CN113051811B - 一种基于gru网络的多模式短期交通拥堵预测方法 - Google Patents

一种基于gru网络的多模式短期交通拥堵预测方法 Download PDF

Info

Publication number
CN113051811B
CN113051811B CN202110281219.3A CN202110281219A CN113051811B CN 113051811 B CN113051811 B CN 113051811B CN 202110281219 A CN202110281219 A CN 202110281219A CN 113051811 B CN113051811 B CN 113051811B
Authority
CN
China
Prior art keywords
traffic
data
traffic speed
prediction
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.)
Active
Application number
CN202110281219.3A
Other languages
English (en)
Other versions
CN113051811A (zh
Inventor
黄胜
李洋洋
付川
冉浩杉
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202110281219.3A priority Critical patent/CN113051811B/zh
Publication of CN113051811A publication Critical patent/CN113051811A/zh
Application granted granted Critical
Publication of CN113051811B publication Critical patent/CN113051811B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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

Landscapes

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

Abstract

本发明提出一种基于GRU(GatedRecurrentUnit，门控循环单元)网络的多模式短期交通拥堵预测方法，分为交通速度预测和交通拥堵识别。其方案为：获取全部时空交通速度数据；提取四种模式对应的时空交通速度数据；提取四种模式对应的路段网络数据和特殊时间数据，采用one‑hot编码生成辅助信息向量；分别提取四种模式下交通速度数据邻近性、周期性和趋势性矩阵；制定多步交通速度数据标签；构建以交通速度数据邻近性、周期性和趋势性矩阵作为GRU‑FC网络输入的GRU‑FC模型。设置模型超参数，对模型调参、训练；使用训练好的模型，获取短期交通速度数据，经过计算交通拥堵阈值、划分交通拥堵等级得到交通拥堵结果。本发明提出的交通拥堵预测方法具有针对性和高准确性。

