CN112819213A - 基于深度学习网络的高速公路货运量预测方法及系统 - Google Patents

基于深度学习网络的高速公路货运量预测方法及系统 Download PDF

Info

Publication number
CN112819213A
CN112819213A CN202110089425.4A CN202110089425A CN112819213A CN 112819213 A CN112819213 A CN 112819213A CN 202110089425 A CN202110089425 A CN 202110089425A CN 112819213 A CN112819213 A CN 112819213A
Authority
CN
China
Prior art keywords
matrix
truck
trucks
total weight
network
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
CN202110089425.4A
Other languages
English (en)
Other versions
CN112819213B (zh
Inventor
林培群
何伙华
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110089425.4A priority Critical patent/CN112819213B/zh
Publication of CN112819213A publication Critical patent/CN112819213A/zh
Application granted granted Critical
Publication of CN112819213B publication Critical patent/CN112819213B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习网络的高速公路货运量预测方法及系统，其中方法包括：获取模型的输入数据；构建高速公路网络图，计算Dijkstra矩阵，计算入口货车流量与出口货车流量的皮尔逊系数矩阵，将Dijkstra矩阵与皮尔逊系数矩阵组合形成复合邻接矩阵；将输入数据及复合邻接矩阵输入到模型的图卷积层，将拉普拉斯矩阵与空间注意力权重矩阵融合后，采用图卷积神经网络聚合空间信息；将输入的数据与时间注意力权重矩阵融合后，采用长短时记忆网络学习时间特征；连接层的输出进行逆归一化后生成最终预测结果。本发明充分考虑图卷积神经网络聚合空间信息的能力和长短时记忆网络对时间序列的学习能力，可获得较高的预测结果，可广泛应用于智能交通领域。

Description

基于深度学习网络的高速公路货运量预测方法及系统
技术领域
本发明涉及人工智能-智能交通领域，尤其涉及一种基于深度学习网络的高速公路货运量预测方法及系统。
背景技术
随着交通基础设施建设不断发展，道路运输网络不断完善，高速公路系统的交通管理与控制愈加重要。为了全面了解和把控高速公路交通运行情况，通过高速公路收费站、ETC门架等实时准确地采集高速公路交通数据；通过对高速公路交通数据的信息挖掘，进行高速公路交通量预测，进而分析未来一段时间内的交通运行状况，为交通管理部门进行交通管理与控制决策提供依据，保障交通安全与减少交通拥堵，提高道路运行水平。
交通量预测是交通数据处理与分析的重要组成部分，同时也是智能高速公路系统不可或缺的组成部分，但目前对交通量预测的研究主要集中在交通流预测、行程时间预测等方面，鲜有研究针对货运量进行相关的预测研究。货运是道路运输的组成之一，对高速公路收费站出口货运量的准确预测，可以准确判断目标高速公路收费站未来一段时间内到达货运量，进而结合其他交通量数据，对高速公路收费站附近城市道路或普通公路进行精确的交通管控。
发明内容
为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种基于深度学习网络的高速公路货运量预测方法及系统，利用高速公路收费站流水数据，统计入口站货车流量、出口站货运量等，采用图卷积神经网络与长短时记忆网络结合的混合图神经网络拟合入口站货车流量等输入数据与未来一段时间内目标出口站货运量的关系式，同时考虑到高速公路收费站出入口交通量的时空相关性，在深度学习网络中加入时空注意力机制，以实现对区域内所有高速公路出口站货运量较高精度的预测。
本发明所采用的技术方案是：
一种基于深度学习网络的高速公路货运量预测方法，包括以下步骤：
对高速公路收费站流水数据进行清洗处理，获取模型的输入数据；所述输入数据包括入口货车流量、时间信息及总车流量；
