CN111462479A - 一种基于傅里叶-递归神经网络的交通流预测方法 - Google Patents

一种基于傅里叶-递归神经网络的交通流预测方法 Download PDF

Info

Publication number
CN111462479A
CN111462479A CN202010120339.0A CN202010120339A CN111462479A CN 111462479 A CN111462479 A CN 111462479A CN 202010120339 A CN202010120339 A CN 202010120339A CN 111462479 A CN111462479 A CN 111462479A
Authority
CN
China
Prior art keywords
traffic flow
neural network
fourier
recurrent neural
training
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
Application number
CN202010120339.0A
Other languages
English (en)
Inventor
王存
董晓飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing New Generation Artificial Intelligence Research Institute Co ltd
Original Assignee
Nanjing New Generation Artificial Intelligence Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing New Generation Artificial Intelligence Research Institute Co ltd filed Critical Nanjing New Generation Artificial Intelligence Research Institute Co ltd
Priority to CN202010120339.0A priority Critical patent/CN111462479A/zh
Publication of CN111462479A publication Critical patent/CN111462479A/zh
Pending legal-status Critical Current

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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于傅里叶递归神经网络的交通流预测方法，包括以下步骤：(1)对交通流数据进行预处理；(2)设置窗口滑动距离S、窗口大小T、设置窗口函数G，将交通流历史数据分段；(3)对每段交通流历史数据进行短时傅里叶变换，从时间域转变换到频率域；(4)搭建递归神经网络模型，将交通流历史数据样本输入模型进行训练；(5)判断训练次数是否达到最大训练次数；(6)根据训练得到的傅里叶‑递归神经网络模型，计算交通流预测结果。本发明对于具有周期性规律的交通流数据的长时间预测更加准确，当序列较长、数据量较大时仍有较好的表现。

