据维度为B×N×L;标签数据为要预测的指定间隔时间的数据,标签数据维度为B×N,预测模型输出的数据维度为B×N,完成基于时间卷积神经网络的交通流量预测模型的输入输出数据的格式确定;
S33,根据步骤S31确定的模型参数以及步骤S31确定的输入输出数据的格式,初步确定基于时间卷积神经网络的交通流量预测模型,利用训练数据集训练,得到训练后的预测模型;
S34,将验证数据集输入到步骤S33的训练后的预测模型,当训练轮数达到设定值时,或者误差小于设定阈值时,停止模型训练,保存验证误差最小的预测模型作为最优的预测模型;
S35,将测试数据集输入到步骤S34的最优的预测模型,进行前向计算,得到对应输出数据,将输出值反归一化,得到道路断面交通流量的预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911266936.8A CN111126680A (zh) | 2019-12-11 | 2019-12-11 | 一种基于时间卷积神经网络的道路断面交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911266936.8A CN111126680A (zh) | 2019-12-11 | 2019-12-11 | 一种基于时间卷积神经网络的道路断面交通流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111126680A true CN111126680A (zh) | 2020-05-08 |
Family
ID=70498526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911266936.8A Pending CN111126680A (zh) | 2019-12-11 | 2019-12-11 | 一种基于时间卷积神经网络的道路断面交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126680A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111458769A (zh) * | 2020-05-26 | 2020-07-28 | 南京大学 | 用于输电线路环境气象数据预测的方法及系统 |
CN111722306A (zh) * | 2020-07-27 | 2020-09-29 | 郑州航空工业管理学院 | 一种基于tcn网络模型台风登陆强度预测方法和系统 |
CN111882157A (zh) * | 2020-06-24 | 2020-11-03 | 东莞理工学院 | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 |
CN111915081A (zh) * | 2020-08-03 | 2020-11-10 | 东北大学秦皇岛分校 | 一种基于深度学习的峰值敏感型出行需求预测方法 |
CN111967577A (zh) * | 2020-07-29 | 2020-11-20 | 华北电力大学 | 一种基于变分自编码器的能源互联网场景生成方法 |
CN112215406A (zh) * | 2020-09-23 | 2021-01-12 | 国网甘肃省电力公司营销服务中心 | 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法 |
CN112242060A (zh) * | 2020-10-16 | 2021-01-19 | 深圳先进技术研究院 | 交通流量预测方法及装置、计算机设备及可读存储介质 |
CN112468326A (zh) * | 2020-11-11 | 2021-03-09 | 北京工业大学 | 基于时间卷积神经网络的访问流量预测方法 |
CN112668775A (zh) * | 2020-12-25 | 2021-04-16 | 西安翔迅科技有限责任公司 | 一种基于时序卷积网络算法的空气质量预测方法 |
CN112949951A (zh) * | 2021-04-29 | 2021-06-11 | 杭州数梦工场科技有限公司 | 数据预测方法、装置、电子设备及存储介质 |
CN113380025A (zh) * | 2021-05-28 | 2021-09-10 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
CN114118530A (zh) * | 2021-11-04 | 2022-03-01 | 杭州经纬信息技术股份有限公司 | 一种基于多户电力消耗预测模型的预测方法及装置 |
CN114373299A (zh) * | 2021-12-27 | 2022-04-19 | 宁波大学 | 一种基于ais数据的航道交通流量预测方法 |
EP4016412A1 (en) * | 2020-12-18 | 2022-06-22 | Imec VZW | Traffic prediction |
CN116227756A (zh) * | 2023-05-10 | 2023-06-06 | 北京航空航天大学 | 一种城市时空数据预测因果模型的评价方法 |
CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
CN116701912A (zh) * | 2023-06-14 | 2023-09-05 | 盐城工学院 | 基于一维卷积神经网络的轴承故障诊断方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260704A1 (en) * | 2017-03-10 | 2018-09-13 | International Business Machines Corporation | Multi-dimensional time series event prediction via convolutional neural network(s) |
CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 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 |
CN109887282A (zh) * | 2019-03-05 | 2019-06-14 | 中南大学 | 一种基于层级时序图卷积网络的路网交通流预测方法 |
CN110210644A (zh) * | 2019-04-17 | 2019-09-06 | 浙江大学 | 基于深度神经网络集成的交通流量预测方法 |
-
2019
- 2019-12-11 CN CN201911266936.8A patent/CN111126680A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260704A1 (en) * | 2017-03-10 | 2018-09-13 | International Business Machines Corporation | Multi-dimensional time series event prediction via convolutional neural network(s) |
CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 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 |
CN109887282A (zh) * | 2019-03-05 | 2019-06-14 | 中南大学 | 一种基于层级时序图卷积网络的路网交通流预测方法 |
CN110210644A (zh) * | 2019-04-17 | 2019-09-06 | 浙江大学 | 基于深度神经网络集成的交通流量预测方法 |
Non-Patent Citations (2)
Title |
---|
BING YU ET AL: "Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting", 《HTTPS://ARXIV.ORG/ABS/1709.04875V4》 * |