构建高速公路网络图，计算Dijkstra矩阵，计算入口货车流量与出口货车流量的皮尔逊系数矩阵，将所述Dijkstra矩阵与所述皮尔逊系数矩阵组合形成复合邻接矩阵；
将所述输入数据及所述复合邻接矩阵输入到模型的图卷积层，将拉普拉斯矩阵与空间注意力权重矩阵融合后，采用图卷积神经网络聚合空间信息；
将所述图卷积层的输出作为LSTM层的输入，将输入的数据与时间注意力权重矩阵融合后，采用长短时记忆网络学习时间特征；
将所述LSTM层的输出作为全连接层的输入，连接层的输出进行逆归一化后生成最终预测结果。
进一步，所述对高速公路收费站流水数据进行清洗处理，获取模型的输入数据，包括：
按货车车型和货车轴数对货车进行分类，以及获取每类货车自重均值；
获取目标收费站出口货车总重数据，对于每一条数据，若入口货车总重与出口货车总重均正常，取两者平均值作为货车总重；若入口货车总重正常，出口货车总重异常，取入口货车总重作为货车总重；若入口货车总重异常，出口货车总重正常，取出口货车总重作为货车总重；若入口货车总重、出口货车总重均异常，货车轴数正常，取对应类别货车平均总重作为货车总重；若入口货车总重、出口货车总重、货车轴数均异常，取对应车型下货车平均总重作为货车总重；
统计目标收费站出口每一统计时间间隔内货车总重总和，统计目标收费站出口每一统计时间间隔内每类货车出口流量，货车出口流量乘以对应类别货车自重得到每类货车自重总和，每类货车自重总和合计得到目标收费站出口每一统计时间间隔内货车自重总和；
目标收费站出口每一统计时间间隔内货车总重总和减去货车自重总和，得到目标收费站出口每一统计时间间隔内总货运量
Figure BDA0002911874060000021
N为目标收费站，T为时间序列。
进一步，所述获取每类货车的自重均值，包括：
对每一辆货车自重，若该辆车历史数据大于等于m条，则采用历史数据中货车总重数据中最小值，且该值与同类车自重偏差不超过一定阈值；若不满足条件，采用同类车平均自重代替；
对每类货车自重均值，采用该类货车每辆车辆自重的平均值作为该类货车自重均值。
进一步，所述复合邻接矩阵由Dijkstra矩阵
Figure BDA0002911874060000022
与皮尔逊系数矩阵
Figure BDA0002911874060000023
按一定比例组合形成；即
Acom＝W1⊙M+W2⊙P，⊙表示哈达玛积，W1、W2是由网络学习得到的参数。
进一步，将所述输入数据输入到模型的图卷积层，包括：
将所述输入数据的每一特征维都进行归一化处理后输入到模型的图卷积层；
归一化处理的公式为：
Figure BDA0002911874060000024
x*为归一化后数据，x为一个收费站入口一个时间段的Ci维的原始值，
Figure BDA0002911874060000031
和σ分别为Ci维的均值和方差，Ci维包括入口货车流量、入口所在小时、入口所在星期天数和入口总车流量。
进一步，所述模型为基于时空注意力机制的混合图神经网络模型，包括一层图卷积层、一层改进的LSTM层及全连接层，其中，所述图卷积层用于聚合空间信息，所述LSTM层用于提取时间特征。
进一步，在所述LSTM层中，将每一时间步t的输入门、遗忘门、输出门、候选记忆细胞的计算均融入图卷积计算，计算公式如下：
Figure BDA0002911874060000032
Figure BDA0002911874060000033
Figure BDA0002911874060000034
Figure BDA0002911874060000035
Figure BDA0002911874060000036
Ht＝Ot⊙tanh(Ct)
其中，
Figure BDA0002911874060000037
为图卷积运算，
Figure BDA0002911874060000038
为与空间注意力矩阵融合的重归一化拉普拉斯矩阵，
Figure BDA0002911874060000039
Wx_、Wh_、b_是由网络学习得到的参数，S为空间注意力矩阵。
进一步，所述连接层的输出进行逆归一化后生成最终预测结果中归一化的公式为：
Figure BDA00029118740600000310
其中，y为全连接层的输出，
Figure BDA00029118740600000311
和σ货分别为出口货运量的均值和方差。
本发明所采用的另一技术方案是：
一种基于深度学习网络的高速公路货运量预测系统，包括：
数据处理模块，用于对高速公路收费站流水数据进行清洗处理，获取模型的输入数据，计算出口货运量；所述输入数据包括入口货车流量、时间信息及总车流量；
网络图构建模块，用于构建高速公路网络图，计算Dijkstra矩阵，计算入口货车流量与出口货车流量的皮尔逊系数矩阵，将所述Dijkstra矩阵与所述皮尔逊系数矩阵组合形成复合邻接矩阵；
