CN111275971A - 一种高速公路交通流量预测方法 - Google Patents

Abstract

本发明公开了一种高速公路交通流量预测方法，该方法包括采集预设时长内高速公路路段的交通信息数据；将采集的交通信息数据转换为相对应的路段交通量数据；将路段交通量数据按时间和空间分布得到路段交通量矩阵；通过路段交通量矩阵以及LSTM方法对交通流时空特征进行提取并建立模型；利用注意力模型捕获前一步得到的时空交通量关键特征，采用单层全连接神经网络对未来交通量进行预测。本发明基于注意力机制构造网络的深度，实现交通数据中关键部分的特征的自适应关注，并将其特征提取出来，从而对未来高速公路交通流量预测，该模型与现有的LSTM和其他预测方法相比，可以更精确的预测未来高速公路交通流量。

Description

一种高速公路交通流量预测方法

技术领域

本发明涉及交通预测模型技术领域，尤其涉及一种高速公路交通流量预测方法。

背景技术

随着我国经济的不断发展，城市化水平日益加深，人民对美好生活的要求也日益提高，高速公路作为城市间的重要通道也发挥着越来越重要的作用。但是随着居民私家车数量的快速增长以及城市对物资日益增加的需求，高速公路的交通流量呈现持续快速增加的势头。根据交通运输部交通运输行业发展统计公报显示，在过去三年全国高速公路平均日交通量增长分别为5％、10.5％、5.4％。逐年增加的交通量不仅使高速公路更加拥堵，同时也会增加交通事故的发生几率。为了解决这一问题，侧重对交通流进行控制和诱导的智能交通系统(Intelligent Transport System，ITS)逐渐发展起来，该系统可以根据短时交通流量预测，给出行者交通诱导信息，分散、诱导高速路网中的车流，从而到达缓解交通拥堵的效果。在这个过程中，如何准确、高效的预测交通流量便是重中之重。

目前所使用的模型输入没有考虑高速公路的时间周期性，当时间不同时，高速公路交通状况随时间的不同而改变。因此，考虑时间周期性的LSTM模型和没有考虑时间周期性的LSTM模相比，前者具有更好的预测精确性，LSTM模型在提取交通数据特征时，连接关系通过输入、输出和遗忘门单元提取相关联的特征并保存到内存单元，但是该模型在处理交通数据时，容易丢失一些比较重要的数据特征，导致预测精度下降，因此需要结合其他方法提高模型对高速交通数据信息关键特征的提取能力。

发明内容

为克服相关技术中存在的问题，本发明实施例提供一种高速公路交通流量预测方法，解决了高速公路由于时间周期性不同导致路况不同不能及时改变，预测精度会下降的问题。

本发明实施例提供一种高速公路交通流量预测方法，包括以下步骤：

采集预设时长内高速公路路段的交通信息数据；

将采集的交通信息数据转换为相对应的路段交通量数据；

将路段交通量数据按时间和空间分布得到路段交通量矩阵；

通过路段交通量矩阵以及LSTM方法对交通流时空特征进行提取并建立模型；

利用注意力模型捕获前一步得到的时空交通量关键特征，采用单层全连接神经网络对未来交通量进行预测。

进一步地，所述高速公路x对应的交通量矩阵为Q_x，其中高速公路包含的监测点信息为

每一个监测点监测并存储对应时刻的交通量，包含的该点所有历史时刻的交通量数据d_i＝[q_t-w，q_t-w-1，…，q_t]，将该路段的交通量按时空组合输入矩阵为Q_x：

进一步地，所述建立模型包括数据输入，将预设时间内的路段各个监测点的交通量作为输入数据，然后对该时段的交通量下标为t，且随机初始化进行训练模型，将交通量数据分为训练集和测试集。

进一步地，所述建立模型还包括确定LSTM单元结构，且LSTM单元的转换函数如公式所示：

f_t＝σ(W_f·[h_t-1；x_t]+b_f)

c_t＝i_t⊙g_t+f_t⊙c_t-1)

h_t＝o_t⊙tanh(c_t-1)

