CN111127879B - 基于生成式对抗网络的城市交通流量预测方法 - Google Patents
基于生成式对抗网络的城市交通流量预测方法 Download PDFInfo
- Publication number
- CN111127879B CN111127879B CN201911254775.0A CN201911254775A CN111127879B CN 111127879 B CN111127879 B CN 111127879B CN 201911254775 A CN201911254775 A CN 201911254775A CN 111127879 B CN111127879 B CN 111127879B
- Authority
- CN
- China
- Prior art keywords
- grid
- flow
- flow chart
- vehicle
- gps track
- 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 47
- 239000011159 matrix material Substances 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 34
- 238000011176 pooling Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 10
- 229920006068 Minlon® Polymers 0.000 claims description 9
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 230000004913 activation Effects 0.000 description 11
- 238000010606 normalization Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000728173 Sarima Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001932 seasonal effect Effects 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
-
- 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
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于生成式对抗网络的城市交通流量预测方法,其包括如下步骤:获取某一城市的位置信息并将该城市区域划分为多个网格区域;采集预设时间内该城市区域中车辆的GPS轨迹数据集,根据时间段统计计算出每个网格区域中的进流量和出流量,并将进流量和出流量组织成流量图集I;将连续的三帧流量图IN‑2、IN‑1、IN输入到训练好的生成式对抗网络模型中,即可得到预测的下一个时间间隔的流量图IN+1,其中N大于2。与相关技术相比,本发明的基于生成式对抗网络的城市交通流量预测方法采用3D卷积能够有效提取交通流量的时间强相关性和空间依赖性,采用生成流量图的方式来预测,预测结果可靠性更高。
Description
技术领域
本发明属于城市交通流量预测技术领域,更具体地,涉及一种基于生成式对抗网络的城市交通流量预测方法。
背景技术
城市交通流量预测是城市计算领域中的一个重要组成部分。城市交通流量影响着人们周围的环境和资源的利用,更重要的是影响着居民的出行和日常生活。一方面,交通拥堵会对居民的出行带来不便,提前预知道路的交通流量能使居民绕开拥堵路段能够快速抵达目的地,为出行带来便利;另一方面,预测城市中的交通流量对交通管理和公共安全更为重要,提前预知某一地带的交通流量,能及时有效地在车流量较大的地带地带进行交通管制、疏散人群、通知居民避开车流量较大的地带能有效的防止灾难性的踩踏事件的发生。
由于城市交通流量预测的重要性,许多预测交通流量的方法应运而生。以往的很多预测方法,预测精度和鲁棒性不强。近几年随着大数据和人工智能时代的到来,机器学习和深度学习的方法成为了主流的预测方法。
然而,现有的城市交通流量的预测方法仍然存在一些不可忽略的缺陷:第一,以往的预测方法难以结合交通流量的空间相关性对路段进行预测;第二,以往的预测方法难以实现一次预测所有城市区域的流量信息;第三,以往的预测方法难以提取历史的连续交通流量中的时间强相关性对城市区域的交通流量进行预测。