空间融合模块，用于将所述输入数据及所述复合邻接矩阵输入到模型的图卷积层，将拉普拉斯矩阵与空间注意力权重矩阵融合后，采用图卷积神经网络聚合空间信息；
时间融合模块，用于将所述图卷积层的输出作为LSTM层的输入，将输入的数据与时间注意力权重矩阵融合后，采用长短时记忆网络学习时间特征；
预测模块，用于将所述LSTM层的输出作为全连接层的输入，连接层的输出进行逆归一化后生成最终预测结果。
本发明所采用的另一技术方案是：
一种基于深度学习网络的高速公路货运量预测系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
本发明的有益效果是：本发明充分考虑了图卷积神经网络聚合空间信息的能力和长短时记忆网络对时间序列的学习能力，揭示了高速公路收费站入口货车流量及其他因素与高速公路收费站出口货运量的隐藏关系，可获得较高的预测结果。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1是本发明实施例中一种基于深度学习网络的高速公路货运量预测方法的实施流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
如图1所示，本实施例提供一种基于深度学习网络的高速公路货运量预测方法，包括以下步骤：
S1、选定目标高速公路收费站，并处理、统计相关数据。对高速公路收费站流水数据进行清洗、处理，提取入口货车流量、所在小时、所在星期天数、总车流量等作为模型的输入数据，计算出口货运量作为模型输出的实际值。
首先统计各高速公路收费站入口货车流量、所在小时、所在星期天数、总车流量组成输入数据
Figure BDA0002911874060000051
N为目标收费站，T为时间序列，C为输入特征，统计间隔为1小时。
然后按货车车型和货车轴数对货车进行分类，车型分为1-5型车五个类别、轴数分为2-5轴及6轴及以上五个类别，共25类货车，轴数异常无法分类的货车单独作为第26类货车。采用上述25类货车自重均值的平均值作为该类货车自重。
对货车分类后，统计每类货车的自重均值，采用该类货车每辆车辆自重的平均值作为该类货车自重均值。对1-25类货车的每一辆车自重，若该辆车历史数据大于等于50条，则采用历史数据中货车总重数据中最小值，且该值与同类车自重偏差不超过一定阈值；若不满足条件，采用同类车平均自重代替。在此基础上求出1-25类各类货车的自重均值，第26类轴数数据异常车辆采用上述25类货车自重均值的平均值作为该类货车自重均值。
再后进行目标收费站出口货车总重数据的清洗。对于每一条数据，若入口货车总重与出口货车总重均正常，取两者平均值作为货车总重；若入口货车总重正常，出口货车总重异常，取入口货车总重作为货车总重；若入口货车总重异常，出口货车总重正常，取出口货车总重作为货车总重；若入口货车总重、出口货车总重均异常，货车轴数正常，取对应类别货车平均总重作为货车总重；若入口货车总重、出口货车总重、货车轴数均异常，取对应车型下货车平均总重作为货车总重。
其中，高速公路收费站入口、出口货车总重在1吨至60吨范围内为正常，超出范围视为异常；高速公路收费站流水数据货车轴数在2轴至12轴范围内为正常，超过范围视为异常。
在数据清洗的基础上，统计目标收费站出口每一统计时间间隔内货车总重总和，统计时间间隔为1小时。然后统计目标收费站出口每一统计时间间隔内每类货车出口流量，货车出口流量乘以对应类别货车自重得到每类货车自重总和，每类货车自重总和合计得到目标出口站统计时间间隔内货车自重总和。
最后，以目标收费站出口每一统计时间间隔内货车总重总和减去货车自重总和，得到目标收费站出口每一统计时间间隔内总货运量
Figure BDA0002911874060000061
N为目标收费站，T为时间序列，时间间隔为1小时。
S2、计算复合邻接矩阵。以目标高速公路收费站为顶点，高速公路为边，构建高速公路网络图，计算依最短距离衰减的Dijkstra矩阵，计算入口货车流量与出口货车流量的皮尔逊系数矩阵，Dijkstra矩阵与皮尔逊系数矩阵按一定比例组合形成复合邻接矩阵。
以目标高速公路收费站为顶点，高速公路为边，构建高速公路网络图，计算依最短距离衰减的Dijkstra矩阵
Figure BDA0002911874060000062
矩阵M中元素
Figure BDA0002911874060000063
dij为入口站i到出口站j的最短距离，σ为控制衰减速率的超参数。
计算入口货车流量与出口货车流量的皮尔逊系数矩阵
Figure BDA0002911874060000064
Dijkstra矩阵与皮尔逊系数矩阵按一定比例组合形成复合邻接矩阵Acom＝W1⊙M+W2⊙P，⊙表示哈达玛积，W1、W2是由网络学习得到的参数，Acom中值小于0.5的元素替换为0。
