CN112907971B - 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法 - Google Patents

基于遗传算法优化时空残差模型的城市路网短时交通流预测方法 Download PDF

Info

Publication number
CN112907971B
CN112907971B CN202110166301.1A CN202110166301A CN112907971B CN 112907971 B CN112907971 B CN 112907971B CN 202110166301 A CN202110166301 A CN 202110166301A CN 112907971 B CN112907971 B CN 112907971B
Authority
CN
China
Prior art keywords
model
data
time
residual error
space
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.)
Active
Application number
CN202110166301.1A
Other languages
English (en)
Other versions
CN112907971A (zh
Inventor
施佺
包银鑫
曹阳
施振佺
邵叶秦
曹志超
朱森来
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.)
Nantong University
Original Assignee
Nantong 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 Nantong University filed Critical Nantong University
Priority to CN202110166301.1A priority Critical patent/CN112907971B/zh
Publication of CN112907971A publication Critical patent/CN112907971A/zh
Application granted granted Critical
Publication of CN112907971B publication Critical patent/CN112907971B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于遗传算法优化时空残差模型的城市路网短时交通流预测方法，包括：采集车辆经纬度信息，获得按时间排序的车辆原始数据集；将城市路网按照经纬度转化为交通栅格网络，并把预处理后的经纬度数据映射到交通栅格网络中，生成交通栅格数据；对交通栅格数据进行标准化处理，并拆分成训练数据集和测试数据集；构造基于遗传算法优化时空残差模型的城市路网短时交通流预测模型；使用训练集训练城市路网短时交通流预测模型，并使用测试集对模型进行预测准确性验证。本发明在时空残差模型中引入遗传算法对时空残差模型训练的步长进行动态优化，提高模型对预测目标值的捕获能力，提高了模型的实用性和预测精度。