因此,有必要提供一种新的基于生成式对抗网络的城市交通流量预测方法来解决上述问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了基于生成式对抗网络的城市交通流量的预测方法,其目的在于,通过生成式对抗网络学习大量的由车辆的GPS轨迹数据计算出的交通流量图实现了对城市中的交通流量进行准确预测的方法,由于本发明中使用3D卷积从连续的三帧流量图中提取时间相关性,从而能够解决难以提取历史的连续交通流量的时间强相关性的问题;由于本发明中采用基于卷积神经网络的结构能很好地提取空间依赖性,从而能够解决难以结合空间相关性对交通流量进行预测的问题;以及由于本发明采用的是城市区域的全局GPS轨迹信息对网络进行训练,从而能够解决网络模型难以一次预测所有城市区域的流量信息且准确度不高的问题。
一种基于生成式对抗网络的城市交通流量预测方法,其包括如下步骤:
步骤S1,获取某一城市的位置信息并将该城市区域划分为多个网格区域;
步骤S2,采集预设时间内该城市区域中车辆的GPS轨迹数据集,根据时间段统计计算出每个网格区域中的进流量和出流量,并将进流量和出流量组织成流量图集I,其中I=(I1,I2,...,IM),M表示时间段的个数;
步骤S3,将连续的三帧流量图IN-2、IN-1、IN输入到训练好的生成式对抗网络模型中,即可得到预测的下一个时间间隔的流量图IN+1,其中N大于或等于3。
优选的,所述步骤S1中,城市区域的位置信息region用经纬度表示:
region=(maxlon,maxlat,minlon,minlon)
其中maxlon、minlon分别表示该城市区域的最大、最小经度,maxlat、minlat分别表示该城市区域的最大、最小纬度;
将城市区域按照a*b的网格大小划分成H*W个网格,用grid(k,j)表示第k行第j列的网格,k,j分别是从1到H、W的自然数;
其中,a、b分别为单个网格的长和宽,
grid(k,j)=(maxlonk,j,minlonk,j,maxlatk,j,minlatk,j);
maxlonk,j、minlonk,j分别表示网格grid(k,j)中的最大、最小经度,maxlatk,j、minlatk,j分别表示网格grid(k,j)中的最大、最小纬度。
优选的,在步骤S2中,所述GPS轨迹数据集由多个GPS轨迹数据组成,每个所述GPS轨迹数据由多个GPS轨迹点数据组成,GPS轨迹点数据是每隔5-10秒通过车辆的GPS设备采集的车辆的GPS轨迹点p,同一车辆的连续轨迹点数据组成一个GPS轨迹数据Tid,其中:
p=(id,lon,lat,t),Tid={(lon1,lat1,t1),(lon2,lat2,t2),......,(lonn,latn,tn)},id表示车辆的ID,用于标识每个车辆,lon表示车辆所处的经度,lat表示车辆所处的纬度,t表示轨迹点所处的时间。
优选的,所述步骤S2中,根据时间段统计计算出每个网格区域中的进流量和出流量,并将进流量和出流量组织成流量图集I包括如下步骤:
步骤S21,按照预设的时间间隔T统计计算出M个连续时间段内各个网格区域中所有不同id的车辆GPS轨迹点p的进流量fin和出流量fout;
步骤S22,将所述预设时间内的整个城市网格中的每一个网格中的进流量fin作为该网格的值,得到n*n的矩阵并将该矩阵转化为n*n像素的进流量图;
步骤S23,将所述预设时间内的整个城市网格中的每一个网格中的出流量fout作为该网格的值,得到n*n的矩阵并将该矩阵转化为n*n像素的出流量图;
步骤S24,将进流量图和出流量图合并为一个n*n*2的流量图集I,其中I=(I1,I2,...,IM),M表示时间段的个数。
优选的,步骤S21中,若车辆的GPS轨迹点p在第m-1个时间间隔T内不在网格grid(k,j)中且第m个时间间隔T内在网格grid(k,j)中,则该网格grid(k,j)的fin加1,若GPS轨迹点p在第m-1个时间间隔T内在网格grid(k,j)中且第m个时间间隔T内不在网格grid(k,j)中,则该网格grid(k,j)的fout加1,其中m为2到M的自然数,同一id的车辆的轨迹点p只计算一次。
优选的,步骤S3中,所述生成式对抗网络模型包括生成网络G和判别网络D,所述生成网络G依次包括输入层、交替设置的多个卷积层和多个池化层、交替设置的多个上采样层、多个卷积层和多个级联层、以及多个卷积层,所述判别网络D依次包括级联层和多个卷积层。
优选的,步骤S3中,所述生成式对抗网络模型经过以下步骤训练得到:
步骤a、获取某一城市连续时间内的车辆的GPS轨迹点数据集;
步骤b、对所述GPS轨迹点数据集进行预处理,得到流量图集I;
步骤c、将流量图集I组织成(I1,I2,I3),(I2,I3,I4),...,(Ii,Ii+1,Ii+2)的形式,每个(Ii,Ii+1,Ii+2)为一个n*n像素2通道3帧的流量图Ii,i+1,i+2,i为自然数;
步骤d,将组织好的流量图Ii,i+1,i+2输入到所述生成网络G中,得到生成的流量图Ii+3’,其中,Ii+3’=G(Ii,i+1,i+2),i的初始值为1;
步骤e,根据步骤d得到的流量图Ii+3’和步骤b得到的Ii+3计算损失函数lossG,并根据自适应矩估计优化器更新所述生成网络G的参数,并将学习率设置为0.001,而所述判别网络D的参数保持不变,其中损失函数:
lossG=log(1-D(Ii+2,G(Ii,i+1,i+2)))+||Ii+3-G(Ii,i+1,i+2)||1;
步骤f,将步骤d生成的流量图Ii+3’和步骤b得到的流量图Ii+2输入到所述判别网络D中得到D(Ii+2,Ii+3’),将步骤b得到的流量图Ii+2和Ii+3输入到所述判别网络D中得到D(Ii+2,Ii+3);
步骤g,根据步骤f得到的D(Ii+2,Ii+3’)和D(Ii+2,Ii+3)计算损失函数lossD,并根据自适应矩估计优化器更新判别网络D的参数,并将学习率设置为0.0001,其中损失函数
’
lossD=logD(Ii+2,Ii+3)+log(1-D(Ii+2,Ii+3));
步骤g,每次i加1,重复上述步骤d、e、f、g,直到流量图集Ii中的所有流量图都输入到判别网络D中进行训练,至此完成一次迭代;
步骤k,重复步骤g,完成100次迭代,以得到训练好的生成式对抗网络模型。
优选的,步骤b中,对所述GPS轨迹点数据集进行预处理的方法与步骤S2相同。
与相关技术相比,本发明提供的基于生成式对抗网络的城市交通流量预测方法采用3D卷积能够有效提取交通流量的时间强相关性,同时本发明中的生成式对抗网络采用基于卷积神经网络的结构能够有效提取空间依赖性,预测结果可靠性更高。
附图说明
图1是本发明提供的基于生成式对抗网络的城市交通流量预测方法流程图;
图2是图1所示步骤S2的流程示意图;
图3是本发明步骤S3中使用的生成式对抗网络模型的示意图;
图4是图3所示生成式对抗网络模型中生成网络G的结构示意图;
图5是图3所示生成式对抗网络模型中判别网络D的结构示意图;
图6是将三个连续时间间隔的流量图输入到本发明训练好的生成式对抗网络模型后得到预测结果的实例图;
图7是使用本发明城市交通流量预测方法预测得到的10:00的流量图与真实的10:00的流量图的对比结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1,本发明提供了一种基于生成式对抗网络的城市交通流量的预测方法,包括以下步骤:
步骤S1,获取某一城市的位置信息并将该城市区域划分为多个网格区域;
具体而言,一个城市区域的位置信息region用经纬度表示:
region=(maxlon,maxlat,minlon,minlon)
其中maxlon、minlon分别表示该城市区域的最大、最小经度,maxlat、minlat分别表示该城市区域的最大、最小纬度;
例如,可以将城市区域按照a*b的网格大小划分成H*W个网格,a和b的可以根据实际需要自主设置,通常将单个网格的长宽相等,则
用grid(k,j)表示第k行第j列的网格,k,j分别是从1到H、W的自然数。
grid(k,j)=(maxlonk,j,minlonk,j,maxlatk,j,minlatk,j)。
步骤S2,采集预设时间内该城市区域中车辆的GPS轨迹数据集,根据时间段统计计算出每个网格区域中的进流量和出流量,并将进流量和出流量组织成流量图集;
在该步骤中,所述GPS轨迹数据集由多个GPS轨迹数据组成,每个所述GPS轨迹数据由多个GPS轨迹点数据组成,GPS轨迹点数据是每隔5-10秒通过车辆的GPS采集的车辆的GPS轨迹点p,同一车辆的连续轨迹点数据组成一个GPS轨迹数据Tid,其中:
p=(id,lon,lat,t),Tid={(lon1,lat1,t1),(lon2,lat2,t2),......,(lonn,latn,tn)},id表示车辆的ID,用于标识每个车辆,lon表示车辆所处的经度,lat表示车辆所处的纬度,t表示轨迹点所处的时间。
请结合参阅图2,根据时间段统计计算出每个网格区域中的进流量和出流量,并将进流量和出流量组织成流量图包括如下步骤:
步骤S21,按照预设的时间间隔T统计计算出M个连续时间段内各个网格区域中所有不同id的车辆GPS轨迹点p的进流量fin和出流量fout;
在步骤S21中,其中时间间隔T可以根据实际需要设置,例如可以选取30分钟、一个小时、2个小时等。若车辆的GPS轨迹点p在第m-1个时间间隔T内不在网格grid(k,j)中且第m个时间间隔T内在网格grid(k,j)中,则该网格grid(k,j)的fin加1,若GPS轨迹点p在第m-1个时间间隔T内在网格grid(k,j)中且第m个时间间隔T内不在网格grid(k,j)中,则该网格grid(k,j)的fout加1,其中N至少大于或等于3,m为2到M的自然数,同一id的车辆的轨迹点p只计算一次。
步骤S22,将所述预设时间内的整个城市网格中的每一个网格中的进流量fin作为该网格的值,得到n*n的矩阵并将该矩阵转化为n*n像素的进流量图;
步骤S23,将所述预设时间内的整个城市网格中的每一个网格中的出流量fout作为该网格的值,得到n*n的矩阵并将该矩阵转化为n*n像素的出流量图;
