CN111640296A - 交通流预测方法、系统、存储介质及终端 - Google Patents
交通流预测方法、系统、存储介质及终端 Download PDFInfo
- Publication number
- CN111640296A CN111640296A CN202010390401.8A CN202010390401A CN111640296A CN 111640296 A CN111640296 A CN 111640296A CN 202010390401 A CN202010390401 A CN 202010390401A CN 111640296 A CN111640296 A CN 111640296A
- Authority
- CN
- China
- Prior art keywords
- tensor
- traffic data
- original
- original traffic
- matrix
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000011159 matrix material Substances 0.000 claims abstract description 77
- 238000005457 optimization Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 108010003272 Hyaluronate lyase Proteins 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011480 coordinate descent method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种交通流预测方法、系统、存储介质及终端;所述方法包括以下步骤:根据原始交通数据构建原始交通数据张量;确定原始交通数据张量的维度;对于原始交通数据张量沿各维度的展开分别建立相应的约束矩阵;将原始交通数据张量和约束矩阵输入至动态张量模型中,以使动态张量模型基于原始交通数据张量和约束矩阵输出预测交通数据张量,实现交通流的预测;本发明提出了一对于各维度进行约束的动态张量模型来进行交通流的预测,通过张量的方式从多个维度利用交通流量数据内部的特征,与张量填充方法和一些深度学习方法相比在历史数据完整时能够得到更加精确的预测结果,并且时间代价比其他方法来说相对较低。
Description
技术领域
本发明属于道路交通监测领域,特别是涉及一种交通流预测方法、系统、存储介质及终端。
背景技术
智能交通系统(Intelligent Traffic System,简称ITS)是将先进的信息技术、数据传输技术、电子传感技术、控制技术以及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的,实时、准确、高效的综合交通运输管理系统,能否实时地掌握精确的交通状态信息对于一个智能交通系统来说十分重要。
交通流数据预测也是近些年交通领域的热门话题之一,有很多学者对于交通流的不同场景都提出了相应的方法;比较经典的方法是基于时间序列的预测方法(Autoregressive Integrated Moving Average model,简称ARIMA),有不少学者都对其做出了相应的改进,这种方法能简单地基于时间序列预测出未来小段时间的交通流量情况,但基于时间序列的预测方法只用到了交通数据内部的时间特性忽视掉了其他的特征,导致预测的精度并不高;同样随着近期机器学习的升温也有很多基于机器学习的方法被应用于交通流数据预测之中,与传统的时间序列方法相比,首先它的抗干扰能力更强,当数据规律性不强或者存在较多噪声的时候依然能得到较为准确的结果;其次,机器学习的方法的针对性很强,根据不同的交通流的情况可以制定与之贴合的模型,但这类的方法往往也存在一定的缺点,一是数据量足够大才能得到预期中的精确结果;二是由于一般由于网络的结构复杂,训练的代价会比较大。
综上所述,现有的模型存在着一些不足;传统模型往往只将交通流数据视为一个时间序列,只考虑到了交通流数据的时间特性而忽视了其空间特性,而对于深度学习的方法来说其将交通流视为一个多维的整体数据充分地考虑到了交通流可能存在的时空特性,但是其训练过程一般较长,特别是对于大型路网来说,其预测的时间代价较大。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种交通流预测方法、系统、存储介质及终端,用于解决现有技术交通流数据预测过程中对交通数据内部各种潜在特征考虑欠缺导致交通流预测准确率降低的问题。