S3、对输入数据进行预处理。
对输入数据的每一特征维分别进行归一化处理，公式为：
Figure BDA0002911874060000065
x*为归一化后数据，x为一个收费站入口一个时间段的Ci维的原始值，
Figure BDA0002911874060000066
和σ分别为Ci维的均值和方差，Ci维包括入口货车流量、入口所在小时、入口所在星期天数、入口总车流量等。
分别求出所有目标高速公路收费站出口货运量数据的均值
Figure BDA0002911874060000067
和和方差σ货。
S4、构建基于时空注意力机制的混合图神经网络模型。将输入数据及邻接矩阵输入到图卷积层，计算拉普拉斯矩阵并与空间注意力矩阵融合后，采用图卷积神经网络聚合空间信息；将图卷积层的输出输入到LSTM层，输入数据与时间注意力矩阵融合后，采用长短时记忆网络学习时间特征；将LSTM层的输出作为全连接层的输入，连接层的输出经逆归一化后生成最终预测结果。
基于时空注意力机制的混合图神经网络模型主体由一层图卷积层、一层改进的LSTM层及全连接层组成。
网络首先学习空间注意力矩阵S，S是N×N的二维矩阵，采用Softmax函数对矩阵S进行归一化后，矩阵S与高速公路网络图的重归一化拉普拉斯矩阵进行哈达玛积运算，得到经过空间维度加权的拉普拉斯矩阵
Figure BDA0002911874060000068
Figure BDA0002911874060000071
Ws是由网络学习得到的参数。
然后采用图卷积聚合空间信息，图卷积采用基于谱域的切比雪夫多项式近似展开求解，拉普拉斯矩阵采用经过空间维度加权的拉普拉斯矩阵
Figure BDA0002911874060000072
图卷积计算为
Figure BDA0002911874060000073
W是由网络学习得到的参数。
经过一层的图卷积层后，网络随后学习空间注意力矩阵E，E是T×T的二维矩阵，采用Softmax函数对矩阵E进行归一化后，时间注意力矩阵E与图卷积层的输出进行哈达玛积运算，得到经过时间维度加权的输入数据
Figure BDA0002911874060000074
Figure BDA0002911874060000075
We是由网络学习得到的参数。
随后采用LSTM层提取时间特征，LSTM层每一时间步t的输入门、遗忘门、输出门、候选记忆细胞的计算均融入图卷积计算，具体公式如下：
Figure BDA0002911874060000076
Figure BDA0002911874060000077
Figure BDA0002911874060000078
Figure BDA0002911874060000079
Figure BDA00029118740600000710
Ht＝Ot⊙tanh(Ct)
Figure BDA00029118740600000711
为图卷积运算，
Figure BDA00029118740600000712
为与空间注意力矩阵融合的重归一化拉普拉斯矩阵，Wx_、Wh_、b_是由网络学习得到的参数。
最后输出层采用全连接层，将长短时记忆网络层的输出
Figure BDA00029118740600000713
按时间维T′和特征维C′展开，输出为二维矩阵
Figure BDA00029118740600000714
Figure BDA00029118740600000715
表示第i个收费站出口在时间段j的归一化后的货运量。
S5、设置网络参数。
训练Epochs设置为1000，batch size为128，图卷积运算采用3阶切比雪夫多项式求解；学习率采用梯级下降的动态学习率，以0.001为初始值，迭代次数每满10000衰减5％；模型的损失函数选用平均平方误差函数(MSE)。
S6、训练网络。
将归一化的输入数据输入网络中进行训练，每一batch得到的输出结果进行逆归一化后得到预测结果。逆归一化公式为
Figure BDA00029118740600000716
y为全连接层的输出，
Figure BDA00029118740600000717
和σ货分别为出口货运量的均值和方差。
将预测值与实际值进行比较，计算网络当前损失，将损失进行反向传播，更新网络参数，反复迭代，达到指定训练Epoch，网络模型收敛，网络训练结束。
进一步作为可选的实施方式，在每一次Epoch训练结束后，将测试集输入至训练好的网络模型中进行预测，并将预测值与真实值进行比较，评估网络模型的泛化能力，并将当前及之前Epoch的最优模型保存。
模型训练完成后，可直接将模型用于进行高速公路货运量预测。本实施例所提的基于深度学习网络的高速公路货运量预测方法，充分考虑了图卷积神经网络聚合空间信息的能力和长短时记忆网络对时间序列的学习能力，揭示了高速公路收费站入口货车流量及其他因素与高速公路收费站出口货运量的隐藏关系，并且获得了较高的预测结果。