Description

一种基于傅里叶-递归神经网络的交通流预测方法
技术领域
本发明涉及一种基于傅里叶-递归神经网络的交通流预测方法。
背景技术
交通流系统是一个不断变化的复杂整体，其内在相关性和周期性表明了交通流中是有着某种可以被度量的规律的，交通流的各组成部分是相互联系的，而其繁杂的时空特性和不确定性又揭示了交通流的随机性和复杂性，要从如此复杂的交通流信息中找出这种规律，找出各种参数之间的内在联系，是一项具有挑战的任务。准确的交通预测信息可以为交通管理者提供有力的交通决策依据，同时也可以让驾驶员选择更为畅通的道路出行，进而避免或缓解交通拥堵的状况。在交通流预测方面，目前主要有基于线性统计理论的预测模型和基于智能理论的预测模型等。在交通流中，前一时刻的交通流会对下一时刻的交通流产生影响，即现在和未来交通状态受历史交通状态影响，并且交通流时间序列变化趋势与历史时间序列趋势呈正相关。所以深度学习中的递归神经网络模型非常适合交通流预测任务。由于基础递归神经网络(RNN)每次只处理一个时间步长，导致RNN在解决长期预测问题表现不佳。
发明内容
发明目的：本发明旨在提供一种基于傅里叶-递归神经网络的交通流预测方法，以解决上述问题。
技术方案：本发明的基于傅里叶-递归神经网络的交通流预测方法，包括以下步骤(1)对交通流数据进行预处理：
(11)当历史交通流数据的采样间隔小于预测所需间隔，对数据进行累加，得到历史交通流数据的序列，若历史交通流数据的采样间隔不小于所需间隔，直接进行步骤(12)；
(12)对历史交通流数据进行min-max归一化预处理；
(2)设置窗口滑动距离S、窗口大小T、设置窗口函数G，将交通流历史数据分段；
(3)对每段历史交通流数据进行短时傅里叶变换，从时间域转变换到频率域；
(4)搭建傅里叶-递归神经网络模型，将交通流历史数据样本输入模型进行训练；
(5)判断训练次数是否达到最大训练次数，若达到，则结束训练；
(6)根据训练得到的傅里叶-递归神经网络模型，输入历史交通流数据，计交通流预测结果。
有益效果：与现有技术相比，本发明具有如下显著优点：本发明的隐藏态乘法运算所需运算次数小，整体计算量小，计算速度更快；本发明对于具有周期性规律的交通流数据的长时间预测更加准确，当序列较长、数据量较大时仍有较好的表现。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示，本发明包括以下步骤：
(1)对交通流数据进行预处理，具体包括：
(11)当历史交通流数据的采样间隔小于预测数据所需间隔，对数据进行累加，得到历史交通流数据的序列，若历史交通流数据的采样间隔不小于所需间隔，直接进行步骤(12)。
例如，当历史交通流数据采样间隔为10分钟，已有90个按10分钟统计的数据，若预测所需的时间间隔是30分钟，则将每3个10分钟的车流累加，得到有30个间隔为30分钟的数据序列。
(12)对历史交通流数据进行min-max归一化预处理。
(2)设置窗口滑动距离S(S≤T)、窗口大小T、设置窗口函数G，将交通流历史数据分段；本例以高斯函数为窗口函数，设置窗口滑动距离S＝5、窗口大小T＝10，将120天的数据分成23段。
(3)对每段交通流历史数据进行短时傅里叶变换，从时间域转变换到频率域：
Figure BDA0002392769650000021
式中，
Figure BDA0002392769650000022
为复数信号，τ＝[0，ns]，τ为分段序列在傅里叶变换后所得结果的索引；
Figure BDA0002392769650000031
为傅里叶变换；xt为输入序列，输入序列xt被分为ns段。傅里叶变换对处理周期数据效果明显，交通流数据在一定程度上体现了周期性，利用傅里叶变换将交通流数据变换到频率域能取得更好的效果，有利于后续利用递归神经网络训练数据。
(4)搭建递归神经网络模型，将交通流历史数据样本输入模型进行训练，具体为：
(41)设置递归神经网络预测模型中网络隐藏态nh的大小，傅里叶变换后的频率数nf；
(42)对网络中的权重进行初始化，将迭代次数α初始化为1，训练样本号n初始化为1；
(43)计算网络的前向传播输出，计算网络的前向传播输出，并根据下式计算得隐状态hτ，
zτ＝Wchτ-1+VcXτ+bc
hτ＝fa(zτ)
式中，
Figure BDA0002392769650000032
是复数权重矩阵，fa是非线性激活函数；
对得到的隐状态hτ进行短时傅里叶逆变换，得到单个样本的训练输出结果yτ，
Figure BDA0002392769650000033
式中，Wpc为复数权重矩阵，h0为初始隐状态；
对得到的隐状态hτ进行短时傅里叶逆变换，然后进行反归一化处理，得到单个样本的训练输出结果yτ，(反归一化处理过程未体现在下式中)
Figure BDA0002392769650000034
式中，Wpc为复数权重矩阵，h0为初始隐状态(设置为零值)。
(5)计算网络误差E，E＝Yτ-yτ，所述Yτ为样本n的输出，yτ为神经网络输出结果，计算神经网络中个节点的残差。
(6)根据误差和残差计算误差梯度，根据该梯度，更新网络中的权重值。
(7)判断训练次数是否达到最大训练次数，具体为：
(71)将n加1，若n大于训练样本总数N，进入步骤(52)，否则返回步骤(4)；
(72)将α加1，若α大于指定的迭代次数A，终止训练；否则将n重置为1，并返回步骤(4)。经过训练，提高了该傅里叶-递归神经网络模型对交通流数据预测的准确性。
(8)根据训练得到的傅里叶-递归神经网络模型，输入历史交通流数据，计交通流预测结果。
实验测试
本实施例通过利用某地区历史数据中的20个时间点的历史交通流数据，利用接下来20个时间点的历史交通流数据验证预测结果。每两个时间点间隔15分钟。
选取绝对值均方差(MAE)作为道路交通流预测精度的指标，其计算公式分别如下所示：
Figure BDA0002392769650000041
其中，n为测试数据集数量，fij为第i个测试用例中第j个时间点的实际观测流量，
Figure BDA0002392769650000042
为模型输出的第i个测试用例中第j个时间点的预测流量。
对比结果如下表所示，本发明的预测方法从运行时间到结果准确度都优于普通的递归神经网络。
网络模型 MAE 运行时间(min)
RNN 29 372
Fourier-RNN 18 13