为实现上述目的及其他相关目的,本发明提供一种交通流预测方法,包括以下步骤:根据原始交通数据构建原始交通数据张量;确定所述原始交通数据张量的维度;对于所述原始交通数据张量沿各维度的展开分别建立相应的约束矩阵;将所述原始交通数据张量和所述约束矩阵输入至动态张量模型中,以使所述动态张量模型基于所述原始交通数据张量和所述约束矩阵输出预测交通数据张量,实现交通流的预测。
于本发明的一实施例中,还包括:对所述原始交通数据进行预处理,从所述原始交通数据中筛选出目标交通数据,以根据所述目标交通数据构建所述原始交通数据张量。
于本发明的一实施例中,还包括:根据所述原始交通数据张量构建张量窗口;所述张量窗口中包括至少一原始交通数据张量。
于本发明的一实施例中,所述动态张量模型基于所述原始交通数据张量和所述约束矩阵输出预测交通数据张量包括以下步骤:将所述原始交通数据张量沿不同的维度进行展开,获取沿不同维度的展开矩阵;根据奇异值变化规律确定所述展开矩阵的秩;基于所述约束矩阵、所述展开矩阵及所述展开矩阵的秩建立所述动态张量模型中用于预测交通流的数学公式;对所述数学公式进行块坐标下降优化求解,并在优化完成后,所述动态张量模型根据优化求解结果输出预测交通数据张量。
于本发明的一实施例中,所述数学公式表示为:
其中,z表示原始交通数据张量;wi表示原始交通数据张量z沿第i个维度的约束矩阵;表示预测交通数据张量;z(i)表示原始交通数据张量z沿第i个维度的展开矩阵;Mi表示与z(i)构造一致的展开因子矩阵;Ai和Yi均为随机生成的初始化因子矩阵,ji表示z(i)的秩;mi表示z(i)的列数;Ii表示z(i)的行数;εi为观测矩阵,其与原始交通数据张量z矩阵大小一致,由1和0组成,原始交通数据张量z中未缺失的项在观测矩阵εi相同位置的值为1,反之为0;αi和βi均表示权重,为预设值;m表示原始交通数据张量z的阶数;i表示维度,i的取值从1取至m。
于本发明的一实施例中,所述动态张量模型对所述数学公式进行块坐标下降优化求解包括:对所述数学公式中的参数进行梯度下降求解;求解公式为:
其中,分别表示因子矩阵Ai和Yi的广义逆矩阵;fold(Mi)表示展开因子矩阵Mi合并为展开之前形式的张量,其表示张量展开的逆过程;所述动态张量模型反复执行上述公式,k表示执行第k次,k-1表示执行第k-1次。
于本发明的一实施例中,所述动态张量模型基于所述原始交通数据张量和所述约束矩阵输出预测交通数据张量还包括:判断何时优化完成;判断公式为:
其中,zk-1表示执行第k-1次之后所述动态张量模型输出的张量;zk表示执行第k次之后所述动态张量模型输出的张量;a表示优化判断的收敛值,为一预设值;当成立时,表示优化完成,此时zk即为所述预测交通数据张量。
本发明提供一种交通流预测系统,包括:构建模块、确定模块、建立模块和输入模块;所述构建模块用于根据原始交通数据构建原始交通数据张量;所述确定模块用于确定所述原始交通数据张量的维度;所述建立模块用于对于所述原始交通数据张量沿各维度的展开分别建立相应的约束矩阵;所述输入模块用于将所述原始交通数据张量和所述约束矩阵输入至动态张量模型中,以使所述动态张量模型基于所述原始交通数据张量和所述约束矩阵输出预测交通数据张量,实现交通流的预测。
本发明提供一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的交通流预测方法。
本发明提供一种终端,包括:处理器及存储器;所述存储器用于存储计算机程序;所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行上述的交通流预测方法。
如上所述,本发明所述的交通流预测方法、系统、存储介质及终端,具有以下有益效果:
提出了一种对于各个维度进行约束的动态张量模型来进行交通流量的预测,该方法通过张量的方式从多个维度利用交通流量数据内部的特征,充分考虑到了交通数据内部的各种潜在的特征,与张量填充方法和一些深度学习方法相比在历史数据完整时能够得到更加精确的预测结果,进一步提升了实时交通流预测的精确度,并且时间代价比其他方法来说相对较低。
附图说明
图1显示为本发明的交通流预测方法于一实施例中的流程图。
图2显示为本发明的三阶张量流与张量窗口于一实施例中的表现形式图。
图3显示为本发明的原始交通数据张量于一实施例中的表现形式图。
图4显示为本发明的动态张量模型输出预测交通数据张量于一实施例中的流程图。
图5显示为本发明的交通流预测系统于一实施例中的结构示意图。
图6显示为本发明的终端于一实施例中的结构示意图。
标号说明
51 构建模块
52 确定模块
53 建立模块
54 输入模块
61 处理器
62 存储器
S1~S4 步骤
S41~S44 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明的交通流预测方法、系统、存储介质及终端提出了一种对于各个维度进行约束的动态张量模型来进行交通流量的预测,该方法通过张量的方式从多个维度利用交通流量数据内部的特征,充分考虑到了交通数据内部的各种潜在的特征,与张量填充方法和一些深度学习方法相比在历史数据完整时能够得到更加精确的预测结果,进一步提升了实时交通流预测的精确度,并且时间代价比其他方法来说相对较低。