本实施例还提供一种基于深度学习网络的高速公路货运量预测系统，包括：
数据处理模块，用于对高速公路收费站流水数据进行清洗处理，获取模型的输入数据，计算出口货运量；输入数据包括入口货车流量、时间信息及总车流量；
网络图构建模块，用于构建高速公路网络图，计算Dijkstra矩阵，计算入口货车流量与出口货车流量的皮尔逊系数矩阵，将Dijkstra矩阵与皮尔逊系数矩阵组合形成复合邻接矩阵；
空间融合模块，用于将输入数据及复合邻接矩阵输入到模型的图卷积层，将拉普拉斯矩阵与空间注意力权重矩阵融合后，采用图卷积神经网络聚合空间信息；
时间融合模块，用于将图卷积层的输出作为LSTM层的输入，将输入的数据与时间注意力权重矩阵融合后，采用长短时记忆网络学习时间特征；
预测模块，用于将LSTM层的输出作为全连接层的输入，连接层的输出进行逆归一化后生成最终预测结果。
本实施例的一种基于深度学习网络的高速公路货运量预测系统，可执行本发明方法实施例所提供的一种基于深度学习网络的高速公路货运量预测方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本实施例还提供一种基于深度学习网络的高速公路货运量预测系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如图1所示的一种基于深度学习网络的高速公路货运量预测方法。
本实施例的一种基于深度学习网络的高速公路货运量预测系统，可执行本发明方法实施例所提供的一种基于深度学习网络的高速公路货运量预测方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于深度学习网络的高速公路货运量预测方法，其特征在于，包括以下步骤：
对高速公路收费站流水数据进行清洗处理，获取模型的输入数据；所述输入数据包括入口货车流量、时间信息及总车流量；
构建高速公路网络图，计算Dijkstra矩阵，计算入口货车流量与出口货车流量的皮尔逊系数矩阵，将所述Dijkstra矩阵与所述皮尔逊系数矩阵组合形成复合邻接矩阵；
将所述输入数据及所述复合邻接矩阵输入到模型的图卷积层，将拉普拉斯矩阵与空间注意力权重矩阵融合后，采用图卷积神经网络聚合空间信息；
将所述图卷积层的输出作为LSTM层的输入，将输入的数据与时间注意力权重矩阵融合后，采用长短时记忆网络学习时间特征；
将所述LSTM层的输出作为全连接层的输入，连接层的输出进行逆归一化后生成最终预测结果。
2.根据权利要求1所述的一种基于深度学习网络的高速公路货运量预测方法，其特征在于，所述对高速公路收费站流水数据进行清洗处理，获取模型的输入数据，包括：
按货车车型和货车轴数对货车进行分类，以及获取每类货车自重均值；
获取目标收费站出口货车总重数据，对于每一条数据，若入口货车总重与出口货车总重均正常，取两者平均值作为货车总重；若入口货车总重正常，出口货车总重异常，取入口货车总重作为货车总重；若入口货车总重异常，出口货车总重正常，取出口货车总重作为货车总重；若入口货车总重、出口货车总重均异常，货车轴数正常，取对应类别货车平均总重作为货车总重；若入口货车总重、出口货车总重、货车轴数均异常，取对应车型下货车平均总重作为货车总重；
统计目标收费站出口每一统计时间间隔内货车总重总和，统计目标收费站出口每一统计时间间隔内每类货车出口流量，货车出口流量乘以对应类别货车自重得到每类货车自重总和，每类货车自重总和合计得到目标收费站出口每一统计时间间隔内货车自重总和；
目标收费站出口每一统计时间间隔内货车总重总和减去货车自重总和，得到目标收费站出口每一统计时间间隔内总货运量
Figure FDA0002911874050000011
N为目标收费站，T为时间序列。
3.根据权利要求2所述的一种基于深度学习网络的高速公路货运量预测方法，其特征在于，所述获取每类货车的自重均值，包括：
对每一辆货车自重，若该辆车历史数据大于等于m条，则采用历史数据中货车总重数据中最小值，且该值与同类车自重偏差不超过一定阈值；若不满足条件，采用同类车平均自重代替；
对每类货车自重均值，采用该类货车每辆车辆自重的平均值作为该类货车自重均值。
4.根据权利要求1所述的一种基于深度学习网络的高速公路货运量预测方法，其特征在于，所述复合邻接矩阵由Dijkstra矩阵
Figure FDA0002911874050000021
与皮尔逊系数矩阵
Figure FDA0002911874050000022
按一定比例组合形成；即
Acom＝W1⊙M+W2⊙P，⊙表示哈达玛积，W1、W2是由网络学习得到的参数。