Description

基于遗传算法优化时空残差模型的城市路网短时交通流预测 方法
技术领域
本发明属于深度学习和智能交通车流量预测领域，具体为一种基于遗传算法优化时空残差模型的城市路网短时交通流预测方法。
背景技术
随着城市化进程的加快，交通基础设施得到极大的改善，汽车数量日益激增，使得交通拥堵问题越发严重。仅依靠改善交通基础设施是远远不够的，需要借助科学的管理方式和智能交通系统对交通流提前进行分流和诱导。短时交通流预测作为智能交通系统的重要组成部分，实时准确的获取城市交通流信息，对出行者和交通管理部门具有重要意义。通过事先了解交通流信息，出行者可以做出更好的交通出行路线；交通管理部门可以制定更好的交通管理策略，缓解交通拥堵，降低碳排放和减少出行时间成本。因此，如何提高城市路网短时交通流的预测精度至关重要。
目前交通流预测方法有很多，常见的是使用神经网络对交通流进行预测。目前时空残差模型可以很好的处理城市交通网络的时空相关性，但该模型网络结构比较固定，一般将训练步长作为超参数进行训练，容易陷入局部最优，且对较好结果的捕捉能力较差，无法适应不同类型的交通流数据。
发明内容
发明目的：针对上述问题，本发明引入一种基于遗传算法优化时空残差模型的城市路网短时交通流预测方法。该方法在时空残差模型的基础上，引入遗传算法对神经网络的训练步长进行动态调整，修改不同时刻的时空残差模型的训练步长，从而提高模型对最优结果的捕捉能力，降低训练误差，提高模型的预测精度。
技术方案：一种基于遗传算法优化时空残差模型的城市路网短时交通流预测方法，包括如下步骤：
步骤1)采集城市路网中实际运行的搭载GPS设备的车辆的经纬度信息，通过GPRS传输至大数据集群，获得按时间排序的车辆原始数据集D，并对车辆原始数据集D进行预处理；
步骤2)将城市路网按照经纬度转化为I*J的交通栅格网络，并把预处理后的经纬度数据映射到交通栅格网络中，生成交通栅格数据；
步骤3)对交通栅格数据进行标准化处理，将处理好的数据拆分成训练数据集和测试数据集；
步骤4)构造基于遗传算法优化时空残差模型的城市路网短时交通流预测模型，确定遗传算法和时空残差模型的基本结构参数；
步骤5)使用训练集训练构造的基于遗传算法优化时空残差模型的城市路网短时交通流预测模型，并使用测试集对模型进行预测准确性验证；
进一步地，所述步骤1中，D＝{(Did1,Dlon1,Dlat1,Dtime1)1,(Did2,Dlon2,Dlat2,Dtime2)2,…,(Didi,Dloni,Dlati,Dtimei)n}，其中n是采集的车辆原始数据集的记录数量；Didi,Dloni,Dlati,Dtimei分别是第i时间节点的车辆编号、车辆经度、车辆纬度和记录时间；数据采集完成后，利用Spark并行计算组件对车辆原始数据集D进行数据预处理，去除数据异常，修复数据缺失，降低数据计算复杂性。
进一步地，所述步骤2中，根据预测范围需求，将城市路网划分成I*J的交通栅格网络，交通栅格网络记为S＝{si,j}；将预处理过的车辆原始数据集按固定时间间隔映射到每一个交通栅格网络中，每一个栅格网络代表该区域在某一时刻的一种交通状态，记为
Figure BDA0002933097080000021
其中λ代表交通状态；按照时间间隔将车辆原始数据转化成交通栅格数据序列，记为{Xt|t＝0,…,Nt}，Nt是采集的车辆数据集的记录数量；车辆原始数据映射到交通栅格网络的判别函数如下：
Figure BDA0002933097080000022
式中，Min(lon(si,j))代表交通栅格网络si,j位置的经度最小值；Max(lon(si,j))代表交通栅格网络si,j位置的经度最大值；Dlon(n)代表原始数据的经度；lat(si,j)代表交通栅格网络si,j位置的纬度；该判别函数用来判别第n条记录的原始数据记录的车辆定位是否在si,j网格中。
进一步地，所述步骤3中，使用Max-Min标准化方法对交通栅格数据进行标准化处理，对步骤2中的{Xt|t＝0,…,Nt}序列进行处理，通过公式
Figure BDA0002933097080000023
转化。其中X′t为标准化后的数据序列；min1≤t≤T{Xt}为交通栅格数据中最小值；max1≤t≤T{Xt}为交通栅格数据中最大值；T是交通栅格数据的时间最大值。标准化完成后，将交通栅格数据X′t拆分成训练数据集和测试数据集。
