CN111553535A - 一种基于ae-lstm-bo车流量预测的导航参考方法 - Google Patents

一种基于ae-lstm-bo车流量预测的导航参考方法 Download PDF

Info

Publication number
CN111553535A
CN111553535A CN202010371999.6A CN202010371999A CN111553535A CN 111553535 A CN111553535 A CN 111553535A CN 202010371999 A CN202010371999 A CN 202010371999A CN 111553535 A CN111553535 A CN 111553535A
Authority
CN
China
Prior art keywords
lstm
data
historical data
encoder
weight
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.)
Granted
Application number
CN202010371999.6A
Other languages
English (en)
Other versions
CN111553535B (zh
Inventor
周武能
廖凯立
黄建华
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.)
Shanghai Nuclear Furstate Software Technology Co ltd
Donghua University
Original Assignee
Shanghai Nuclear Furstate Software Technology Co ltd
Donghua University
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 Shanghai Nuclear Furstate Software Technology Co ltd, Donghua University filed Critical Shanghai Nuclear Furstate Software Technology Co ltd
Priority to CN202010371999.6A priority Critical patent/CN111553535B/zh
Publication of CN111553535A publication Critical patent/CN111553535A/zh
Application granted granted Critical
Publication of CN111553535B publication Critical patent/CN111553535B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/044—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
    • 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
    • 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

Landscapes

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

Abstract

本发明涉及一种基于AE‑LSTM‑BO车流量预测的导航参考方法，首先构建和训练自编码器‑长短时记忆网络模型，然后将当前路口历史数据和周围路口历史数据输入到自编码器‑长短时记忆网络模型中，由其输出未来一定时间段内当前路口的车流量，最后将所预测的车流量结果发布在导航app上，让导航app或司机能够根据不同颜色展示的交通流量参考道路的拥堵性，以此合理规划出行，选择导航路线；模型构建时先进行降维周围路口历史数据，再进行LSTM网络预测；模型训练时首先获取历史数据，然后进行自编码器的训练，接着进行LSTM网络的训练，最后进行贝叶斯优化调整超参数。本发明显著提高了交通流预测的准确性，能够提供更加合理的导航参考。