5.根据权利要求1所述的一种基于深度学习网络的高速公路货运量预测方法，其特征在于，将所述输入数据输入到模型的图卷积层，包括：
将所述输入数据的每一特征维都进行归一化处理后输入到模型的图卷积层；
归一化处理的公式为：
Figure FDA0002911874050000023
x*为归一化后数据，x为一个收费站入口一个时间段的Ci维的原始值，
Figure FDA0002911874050000024
和σ分别为Ci维的均值和方差，Ci维包括入口货车流量、入口所在小时、入口所在星期天数和入口总车流量。
6.根据权利要求1所述的一种基于深度学习网络的高速公路货运量预测方法，其特征在于，所述模型为基于时空注意力机制的混合图神经网络模型，包括一层图卷积层、一层改进的LSTM层及全连接层，其中，所述图卷积层用于聚合空间信息，所述LSTM层用于提取时间特征。
7.根据权利要求1所述的一种基于深度学习网络的高速公路货运量预测方法，其特征在于，在所述LSTM层中，将每一时间步t的输入门、遗忘门、输出门、候选记忆细胞的计算均融入图卷积计算，计算公式如下：
Figure FDA0002911874050000025
Figure FDA0002911874050000026
Figure FDA0002911874050000027
Figure FDA0002911874050000028
Figure FDA0002911874050000029
Ht＝Ot⊙tanh(Ct)
其中，
Figure FDA00029118740500000210
为图卷积运算，
Figure FDA00029118740500000211
为与空间注意力矩阵融合的重归一化拉普拉斯矩阵，
Figure FDA00029118740500000212
Wx_、Wh_、b_是由网络学习得到的参数，S为空间注意力矩阵。
8.根据权利要求1所述的一种基于深度学习网络的高速公路货运量预测方法，其特征在于，所述连接层的输出进行逆归一化后生成最终预测结果中归一化的公式为：
Figure FDA0002911874050000031
其中，y为全连接层的输出，
Figure FDA0002911874050000032
和σ货分别为出口货运量的均值和方差。
9.一种基于深度学习网络的高速公路货运量预测系统，其特征在于，包括：
数据处理模块，用于对高速公路收费站流水数据进行清洗处理，获取模型的输入数据，计算出口货运量；所述输入数据包括入口货车流量、时间信息及总车流量；
网络图构建模块，用于构建高速公路网络图，计算Dijkstra矩阵，计算入口货车流量与出口货车流量的皮尔逊系数矩阵，将所述Dijkstra矩阵与所述皮尔逊系数矩阵组合形成复合邻接矩阵；
空间融合模块，用于将所述输入数据及所述复合邻接矩阵输入到模型的图卷积层，将拉普拉斯矩阵与空间注意力权重矩阵融合后，采用图卷积神经网络聚合空间信息；
时间融合模块，用于将所述图卷积层的输出作为LSTM层的输入，将输入的数据与时间注意力权重矩阵融合后，采用长短时记忆网络学习时间特征；
预测模块，用于将所述LSTM层的输出作为全连接层的输入，连接层的输出进行逆归一化后生成最终预测结果。
10.一种基于深度学习网络的高速公路货运量预测系统，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-8任一项所述的一种基于深度学习网络的高速公路货运量预测方法。
CN202110089425.4A 2021-01-22 2021-01-22 基于深度学习网络的高速公路货运量预测方法及系统 Active CN112819213B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110089425.4A CN112819213B (zh) 2021-01-22 2021-01-22 基于深度学习网络的高速公路货运量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110089425.4A CN112819213B (zh) 2021-01-22 2021-01-22 基于深度学习网络的高速公路货运量预测方法及系统

Publications (2)

Publication Number Publication Date
CN112819213A true CN112819213A (zh) 2021-05-18
CN112819213B CN112819213B (zh) 2022-06-14

Family

ID=75858915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110089425.4A Active CN112819213B (zh) 2021-01-22 2021-01-22 基于深度学习网络的高速公路货运量预测方法及系统