进一步地，所述步骤4中，构造基于遗传算法优化时空残差模型的城市路网短时交通流预测模型，确定遗传算法和时空残差模型的基本结构参数。具体步骤如下：
步骤4-1：构造时空残差模型，具体步骤如下：
步骤4-1-1：确定时空残差模型总体网络架构，将结构划分为周期性模型和紧密性模型，将预测时间节点的前三周同一时刻的交通栅格数据作为周期性模型的输入，记为X′w＝{X′t-W,X′t-2W,X′t-3W}，其中W代表一周时长；将预测时间节点前三个时间段的交通栅格数据作为紧密性模型的输入，记为X′c＝{X′t-C,X′t-2C,X′t-3C}，其中C代表紧密性时间段长度；
步骤4-1-2：设置时空残差周期性模型和紧密性模型架构；周期性模型由卷积操作和激活函数组成，紧密性模型由卷积操作、残差单元和激活函数组成；其中卷积操作为X(l)＝f(W(l)*X(l-1)+b(l))，X(l-1)为卷积前的时空栅格数据，X(l)为卷积后的时空栅格数据尺寸，Wl是第l层卷积层的卷积核参数，bl是第l层卷积层的偏置项；残差单元操作为
Figure BDA0002933097080000031
Figure BDA0002933097080000032
其中
Figure BDA0002933097080000033
表示紧密性模型第l-1层的输入；
Figure BDA0002933097080000034
表示紧密性模型第l层的残差输出；
Figure BDA0002933097080000035
表示残差单元中所有可学习参数的集合；模型最后输出为
Figure BDA0002933097080000036
Figure BDA0002933097080000037
其中Wc和Ww是可学习的参数；
Figure BDA0002933097080000038
和
Figure BDA0002933097080000039
是步骤4-1-1的输出；f为激活函数；
步骤4-1-3：设置时空残差模型中激活函数为Relu函数，确定卷积深度和残差单元个数，确定初始化的训练步长λ，卷积操作不改变时空栅格数据尺寸；
步骤4-2：构造遗传算法模型，具体步骤如下：
步骤4-2-1：设置种群数量，采用二进制编码初始化种群，设置相关参数；
步骤4-2-2：设置适应度函数，计算个体的适应值，保留适应最大的个体；
步骤4-2-3：执行交叉、变异、选择操作；
步骤4-2-4：判断结果是否满足算法结束条件，若满足则结束算法，否则返回步骤4-2-2；
步骤4-3：构造遗传算法优化时空残差网络模型，具体步骤如下：
步骤4-3-1：使用步骤4-1构建的时空残差模型作为主要架构，设置输入时空序列数据尺寸、卷积核尺寸、移动步幅、补零圈数；
步骤4-3-2：将RMSE作为模型的误差评价标准，
Figure BDA00029330970800000310
yi为模型预测的交通栅格数据；
Figure BDA00029330970800000311
为实际的交通栅格数据；m为样本总量。同时将RMSE作为4-2的评价函数；
步骤4-3-3：使用步骤4-2遗传算法动态计算时空残差模型的每次训练步长的适应值，利用遗传算法对步长进行子群迭代，确定适应值最优的步长作为时空残差网络模型的训练步长。
进一步地，所述步骤5中，使用训练集训练构造的基于遗传算法优化时空残差模型的城市路网短时交通流预测模型，并使用测试集对模型进行预测准确性验证，具体步骤如下：
步骤5-1：将训练集输入到基于遗传算法优化时空残差模型中，通过模型得到对应的实际输出
Figure BDA0002933097080000041
步骤5-2：通过RMSE计算模型预测值和实际值的误差，利用反向传播算法更新模型每一个连接权重，更新权重后利用遗传算法进行训练步长的调整，将适应度最大的作为步长继续训练；
步骤5-3：设置迭代次数，在迭代中不断更新时空残差模型的连接权重；
步骤5-4：将测试集数据输入到时空残差模型测试模型训练效果。
有益效果：本发明地交通流预测方法，在时空残差模型的基础上，引入遗传算法对神经网络的训练步长进行动态调整，修改不同时刻时空残差模型的训练步长，从而提高模型对最优结果的捕捉能力，降低训练误差，提高模型的预测精度。