在该步骤中,n是根据实际情况设定的,可以取16、32、64等。
步骤S24,将进流量图和出流量图合并为一个n*n*2的流量图集I,其中I=(I1,I2,...,IM),M表示时间段的个数。
步骤S3,将连续的三帧流量图IN-2、IN-1、IN输入到训练好的生成式对抗网络模型中,即可得到预测的下一个时间间隔的流量图IN+1,其中N大于或等于3。
请结合参阅图3-5,在步骤S3中,所述生成式对抗网络模型包括生成网络G和判别网络D,为了便于描述,使用G和D分别代表生成网络和判别网络。
其中所述生成网络G依次包括输入层、交替设置的多个卷积层和多个池化层、交替设置的多个上采样层、多个卷积层和多个级联层、以及多个卷积层。
在本实施例中,第一层是输入层,其输入为3*32*32*2大小的矩阵。
第二层是第一卷积层,其卷积核大小为4*4*4,数量为64,步长为1,该层使用SAME方式填充,输出大小为3*32*32*64的矩阵,然后采用带泄露线性整流函数(Leaky ReLU)作为激活函数。
第三层是第一池化层,该层使用最大池化,其池化窗口大小为(2,2,2),步长为(1,2,2),使用SAME方式填充,输出大小为3*16*16*64矩阵。
第四层是第二卷积层,其卷积核大小为4*4*4,数量为128,步长为1,该层使用SAME方式填充,输出大小为3*16*16*128的矩阵,然后采用带泄露线性整流函数作为激活函数,最后进行批标准化(BatchNormalization)处理。
第五层是第二池化层,该层使用最大池化,其池化窗口大小为(2,2,2),步长为(1,2,2),使用SAME方式填充,输出大小为3*8*8*128矩阵。
第六层是第三卷积层,其卷积核大小为4*4*4,数量为256,步长为,1,该层使用SAME方式填充,输出大小为3*8*8*256的矩阵,然后采用带泄露线性整流函数作为激活函数,最后进行批标准化处理。
第七层是第三池化层,该层使用最大池化,其池化窗口大小为(2,2,2),步长为(1,2,2),使用SAME方式填充,输出大小为3*4*4*256矩阵。
第八层是第四卷积层,其卷积核大小为4*4*4,数量为512,步长为1,该层使用SAME方式填充,输出大小,3*4*4*512的矩阵,然后采用带泄露线性整流函数作为激活函数,最后进行批标准化处理。
第九层是第四池化层,该层使用最大池化,其池化窗口大小为(2,2,2),步长为(1,2,2),使用SAME方式填充,输出大小为3*2*2*256矩阵。
第十层是第五卷积层,其卷积核大小为4*4*4,数量为512,步长为,1,该层使用SAME方式填充,输出大小为3*2*2*512的矩阵,然后采用带泄露线性整流函数作为激活函数,最后进行批标准化处理。
第十一层是上第一上采样层(UpSampling),上采样因子为(1,2,2),输出大小为3*4*4*512的矩阵。
第十二层是第六卷积层,其卷积核大小为4*4*4,数量为512,步长为1,该层使用SAME方式填充,输出大小为3*4*4*512的矩阵,然后进行批标准化处理。
第十三层是第一级联层(Concatenate),将第八层的输出与第十二层的输出共同作为输入,输出大小为3*4*4*1024的矩阵。
第十四层是第二上采样层,上采样因子为(1,2,2),输出大小为3*8*8*1024的矩阵。
第十五层是第七卷积层,其卷积核大小为4*4*4,数量为256,步长为1,该层使用SAME方式填充,输出大小,3*8*8*256的矩阵,然后进行批标准化处理。
第十六层是第二级联层,将第六层的输出与第十五层的输出共同作为输入,输出大小为3*8*8*512的矩阵。
第十七层是第三上采样层,上采样因子为(1,2,2),输出大小为3*16*16*512的矩阵。
第十八层是第八卷积层,其卷积核大小为4*4*4,数量为128,步长为1,该层使用SAME方式填充,输出大小3*16*16*128的矩阵,然后进行批标准化处理。
第十九层是第三级联层,将第四层的输出与第十八层的输出共同作为输入,输出大小为3*16*16*256的矩阵。
第二十层是第四上采样层,上采样因子为(1,2,2),输出大小为3*32*32*256的矩阵。
第二十一层是第九卷积层,其卷积核大小为4*4*4,数量为64,步长为1,该层使用SAME方式填充,输出大小,3*32*32*64的矩阵,然后进行批标准化处理。
第二十二层是第四级联层,将第二层的输出与第二十一层的输出共同作为输入,输出大小为3*32*32*128的矩阵。
第二十三层是第十卷积层,其卷积核大小为4*4*4,数量为64,步长为(2,1,1),该层使用SAME方式填充,激活函数为双曲正切函数(tanh),输出大小为2*32*32*64的矩阵。
第二十四层是第十一卷积层,其卷积核大小为4*4*4,数量为32,步长为(2,1,1),该层使用SAME方式填充,激活函数为双曲正切函数,输出大小为1*32*32*32的矩阵。