如图1所示,于一实施例中,本发明的交通流预测方法包括以下步骤:
步骤S1、根据原始交通数据构建原始交通数据张量。
具体地,实时采集原始交通数据,并根据采集的原始交通数据构建原始交通数据张量。
需要说明的是,原始交通数据包括路段信息、天数信息和时间段信息。
于一实施例中,还包括:对所述原始交通数据进行预处理,从所述原始交通数据中筛选出目标交通数据,以根据所述目标交通数据构建所述原始交通数据张量。
具体地,因为原始交通数据通常是有一定的缺失存在的,所以在构建原始交通数据张量之前,对该原始交通数据进行一个简单的预处理,目的是删除原始交通数据中采样缺失率大于10%的路段,然后根据剩余的数据,即目标交通数据构建原始交通数据张量。
需要说明的是,10%是一预设值,可根据实际场景需求,设置不同的缺失率阈值;通常缺失率10%以上的路段可以认为是比较高缺失率的,具体根据数据而异,对于采样质量比较好的数据缺失率较低,采样质量差的数据缺失率高。
步骤S2、确定所述原始交通数据张量的维度。
如图2和图3所示,于一实施例中,将原始交通数据张量构建成一个以路段、天数和时间段为三个维度的三阶张量的形式,即所述原始交通数据张量的维度为三。
如图2所示,于一实施例中,还包括:根据所述原始交通数据张量构建张量窗口;所述张量窗口中包括至少一原始交通数据张量。
需要说明的是,由于交通数据的变化存在一定的周期性与重复性,因此在进行实时交通流预测时往往不需要使用所有的交通数据张量,仅仅使用交通流中的部分张量即可;在这种情况下仅仅需要相邻的部分原始交通数据张量构建成新的张量窗口,在后续进行交通流预测时,仅需要张量窗口中的原始交通数据张量即可;具体地,在后续将原始交通数据张量输入至动态张量模型中进行交通流预测时,不需要输入全部的原始交通数据张量,而只需要张量窗口中的原始交通数据张量,这样做能够在降低时间代价的前提下仍保证预测的精确度。
进一步地,张量窗口的大小指一个张量窗口中包含了几个原始交通数据张量;张量窗口的大小是预设的,对于不同的应用场景,不同的窗口大小时预测的精确度不同,一般来说,窗口越大预测精确度越高,但是时间代价就越大。
需要说明的是,n阶张量流是由多个维度为n-1的张量构成的。
具体地,假若张量窗口的大小为w,那么可以定义一个张量窗口:
D(T,w)={xT-w+1,xT-w+2,…,xT};
其中,T表示张量流;t表示张量窗口中的每一原始交通数据张量在张量流中的位置;N表示原始交通数据张量的维度;I1、I2、In分别表示第一维度的大小、第二维度的大小及第n维度的大小;诸如,由100个路段、50天、24个时间段为三个维度构成的三阶原始交通数据张量可以表示为:xt∈R100*50*24。
步骤S3、对于所述原始交通数据张量沿各维度的展开分别建立相应的约束矩阵。
需要说明的是,以路段、天数和时间段为三个维度构建的三阶原始交通数据张量为例进行说明;对于原始交通数据张量沿时间段维度的展开建立对其周期性的约束矩阵,对于原始交通数据张量沿天数维度和路段维度的展开建立其时间段的约束矩阵。
具体地,将三个维度的约束矩阵分别表示为:
其中,w1、w2均为时间段模式的约束,通常认为越靠近需要进行预测时间段的历史交通数据权重越高,其约束矩阵的取值越高;k1,R为路段维度约束的权重,取值1.25;k2,D为天数维度约束的权重,取值1.5;w3为天数模式的约束,通常认为在交通流数据中周末和周中具有不同的数据表现形式,在w3中kw表示工作日的权重参数,kn表示非工作日的权重参数。
于一实施例中,假如要预测的时间段属于周中工作日时,那么约束矩阵w3中的工作日,将其权重kw统一设置为1,周末的权重kn设置为0.3;假如要预测的时间段属于周末休息日时,那么约束矩阵w3中周末的权重kn统一设置为1,周中的权重kw设置为0.5。
需要说明的是,上述权重的取值仅代表一种实施方式,在实际应用场景中,可根据不同的需求进行不同数值的设定,具体视情况而定。
步骤S4、将所述原始交通数据张量和所述约束矩阵输入至动态张量模型中,以使所述动态张量模型基于所述原始交通数据张量和所述约束矩阵输出预测交通数据张量,实现交通流的预测。
具体地,将经步骤S1获取的原始交通数据张量和经步骤S3获取的约束矩阵输入至动态张量模型中,动态张量模型能够基于原始交通数据张量和约束矩阵输出预测交通数据张量,从而实现交通流的预测。
如图4所示,于一实施例中,所述动态张量模型基于所述原始交通数据张量和所述约束矩阵输出预测交通数据张量包括以下步骤:
步骤S41、将所述原始交通数据张量沿不同的维度进行展开,获取沿不同维度的展开矩阵。
步骤S42、根据奇异值变化规律确定所述展开矩阵的秩。