本发明针对时空残差模型在训练过程中存在网络结构固化地问题，提出一种基于遗传算法优化时空残差模型的城市路网短时交通流预测方法，该方法在时空残差模型的基础上，引入遗传算法对神经网络的训练步长进行动态调整，修改不同时刻时空残差模型的训练步长，降低训练误差，提高了交通流预测的实用性和准确性。
附图说明
图1为本发明的基于遗传算法优化时空残差模型的城市路网短时交通流预测方法步骤示意图；
图2为本发明的基于遗传算法优化时空残差模型的城市路网短时交通流预测方法流程图；
图3为本发明的基于遗传算法优化时空残差模型结构图；
图4为本发明的基于遗传算法优化时空残差模型的训练集损失值曲线图；
图5为本发明的基于遗传算法优化时空残差模型测试集真实数据和预测数据对比图；
图6为本发明的基于遗传算法优化时空残差模型测试集某一路口真实数据和预测数据对比图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
如图1-2所示，一种基于遗传算法优化时空残差模型的城市路网短时交通流预测方法，包括如下步骤：
步骤1)采集城市路网中实际运行的搭载GPS设备的车辆的经纬度信息，通过GPRS传输至大数据集群，获得按时间排序的车辆原始数据集D，并对车辆原始数据集D进行预处理；
所述步骤1)中，D＝{(Did1,Dlon1,Dlat1,Dtime1)1,(Did2,Dlon2,Dlat2,Dtime2)2,…,(Didi,Dloni,Dlati,Dtimei)n}，其中n是采集的车辆原始数据集的记录数量；Didi,Dloni,Dlati,Dtimei分别是第i时间节点的车辆编号、车辆经度、车辆纬度和记录时间；数据采集完成后，利用Spark并行计算组件对车辆原始数据集D进行数据预处理，去除数据异常，修复数据缺失，降低数据计算复杂性。
步骤2)将城市路网按照经纬度转化为I*J的交通栅格网络，并把预处理后的经纬度数据映射到交通栅格网络中，生成交通栅格数据；
所述步骤2中，根据预测范围需求，将城市路网划分成I*J的交通栅格网络，交通栅格网络记为S＝{si,j}；将预处理过的车辆原始数据集按固定时间间隔映射到每一个交通栅格网络中，每一个栅格网络代表该区域在某一时刻的一种交通状态，记为
Figure BDA0002933097080000051
其中λ代表交通状态；按照时间间隔将车辆原始数据转化成交通栅格数据序列，记为{Xt|t＝0,…,Nt}，Nt是采集的车辆数据集的记录数量；车辆原始数据映射到交通栅格网络的判别函数如下：
Figure BDA0002933097080000052
式中，Min(lon(si,j))代表交通栅格网络si,j位置的经度最小值；Max(lon(si,j))代表交通栅格网络si,j位置的经度最大值；Dlon(n)代表原始数据的经度；lat(si,j)代表交通栅格网络si,j位置的纬度；该判别函数用来判别第n条记录的原始数据记录的车辆定位是否在si,j网格中。
步骤3)对交通栅格数据进行标准化处理，将处理好的数据拆分成训练数据集和测试数据集；
所述步骤3中，对转化成交通栅格数据的进行标准化处理，目的在于去除数据单位限制，将数据转化为无量纲的纯数值，提高模型的训练精度。主要使用Max-Min标准化方法对交通栅格数据进行标准化处理，对步骤2中的{Xt|t＝0,…,Nt}序列进行处理，通过公式
Figure BDA0002933097080000053
转化。其中Xt′为标准化后的数据序列；min1≤t≤T{Xt}为交通栅格数据中最小值；max1≤t≤T{Xt}为交通栅格数据中最大值；T是交通栅格数据的时间最大值。标准化完成后，将交通栅格数据Xt′拆分成训练数据集和测试数据集。
步骤4)构造基于遗传算法优化时空残差模型的城市路网短时交通流预测模型，确定遗传算法和时空残差模型的基本结构参数；
所述步骤4中，构造基于遗传算法优化时空残差模型的城市路网短时交通流预测模型，确定遗传算法和时空残差模型的基本结构参数。如图3所示，具体步骤如下：
步骤4-1：构造时空残差模型，具体步骤如下：