Description

一种基于AE-LSTM-BO车流量预测的导航参考方法
技术领域
本发明属于导航技术领域，涉及一种基于AE-LSTM-BO车流量预测的导航参考方法。
背景技术
随着经济的发展，私家车的数量越来越多，这给城市的交通带来了十分严重的问题。为解决该难题，智能交通系统应运而生。交通流预测是智能交通系统中很重要的一个环节，实时性和正确率更好的短时预测模型有助于对交通状况的分析和控制。目前的导航提醒方法是以当前时间道路交通流为参考，然而当需要长时间通行时，会出现某条道路在出行规划时不拥堵但行驶到时发生重大拥堵的情况。故需要在对出行路线进行规划时，就将未来一段时间内的交通情况作为参考，提供更为精准畅通的出行路线。
由于大数据技术的发展，用数据驱动的预测模型在实验中已被证明有着更好的正确率。循环神经网络(Recurrent Neural Network,RNN)是一类以序列数据为输入，在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。
自编码器(Auto Encoder,AE)是一类在半监督学习和非监督学习中使用的人工神经网络，其功能是通过将输入信息作为学习目标，对输入信息进行表征学习。AE分为编码器和解码器，编码器可以将周围路口的车流量进行特征提取，降低数据的维度，解码器将降维后的特征解码成数据传入LSTM中进行预测，是一种非线性的降维手段，效果比线性降维主成分分析(PCA)要好很多。
长短时记忆网络(Long Short Term Memory,LSTM)可以弥补循环神经网络中出现的梯度消失和梯度爆炸问题，因此在短期交通流预测中得到广泛应用。LSTM在RNN的基础上，增加了遗忘门(forget gate)和输入门(input gate)，遗忘门对上一个节点传进来的输入进行选择性忘记，输入门将这个阶段的输入有选择性地进行“记忆”。这种通过门控状态来控制传输状态，使模型能够记住需要长时间记忆的，忘记不重要的信息，并消除梯度下降和梯度消失现象。
贝叶斯优化(Bayesian Optimazation)可以在不知道目标函数(黑箱函数)长什么样子的情况下，通过猜测黑箱函数长什么样，来求一个可接受的最大值。LSTM中的超参数直接影响预测的结果，一般情况下，由于神经网络的黑盒性质，超参数的调整都是由程序员根据经验来反复尝试以选取使效果最优的那一组，因此会存在结果并不是最优的情况。因此，通过贝叶斯优化，定量的整定LSTM网络中的超参数，达到更好的预测效果。
目前的车流量预测都是针对当前路口，仅仅将当前路口的历史数据作为训练集来给神经网络进行训练，然而交通路口的车流量与周围路口的车流量有着密切的关系，因此周围路口的车流量情况也应该考虑到预测模型之中。已有的交通量预测模型仅仅考虑了当前路口的历史数据，这在道路的拓扑模型上是全面的，需要将相关联道路的情况以一定的权重加入到分析中，而将周围路口的历史数据引入后，会发现由于训练集中的维度过高，会使学习出来的神经网络发生过拟合现象，导致神经网络的泛化性能降低，因此需要将训练集中的数据进行降维处理。
发明内容
本发明的目的是解决现有技术中存在的问题，提供一种基于AE-LSTM-BO车流量预测的导航参考方法。本发明通过自编码器(AE)将周围相关路口的历史数据降维，引入到当前路口的数据集中，再以LSTM网络进行预测的车流量回归算法，最后使用贝叶斯优化(BO)调整LSTM中的超参数，提高交通流预测的准确性。
为达到上述目的，本发明采用的技术方案如下：
一种基于AE-LSTM-BO车流量预测的导航参考方法，首先构建和训练自编码器-长短时记忆网络模型，然后将当前路口历史数据和周围路口历史数据输入到自编码器-长短时记忆网络模型中，由其输出未来一定时间段内当前路口的车流量，最后将所预测的车流量结果发布在导航app上，让导航app或司机能够根据不同颜色展示的交通流量参考道路的拥堵性，以此合理规划出行，选择导航路线；
自编码器-长短时记忆网络模型的构建步骤如下：
(1)降维周围路口历史数据；
将周围路口历史数据输入到自编码器中，由其输出降维后的相关度最大的数据；
(2)LSTM网络预测未来一定时间段内当前路口的车流量；
将(1)中得到的相关度最大的数据和当前路口历史数据输入到LSTM网络中，由其输出未来一定时间段内当前路口的车流量的预测值，即得到自编码器-长短时记忆网络模型；
