CN111785018A - 一种基于门控循环单元的收费站下道流量预测方法 - Google Patents

Abstract

本发明公开了一种基于门控循环单元的收费站下道流量预测方法，预测方法包括以下内容：S1：采集对应收费站的历史数据，构成收费站下道流量时间序列，并将时间序列分为训练集和测试集；S2：采用训练集中的数据建立初始门控循环单元模型；S3：利用蝗虫优化算法对初始门控循环单元模型的参数进行优化，得到门控循环单元流量预测模型的最佳参数组合；S4：利用最佳参数组合，构建门控循环单元模型，得到下一时刻收费站的流量预测结果。本发明利用循环门控单元网络对收费站下道流量时间序列数据进行训练，深入挖掘了数据点之间的相关性以及潜在本质特征，解决了线性模型无法应对交通流随机性和不稳定性的问题，同时利用蝗虫优化算法对门控循环网络的参数选择进行了优化，解决模型训练过程中的参数选择问题，提高了最终的预测结果的精度。

Description

一种基于门控循环单元的收费站下道流量预测方法

技术领域

本发明涉及智慧交通领域，具体的，涉及一种基于门控循环单元的收费站下道流量预测方法。

背景技术

随着汽车持有量以及各地的经济互动频率的不断增加，高速公路上的车辆也在不断的增多，使得高速公路日渐拥挤。而随着我国高速公路领域联网收费技术的推行，联网收费中心将汇集起海量的高速公路收费系统数据，这些信息具有及时、准确的特点。对这些信息进行处理和分析，实现信息的充分利用，将具有重要的理论与现实意义。但如何对这些数据进行深入挖掘和分析，发现其中的潜在规律，对高速监管部门以及市民出行都有着重要的意义。在高速公路上估算收费站的车流量对优化管理来说十分有益，通过对流量的预测可以为交管部门提供管理依据，便于合理调配人力物力资源，同时也可以方便市民的出行。

通过查阅相关专利和论文，发现现有高速公路路段交通状态检测方法主要有：

现有技术一：专利CN104269055A中使用ARMA模型对收费站的时间序列进行回归预测，这种方法比较简单，在流量趋势较为稳定时，预测效果良好，但是由于交通流量很容易受到外部因素的影响，因此具有很强的随机性和非稳定性，所以基于线性模型的预测方法效果不好，应用受限。

现有技术二：专利CN108417034A中利用多变量灰色预测方法进行收费站流量预测，在原有灰色预测模型的基础之上，考虑了多个变量的影响。但是本质上还是基于线性模型的预测方法，对于交通流中的动态行、时变性无法做出反应。

现有专利三：专利CN107798871A在预测收费站交通流量时，首先利用聚类算法将收费站进行分类，针对不同类别的收费站，采用不同的模型进行预测，采用ARIMA模型和Holt-Winters算法相结合，在一定程度上考虑了交通流的随机性，Holt-Winters算法计算过程复杂，且该模型需要不断迭代，以更新聚类中心，因此不适用于实际场景。

发明内容

有鉴于此，本发明的目的是提供一种基于门控循环单元的收费站下道流量预测方法，解决了模型训练过程中的参数选择问题，提高了最终的预测结果的精度。

本发明的目的是通过以下技术方案实现的：

一种基于门控循环单元的收费站下道流量预测方法，预测方法包括以下内容：

S1：采集对应收费站的历史数据，生成时间序列，并将时间序列分为训练集和测试集；

S2：采用训练集中的数据建立初始门控循环单元模型；

S3：利用蝗虫优化算法对初始门控循环单元模型的学习速率等参数进行优化，最小化适应度函数，得到预测模型最佳参数组合；

S4：根据预测模型最佳参数组合，构建门控循环单元模型，得到预测结果。

进一步，所述S3具体为：

S31：初始化一群蝗虫，设置优化算法的初始参数，所述算法参数包括种群规模(这里为收费站流量训练样本的总个数N)、蝗虫位置(为对应的优化参数取值)、最大迭代次数、蝗虫位置的变化范围，并且确定适应度函数，适应度函数为训练数据集的均方根误差(RMSE)，均方根误差越小，则表示流量预测越准确。因此蝗虫优化算法的目标就是找到使模型均方根误差最小的参数组合，适应度函数据提可以描述为；