步骤4-1-1：确定时空残差模型总体网络架构，将结构划分为周期性模型和紧密性模型，将预测时间节点的前三周同一时刻的交通栅格数据作为周期性模型的输入，记为X′w＝{X′t-W,X′t-2W,X′t-3W}，其中W代表一周时长；将预测时间节点前三个时间段的交通栅格数据作为紧密性模型的输入，记为X′c＝{X′t-C,X′t-2C,X′t-3C}，其中C代表紧密性时间段长度；
步骤4-1-2：设置时空残差周期性模型和紧密性模型各自架构；周期性模型由卷积操作和激活函数组成，紧密性模型由卷积操作、残差单元和激活函数组成；其中卷积操作为X(l)＝f(W(l)*X(l-1)+b(l))，X(l-1)为卷积前的时空栅格数据，X(l)为卷积后的时空栅格数据尺寸，Wl是第l层卷积层的卷积核参数，bl是第l层卷积层的偏置项；残差单元操作为
Figure BDA0002933097080000061
其中
Figure BDA0002933097080000062
表示紧密性模型第l-1层的输入；
Figure BDA0002933097080000063
表示紧密性模型第l层的残差输出；
Figure BDA0002933097080000064
表示残差单元中所有可学习参数的集合；模型最后输出为
Figure BDA0002933097080000065
其中Wc和Ww是可学习的参数；
Figure BDA0002933097080000066
和
Figure BDA0002933097080000067
是步骤4-1-1的输出；f为激活函数；
步骤4-1-3：设置时空残差模型中激活函数为Relu函数，确定卷积深度和残差单元个数，确定初始化的训练步长λ，卷积操作不改变时空栅格数据尺寸；
步骤4-2：构造遗传算法模型，具体步骤如下：
步骤4-2-1：设置种群数量，采用二进制编码初始化种群，设置相关参数；
步骤4-2-2：设置适应度函数，计算个体的适应值，保留适应最大的个体；
步骤4-2-3：执行交叉、变异、选择操作；
步骤4-2-4：判断结果是否满足算法结束条件，若满足则结束算法，否则返回步骤4-2-2；
步骤4-3：构造遗传算法优化时空残差网络模型，具体步骤如下：
步骤4-3-1：使用步骤4-1构建的时空残差模型作为主要架构，设置输入时空序列数据尺寸、卷积核尺寸、移动步幅、补零圈数；
步骤4-3-2：将RMSE作为模型的误差评价标准，
Figure BDA0002933097080000071
yi为模型预测的交通栅格数据；
Figure BDA0002933097080000072
为实际的交通栅格数据；m为样本总量。同时将RMSE作为4-2的评价函数；
步骤4-3-3：使用步骤4-2遗传算法动态计算时空残差模型的每次训练步长的适应值，利用遗传算法对步长进行子群迭代，确定适应值最优的步长作为时空残差网络模型的训练步长，损失值迭代如图4所示。
步骤5)使用训练集训练构造的基于遗传算法优化时空残差模型的城市路网短时交通流预测模型，并使用测试集对模型进行预测准确性验证，测试结果如图5、图6所示；
所述步骤5中，使用训练集训练构造的基于遗传算法优化时空残差模型的城市路网短时交通流预测模型，并使用测试集对模型进行预测准确性验证，具体步骤如下：
步骤5-1：将训练集输入到基于遗传算法优化时空残差模型中，通过模型得到对应的实际输出
Figure BDA0002933097080000073
步骤5-2：通过RMSE计算模型预测值和实际值的误差，利用反向传播算法更新模型每一个连接权重，更新权重后利用遗传算法进行训练步长的调整，将适应度最大的作为步长继续训练；
步骤5-3：设置迭代，在迭代中不断更新时空残差模型的连接权重；
步骤5-4：将测试集数据输入到时空残差模型测试模型训练效果。
本发明针对时空残差模型在训练过程中存在网络结构固化问题，提出一种基于遗传算法优化时空残差模型的城市路网短时交通流预测方法，该方法在时空残差模型的基础上，引入遗传算法对神经网络的训练步长进行动态调整，修改不同时刻时空残差模型的训练步长，降低训练误差，提高模型预测精度，以此提高交通流预测的实用性和准确性。
以上所述仅为本发明在真实交通历史数据下较好的实施方式，本发明保护范围并不以上述实施方式为限制，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修改和修饰变化，皆应纳入权利要求书记载的保护范围。