自编码器-长短时记忆网络模型的训练步骤如下：
(1)获取历史数据；
获取用于车流量预测的训练集，包括当前路口历史数据和周围路口历史数据，其中，历史数据以小时为单位分段；
(2)自编码器的训练；
(2.1)记周围路口历史数据为X，X包含了上游路口车流量xui和下游路口车流量xdi，记特征序列为Z，重组数据为Y，则：
zi＝f[wz·(xui+xdi)+bz]；
yi＝f(wy·zi+by)；
式中，i为历史数据中各个时间段的索引，zi为Z中的各个时间段的特征序列，yi为Y中的各个时间段的重组数据，f(·)为sigmoid函数，wz为编码器的权重，wy为解码器的权重，bz为编码器的偏置，by为解码器的偏置；
(2.2)调节参数wz、wy、bz、by，至解码器的输出与编码器的输入的偏差最小；
(2.3)重新计算zi；
(3)LTM网络的训练；
(3.1)LSTM网络根据当前路口历史数据xi和zi计算得到预测数据
Figure BDA0002478500140000031
(3.2)以当前路口历史数据中第k-1-p至第k-1个时间段的数据为输入同时以第k至k+q个时间段的数据为理论输出训练LSTM网络，训练过程中不断调节参数，即LSTM网络的权值和偏置，至LSTM网络的预测数据
Figure BDA0002478500140000032
与真实数据xi的偏差最小；
(4)贝叶斯优化调整超参数；
贝叶斯优化的算法流程以黑箱函数target、自变量取值范围x和可接受的因变量取值范围G为输入，以贝叶斯优化器预测的xnew和预测的最大的函数值target(xnew)为输出，令target为LSTM的预测数据，x为包含神经网络的学习率、epoch、batch、size和神经元的数量在内的超参数，G为目标置信率(本发明将目标置信率设置为0.95)，过若干轮迭代之后就能得到目标置信率对应的超参数取值xnew和在该超参数取值下好的预测值target(xnew)(超参数是模型固有参数，在搭建模型时由编程人员经验设置，超参数的好坏直接影响模型的性能，故用贝叶斯优化超参数。)，即完成自编码器-长短时记忆网络模型的训练。
作为优选的技术方案：
如上所述的一种基于AE-LSTM-BO车流量预测的导航参考方法，步骤(2.2)和步骤(3.2)中调节参数采用反向传播和梯度下降算法，本发明的保护范围不限于此，其他算法同样可用于调节参数，鉴于反向传播和梯度下降算法最为经典，因而作为本发明的优选。
如上所述的一种基于AE-LSTM-BO车流量预测的导航参考方法，步骤(2.2)具体如下：
调节参数wz、wy、bz、by至L(X，Y)取最小值，L(X，Y)为X和Y之间的距离，L(X，Y)的计算公式如下：
Figure BDA0002478500140000033
式中，n为时间段的总数；
L(X，Y)取最小值时，解码器输出yi与编码器输入xui+xdi足够接近，自编码器状态稳定，可用于LSTM网络中进行预测。
如上所述的一种基于AE-LSTM-BO车流量预测的导航参考方法，步骤(3.1)具体如下：
LSTM网络根据当前路口历史数据xi和zi计算得到预测数据
Figure BDA0002478500140000041
公式如下：
fi＝σ(wf1·xi+wf2·zi+wf3·hi-1+bf)；
ii＝σ(wi1·xi+wi2·zi+wi3·hi-1+bi)；
Figure BDA0002478500140000042
Figure BDA0002478500140000043
Figure BDA0002478500140000044
Figure BDA0002478500140000045
式中，ii为输入门，fi为遗忘门，hi-1为LSTM单元上个时刻的状态，
Figure BDA0002478500140000046
为神经元的输入，Ci为神经元当前时刻的状态，
Figure BDA0002478500140000047
为
Figure BDA0002478500140000048