第二十五层是第十二卷积层,其卷积核大小为4*4*4,数量为2,步长为(2,1,1),该层使用SAME方式填充,激活函数为双曲正切函数,输出大小为1*32*32*2的矩阵,最后使用Reshape输出大小为32*32*2的矩阵。
所述判别网络D依次包括级联层和多个卷积层。
在本实施例中,第一层是级联层,输入为两个32*32*2的矩阵,输出为32*32*4的矩阵。
第二层是第一卷积层,其卷积核大小为4*4,数量为128,步长为2,该层使用SAME方式填充,输出大小为16*16*64的矩阵,然后采用带泄露线性整流函数作为激活函数。
第三层是第二卷积层,其卷积核大小为4*4,数量为256,步长为2,该层使用SAME方式填充,输出大小为8*8*128的矩阵,然后采用带泄露线性整流函数作为激活函数,最后进行批标准化处理。
第四层是第三卷积层,其卷积核大小为4*4,数量为256,步长为1,该层使用SAME方式填充,输出大小为8*8*256的矩阵,然后采用带泄露线性整流函数作为激活函数,最后进行批标准化处理。
第五层是第四卷积层,其卷积核大小为4*4,数量为1,步长为1,该层使用SAME方式填充,输出大小为8*8*1的矩阵。
所述生成式对抗网络模型经过以下步骤训练得到:
步骤a、获取某一城市连续时间内的车辆的GPS轨迹点数据集;
步骤b、对所述GPS轨迹点数据集进行预处理,得到流量图集I;
具体而言,本步骤的预处理过程与步骤S2相同,在此不再赘述。在本实施例中,训练过程中步骤a获取的是380天的数据且时间间隔为30分钟,则可以得到18240个流量图I1,I2,I3......I18239,I18240,(即M=18240)可将其随机划分为3个部分,其中80%作为训练集(Train set),10%作为验证集(Validation set),10%作为测试集(Test set),则18240个流量图集合构成的数据集,训练集包括14592个流量图,验证集包括1824个流量图,测试集包括1824个流量图。
步骤c、将训练集的流量图集I组织成(I1,I2,I3),(I2,I3,I4),...,(Ii,Ii+1,Ii+2),...,(I14590,I14591,I14592)的形式,每个(Ii,Ii+1,Ii+2)为一个n*n像素2通道3帧的流量图Ii,i+1,i+2,i为1到14590的自然数;
优选地,像素n通常为32。
步骤d,将组织好的流量图Ii,i+1,i+2输入到所述生成网络G中,得到生成的流量图Ii+3’,其中,Ii+3’=G(Ii,i+1,i+2),i的初始值为1;
步骤e,根据步骤d得到的流量图Ii+3’和步骤b得到的Ii+3计算损失函数lossG,并根据自适应矩估计优化器更新所述生成网络G的参数,并将学习率设置为0.001,而所述判别网络D的参数保持不变,其中损失函数:
lossG=log(1-D(Ii+2,G(Ii,i+1,i+2)))+||Ii+3-G(Ii,i+1,i+2)||1;
步骤f,将步骤d生成的流量图Ii+3’和步骤b得到的流量图Ii+2输入到所述判别网络D中得到D(Ii+2,Ii+3’),将步骤b得到的流量图Ii+2和Ii+3输入到所述判别网络D中得到D(Ii+2,Ii+3);
步骤g,根据步骤f得到的D(Ii+2,Ii+3’)和D(Ii+2,Ii+3)计算损失函数lossD,并根据自适应矩估计优化器更新判别网络D的参数,并将学习率设置为0.0001,其中损失函数
lossD=logD(Ii+2,Ii+3)+log(1-D(Ii+2,Ii+3’));
步骤g,每次i加1,重复上述步骤d、e、f、g,直到流量图集Ii中的所有流量图都输入到判别网络D中进行训练,至此完成一次迭代;
步骤k,重复步骤g,至少完成100次迭代,得到训练好的生成式对抗网络模型。
将本实施例测试集中的每三个连续的时间间隔的流量图输入到训练好的生成式对抗网络模型中得到预测的流量图,然后,使用均方根误差(Root Mean Square Error,简称RMSE)针对预测的交通流量图和真实的交通流量图进行评估,并与其他五种城市交通流量的预测方法(历史均值方法(HA)、向量自回归模型(VAR)、差分整合移动平均自回归模型(ARIMA)、季节性差分自回归滑动平均模型(SARIMA)、卷积长短期记忆网络(ConvLSTM))进行对比,结果如表1所示。
表1
方法 | 均方根误差(RMSE) |
HA | 56.98 |
VAR | 21.97 |
ARIMA | 22.67 |
SARIMA | 26.79 |
ConvLSTM | 19.48 |
Ours | 17.88 |
从表1可看出,本发明预测的流量图与真实的流量图之间的均方根误差相较于其他五种方法都很小。
请参阅图6和图7,使用本发明城市交通流量预测方法预测得到的10:00的流量图与真实的10:00的流量图几乎一致,说明达到了预测的效果。