其中W_i，W_f，W_o∈R^d×2d分别为输入门、遗忘门和输出门的权重矩阵参数，b_i，b_f，b_o∈R^d分别是输入门、遗忘门和输出门的偏置参数，W_r是内容单元的权重矩阵，b_r是相对应的偏置，σ为sigmoid函数，⊙表示元素相乘。

进一步地，LSTM单元按点间相接的链接方式相连形成LSTM网络，通过LSTM单元不断提取输入数据的特征，并存储与LSTM的记忆单元中，同时，LSTM输出特征向量

进一步地，利用模型对高速公路流量进行预测，还包括经过LSTM方法提取某一时间范围内交通量特征向量，利用注意力模型捕获得到的交通量关键特征，增强预测效果，计算方法如下：

其中：e_n∈R^d为一维向量，v_a为注意力机制输入的向量，α是特征H在注意力机制中的权重向量，r为特征H的最终的输出特征。

进一步地，预测公式如下所示：h_s＝tanh(W_pr+W_xh_n)，

其中：

表示最终的预测值。

本发明的实施例提供的技术方案具有以下有益效果：基于注意力机制构造网络的深度，实现交通数据中关键部分特征的自适应关注，并将其特征提取出来，从而对未来高速公路交通流量预测，该模型与现有的LSTM和其他预测方法相比，具有较好的预测效果，可以更精确的预测未来高速公路交通流量。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是本发明实施例中高速公路交通流量预测方法的流程图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置及相关应用、方法的例子。

图1是本发明实施例中高速公路交通流量预测方法的流程图，该高速公路交通流量预测方法，包括以下步骤：

步骤101、采集预设时长内高速公路路段的交通信息数据。

高速公路交通流量产生于人们的出行，因此人们生活、旅游的出行周期规律直接影响着交通流量数据，导致高速公路交通流量数据也具有一定的时间周期性。

步骤102、将采集的交通信息数据转换为相对应的路段交通量数据。

步骤103、将路段交通量数据按时间和空间分布得到路段交通量矩阵。

高速公路x对应的交通量矩阵为Q_x，其中高速公路包含的监测点信息为

每一个监测点监测并存储对应时刻的交通量，包含的该点所有历史时刻的交通量数据d_i＝[q_t-w，q_t-w-1，…，q_t]，将该路段的交通量按时空组合输入矩阵为Q_x：

步骤104、通过路段交通量矩阵以及LSTM方法对交通流时空特征进行提取并建立模型。

建立模型包括数据输入，将预设时间内的路段各个监测点的交通量作为输入数据，然后对该时段的交通量下标为t，且随机初始化进行训练模型，将交通量数据分为训练集和测试集。

建立模型还包括确定LSTM单元结构，且LSTM单元的转换函数如公式所示：

f_t＝σ(W_f·[h_t-1；x_t]+b_f)

c_t＝i_t⊙g_t+f_t⊙c_t-1)

h_t＝o_t⊙tanh(c_t-1)

其中W_i，W_f，W_o∈R^d×2d分别为输入门、遗忘门和输出门的权重矩阵参数，b_i，b_f，b_o∈R^d分别是输入门、遗忘门和输出门的偏置参数，W_r是内容单元的权重矩阵，b_r是相对应的偏置，σ为sigmoid函数，⊙表示元素相乘。

LSTM单元按点间相接的链接方式相连形成LSTM网络，通过LSTM单元不断提取输入数据的特征，并存储与LSTM的记忆单元中，同时，LSTM输出特征向量

步骤105、利用注意力模型捕获LSTM方法中得到的交通流时空的关键特征，并采用单层全连接神经网络对未来交通量进行预测。

注意力模型可以重点关注高速交通数据特征的不同部分，提高LSTM在学习高速交通数据过程中对重点特征的提取能力，以便更好地提取特征。

经过LSTM方法提取某一时间范围内交通量特征向量，利用注意力模型捕获得到的交通量关键特征，利用注意力模型捕获得到的交通量关键特征，从而增强预测效果，计算方法如下：