中各个时间段的LSTM输出门的输出，hi为LSTM的最终状态，σ(x)＝1/1+e-x，tanh(x)＝ex-e-x/ex+e-x，wf1为遗忘门当前路口历史数据xi的权值，wf2为遗忘门上下流车流量特征zi的权值，wf3为遗忘门LSTM单元上个时刻的状态的权值，wi1为输入门当前路口历史数据xi的权值，wi2为输入门上下流车流量特征zi的权值，wi3为输入门LSTM单元上个时刻的状态的权值，wC1为神经元当前时刻当前路口历史数据xi的权值，wC2为神经元当前时刻上下流车流量特征zi的权值，wC3为神经元当前时刻LSTM单元上个时刻的状态的权值，wo1为输出门当前路口历史数据xi的权值，wo2为输出门上下流车流量特征zi的权值，wo3为输出门LSTM单元上个时刻的状态的权值，bf，bi，bcbo分别为遗忘门、输入门、神经元和输出门的偏置。
如上所述的一种基于AE-LSTM-BO车流量预测的导航参考方法，步骤(3.2)具体如下：
调节参数wf1、wf2、wf3、wil、wi2、wi3、wC1、wC2、wC3、wo1、wo2、wo3和bf，bi，bcbo至
Figure BDA0002478500140000049
取最小值，
Figure BDA0002478500140000051
的计算公式如下：
Figure BDA0002478500140000052
如上所述的一种基于AE-LSTM-BO车流量预测的导航参考方法，当出现数据缺失时，采用相邻数据取平均值的方法进行缺失数据处理：
Figure BDA0002478500140000053
其中，xt为缺失时间段的数据，xt-1和xt+1分别为上一时间段和下一时间段的数据。
如上所述的一种基于AE-LSTM-BO车流量预测的导航参考方法，步骤(3)还包括(3.3)：计算误差，分析结果，具体为：计算预测数据
Figure BDA0002478500140000054
与当前路口历史数据xi间的平均绝对百分比误差MAPE和均方根误差RMSE，公式如下：
Figure BDA0002478500140000055
Figure BDA0002478500140000056
有益效果：
(1)本发明采用自编码器-解码器对周围路口的车流量数据进行降维，提取出相关性最大的数据进行预测，将周围路口的相关数据提取出来，增加预测的精度；
(2)本发明采用LSTM神经网络，结合当前路口历史数据和周围路口历史数据对未来的车流量进行预测；
(3)本发明采用贝叶斯优化，对LSTM中的超参数进行优化，进一步提升预测的准确率。
附图说明
图1为本发明的一种基于AE-LSTM-BO车流量预测的导航参考方法的流程图；
图2为自编码器-长短时记忆网络模型的示意图；
图3为LSTM网络的示意图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
一种基于AE-LSTM-BO车流量预测的导航参考方法，如图1所示，步骤如下：
(1)构建自编码器-长短时记忆网络模型，具体如下：
(1.1)降维周围路口历史数据；
将周围路口历史数据输入到自编码器中，由其输出降维后的相关度最大的数据；
(1.2)LSTM网络预测未来一定时间段内当前路口的车流量；
将(1.1)中得到的相关度最大的数据和当前路口历史数据输入到如图3所示的LSTM网络中，由其输出未来一定时间段内当前路口的车流量的预测值，即得到自编码器-长短时记忆网络模型，自编码器-长短时记忆网络模型的结构如图2所示；
(2)训练自编码器-长短时记忆网络模型；
(2.1)获取历史数据；
获取用于车流量预测的训练集，包括当前路口历史数据和周围路口历史数据，其中，历史数据以小时为单位分段；
(2.2)自编码器的训练；
(2.2.1)记周围路口历史数据为X，X包含了上游路口车流量xui和下游路口车流量xdi，记特征序列为Z，重组数据为Y，则：
zi＝f[wz·(xui+xdi)+bz]；
yi＝f(wy·zi+by)；
式中，i为历史数据中各个时间段的索引，zi为Z中的各个时间段的特征序列，yi为Y中的各个时间段的重组数据，f(·)为sigmoid函数，wz为编码器的权重，wy为解码器的权重，bz为编码器的偏置，by为解码器的偏置；
(2.2.2)采用反向传播和梯度下降算法调节参数wz、wy、bz、by，至解码器的输出与编码器的输入的偏差最小；
即调节参数wz、wy、bz、by至L(X，Y)取最小值，L(X，Y)为X和Y之间的距离，L(X，Y)的计算公式如下：
Figure BDA0002478500140000071
式中，n为时间段的总数；
L(X，Y)取最小值时，解码器输出yi与编码器输入xui+xdi足够接近，自编码器状态稳定，可用于LSTM网络中进行预测；
(2.2.3)重新计算zi；