Claims (6)

1.一种基于傅里叶递归神经网络的交通流预测方法，其特征在于，包括以下步骤：
(1)对历史交通流数据进行预处理，包括：
(11)当历史交通流数据的采样间隔小于预测所需间隔，对数据进行累加，得到历史交通流数据的序列，若历史交通流数据的采样间隔不小于所需间隔，直接进行步骤(12)；
(12)对历史交通流数据进行min-max归一化预处理；
(2)设置窗口滑动距离S、窗口大小T、设置窗口函数G，将交通流历史数据分段；
(3)对每段历史交通流数据进行短时傅里叶变换，从时间域转变换到频率域；
(4)搭建傅里叶-递归神经网络模型，将交通流历史数据样本输入模型进行训练；
(5)判断训练次数是否达到最大训练次数，若达到，则结束训练；
(6)根据训练得到的傅里叶-递归神经网络模型，输入历史交通流数据，计交通流预测结果。
2.根据权利要求1所述的基于傅里叶-递归神经网络的交通流预测方法，其特征在于，所述步骤(3)采用以下公式计算，
Figure FDA0002392769640000011
式中，
Figure FDA0002392769640000012
为复数信号，τ＝[0，ns]，τ为分段序列在傅里叶变换后所得结果的索引；
Figure FDA0002392769640000013
为傅里叶变换；xt为输入序列，输入序列xt被分为ns段。
3.根据权利要求1所述的基于傅里叶-递归神经网络的交通流预测方法，其特征在于，所述步骤(4)中包括以下步骤：
(41)设置递归神经网络预测模型中网络隐藏态nh的大小，傅里叶变换后的频率数nf；
(42)对网络中的权重进行初始化，将迭代次数α初始化为1，训练样本号n初始化为1；
(43)计算网络的前向传播输出，并计算得隐状态hτ
zτ＝Wchτ-1+VcXτ+bc
hτ＝fa(zτ)
式中，
Figure FDA0002392769640000021
是复数权重矩阵，fa是非线性激活函数；
对得到的隐状态hτ进行短时傅里叶逆变换，然后进行反归一化处理，得到单个样本的训练输出结果yτ，
Figure FDA0002392769640000022
式中，Wpc为复数权重矩阵，h0为初始隐状态。
4.根据权利要求1所述的基于傅里叶-递归神经网络的交通流预测方法，其特征在于，在步骤(1)中所述窗口函数为高斯函数。
5.根据权利要求1所述的基于傅里叶-递归神经网络的交通流预测方法，其特征在于，所述步骤(5)包括以下步骤：
(51)将n加1，若n大于训练样本总数N，进入步骤(52)，否则返回步骤(4)；
(52)将α加1，若α大于指定的迭代次数A，终止训练；否则将n重置为1，并返回步骤(4)。
6.根据权利要求1所述的基于傅里叶-递归神经网络的交通流预测方法，其特征在于，所述步骤(4)和(5)之间包括以下步骤：
(7)计算网络误差E，E＝Yτ-yτ，所述Yτ为样本n的输出，yτ为神经网络输出结果，计算神经网络中个节点的残差；
(8)根据误差和残差计算误差梯度，根据该梯度，更新网络中的权重值。
CN202010120339.0A 2020-02-26 2020-02-26 一种基于傅里叶-递归神经网络的交通流预测方法 Pending CN111462479A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010120339.0A CN111462479A (zh) 2020-02-26 2020-02-26 一种基于傅里叶-递归神经网络的交通流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010120339.0A CN111462479A (zh) 2020-02-26 2020-02-26 一种基于傅里叶-递归神经网络的交通流预测方法

Publications (1)

Publication Number Publication Date
CN111462479A true CN111462479A (zh) 2020-07-28

Family

ID=71679981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010120339.0A Pending CN111462479A (zh) 2020-02-26 2020-02-26 一种基于傅里叶-递归神经网络的交通流预测方法

Country Status (1)