Claims (3)

1.一种基于遗传算法优化时空残差模型的城市路网短时交通流预测方法，其特征在于：所述方法包括如下步骤：
步骤1)采集城市路网中实际运行的搭载GPS设备的车辆的经纬度信息，通过GPRS传输至大数据集群，获得按时间排序的车辆原始数据集D，并对车辆原始数据集D进行预处理；
步骤2)将城市路网按照经纬度转化为I*J的交通栅格网络，并把预处理后的经纬度数据映射到交通栅格网络中，生成交通栅格数据；
步骤3)对交通栅格数据进行标准化处理，将处理好的数据拆分成训练数据集和测试数据集；
步骤4)构造基于遗传算法优化时空残差模型的城市路网短时交通流预测模型，确定遗传算法和时空残差模型的基本结构参数；
步骤5)使用训练集训练构造的基于遗传算法优化时空残差模型的城市路网短时交通流预测模型，并使用测试集对模型进行预测准确性验证；
所述步骤2)中，交通栅格网络记为S＝{si,j}；将预处理过的车辆原始数据集按固定时间间隔映射到每一个交通栅格网络中，每一个栅格网络代表区域在某一时刻的一种交通状态，记为
Figure FDA0003605075970000011
其中λ代表交通状态；按照时间间隔将车辆原始数据转化成交通栅格数据序列，记为{Xt|t＝0,…,Nt}，Nt是采集的车辆数据集的记录数量；车辆原始数据映射到交通栅格网络的判别函数如下：
Figure FDA0003605075970000012
式中，Min(lon(si,j))代表交通栅格网络si,j位置的经度最小值；Max(lon(si,j))代表交通栅格网络si,j位置的经度最大值；Dlon(n)代表原始数据的经度；lat(si,j)代表交通栅格网络si,j位置的纬度；该判别函数用来判别第n条记录的原始数据记录的车辆定位是否在si,j网格中；
所述步骤3)中，使用Max-Min标准化方法对交通栅格数据进行标准化处理，对步骤2)中的{Xt|t＝0,…,Nt}序列进行处理，通过公式
Figure FDA0003605075970000013
转化；其中X′t为标准化后的数据序列；min1≤t≤T{Xt}为交通栅格数据中最小值；max1≤t≤T{Xt}为交通栅格数据中最大值；T是交通栅格数据的时间最大值；标准化完成后，将交通栅格数据X′t拆分成训练数据集和测试数据集；
所述步骤4)的具体步骤如下：
步骤4-1：构造时空残差模型，具体步骤如下：
步骤4-1-1：确定时空残差模型总体网络架构，将结构划分为周期性模型和紧密性模型，将预测时间节点的前三周同一时刻的交通栅格数据作为周期性模型的输入，记为X′w＝{X′t-W,X′t-2W,X′t-3W}，其中W代表一周时长；将预测时间节点前三个时间段的交通栅格数据作为紧密性模型的输入，记为X′c＝{X′t-C,X′t-2C,X′t-3C}，其中C代表紧密性时间段长度；
步骤4-1-2：设置时空残差周期性模型和紧密性模型架构；周期性模型由卷积操作和激活函数组成，紧密性模型由卷积操作、残差单元和激活函数组成；其中卷积操作为X(l)＝f(W(l)*X(l-1)+b(l))，X(l-1)为卷积前的时空栅格数据，X(l)为卷积后的时空栅格数据尺寸，Wl是第l层卷积层的卷积核参数，bl是第l层卷积层的偏置项；残差单元操作为
Figure FDA0003605075970000021
Figure FDA0003605075970000022
其中
Figure FDA0003605075970000023
表示紧密性模型第l-1层的输入；
Figure FDA0003605075970000024
表示紧密性模型第l层的残差输出；
Figure FDA0003605075970000025
表示残差单元中所有可学习参数的集合；模型最后输出为
Figure FDA0003605075970000026
Figure FDA0003605075970000027
其中Wc和Ww是可学习的参数；
Figure FDA0003605075970000028
和
Figure FDA0003605075970000029
是步骤4-1-1的输出；f为激活函数；
步骤4-1-3：设置时空残差模型中激活函数为Relu函数，确定卷积深度和残差单元个数，确定初始化的训练步长λ，卷积操作不改变时空栅格数据尺寸；
步骤4-2：构造遗传算法模型，具体步骤如下：
步骤4-2-1：设置种群数量，采用二进制编码初始化种群，设置相关参数；
步骤4-2-2：设置适应度函数，计算个体的适应值，保留适应最大的个体；
步骤4-2-3：执行交叉、变异、选择操作；
步骤4-2-4：判断结果是否满足算法结束条件，若满足则结束算法，否则返回步骤4-2-2；
步骤4-3：构造遗传算法优化时空残差网络模型，具体步骤如下：
步骤4-3-1：使用步骤4-1构建的时空残差模型作为主要架构，设置输入时空序列数据尺寸、卷积核尺寸、移动步幅、补零圈数；
步骤4-3-2：将RMSE作为模型的误差评价标准，
Figure FDA00036050759700000210
yi为模型预测的交通栅格数据；
Figure FDA00036050759700000211
为实际的交通栅格数据；m为样本总量；同时将RMSE作为4-2的评价函数；
步骤4-3-3：使用步骤4-2遗传算法动态计算时空残差模型的每次训练步长的适应值，利用遗传算法对步长进行子群迭代，确定适应值最优的步长作为时空残差网络模型的训练步长。
2.根据权利要求1所述的基于遗传算法优化时空残差模型的城市路网短时交通流预测方法，其特征在于：所述步骤1)中，D＝{(Did1,Dlon1,Dlat1,Dtime1)1,(Did2,Dlon2,Dlat2,Dtime2)2,…,(Didi,Dloni,Dlati,Dtimei)n}，其中n是采集的车辆原始数据集的记录数量；Didi,Dloni,Dlati,Dtimei分别是第i时间节点的车辆编号、车辆经度、车辆纬度和记录时间；数据采集完成后，利用Spark并行计算组件对车辆原始数据集D进行数据预处理，去除数据异常，修复数据缺失，降低数据计算复杂性。
3.根据权利要求1所述的基于遗传算法优化时空残差模型的城市路网短时交通流预测方法，其特征在于：所述步骤5)具体步骤如下：
步骤5-1：将训练集输入到基于遗传算法优化时空残差模型中，通过模型得到对应的实际输出
Figure FDA0003605075970000031
步骤5-2：通过RMSE计算模型预测值和实际值的误差，利用反向传播算法更新模型每一个连接权重，更新权重后利用遗传算法进行训练步长的调整，将适应度最大的作为步长继续训练；
步骤5-3：设置迭代次数，在迭代中不断更新时空残差模型的连接权重；
步骤5-4：将测试集数据输入到时空残差模型测试模型训练效果。
CN202110166301.1A 2021-02-04 2021-02-04 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法 Active CN112907971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110166301.1A CN112907971B (zh) 2021-02-04 2021-02-04 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110166301.1A CN112907971B (zh) 2021-02-04 2021-02-04 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法