(2.3)LSTM网络的训练；
(2.3.1)LSTM网络根据当前路口历史数据xi和zi计算得到预测数据
Figure BDA0002478500140000072
公式如下：
fi＝σ(wf1·xi+wf2·zi+wfa·hi-1+bf)；
ii＝σ(wi1·xi+wi2·zi+wi3·hi-1+bi)；
Figure BDA0002478500140000073
Figure BDA0002478500140000074
Figure BDA0002478500140000075
Figure BDA0002478500140000076
式中，ii为输入门，fi为遗忘门，hi-1为LSTM单元上个时刻的状态，
Figure BDA0002478500140000077
为神经元的输入，Ci为神经元当前时刻的状态，
Figure BDA0002478500140000078
为
Figure BDA0002478500140000079
中各个时间段的LSTM输出门的输出，hi为LSTM的最终状态，σ(x)＝1/1+e-x，tanh(x)＝ex-e-x/ex+e-x，wf1为遗忘门当前路口历史数据xi的权值，wf2为遗忘门上下流车流量特征zi的权值，wf3为遗忘门LSTM单元上个时刻的状态的权值，wil为输入门当前路口历史数据xi的权值，wi2为输入门上下流车流量特征zi的权值，wi3为输入门LSTM单元上个时刻的状态的权值，wC1为神经元当前时刻当前路口历史数据xi的权值，wC2为神经元当前时刻上下流车流量特征zi的权值，wC3为神经元当前时刻LSTM单元上个时刻的状态的权值，wol为输出门当前路口历史数据xi的权值，wo2为输出门上下流车流量特征zi的权值，wo3为输出门LSTM单元上个时刻的状态的权值，bf，bi，bcbo分别为遗忘门、输入门、神经元和输出门的偏置；
(2.3.2)以当前路口历史数据中第k-1-p至第k-1个时间段的数据为输入同时以第k至k+q个时间段的数据为理论输出训练LSTM网络，训练过程中采用反向传播和梯度下降算法不断调节参数，即LSTM网络的权值和偏置，至LSTM网络的预测数据
Figure BDA0002478500140000081
与真实数据xi的偏差最小；
即调节参数wf1、wf2、wf3、wi1、wi2、wi3、wC1、wC2、wC3、wo1、wo2、wo3和bf，bi，bcbo至
Figure BDA0002478500140000082
取最小值，
Figure BDA0002478500140000083
的计算公式如下：
Figure BDA0002478500140000084
(2.3.3)计算误差，分析结果，具体为：计算预测数据
Figure BDA0002478500140000085
与当前路口历史数据xi间的平均绝对百分比误差MAPE和均方根误差RMSE，公式如下：
Figure BDA0002478500140000086
Figure BDA0002478500140000087
(2.4)贝叶斯优化调整超参数；
贝叶斯优化的算法流程以黑箱函数target、自变量取值范围x和可接受的因变量取值范围G为输入，以贝叶斯优化器预测的xnew和预测的最大的函数值target(xnew)为输出，令target为LSTM的预测数据，x为包含神经网络的学习率、epoch、batch、size和神经元的数量在内的超参数，G为目标置信率(本发明将目标置信率设置为0.95)，过若干轮迭代之后就能得到目标置信率对应的超参数取值xnew和在该超参数取值下好的预测值target(xnew)(超参数是模型固有参数，在搭建模型时由编程人员经验设置，超参数的好坏直接影响模型的性能，故用贝叶斯优化超参数。)，即完成自编码器-长短时记忆网络模型的训练；
(3)将当前路口历史数据和周围路口历史数据输入到自编码器-长短时记忆网络模型中，由其输出未来一定时间段内当前路口的车流量；
(4)将所预测的车流量结果发布在导航app上，让导航app或司机能够根据不同颜色展示的交通流量参考道路的拥堵性，以此合理规划出行，选择导航路线。
上述过程中，当出现数据缺失时，采用相邻数据取平均值的方法进行缺失数据处理：
Figure BDA0002478500140000091
其中，xt为缺失时间段的数据，xt-1和xt+1分别为上一时间段和下一时间段的数据。