与相关技术相比,本发明提供的基于生成式对抗网络的城市交通流量预测方法采用3D卷积能够有效提取交通流量的时间强相关性,同时本发明中的生成式对抗网络采用基于卷积神经网络的结构能够有效提取空间依赖性,预测结果可靠性更高。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于生成式对抗网络的城市交通流量预测方法,其特征在于,包括如下步骤:
步骤S1,获取某一城市的位置信息并将该城市区域划分为多个网格区域;
步骤S2,采集预设时间内该城市区域中车辆的GPS轨迹数据集,根据时间段统计计算出每个网格区域中的进流量和出流量,并将进流量和出流量组织成流量图集I,其中I=(I1,I2,...,IM),M表示时间段的个数;
步骤S3,将连续的三帧流量图IN-2、IN-1、IN输入到训练好的生成式对抗网络模型中,即可得到预测的下一个时间间隔的流量图IN+1,其中N大于或等于3,其中所述生成式对抗网络模型包括生成网络G和判别网络D,所述生成网络G依次包括输入层、交替设置的多个卷积层和多个池化层、交替设置的多个上采样层、多个卷积层和多个级联层、以及多个卷积层,所述判别网络D依次包括级联层和多个卷积层,且所述生成式对抗网络模型经过以下步骤训练得到:
步骤a、获取某一城市连续时间内的车辆的GPS轨迹点数据集;
步骤b、对所述GPS轨迹点数据集进行预处理,得到流量图集I;
步骤c、将流量图集I组织成(I1,I2,I3),(I2,I3,I4),...,(Ii,Ii+1,Ii+2)的形式,每个(Ii,Ii+1,Ii+2)为一个n*n像素2通道3帧的流量图Ii,i+1,i+2,i为自然数;
步骤d,将组织好的流量图Ii,i+1,i+2输入到所述生成网络G中,得到生成的流量图Ii+3’,其中,Ii+3’=G(Ii,i+1,i+2),i的初始值为1;
步骤e,根据步骤d得到的流量图Ii+3’和步骤b得到的Ii+3计算损失函数lossG,并根据自适应矩估计优化器更新所述生成网络G的参数,并将学习率设置为0.001,而所述判别网络D的参数保持不变,其中损失函数
lossG=log(1-D(Ii+2,G(Ii,i+1,i+2)))+||Ii+3-G(Ii,i+1,i+2)||1;
步骤f,将步骤d生成的流量图Ii+3’和步骤b得到的流量图Ii+2输入到所述判别网络D中得到D(Ii+2,Ii+3’),将步骤b得到的流量图Ii+2和Ii+3输入到所述判别网络D中得到D(Ii+2,Ii+3);
步骤g,根据步骤f得到的D(Ii+2,Ii+3’)和D(Ii+2,Ii+3)计算损失函数lossD,并根据自适应矩估计优化器更新判别网络D的参数,并将学习率设置为0.0001,其中损失函数
lossD=logD(Ii+2,Ii+3)+log(1-D(Ii+2,Ii+3’));
步骤h,每次i加1,重复上述步骤d、e、f、g,直到流量图集Ii中的所有流量图都输入到判别网络D中进行训练,至此完成一次迭代;
步骤k,重复步骤g,至少完成100次迭代,得到训练好的生成式对抗网络模型。
2.根据权利要求1所述的城市交通流量预测方法,其特征在于,所述步骤S1中,城市区域的位置信息region用经纬度表示:
region=(maxlon,maxlat,minlon,minlon)
其中maxlon、minlon分别表示该城市区域的最大、最小经度,maxlat、minlat分别表示该城市区域的最大、最小纬度;
将城市区域按照a*b的网格大小划分成H*W个网格,用grid(k,j)表示第k行第j列的网格,k,j分别是从1到H、W的自然数;
grid(k,j)=(maxlonk,j,minlonk,j,maxlatk,j,minlatk,j);
maxlonk,j、minlonk,j分别表示网格grid(k,j)中的最大、最小经度,maxlatk,j、minlatk,j分别表示网格grid(k,j)中的最大、最小纬度。
3.根据权利要求2所述的城市交通流量预测方法,其特征在于,在步骤S2中,所述GPS轨迹数据集由多个GPS轨迹数据组成,每个所述GPS轨迹数据由多个GPS轨迹点数据组成,GPS轨迹点数据是每隔5-10秒通过车辆的GPS采集的车辆的GPS轨迹点p,同一车辆的连续轨迹点数据组成一个GPS轨迹数据Tid,其中:
p=(id,lon,lat,t),Tid={(lon1,lat1,t1),(lon2,lat2,t2),......,(lonn,latn,tn)},id表示车辆的ID,用于标识每个车辆,lon表示车辆所处的经度,lat表示车辆所处的纬度,t表示轨迹点所处的时间。
4.根据权利要求3所述的城市交通流量预测方法,其特征在于,所述步骤S2中,根据时间段统计计算出每个网格区域中的进流量和出流量,并将进流量和出流量组织成流量图集I包括如下步骤:
步骤S21,按照预设的时间间隔T统计计算出M个连续时间间隔内各个网格区域中所有不同id的车辆GPS轨迹点p的进流量fin和出流量fout;
步骤S22,将所述预设时间内的整个城市网格中的每一个网格中的进流量fin作为该网格的值,得到n*n的矩阵并将该矩阵转化为n*n像素的进流量图;