S32：更新每个蝗虫的位置，直到达到最大迭代次数或者模型收敛，得到门控循环单元流量预测模型的最佳参数组合。

进一步，所述模型具体为：

其中，ub_d代表d维空间的上边界，lb_d代表d维空间的下边界，T_d代表当前时刻发现的流量预测模型的最佳参数组合，参数c与迭代次数成正比，用来促进搜索；

其中，c_max为最大值，c_min为最小值，L为设置的最大迭代次数，l代表第l次迭代。

进一步，所述S2还包括：

对所述训练集中的数据进行归一化处理，具体为：

其中，X′为归一化之后的收费站流量数据，X为收费站流量原始数据，X_min为数据中的最小值，X_max为数据中的最大值。

进一步，所述预测方法还包括：

S5：将利用门控循环单元网络得到的下一时间段的预测值序列进行反归一化处理，得到最终预测结果。

本发明的有益效果是：

本发明的有益效果在于：第一，利用循环门控单元网络对收费站下道流量时间序列数据进行训练，深入挖掘了流量数据间的相关性以及数据中潜在本质特征，解决了线性模型无法应对交通流随机性和不稳定性的问题。第二，利用蝗虫优化算法对门控循环网络的参数进行了优化，解决了模型训练过程中的参数选择问题，提高了最终的预测结果的精度。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

附图1为本发明结构示意图；

附图2为门控循环单元网络结构图。

具体实施方式

以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

本实施例提出了一种基于门控循环单元的收费站下道流量预测方法，如图1所示，预测方法具体为：

S1：以30min为时间窗统计收费站历史下道车辆数，分别V(t),V(t-1),V(t-2)...V(t-N)，并以此组成时间序列，将95％的时间序列数据组成训练集，5％的时间序列数据组成测试集。

S2：对训练集的时间序列数据进行归一化处理，方法为：

其中，X′为归一化之后的收费站流量数据，X为收费站流量原始数据，X_min为数据中的最小值，X_max为数据中的最大值。

进而采用归一化后的数据，建立初始门控循环单元模型。

如图2所示，门控循环单元模型(GRU)为循环神经网络(RNN)的一种变体，GRU 能通过其特有的记忆和遗忘模式，对时间序列信息进行动态时间建模，从而得到更好的预测效果。GRU门控单元网络的预测原理如下：GRU网络包含一个重置门r_t，一个更新门z_t，更新门用与平衡历史信息和当前时间步输入信息的比例，更新门得值越小，说明模型输出更加偏向于上一个隐藏层状态得信息。重置门则决定了遗忘前一时刻隐藏层的部分状态信息，重置门得值越小，则表明历史流量值被引入得越少。其训练过程为：每半个小时，通过更新门接收当前输入的流量信息与上半个小时的隐藏状态h_t-1，接收输入信息后，由激活函数决定神经元是否被激活，同时，重置门接收x_t和h_t-1，重置门的运算结果决定有多少过去的流量信息有多少被遗忘，另外，当前半个小时的流量信息经过运算与重置门的输出信息叠加，在激活函数tanh形成了当前的记忆内容

当前记忆

与前一步输入

在通过更新门的动态控制，最终决定门控单元的输出内容h_t。计算公式如下：

r_t＝σ(U_rh_t-1+W_rx_t)

z_t＝σ(U_zh_t-1+W_zx_t)

式中，

为选择门，r_t为遗忘门，z_t为更新门。x_t为第t时刻该层隐藏层的输入，h_t为第t时刻当前层的输出，h_t-1为上一时刻第t-1时刻当前层的输出作为当前时刻的输入，U,W为各层之间的权重系数矩阵，⊙表示矩阵的Hadamard积，σ和tanh为激活函数。

设模型在t时刻的最终实际输出结果为y_d,t，那么t时刻损失函数为：

则样本损失为：

令

则：

根据梯度下降算法(BPTT)，让预测误差经历时间反向传播，从而不断调整GRU网络中各层权重系数，可以得到：

进一步得到权重梯度的计算公式：

输入一组训练数据，模型就会得到一个预测输出，计算预测值与实际输出值的误差，让误差经历时间反向传播，再通过设定的权重系数更新时的学习速率η，从而不断更新模型中的最优权重系数。对于一个特定问题，如何选择合适的学习速率则是一个很重要的问题，学习速率过大则会导致训练过程不稳定，过小则会导致训练太慢以至于无法收敛。从以上分析可以看出，对于门控循环单元预测模型来说，W_r,U_r,W,U,W_z,U_z,W_y等权重系数以及学习速率η等都是GRU网络需要学习的参数。

S3：利用蝗虫优化算法对初始门控循环单元模型的学习速率等参数进行优化，最小化适应度函数，得到预测模型最佳参数组合；

S31：初始化一群蝗虫，设置优化算法的初始参数，所述算法参数包括种群规模(这里为流量训练样本的总个数N)、蝗虫位置(为对应的优化参数取值)、最大迭代次数、蝗虫位置的变化范围，并且确定适应度函数，适应度函数为训练数据集的均方根误差(RMSE)，均方根误差越小，则表示流量预测越准确。因此蝗虫优化算法的目标就是找到使模型均方根误差最小的参数组合，适应度函数据提可以描述为；