Claims (7)

1.一种基于AE-LSTM-BO车流量预测的导航参考方法，其特征是：首先构建和训练自编码器-长短时记忆网络模型，然后将当前路口历史数据和周围路口历史数据输入到自编码器-长短时记忆网络模型中，由其输出未来一定时间段内当前路口的车流量，最后将所预测的车流量结果发布在导航app上，让导航app或司机能够根据不同颜色展示的交通流量参考道路的拥堵性，以此合理规划出行，选择导航路线；
自编码器-长短时记忆网络模型的构建步骤如下：
(1)降维周围路口历史数据；
将周围路口历史数据输入到自编码器中，由其输出降维后的相关度最大的数据；
(2)LSTM网络预测未来一定时间段内当前路口的车流量；
将(1)中得到的相关度最大的数据和当前路口历史数据输入到LSTM网络中，由其输出未来一定时间段内当前路口的车流量的预测值，即得到自编码器-长短时记忆网络模型；
自编码器-长短时记忆网络模型的训练步骤如下：
(1)获取历史数据；
获取用于车流量预测的训练集，包括当前路口历史数据和周围路口历史数据，其中，历史数据以小时为单位分段；
(2)自编码器的训练；
(2.1)记周围路口历史数据为X，X包含了上游路口车流量xui和下游路口车流量xdi，记特征序列为Z，重组数据为Y，则：
zi＝f[wz·(xui+xdi)+bz]；
yi＝f(wy·zi+by)；
式中，i为历史数据中各个时间段的索引，zi为Z中的各个时间段的特征序列，yi为Y中的各个时间段的重组数据，f(·)为sigmoid函数，wz为编码器的权重，wy为解码器的权重，bz为编码器的偏置，by为解码器的偏置；
(2.2)调节参数wz、wy、bz、by，至解码器的输出与编码器的输入的偏差最小；
(2.3)重新计算zi；
(3)LSTM网络的训练；
(3.1)LSTM网络根据当前路口历史数据xi和zi计算得到预测数据
Figure FDA0002478500130000021
(3.2)以当前路口历史数据中第k-1-p至第k-1个时间段的数据为输入同时以第k至k+q个时间段的数据为理论输出训练LSTM网络，训练过程中不断调节参数，即LSTM网络的权值和偏置，至LSTM网络的预测数据
Figure FDA0002478500130000022
与真实数据xi的偏差最小；
(4)贝叶斯优化调整超参数；
贝叶斯优化的算法流程以黑箱函数target、自变量取值范围x和可接受的因变量取值范围G为输入，以贝叶斯优化器预测的xnew和预测的最大的函数值target(xnew)为输出，令target为LSTM的预测数据，x为包含神经网络的学习率、epoch、batch、size和神经元的数量在内的超参数，G为目标置信率，过若干轮迭代之后就能得到目标置信率对应的超参数取值xnew和在该超参数取值下好的预测值target(xnew)，即完成自编码器-长短时记忆网络模型的训练。
2.根据权利要求1所述的一种基于AE-LSTM-BO车流量预测的导航参考方法，其特征在于，步骤(2.2)和步骤(3.2)中调节参数采用反向传播和梯度下降算法。
3.根据权利要求2所述的一种基于AE-LSTM-BO车流量预测的导航参考方法，其特征在于，步骤(2.2)具体如下：
调节参数wz、wy、bz、by至L(X，Y)取最小值，L(X，Y)的计算公式如下：
Figure FDA0002478500130000023
式中，n为时间段的总数。
4.根据权利要求3所述的一种基于AE-LSTM-BO车流量预测的导航参考方法，其特征在于，步骤(3.1)具体如下：
LSTM网络根据当前路口历史数据xi和zi计算得到预测数据
Figure FDA0002478500130000024
公式如下：
fi＝σ(wf1·xi+wf2·zi+wf3·hi-1+bf)；
ii＝σ(wi1·xi+wi2·zi+wi3·hi-1+bi)；
Figure FDA0002478500130000025
Figure FDA0002478500130000026
Figure FDA0002478500130000031
Figure FDA0002478500130000032
式中，ii为输入门，fi为遗忘门，hi-1为LSTM单元上个时刻的状态，
Figure FDA0002478500130000033
为神经元的输入，Ci为神经元当前时刻的状态，
Figure FDA0002478500130000034
为
Figure FDA0002478500130000035
中各个时间段的LSTM输出门的输出，hi为LSTM的最终状态，σ(x)＝1/1+e-x，tanh(x)＝ex-e-x/ex+e-x，wf1为遗忘门当前路口历史数据xi的权值，wf2为遗忘门上下流车流量特征zi的权值，wf3为遗忘门LSTM单元上个时刻的状态的权值，wi1为输入门当前路口历史数据xi的权值，wi2为输入门上下流车流量特征zi的权值，wi3为输入门LSTM单元上个时刻的状态的权值，wC1为神经元当前时刻当前路口历史数据xi的权值，wC2为神经元当前时刻上下流车流量特征zi的权值，wC3为神经元当前时刻LSTM单元上个时刻的状态的权值，wo1为输出门当前路口历史数据xi的权值，wo2为输出门上下流车流量特征zi的权值，wo3为输出门LSTM单元上个时刻的状态的权值，bf，bi，bcbo分别为遗忘门、输入门、神经元和输出门的偏置。
5.根据权利要求4所述的一种基于AE-LSTM-BO车流量预测的导航参考方法，其特征在于，步骤(3.2)具体如下：
调节参数wf1、wf2、wf3、wi1、wi2、wi3、wC1、wC2、wC3、wo1、wo2、wo3和bf，bi，bcbo至
Figure FDA0002478500130000036
取最小值，
Figure FDA0002478500130000037
的计算公式如下：
Figure FDA0002478500130000038
6.根据权利要求1所述的一种基于AE-LSTM-BO车流量预测的导航参考方法，其特征在于，当出现数据缺失时，采用相邻数据取平均值的方法进行缺失数据处理：
Figure FDA0002478500130000039
其中，xt为缺失时间段的数据，xt-1和xt+1分别为上一时间段和下一时间段的数据。
7.根据权利要求1所述的一种基于AE-LSTM-BO车流量预测的导航参考方法，其特征在于，步骤(3)还包括(3.3)：计算误差，分析结果，具体为：计算预测数据
Figure FDA0002478500130000041
与当前路口历史数据xi间的平均绝对百分比误差MAPE和均方根误差RMSE，公式如下：
Figure FDA0002478500130000042
Figure FDA0002478500130000043
CN202010371999.6A 2020-05-06 2020-05-06 一种基于ae-lstm-bo车流量预测的导航参考方法 Active CN111553535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010371999.6A CN111553535B (zh) 2020-05-06 2020-05-06 一种基于ae-lstm-bo车流量预测的导航参考方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010371999.6A CN111553535B (zh) 2020-05-06 2020-05-06 一种基于ae-lstm-bo车流量预测的导航参考方法