具体地,使用奇异值变化规律作为判断因素进行张量分解(即将原始交通数据张量沿不同维度展开的过程)中张量秩的选取,其选取方式如下:
其中,λi表示第i个奇异值;λi+1表示第i+1个奇异值;λi+2表示第i+2个奇异值;mean(λ)表示所有奇异值的平均值。
从上述公式中找到一个奇异值λi取值使得目标函数y(λi)的值最大,这样能极大可能地截取到关键的奇异值参数,使矩阵进行降维而又不会影响其内部的特征性质。
步骤S43、基于所述约束矩阵、所述展开矩阵及所述展开矩阵的秩建立所述动态张量模型中用于预测交通流的数学公式。
需要说明的是,对于一个交通流预测问题,目标是找到一个函数使得预测后的张量能和原始张量的结果尽可能的贴合。
于一实施例中,将该函数表示为:
其中,z表示原始交通数据张量;z∈Rr*d*t(m+h),r为路段模式,表示原始交通数据中的各个路段,d为天数模式,表示原始交通数据中的不同天数,t为采样的时间间隔,表示张量窗口在张量流中的位置;m+h是原始交通数据长度和预测数据长度之和;wi表示原始交通数据张量z沿第i个维度的约束矩阵;表示预测交通数据张量。
对于每一个原始交通数据张量,都可以沿着其不同的维度进行展开,根据展开矩阵将上述函数表示成各个维度展开的形式:
其中,z(i)表示原始交通数据张量z沿第i个维度的展开矩阵;Ai和Yi均为随机生成的初始化因子矩阵,ji表示z(i)的秩;mi表示z(i)的列数;Ii表示z(i)的行数;εi为观测矩阵,其与原始交通数据张量z矩阵大小一致,由1和0组成,原始交通数据张量z中未缺失的项在观测矩阵εi相同位置的值为1,反之为0,观测矩阵意在将求矩阵的范数范围限定在已观测的数据内;m表示原始交通数据张量z的阶数;i表示维度,i的取值从1取至m;于本发明中,以m=3为例进行说明。
需要说明的是,只有先确定了展开矩阵的秩,才能初始化Ai和Yi。
由于张量内存在着很强的关联性,其各维度展开的矩阵Frobenius范数并不是相互独立的,这让上述表示成各个维度展开形式的函数很难得到结果,为了简化其求值,引入与z(i)构造一致的展开因子矩阵Mi,故可以将上述表示成各个维度展开形式的函数表示为:
约束条件:εi*Mi=εi*z(i)
需要说明的是,展开因子矩阵Mi在初始化时与z(i)构造一致,随着张量分解的进行两者会有所不同。
因为矩阵中各位置的权重大小是不一致的,所以在展开矩阵与原始数据流张量沿维度i展开的差值部分加入约束矩阵wi,最终将上述函数表示为一具体的数学公式:
其中,αi和βi均表示权重,为预设值。
步骤S44、对所述数学公式进行块坐标下降优化求解,并在优化完成后,所述动态张量模型根据优化求解结果输出预测交通数据张量。
具体地,对经步骤S43获取的用于预测交通流的数学公式采用块坐标下降的方法进行优化求解,其核心思想是先固定一部分参数组,然后对其余的参数组进行求解。
于一实施例中,所述动态张量模型对所述数学公式进行块坐标下降优化求解包括:对所述数学公式中的参数进行梯度下降求解。
具体地,以三维交通流张量为例,将数学公式中的参数化成10个参数组,其分别为z、A1、A2、A3、Y1、Y2、Y3、M1、M2、M3,对于各个参数组的梯度下降求解公式为:
其中,分别表示因子矩阵Ai和Yi的广义逆矩阵;fold(Mi)表示展开因子矩阵Mi合并为展开之前形式的张量,其表示张量展开的逆过程;诸如对于一个原始交通数据张量z∈R100*50*24,沿第一个维度,展开成A∈R100*(50*24)的形式,fold()即是把这种展开成矩阵形式的表达还原成张量形式A→z。
所述动态张量模型反复执行上述公式,k表示执行第k次,k-1表示执行第k-1次;Ai,(k-1)表示执行第k-1次时的Ai;Ai,k表示执行第k次时的Ai;Mi,(k-1)表示执行第k-1次时的Mi;Mi,k表示执行第k次时的Mi;表示执行第k-1次时的Yi +;Yi,(k-1)表示执行第k-1次时的Yi;Yi,k表示执行第k次时的Yi;表示执行第k-1次时的zk-1表示执行第k-1次之后所述动态张量模型输出的张量;zk表示执行第k次之后所述动态张量模型输出的张量。
需要说明的是,上述优化求解过程是通过固定参数组wi、αi、βi、z(i)和εi(wi、αi、βi、z(i)和εi中的i从1取到3),进行参数组z、A1、A2、A3、Y1、Y2、Y3、M1、M2、M3的优化求解;同理,也可通过固定其他部分参数组,进行优化求解剩余参数组。
于一实施例中,所述动态张量模型基于所述原始交通数据张量和所述约束矩阵输出预测交通数据张量还包括:判断何时优化完成;判断公式为:
其中,a表示优化判断的收敛值,为一预设值;
于一实施例中,将a设置为10-4,则当成立时,即执行第k次之后所述动态张量模型输出的张量zk与执行第k-1次之后所述动态张量模型输出的张量zk-1之差的张量Frobenius范数小于10-4时,认为优化完成,此时动态张量模型输出的张量即为预测交通数据张量