Publications (2)

Publication Number Publication Date
CN112907971A CN112907971A (zh) 2021-06-04
CN112907971B true CN112907971B (zh) 2022-06-10

Family

ID=76123529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110166301.1A Active CN112907971B (zh) 2021-02-04 2021-02-04 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法

Country Status (1)

Country Link
CN (1) CN112907971B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115131961B (zh) * 2022-06-08 2023-11-10 北京理工大学 智能交通感知方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573600A (zh) * 2017-03-10 2018-09-25 重庆邮电大学 一种驾驶员行为诱导与局部交通流优化方法
CN109816983A (zh) * 2019-02-26 2019-05-28 昆明理工大学 一种基于深度残差网络的短时交通流量预测方法
CN110310474A (zh) * 2018-05-14 2019-10-08 桂林远望智能通信科技有限公司 一种基于时空残差网络的车流量预测方法及装置
CN111968375A (zh) * 2020-08-27 2020-11-20 北京嘀嘀无限科技发展有限公司 交通流量的预测方法、装置、可读存储介质及电子设备
CN112071065A (zh) * 2020-09-16 2020-12-11 山东理工大学 一种基于全局扩散卷积残差网络的交通流预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573600A (zh) * 2017-03-10 2018-09-25 重庆邮电大学 一种驾驶员行为诱导与局部交通流优化方法
CN110310474A (zh) * 2018-05-14 2019-10-08 桂林远望智能通信科技有限公司 一种基于时空残差网络的车流量预测方法及装置
CN109816983A (zh) * 2019-02-26 2019-05-28 昆明理工大学 一种基于深度残差网络的短时交通流量预测方法
CN111968375A (zh) * 2020-08-27 2020-11-20 北京嘀嘀无限科技发展有限公司 交通流量的预测方法、装置、可读存储介质及电子设备
CN112071065A (zh) * 2020-09-16 2020-12-11 山东理工大学 一种基于全局扩散卷积残差网络的交通流预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于流量预测的资源动态管理算法;王悦伟 等;《计算机应用》;20050131;全文 *

Also Published As

Publication number Publication date
CN112907971A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN109142171B (zh) 基于特征扩张的融合神经网络的城市pm10浓度预测方法
CN111915059B (zh) 基于注意力机制的Seq2seq泊位占有率预测方法
CN110517482B (zh) 一种基于3d卷积神经网络的短时交通流预测方法
CN108648457B (zh) 一种速度预测的方法、装置和计算机可读存储介质
CN109272157A (zh) 一种基于门控神经网络的高速公路交通流参数预测方法及系统
CN112966853B (zh) 基于时空残差混合模型的城市路网短时交通流预测方法
CN113591380B (zh) 基于图高斯过程的交通流预测方法、介质及设备
CN109920248B (zh) 一种基于gru神经网络的公交到站时间预测方法
WO2021013190A1 (zh) 基于气象参数的高速列车导航盲区定位方法及系统
CN112910711A (zh) 一种基于自注意力卷积网络的无线业务流量预测方法、设备及介质
CN116721537A (zh) 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法
CN112907971B (zh) 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法
CN114510778A (zh) 基于混合智能优化lstm的轨道不平顺预测方法
CN113469425A (zh) 深度交通拥堵预测方法
CN115099328A (zh) 基于对抗网络的交通流量预测方法、系统、设备及存储介质
CN114511154A (zh) 一种基于时空复杂图卷积网络的交通流预测方法
CN114202120A (zh) 一种针对多源异构数据的城市交通行程时间预测方法
CN113327417B (zh) 基于3d动态时空残差卷积关联网络的交通流预测方法
CN112036598A (zh) 一种基于多信息耦合的充电桩使用信息预测方法
CN114970815A (zh) 一种基于改进pso算法优化lstm的交通流预测方法及装置
CN112098869B (zh) 一种基于大数据的自适应电动汽车soc估计方法
CN117034060A (zh) 基于ae-rcnn的洪水分级智能预报方法
CN116778715A (zh) 一种多因素的高速交通流量智能预测方法
CN112201036B (zh) 一种基于Inception-CNN的城市快速路行程速度短时预测方法
CN115116213B (zh) 一种基于改进全连接神经网络的车联网信任管理方法

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