Country Status (1)

Country Link
CN (1) CN112819213B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487066A (zh) * 2021-06-18 2021-10-08 山西云时代智慧城市技术发展有限公司 基于多属性增强图卷积-Informer模型的长时序货运量预测方法
CN113537626A (zh) * 2021-08-03 2021-10-22 西北工业大学 一种聚合信息差异的神经网络结合时间序列预测的方法
CN114582131A (zh) * 2022-03-17 2022-06-03 中远海运科技股份有限公司 一种基于匝道智能控流算法的监控方法及系统
CN116399589A (zh) * 2023-03-29 2023-07-07 哈尔滨理工大学 基于rcmwe的滚动轴承微弱信号特征提取方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110264709A (zh) * 2019-05-06 2019-09-20 北京交通大学 基于图卷积网络的道路的交通流量的预测方法
CN110991842A (zh) * 2019-11-22 2020-04-10 广东省交通集团有限公司 高速公路货物运输量和地区gdp耦合关系分析的方法
CN110991713A (zh) * 2019-11-21 2020-04-10 杭州电子科技大学 基于多图卷积和gru的不规则区域流量预测方法
CN111091712A (zh) * 2019-12-25 2020-05-01 浙江大学 一种基于循环注意力对偶图卷积网络的交通流量预测方法
CN111383452A (zh) * 2019-12-03 2020-07-07 东南大学 一种城市路网短期交通运行状态估计与预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110264709A (zh) * 2019-05-06 2019-09-20 北京交通大学 基于图卷积网络的道路的交通流量的预测方法
CN110991713A (zh) * 2019-11-21 2020-04-10 杭州电子科技大学 基于多图卷积和gru的不规则区域流量预测方法
CN110991842A (zh) * 2019-11-22 2020-04-10 广东省交通集团有限公司 高速公路货物运输量和地区gdp耦合关系分析的方法
CN111383452A (zh) * 2019-12-03 2020-07-07 东南大学 一种城市路网短期交通运行状态估计与预测方法
CN111091712A (zh) * 2019-12-25 2020-05-01 浙江大学 一种基于循环注意力对偶图卷积网络的交通流量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BING YU等: "Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting", 《PROCEEDINGS OF THE TWENTY-SEVENTH INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE (IJCAI-18)》 *
冯宁: "基于时空图卷积网络的高速公路流量预测方法研究", 《中国优秀博硕士学位论文全文数据库（硕士） 工程科技Ⅱ辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487066A (zh) * 2021-06-18 2021-10-08 山西云时代智慧城市技术发展有限公司 基于多属性增强图卷积-Informer模型的长时序货运量预测方法
CN113487066B (zh) * 2021-06-18 2022-12-27 山西云时代智慧城市技术发展有限公司 基于多属性增强图卷积-Informer模型的长时序货运量预测方法
CN113537626A (zh) * 2021-08-03 2021-10-22 西北工业大学 一种聚合信息差异的神经网络结合时间序列预测的方法
CN114582131A (zh) * 2022-03-17 2022-06-03 中远海运科技股份有限公司 一种基于匝道智能控流算法的监控方法及系统
CN114582131B (zh) * 2022-03-17 2023-08-29 中远海运科技股份有限公司 一种基于匝道智能控流算法的监控方法及系统