步骤S23,将所述预设时间内的整个城市网格中的每一个网格中的出流量fout作为该网格的值,得到n*n的矩阵并将该矩阵转化为n*n像素的出流量图;
步骤S24,将进流量图和出流量图合并为一个n*n*2的流量图集I,其中I=(I1,I2,...,IM),M表示时间段的个数。
5.根据权利要求4所述的城市交通流量预测方法,其特征在于,步骤S21中,若车辆的GPS轨迹点p在第m-1个时间间隔T内不在网格grid(k,j)中且第m个时间间隔T内在网格grid(k,j)中,则该网格grid(k,j)的fin加1,若GPS轨迹点p在第m-1个时间间隔T内在网格grid(k,j)中且第m个时间间隔T内不在网格grid(k,j)中,则该网格grid(k,j)的fout加1,其中m为2到M的自然数,同一id的车辆的轨迹点p只计算一次。
6.根据权利要求1所述的城市交通流量预测方法,其特征在于,步骤b中,对所述GPS轨迹点数据集进行预处理的方法与步骤S2相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911254775.0A CN111127879B (zh) | 2019-12-09 | 2019-12-09 | 基于生成式对抗网络的城市交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911254775.0A CN111127879B (zh) | 2019-12-09 | 2019-12-09 | 基于生成式对抗网络的城市交通流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127879A CN111127879A (zh) | 2020-05-08 |
CN111127879B true CN111127879B (zh) | 2021-09-07 |
Family
ID=70496294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911254775.0A Active CN111127879B (zh) | 2019-12-09 | 2019-12-09 | 基于生成式对抗网络的城市交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127879B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111524358B (zh) * | 2020-05-22 | 2022-04-15 | 云南大学 | 一种区域辐射性交通流量预测方法 |
CN117576918B (zh) * | 2024-01-17 | 2024-04-02 | 四川国蓝中天环境科技集团有限公司 | 一种基于多源数据的城市道路流量全域预测方法 |
CN117935561B (zh) * | 2024-03-20 | 2024-05-31 | 山东万博科技股份有限公司 | 一种基于北斗数据的智能交通流分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008009016A3 (en) * | 2006-07-14 | 2008-11-06 | Kineto Wireless Inc | Generic access to the iu interface |
CN109215349A (zh) * | 2018-10-26 | 2019-01-15 | 同济大学 | 基于深度学习的长时交通流量预测方法 |
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 |
CN109886508A (zh) * | 2019-03-27 | 2019-06-14 | 温州大学 | 基于gps大数据的出租车高效益寻客多目标规划算法 |
CN110310479A (zh) * | 2019-06-20 | 2019-10-08 | 云南大学 | 一种城市交通流量预测系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11543830B2 (en) * | 2017-12-06 | 2023-01-03 | Petuum, Inc. | Unsupervised real-to-virtual domain unification for end-to-end highway driving |
-
2019
- 2019-12-09 CN CN201911254775.0A patent/CN111127879B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008009016A3 (en) * | 2006-07-14 | 2008-11-06 | Kineto Wireless Inc | Generic access to the iu interface |