Country Link
CN (1) CN111462479A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906984A (zh) * 2021-03-24 2021-06-04 苏州蓝图智慧城市科技有限公司 一种道路交通状态预测方法、装置、存储介质及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105093227A (zh) * 2015-08-27 2015-11-25 电子科技大学 一种交通流量测量装置及车辆运行信息获得方法
CN105389980A (zh) * 2015-11-09 2016-03-09 上海交通大学 基于长短时记忆递归神经网络的短时交通流预测方法
CN107122790A (zh) * 2017-03-15 2017-09-01 华北电力大学 基于混合神经网络和集成学习的非侵入式负荷识别算法
WO2017155663A1 (en) * 2016-03-11 2017-09-14 Qualcomm Incorporated Recurrent networks with motion-based attention for video understanding
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105093227A (zh) * 2015-08-27 2015-11-25 电子科技大学 一种交通流量测量装置及车辆运行信息获得方法
CN105389980A (zh) * 2015-11-09 2016-03-09 上海交通大学 基于长短时记忆递归神经网络的短时交通流预测方法
WO2017155663A1 (en) * 2016-03-11 2017-09-14 Qualcomm Incorporated Recurrent networks with motion-based attention for video understanding
CN107122790A (zh) * 2017-03-15 2017-09-01 华北电力大学 基于混合神经网络和集成学习的非侵入式负荷识别算法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张晨等: "《基于神经网络的微博情绪识别与诱因抽取联合模型》", 《计算机应用》 *
徐家慧,等: "《基于双向LSTM的电网调度日志分类》", 《计算机应用与软件》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906984A (zh) * 2021-03-24 2021-06-04 苏州蓝图智慧城市科技有限公司 一种道路交通状态预测方法、装置、存储介质及电子设备
CN112906984B (zh) * 2021-03-24 2023-06-30 苏州蓝图智慧城市科技有限公司 一种道路交通状态预测方法、装置、存储介质及电子设备

Similar Documents

Publication Publication Date Title
CN108062561B (zh) 一种基于长短时记忆网络模型的短时数据流预测方法
Slavakis et al. Adaptive algorithm for sparse system identification using projections onto weighted ℓ 1 balls
CN112086100B (zh) 基于量化误差熵的多层随机神经网络的城市噪音识别方法
CN110866631A (zh) 基于集成的门递归单元神经网络gru来预测大气污染情况的方法
CN111160650B (zh) 一种基于Adaboost算法的交通流特性分析与预测方法
CN111880158A (zh) 一种基于卷积神经网络序列分类的雷达目标检测方法及系统
D'Amico et al. Wind speed modeled as an indexed semi‐Markov process
Tian et al. A network traffic prediction method based on IFS algorithm optimised LSSVM
CN103413038A (zh) 基于矢量量化的长期直觉模糊时间序列预测方法
CN107704426A (zh) 基于扩展小波神经网络模型的水位预测方法
CN110677297A (zh) 一种基于自回归滑动平均模型和极限学习机的组合网络流量预测方法
CN112257847A (zh) 一种基于CNN和LSTM预测地磁Kp指数的方法
CN114611415B (zh) 一种基于SL-TrellisNets网络的超视距传播损耗预测方法
CN114169645A (zh) 一种智能电网短期负荷预测方法
CN110879927A (zh) 一种用于海目标检测的海杂波幅度统计分布现场建模方法
CN112434890A (zh) 基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法
CN110362881B (zh) 基于极限学习机的微波功率器件非线性模型方法
CN113947182A (zh) 基于双阶段堆叠图卷积网络的交通流预测模型构建方法
CN112881987A (zh) 一种基于lstm模型的机载相控阵雷达行为预测方法
CN116665483A (zh) 一种新的预测剩余停车位的方法
CN115496257A (zh) 基于时空融合的短时车速预测
CN111462479A (zh) 一种基于傅里叶-递归神经网络的交通流预测方法
CN108631817B (zh) 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法
Niedzwiecki et al. Fast recursive basis function estimators for identification of time-varying processes
CN111667694B (zh) 一种基于改进dtw-knn的短时交通流预测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200728

RJ01 Rejection of invention patent application after publication