Publications (2)

Publication Number Publication Date
CN111553535A true CN111553535A (zh) 2020-08-18
CN111553535B CN111553535B (zh) 2022-07-29

Family

ID=72008086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010371999.6A Active CN111553535B (zh) 2020-05-06 2020-05-06 一种基于ae-lstm-bo车流量预测的导航参考方法

Country Status (1)

Country Link
CN (1) CN111553535B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801365A (zh) * 2021-01-27 2021-05-14 广东电网有限责任公司广州供电局 一种配电网可靠性预测方法、装置、设备和介质
CN113205698A (zh) * 2021-03-24 2021-08-03 上海吞山智能科技有限公司 一种基于igwo-lstm的短时交通流预测的导航提醒方法
CN113537592A (zh) * 2021-07-15 2021-10-22 中国石油大学(北京) 基于长短时记忆网络的油气藏产量预测方法及装置
CN113554148A (zh) * 2021-06-07 2021-10-26 南京理工大学 一种基于贝叶斯优化的BiLSTM电压偏差预测方法
CN115410372A (zh) * 2022-10-31 2022-11-29 江苏中路交通发展有限公司 基于贝叶斯lstm的高速公路交通流量可靠预测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629979A (zh) * 2018-06-12 2018-10-09 浙江工业大学 一种基于历史和周边路口数据的拥堵预测算法
CN109658695A (zh) * 2019-01-02 2019-04-19 华南理工大学 一种多因素的短时交通流预测方法
CN109859469A (zh) * 2019-02-15 2019-06-07 重庆邮电大学 一种基于集成lstm神经网络的车流量预测方法
CN110021165A (zh) * 2019-03-18 2019-07-16 浙江工业大学 一种基于Autoencoder-LSTM融合模型的交通流预测方法
CN110164128A (zh) * 2019-04-23 2019-08-23 银江股份有限公司 一种城市级智能交通仿真系统
CN110378531A (zh) * 2019-07-18 2019-10-25 长安大学 一种融合时空特征的交通流预测方法
CN110516833A (zh) * 2019-07-03 2019-11-29 浙江工业大学 一种基于特征提取的Bi-LSTM预测道路交通状态的方法
CN110599766A (zh) * 2019-08-22 2019-12-20 浙江工业大学 一种基于sae-lstm-sad的道路交通拥堵传播预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629979A (zh) * 2018-06-12 2018-10-09 浙江工业大学 一种基于历史和周边路口数据的拥堵预测算法
CN109658695A (zh) * 2019-01-02 2019-04-19 华南理工大学 一种多因素的短时交通流预测方法
CN109859469A (zh) * 2019-02-15 2019-06-07 重庆邮电大学 一种基于集成lstm神经网络的车流量预测方法
CN110021165A (zh) * 2019-03-18 2019-07-16 浙江工业大学 一种基于Autoencoder-LSTM融合模型的交通流预测方法
CN110164128A (zh) * 2019-04-23 2019-08-23 银江股份有限公司 一种城市级智能交通仿真系统
CN110516833A (zh) * 2019-07-03 2019-11-29 浙江工业大学 一种基于特征提取的Bi-LSTM预测道路交通状态的方法
CN110378531A (zh) * 2019-07-18 2019-10-25 长安大学 一种融合时空特征的交通流预测方法
CN110599766A (zh) * 2019-08-22 2019-12-20 浙江工业大学 一种基于sae-lstm-sad的道路交通拥堵传播预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
史亚星: "基于深度学习的车流量预测方法研究", 《计算机与数字工程》 *
吕鲜 等: "基于长短期记忆模型的交通拥堵预测方法", 《南京理工大学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801365A (zh) * 2021-01-27 2021-05-14 广东电网有限责任公司广州供电局 一种配电网可靠性预测方法、装置、设备和介质
CN113205698A (zh) * 2021-03-24 2021-08-03 上海吞山智能科技有限公司 一种基于igwo-lstm的短时交通流预测的导航提醒方法
CN113554148A (zh) * 2021-06-07 2021-10-26 南京理工大学 一种基于贝叶斯优化的BiLSTM电压偏差预测方法
CN113537592A (zh) * 2021-07-15 2021-10-22 中国石油大学(北京) 基于长短时记忆网络的油气藏产量预测方法及装置
CN113537592B (zh) * 2021-07-15 2023-09-15 中国石油大学(北京) 基于长短时记忆网络的油气藏产量预测方法及装置
CN115410372A (zh) * 2022-10-31 2022-11-29 江苏中路交通发展有限公司 基于贝叶斯lstm的高速公路交通流量可靠预测方法