其中：e_n∈R^a为一维向量，v_a为注意力机制输入的向量，α是特征H在注意力机制中的权重向量，r为特征H的最终的输出特征。

预测公式如下所示：h_s＝tanh(W_pr+W_xh_n)，

其中：

表示最终的预测值，本方法具有实时性、可行性和较高的精度，可以更精确的预测未来高速公路交通流量，从而为道路管理服务作数据支持。

采用上述发明的实施例，基于注意力机制构造网络的深度，实现交通数据中关键部分的特征的自适应关注，并将其特征提取出来，从而对未来高速公路交通流量预测，该模型与现有的LSTM和其他预测方法相比，具有较好的预测效果，可以更精确的预测未来高速公路交通流量。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (7)

1.一种高速公路交通流量预测方法，其特征在于，包括以下步骤：

采集预设时长内高速公路路段的交通信息数据；

将采集的交通信息数据转换为相对应的路段交通量数据；

将路段交通量数据按时间和空间分布得到路段交通量矩阵；

通过路段交通量矩阵以及LSTM方法对交通流时空特征进行提取并建立模型；

利用注意力模型捕获前一步得到的时空交通量关键特征，采用单层全连接神经网络对未来交通量进行预测。

2.根据权利要求1所述的高速公路交通流量预测方法，其特征在于，所述高速公路x对应的交通量矩阵为Q_x，其中高速公路包含的监测点信息为

每一个监测点监测并存储对应时刻的交通量，包含的该点所有历史时刻的交通量数据d_i＝[q_t-w，q_t-w-1，…，q_t]，将该路段的交通量按时空组合输入矩阵为Q_x：

3.根据权利要求1所述的高速公路交通流量预测方法，其特征在于，所述建立模型包括数据输入，将预设时间内的路段各个监测点的交通量作为输入数据，然后对时段的交通量下标为t，且随机初始化进行训练模型，将交通量数据分为训练集和测试集。

4.根据权利要求1所述的高速公路交通流量预测方法，其特征在于，所述建立模型还包括确定LSTM单元结构，且LSTM单元的转换函数如公式所示：

f_t＝σ(W_f·[h_t-1；x_t]+b_f)

c_t＝i_t⊙g_t+f_t⊙c_t-1)

h_t＝o_t⊙tanh(c_t-1)

其中W_i，W_f，W_o∈R^d×2d分别为输入门、遗忘门和输出门的权重矩阵参数，b_i，b_f，b_o∈R^d分别是输入门、遗忘门和输出门的偏置参数，W_r是内容单元的权重矩阵，br是相对应的偏置，σ为sigmoid函数，⊙表示元素相乘。

5.根据权利要求1所述的高速公路交通流量预测方法，其特征在于，LSTM单元按点间相接的链接方式相连形成LSTM网络，通过LSTM单元不断提取输入数据的特征，并存储与LSTM的记忆单元中，同时，LSTM输出特征向量

6.根据权利要求1所述的高速公路交通流量预测方法，其特征在于，利用模型对高速公路流量进行预测，还包括经过LSTM方法提取某一时间范围内交通量特征向量，利用注意力模型捕获得到的交通量关键特征，从而增强预测效果，计算方法如下：

α＝softmax(W^TM)，r＝Hα^T

其中：e_n∈R^d为一维向量，v_a为注意力机制输入的向量，α是特征H在注意力机制中的权重向量，r为特征H的最终的输出特征。

7.根据权利要求1所述的高速公路交通流量预测方法，其特征在于，预测公式如下所示：h_s＝tanh(W_pr+W_xh_n)，

其中：

表示最终的预测值。

Images