CN116399589A (zh) * 2023-03-29 2023-07-07 哈尔滨理工大学 基于rcmwe的滚动轴承微弱信号特征提取方法
CN116399589B (zh) * 2023-03-29 2024-01-12 哈尔滨理工大学 基于rcmwe的滚动轴承微弱信号特征提取方法

Also Published As

Publication number Publication date
CN112819213B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN112819213B (zh) 基于深度学习网络的高速公路货运量预测方法及系统
CN109919358B (zh) 一种基于神经网络时空注意力机制的实时站点流量预测方法
CN109117987B (zh) 一种基于深度学习的个性化交通事故风险预测推荐方法
Vlahogianni et al. Spatio‐temporal short‐term urban traffic volume forecasting using genetically optimized modular networks
Pan et al. Development of a global road safety performance function using deep neural networks
CN107194491A (zh) 一种基于公交客流和站间行程时间预测的动态调度方法
Guo et al. A CNN-Bi_LSTM parallel network approach for train travel time prediction
CN111931978A (zh) 一种基于时空特性的城市轨道交通客流状态预测方法
Jin et al. Gauss mixture hidden Markov model to characterise and model discretionary lane‐change behaviours for autonomous vehicles
CN110807525A (zh) 基于改进遗传算法的神经网络航班保障服务时间估计方法
CN113591380A (zh) 基于图高斯过程的交通流预测方法、介质及设备
CN117094781B (zh) 一种智能车险理赔处理方法及系统
CN115410372B (zh) 基于贝叶斯lstm的高速公路交通流量可靠预测方法
Asghar et al. Used cars price prediction using machine learning with optimal features
Hosseini et al. Short-term traffic flow forecasting by mutual information and artificial neural networks
CN114881339A (zh) 车辆轨迹预测方法、系统、计算机设备及存储介质
CN116311880A (zh) 基于局部-全局时空特征融合的交通流量预测方法及设备
Timofeeva et al. Evaluation of origin-destination matrices based on analysis of data on transport passenger flows
CN116933946A (zh) 一种基于客流去向结构的轨道交通od客流预测方法及系统
Wang et al. A two‐stage method for bus passenger load prediction using automatic passenger counting data
JABBAR et al. Predictive intelligence: A neural network learning system for traffic condition prediction and monitoring on freeways
CN116434531A (zh) 一种基于Conv1D-LSTM模型的短时交通流预测方法
CN115311846A (zh) 一种结合货车任务状态的厂区道路拥堵预测方法及预测系统
CN112200370A (zh) 一种针对不同车型的城市间货运排放估算方法
Jia et al. Short‐term traffic travel time forecasting using ensemble approach based on long short‐term memory networks

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