进一步地,构建动态张量模型后,对原始交通数据张量进行张量分解并随着新的数据进行张量窗口的移动,即能够有效的完成实时交通流量数据的预测;其中,动态的体现就在于张量窗口的移动。
需要说明的是,本发明所述的交通流预测方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
如图5所示,于一实施例中,本发明的交通流预测系统包括构建模块51、确定模块52、建立模块53和输入模块54。
所述构建模块51用于根据原始交通数据构建原始交通数据张量。
所述确定模块52用于确定所述原始交通数据张量的维度。
所述建立模块53用于对于所述原始交通数据张量沿各维度的展开分别建立相应的约束矩阵。
所述输入模块54用于将所述原始交通数据张量和所述约束矩阵输入至动态张量模型中,以使所述动态张量模型基于所述原始交通数据张量和所述约束矩阵输出预测交通数据张量,实现交通流的预测。
需要说明的是,所述构建模块51、所述确定模块52、所述建立模块53和所述输入模块54的结构及原理与上述交通流预测方法中的步骤一一对应,故在此不再赘述。
需要说明的是,应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,x模块可以为单独设立的处理元件,也可以集成在上述系统的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述系统的存储器中,由上述系统的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个数字信号处理器(Digital Singnal Processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
本发明的存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述的交通流预测方法。所述存储介质包括:ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
如图6所示,本发明的终端包括处理器61及存储器62。
所述存储器62用于存储计算机程序。优选地,所述存储器62包括:ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器61与所述存储器62相连,用于执行所述存储器62存储的计算机程序,以使所述终端执行上述的交通流预测方法。
优选地,所述处理器61可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是,本发明的交通流预测系统可以实现本发明的交通流预测方法,但本发明的交通流预测方法的实现装置包括但不限于本实施例列举的交通流预测系统的结构,凡是根据本发明的原理所做的现有技术的结构变形和替换,都包括在本发明的保护范围内。
综上所述,本发明的交通流预测方法、系统、存储介质及终端提出了一种对于各个维度进行约束的动态张量模型来进行交通流量的预测,该方法通过张量的方式从多个维度利用交通流量数据内部的特征,充分考虑到了交通数据内部的各种潜在的特征,与张量填充方法和一些深度学习方法相比在历史数据完整时能够得到更加精确的预测结果,进一步提升了实时交通流预测的精确度,并且时间代价比其他方法来说相对较低;所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种交通流预测方法,其特征在于,包括以下步骤:
根据原始交通数据构建原始交通数据张量;
确定所述原始交通数据张量的维度;
对于所述原始交通数据张量沿各维度的展开分别建立相应的约束矩阵;
将所述原始交通数据张量和所述约束矩阵输入至动态张量模型中,以使所述动态张量模型基于所述原始交通数据张量和所述约束矩阵输出预测交通数据张量,实现交通流的预测。
2.根据权利要求1所述的交通流预测方法,其特征在于,还包括:对所述原始交通数据进行预处理,从所述原始交通数据中筛选出目标交通数据,以根据所述目标交通数据构建所述原始交通数据张量。
3.根据权利要求1所述的交通流预测方法,其特征在于,还包括:根据所述原始交通数据张量构建张量窗口;所述张量窗口中包括至少一原始交通数据张量。
4.根据权利要求1所述的交通流预测方法,其特征在于,所述动态张量模型基于所述原始交通数据张量和所述约束矩阵输出预测交通数据张量包括以下步骤:
将所述原始交通数据张量沿不同的维度进行展开,获取沿不同维度的展开矩阵;
根据奇异值变化规律确定所述展开矩阵的秩;
基于所述约束矩阵、所述展开矩阵及所述展开矩阵的秩建立所述动态张量模型中用于预测交通流的数学公式;
对所述数学公式进行块坐标下降优化求解,并在优化完成后,所述动态张量模型根据优化求解结果输出预测交通数据张量。
5.根据权利要求4所述的交通流预测方法,其特征在于,所述数学公式表示为:
8.一种交通流预测系统,其特征在于,包括:构建模块、确定模块、建立模块和输入模块;
所述构建模块用于根据原始交通数据构建原始交通数据张量;
所述确定模块用于确定所述原始交通数据张量的维度;
所述建立模块用于对于所述原始交通数据张量沿各维度的展开分别建立相应的约束矩阵;
所述输入模块用于将所述原始交通数据张量和所述约束矩阵输入至动态张量模型中,以使所述动态张量模型基于所述原始交通数据张量和所述约束矩阵输出预测交通数据张量,实现交通流的预测。
9.一种存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的交通流预测方法。
10.一种终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行权利要求1至7中任一项所述的交通流预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010390401.8A CN111640296B (zh) | 2020-05-08 | 2020-05-08 | 交通流预测方法、系统、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010390401.8A CN111640296B (zh) | 2020-05-08 | 2020-05-08 | 交通流预测方法、系统、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111640296A true CN111640296A (zh) | 2020-09-08 |
CN111640296B CN111640296B (zh) | 2022-07-29 |
Family
ID=72333200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010390401.8A Active CN111640296B (zh) | 2020-05-08 | 2020-05-08 | 交通流预测方法、系统、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111640296B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215520A (zh) * | 2020-10-28 | 2021-01-12 | 润联软件系统(深圳)有限公司 | 一种多目标融合通行方法、装置、计算机设备及存储介质 |
CN113345233A (zh) * | 2021-06-04 | 2021-09-03 | 安徽达尔智能控制系统股份有限公司 | 一种道路交通流预测方法和系统 |
CN117273287A (zh) * | 2023-11-23 | 2023-12-22 | 山东科技大学 | 一种基于张量-矩阵耦合的地铁客流量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107564288A (zh) * | 2017-10-10 | 2018-01-09 | 福州大学 | 一种基于张量填充的城市交通流预测方法 |
CN108804392A (zh) * | 2018-05-30 | 2018-11-13 | 福州大学 | 一种基于时空约束的交通数据张量填充方法 |
CN108898829A (zh) * | 2018-06-07 | 2018-11-27 | 重庆邮电大学 | 针对无差异性划分和数据稀疏的动态短时交通流预测系统 |
CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
-
2020
- 2020-05-08 CN CN202010390401.8A patent/CN111640296B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107564288A (zh) * | 2017-10-10 | 2018-01-09 | 福州大学 | 一种基于张量填充的城市交通流预测方法 |
CN108804392A (zh) * | 2018-05-30 | 2018-11-13 | 福州大学 | 一种基于时空约束的交通数据张量填充方法 |
CN108898829A (zh) * | 2018-06-07 | 2018-11-27 | 重庆邮电大学 | 针对无差异性划分和数据稀疏的动态短时交通流预测系统 |
CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
Non-Patent Citations (3)
Title |
---|