Also Published As

Publication number Publication date
CN111553535B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN111553535B (zh) 一种基于ae-lstm-bo车流量预测的导航参考方法
Li et al. Day-ahead traffic flow forecasting based on a deep belief network optimized by the multi-objective particle swarm algorithm
Zang et al. Long-term traffic speed prediction based on multiscale spatio-temporal feature learning network
CN111612243B (zh) 交通速度预测方法、系统及存储介质
CN110491146B (zh) 一种基于深度学习的交通信号控制方案实时推荐方法
Ge et al. Temporal graph convolutional networks for traffic speed prediction considering external factors
CN110619430A (zh) 一种用于交通预测的时空注意力机制方法
CN111709549A (zh) 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法
CN116721537A (zh) 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法
CN115410372B (zh) 基于贝叶斯lstm的高速公路交通流量可靠预测方法
CN111862592B (zh) 一种基于rgcn的交通流预测方法
Oliveira et al. Forecasting vehicular traffic flow using MLP and LSTM
CN113705877A (zh) 基于深度学习模型的实时月径流预报方法
CN113487856B (zh) 基于图卷积网络及注意力机制的交通流组合预测模型
Gao et al. Short-term traffic speed forecasting using a deep learning method based on multitemporal traffic flow volume
CN113205698A (zh) 一种基于igwo-lstm的短时交通流预测的导航提醒方法
CN112766603A (zh) 一种交通流量预测方法、系统、计算机设备及存储介质
CN113449905A (zh) 一种基于门控循环单元神经网络的交通拥堵预警方法
CN112257847A (zh) 一种基于CNN和LSTM预测地磁Kp指数的方法
CN114582131B (zh) 一种基于匝道智能控流算法的监控方法及系统
Haputhanthri et al. Short-term traffic forecasting using LSTM-based deep learning models
CN115376317A (zh) 一种基于动态图卷积和时序卷积网络的交通流预测方法
CN112927507B (zh) 一种基于LSTM-Attention的交通流量预测方法
CN107480786B (zh) 基于输出状态限制的循环神经网络轨迹似然概率计算方法
CN111524348A (zh) 一种长短期交通流预测模型及方法

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