S32：更新每个蝗虫的位置，直到达到最大迭代次数或者模型收敛，得到门控循环单元流量预测模型的最佳参数组合，具体的：

初始化第一代蝗虫的位置，并计算每个蝗虫的适应度。

更新每个蝗虫的位置，蝗虫位置的更新由种群的交互力、重力和风力决定，具体如下所示：

X_i＝S_i+G_i+A_i

其中，X_i为第i个蝗虫的位置，S_i为蝗虫的运动行为，G_i为蝗虫的重力，A_i为风平流。

蝗虫的运动行为因素定义如下：

其中，d_ij代表第i只蝗虫和第j只蝗虫之间的距离，即d_ij＝X_i-X_j；S代表蝗虫运动行为的影响函数；d_i′_j代表第i只蝗虫和第j只蝗虫之间的距离的单位向量，即

运动影响函数定义如下：

S(r)＝fe^-r/l-e^-r

式中，f代表吸引力，l代表吸引尺度。

重力影响因素G_i计算公式如下：

其中，g代表引力常数，

代表方向指向地球中心的统一向量。风平流因素A_i计算公式为：

其中，u代表恒定飘移，

代表朝向风的向量。

因此，X_i可以表示为如下形式：

然而，这个模型不容易收敛，蝗虫会很快搜索到一个平滑的区域，因此，为了使模型更快收敛，模型变为：

其中，ub_d代表d维空间的上边界，lb_d代表d维空间的下边界，T_d代表当前时刻发现的参数最佳取值解，参数c与迭代次数成正比，用来促进搜索。

其中，c_max为最大值，c_min为最小值，L为设置的最大迭代次数，l代表第l次迭代。

参数c在优化过程的初始阶段被设置为1，以重点进行搜索过程，最后，它们线性下降到 0.00001。

不断重复上述步骤，直至满足最大迭代次数或者模型收敛，得到门控循环单元流量预测模型的最佳参数组合。

S4：利用最佳参数组合构建门控循环单元模型，构建方式如S2的方法所示，将测试集输入到训练好的门控循环单元模型中，得到的流量预测结果。并利用测试集数据对训练好的门控循环预测模型的预测效果进行检验，计算预测结果与真实值之间的误差，误差的计算公式如下：

其中，MAE为平均绝对误差，MAPE为平均绝对百分比误差，RMSE为均方根误差，n 为样本总数，y_i为流量真实值，

为流量预测值。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于门控循环单元的收费站下道流量预测方法，其特征在于：预测方法包括以下内容：

S1：采集对应收费站的历史数据，生成时间序列，并将时间序列分为训练集和测试集；

S2：采用训练集中的数据建立初始门控循环单元模型；

S3：利用蝗虫优化算法对初始门控循环单元模型的学习速率等参数进行优化，最小化适应度函数，得到预测模型最佳参数组合；

S4：根据预测模型最佳参数组合，构建门控循环单元模型，得到预测结果。

2.根据权利要求1所述的基于门控循环单元的收费站下道流量预测方法，其特征在于：所述S3具体为：

S31：初始化算法参数以及每个蝗虫个体的适应度，所述算法参数包括种群规模、最大迭代次数、蝗虫位置的变化范围，并且确定适应度函数；

S32：更新每个蝗虫的位置，直到达到最大迭代次数或者模型收敛，得到门控循环单元流量预测模型的最佳参数组合。

3.根据权利要求2所述的基于门控循环单元的收费站下道流量预测方法，其特征在于：所述模型具体为：

其中，ub_d代表d维空间的上边界，lb_d代表d维空间的下边界，T_d代表当前时刻发现的参数最佳取值解，参数c与迭代次数成正比，用来促进搜索；

其中，c_max为最大值，c_min为最小值，L为设置的最大迭代次数，l代表第l次迭代。

4.根据权利要求1所述的基于门控循环单元的收费站下道流量预测方法，其特征在于：所述S2还包括：

对所述训练集中的数据进行归一化处理，具体为：

其中，X′为归一化之后的收费站流量数据，X为收费站流量原始数据，X_min为数据中的最小值，X_max为数据中的最大值。

5.根据权利要求1所述的基于门控循环单元的收费站下道流量预测方法，其特征在于：所述预测方法还包括：

S5：将测试集输入到训练好的门控循环单元模型中，得到的流量预测结果。

Images