CHUANFEI GONG: "Urban Traffic Data Imputation With Detrending and Tensor Decomposition", 《IEEE ACCESS》 * |
何领朝,等: "基于自适应秩动态张量分析的短时交通流预测", 《物联网学报》 * |
程川云: "基于张量模型的短时交通流量预测技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215520A (zh) * | 2020-10-28 | 2021-01-12 | 润联软件系统(深圳)有限公司 | 一种多目标融合通行方法、装置、计算机设备及存储介质 |
CN112215520B (zh) * | 2020-10-28 | 2021-06-08 | 润联软件系统(深圳)有限公司 | 一种多目标融合通行方法、装置、计算机设备及存储介质 |
CN113345233A (zh) * | 2021-06-04 | 2021-09-03 | 安徽达尔智能控制系统股份有限公司 | 一种道路交通流预测方法和系统 |
CN117273287A (zh) * | 2023-11-23 | 2023-12-22 | 山东科技大学 | 一种基于张量-矩阵耦合的地铁客流量预测方法 |
CN117273287B (zh) * | 2023-11-23 | 2024-03-08 | 山东科技大学 | 一种基于张量-矩阵耦合的地铁客流量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111640296B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111640296B (zh) | 交通流预测方法、系统、存储介质及终端 | |
CN109948029B (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
CN111667051A (zh) | 适用边缘设备的神经网络加速器及神经网络加速计算方法 | |
CN106201651A (zh) | 神经形态芯片的模拟器 | |
CN113850389B (zh) | 一种量子线路的构建方法及装置 | |
CN112068798B (zh) | 一种实现网络节点重要性排序的方法及装置 | |
JP6784780B2 (ja) | 大規模再生可能エネルギーのデータについて確率モデルを構築する方法 | |
CN114418105B (zh) | 一种基于量子线路处理量子应用问题的方法及装置 | |
CN111783209B (zh) | 一种学习函数与kriging模型结合的自适应结构可靠性分析方法 | |
CN109657794B (zh) | 一种基于指令队列的分布式深度神经网络性能建模方法 | |
CN112948123B (zh) | 一种基于Spark的网格水文模型分布式计算方法 | |
CN108491924B (zh) | 一种面向人工智能计算的神经网络数据串行流水处理装置 | |
CN114781629A (zh) | 基于并行复用的卷积神经网络的硬件加速器及并行复用方法 | |
CN115828831A (zh) | 基于深度强化学习的多芯粒芯片算子放置策略生成方法 | |
CN115017773A (zh) | 一种三维网格模型的降维方法、电子设备和介质 | |
CN110009048A (zh) | 一种神经网络模型的构建方法以及设备 | |
CN111651208B (zh) | 面向异构众核并行计算机的模态并行计算方法及系统 | |
CN107908696A (zh) | 一种并行高效的基于网格与密度的多维空间数据聚类算法griden | |
CN111859785A (zh) | 流体特征提取方法、系统、计算机可读存储介质及设备 | |
CN112215270A (zh) | 一种模型的相似度对比方法、系统、设备以及介质 | |
CN116626504A (zh) | 动力电池性能确定方法、装置、计算机设备和存储介质 | |
CN115544307A (zh) | 基于关联矩阵的有向图数据特征提取与表达方法和系统 | |
CN115293978A (zh) | 卷积运算电路和方法、图像处理设备 | |
Flaherty et al. | Distributed octree data structures and local refinement method for the parallel solution of three-dimensional conservation laws | |
CN116305461B (zh) | 结构响应计算方法、装置、电子设备及存储介质 |
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 |