CN109215349A (zh) * | 2018-10-26 | 2019-01-15 | 同济大学 | 基于深度学习的长时交通流量预测方法 |
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 |
CN109886508A (zh) * | 2019-03-27 | 2019-06-14 | 温州大学 | 基于gps大数据的出租车高效益寻客多目标规划算法 |
CN110310479A (zh) * | 2019-06-20 | 2019-10-08 | 云南大学 | 一种城市交通流量预测系统及方法 |
Non-Patent Citations (2)
Title |
---|
PCA-SVM-based Approach of Detecting Low-rate DoS Attack;Dongshuo Zhang 等;《IEEE International Conference on High Performance Computing and Communications》;20191003;第1163-1170页 * |
时空嵌入式生成对抗网络的地点预测方法;孔德江 等;《模式识别与人工智能》;20180131;第31卷(第1期);第50-60页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111127879A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111127879B (zh) | 基于生成式对抗网络的城市交通流量预测方法 | |
CN111653088B (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
CN111696355A (zh) | 动态图卷积交通速度预测方法 | |
CN110310474A (zh) | 一种基于时空残差网络的车流量预测方法及装置 | |
CN110766942A (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 | |
US20230058520A1 (en) | Traffic flow forecasting method based on deep graph gaussian processes | |
CN112131731B (zh) | 一种基于空间特征向量滤波的城市生长元胞模拟方法 | |
CN111047078B (zh) | 交通特征预测方法、系统及存储介质 | |
KR20200023697A (ko) | 교통상태정보를 예측하는 장치, 교통상태정보를 예측하는 방법 및 교통상태정보를 예측하는 프로그램을 저장하는 저장매체 | |
CN104217002A (zh) | 一种基于高质量数据获取的路况信息填补方法 | |
CN112242060A (zh) | 交通流量预测方法及装置、计算机设备及可读存储介质 | |
CN112766600B (zh) | 一种城市区域人群流量预测方法及系统 | |
CN112071062A (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 | |
CN104916124B (zh) | 基于马尔可夫模型的公共自行车系统调控方法 | |
CN113327417B (zh) | 基于3d动态时空残差卷积关联网络的交通流预测方法 | |
CN105974495A (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
CN111929723B (zh) | 基于多任务学习的地震数据约束下速度模型超分辨率方法 | |
CN114565187A (zh) | 一种基于图时空自编码网络的交通路网数据预测方法 | |
CN113779113B (zh) | 基于雨洪时空过程相似性挖掘的洪水动态预估方法及系统 | |
CN111985731B (zh) | 城市公共交通站点人数的预测方法及系统 | |
CN111524358B (zh) | 一种区域辐射性交通流量预测方法 | |
CN112115754A (zh) | 基于烟花差分进化混合算法-极限学习机的短时交通流预测模型 | |
CN112766240B (zh) | 基于时空关系的残差多图卷积人群分布预测方法及系统 | |
CN115640756A (zh) | 一种基于多源数据的停车需求预测模型、方法及其应用 | |
CN114973653B (zh) | 一种基于时空图卷积网络的交通流预测方法 |
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 |