WENTIAN ZHAO ET AL: "Deep Temporal Convolutional Networks for Short-Term Traffic Flow Forecasting", 《IEEE ACCESS》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111458769A (zh) * | 2020-05-26 | 2020-07-28 | 南京大学 | 用于输电线路环境气象数据预测的方法及系统 |
CN111882157A (zh) * | 2020-06-24 | 2020-11-03 | 东莞理工学院 | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 |
CN111722306A (zh) * | 2020-07-27 | 2020-09-29 | 郑州航空工业管理学院 | 一种基于tcn网络模型台风登陆强度预测方法和系统 |
CN111967577B (zh) * | 2020-07-29 | 2024-04-05 | 华北电力大学 | 一种基于变分自编码器的能源互联网场景生成方法 |
CN111967577A (zh) * | 2020-07-29 | 2020-11-20 | 华北电力大学 | 一种基于变分自编码器的能源互联网场景生成方法 |
CN111915081A (zh) * | 2020-08-03 | 2020-11-10 | 东北大学秦皇岛分校 | 一种基于深度学习的峰值敏感型出行需求预测方法 |
CN111915081B (zh) * | 2020-08-03 | 2023-10-17 | 东北大学秦皇岛分校 | 一种基于深度学习的峰值敏感型出行需求预测方法 |
CN112215406B (zh) * | 2020-09-23 | 2024-04-16 | 国网甘肃省电力公司电力科学研究院 | 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法 |
CN112215406A (zh) * | 2020-09-23 | 2021-01-12 | 国网甘肃省电力公司营销服务中心 | 一种基于时间卷积神经网络的非侵入式居民用电负荷分解方法 |
CN112242060B (zh) * | 2020-10-16 | 2022-06-21 | 深圳先进技术研究院 | 交通流量预测方法及装置、计算机设备及可读存储介质 |
CN112242060A (zh) * | 2020-10-16 | 2021-01-19 | 深圳先进技术研究院 | 交通流量预测方法及装置、计算机设备及可读存储介质 |
WO2022077767A1 (zh) * | 2020-10-16 | 2022-04-21 | 深圳先进技术研究院 | 交通流量预测方法及装置、计算机设备及可读存储介质 |
CN112468326A (zh) * | 2020-11-11 | 2021-03-09 | 北京工业大学 | 基于时间卷积神经网络的访问流量预测方法 |
CN112468326B (zh) * | 2020-11-11 | 2022-11-04 | 北京工业大学 | 基于时间卷积神经网络的访问流量预测方法 |
EP4016412A1 (en) * | 2020-12-18 | 2022-06-22 | Imec VZW | Traffic prediction |
WO2022129421A1 (en) * | 2020-12-18 | 2022-06-23 | Imec Vzw | Traffic prediction |
CN112668775A (zh) * | 2020-12-25 | 2021-04-16 | 西安翔迅科技有限责任公司 | 一种基于时序卷积网络算法的空气质量预测方法 |
CN112949951A (zh) * | 2021-04-29 | 2021-06-11 | 杭州数梦工场科技有限公司 | 数据预测方法、装置、电子设备及存储介质 |
CN113380025A (zh) * | 2021-05-28 | 2021-09-10 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
CN114118530A (zh) * | 2021-11-04 | 2022-03-01 | 杭州经纬信息技术股份有限公司 | 一种基于多户电力消耗预测模型的预测方法及装置 |
CN114373299A (zh) * | 2021-12-27 | 2022-04-19 | 宁波大学 | 一种基于ais数据的航道交通流量预测方法 |
CN116227756A (zh) * | 2023-05-10 | 2023-06-06 | 北京航空航天大学 | 一种城市时空数据预测因果模型的评价方法 |
CN116701912A (zh) * | 2023-06-14 | 2023-09-05 | 盐城工学院 | 基于一维卷积神经网络的轴承故障诊断方法及系统 |
CN116701912B (zh) * | 2023-06-14 | 2023-11-14 | 盐城工学院 | 基于一维卷积神经网络的轴承故障诊断方法及系统 |
CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126680A (zh) | 一种基于时间卷积神经网络的道路断面交通流量预测方法 | |
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 | |
CN111612243A (zh) | 交通速度预测方法、系统及存储介质 | |
CN114330868A (zh) | 基于自注意力的个性化增强图卷积网络的客流预测方法 | |
CN110414715B (zh) | 一种基于社团检测的客流量预警方法 | |
CN109635010B (zh) | 一种用户特征及特征因子抽取、查询方法和系统 | |
CN111047078B (zh) | 交通特征预测方法、系统及存储介质 | |
CN111160622A (zh) | 基于混合神经网络模型的景区客流预测方法和装置 | |
CN113362598A (zh) | 一种高速公路服务区车流量预测方法 | |
Tan et al. | A new traffic prediction method based on dynamic tensor completion | |
CN112991721A (zh) | 基于图卷积网络节点关联度的城市路网交通速度预测方法 | |
CN112598165A (zh) | 基于私家车数据的城市功能区转移流量预测方法及装置 | |
CN116311921A (zh) | 一种基于多空间尺度时空Transformer的交通速度预测方法 | |
CN116011684A (zh) | 一种基于时空图卷积网络的交通流量预测方法 | |
CN108053646B (zh) | 基于时间敏感特征的交通特征获取方法、预测方法及系统 | |
CN117892915A (zh) | 基于核算单位的商品碳标签生成方法及系统 | |
CN114037139A (zh) | 一种基于注意力机制的货运车辆仓库逗留时长预测方法 | |
CN111145535B (zh) | 一种复杂场景下的行程时间可靠性分布预测方法 | |
CN117436653A (zh) | 一种网约车出行需求的预测模型构建方法和预测方法 | |
CN116822702A (zh) | 碳排放预测方法、装置、计算机设备和存储介质 | |
CN115796030A (zh) | 一种基于图卷积的交通流量预测方法 | |
CN116386312A (zh) | 一种交通量预测模型的构建方法和系统 | |
CN115953902A (zh) | 一种基于多视图时空图卷积网络的交通流预测方法 | |
CN113256986B (zh) | 交通分析方法、相关设备及可读存储介质 | |
CN115616408A (zh) | 电池热管理数据处理方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200508 |
|
RJ01 | Rejection of invention patent application after publication |