Description

一种基于GRU网络的多模式短期交通拥堵预测方法
技术领域
本发明涉及深度学习领域和交通预测领域，具体涉及多模式的短期交通拥堵预测方法，本发明旨在以交通速度数据为基础，结合交通速度数据的邻近性矩阵，周期性矩阵和趋势性矩阵构建时空序列数据，以及根据《城市道路交通运行评价指标体系》划分交通拥堵水平，并加入特殊时间数据和道路网络属性数据通过one-hot编码生成多维向量，并针对多对多、多对一、一对多和一对一四种交通拥堵预测模式结合GRU网络和FC网络的短期交通拥堵预测方法。
背景技术
随着我国城市化进程的加快，交通拥堵已经成为国内外大中城市急需解决的严重问题之一。交通拥堵常态化现象不仅严重影响公众出行，抑制了城市的发展，同时减缓了城市的升级进度，降低了城市发展效能。因此如何准确预测短期交通拥堵状况具有重要意义。
交通拥堵预测是ITS(Intelligent Transportation System，智能交通系统)的重要组成部分，且交通速度是衡量道路交通拥堵状况的一项重要指标，道路交通速度的大小可以直接反映车辆在道路上的拥堵程度。目前在交通预测领域有很多研究方法，可以大致将其分为三类：时间序列方法、传统机器学习方法和深度学习方法。
交通预测最早采用的方法是基于统计模型的时间序列方法。时间序列方法多会通过先验知识获取交通数据的一般规律，然后通过假设构建预测模型，SHU-LAN LIN等人则根据道路交通流空间分布情况和运行规律，提出了时空自适应整合移动平均模型(STARIMA)，通过假设对时间序列进行分析，对短期交通流进行预测，并取得了良好的预测效果。但在实际情况中，复杂的交通数据往往无法满足这些假设，因此时间序列方法在实际中的表现较差；而随着机器学习的发展和普及，更多的研究人员将机器学习方法应用到交通预测当中，利用机器学习方法处理非线性数据的良好能力，T.Evgeniou等人则采用SVM(支持向量机)预测交通状况，通过核函数将低维非线性交通数据映射到高维空间当中，利用高维数据对预测结果分类，取得了比时间序列方法较好的效果；但机器学习方法需要拥有固定的数学模型，而这些模型无法有效处理复杂、高维以及非线性的交通数据，因此交通预测效果一般；近年来，深度学习方法在处理高维和非线性数据方面表现优异，2018年，于海洋等人提出了将CNN(Convolutional Neural Network，卷积神经网络)和LSTM(Long Short-TermMemory，长短期记忆网络)相结合的方式预测短期交通速度，并且将交通速度数据图像化，通过CNN和LSTM获取交通图像数据的时空特征，取得了良好的预测效果。对于复杂的交通数据而言获取数据中隐含的时空特征是准确预测交通状况的关键。
其次，由于交通数据复杂的时空特性、周期性和易受外界因素干扰等特点，造成了交通预测的不确定性。Mohammadhani Fouladgar等人利用天气数据和交通事故数据为辅助数据，结合深度学习预测短期交通拥堵，利用取得了良好的效果。并且，本发明不仅对整个道路网络交通拥堵状况进行预测，并且对局部范围内的多条路段和单条路段进行交通拥堵预测。
针对以上交通拥堵预测所面临的问题与挑战，本发明根据交通速度数据的时空特性和周期性特性，根据交通速度数据的时空分布特性，通过构建交通速度数据的邻近性，周期性和趋势性矩阵，结合GRU网络获取交通速度数据的时空特性和周期性特性，另根据部分外部因素特征如工作日、周末和节假日以及道路条件(包括道路限速，车道数等)采用one-hot编码方式生成多维向量，利用FC网络获得外部因素对交通拥堵的影响，通过GRU网络和FC网络对短期交通拥堵进行预测，另根据局部范围的交通相关性特点，结合以上方法，可以提高短期交通拥堵预测的准确度，并且提出多对多、多对一、一对多和一对一四种模式的短期交通拥堵预测方法，可以根据不同模式对短期交通拥堵进行预测，优化现有交通拥堵预测方法结构，为以后的研究方法提供借鉴之处。
发明内容
针对交通速度数据具有复杂的时空特性和周期性特性。本发明提出一种基于GRU网络的多模式交通拥堵预测方法，分为交通速度预测和交通拥堵识别两个部分。该方法以交通速度数据为基础，利用其邻近性、周期性和趋势性矩阵，结合路段网络属性编码数据和特殊时间编码数据，采用GRU-FC网络模型，对短期交通拥堵进行预测。在交通速度预测中，输入数据是路段历史时刻的交通速度数据，假设交通速度为v，(v1,v2,…,vt)则表示某一道路t时刻之前的交通速度序列。因此，当有多条路段或整个道路网络构成时，便可以构成一个时空矩阵
Figure GDA0003047939790000021
其中m为路段数量，n为时间段。其次，根据交通速度数据的时空分布特性，某一时刻的交通速度与其相邻时刻、前一天或一周前相同时刻的交通速度具有一定的相似性，将其分别归纳为邻近性，周期性和趋势性，进而可以通过深度学习模型训练提取交通速度数据的时空特征和周期性特征，为后续的交通拥堵预测做数据准备。其次，交通拥堵水平根据表1划分为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵分别采用0、1、2、3、4来表示。
此外，在实际交通中，交通拥堵容易受到外界因素的干扰，例如节假日、天气和道路条件。因此本发明整合了工作日、周末和节假日以及路段相关属性(路段长度，宽度，车速限制等)作为外部因素数据，由于这些特征与交通速度数据不同，节假日是时间数据，而道路限速是数值数据，因此不能直接用来构建矩阵。因此需要采用one-hot编码方式，对这些外部因素进行编码。在本发明中，将时间数据编码为6维向量，路段属性数据编码为21维向量。
本发明将介绍四种模式的交通拥堵预测方法和GRU-FC网络模型结构。
1、多对多模式表示为：
Figure GDA0003047939790000031
Figure GDA0003047939790000032
其中f代表深度学习模型，m表示路段数量，n表示时间段，t表示预测的步数，T如公式(2)是拥堵判别函数，将交通速度转化为交通拥堵水平。
2、多对一模式表示为：
Figure GDA0003047939790000033
其中L代表深度学习模型，r表示筛选的道路路段，o表示需要预测的目标路段，s表示时间段，t表示预测的步数，T如公式(2)是拥堵判别函数。
3、一对多模式表示为：
Figure GDA0003047939790000041
其中F代表深度学习模型，b代表所要预测的下游路段数量，ts表示时间段，t表示预测的步数，T如公式(2)是拥堵判别函数。
4、一对一模式表示为：
G([v1,v2,…,vts])＝T[v1,v2,…,vt] (5)
其中G代表深度学习模型，ts表示时间段，t表示预测的步数，T如公式(2)是拥堵判别函数。
5、本发明采用MAPE和RMSE作为预测模型的评价指标，两个评价指标公式如下：
Figure GDA0003047939790000042
Figure GDA0003047939790000043
其中n为训练样本数，yi和
Figure GDA0003047939790000044
分别为真实值和预测值。
通过对预测模型参数的调节训练网络，获取MAPE和RMSE值最小的网络模型。得出最为准确的交通拥堵预测结果。
6、本发明交通速度预测部分采用的是GRU-FC网络模型，如附图2所示为GRU-FC网络模型。本网络模型分为三个部分：数据提取、GRU层、全连接层。
(1)数据提取
本发明的数据提取部分为从原始交通速度数据中提取邻近性、周期性和趋势性矩阵，邻近性矩阵则为当前时刻之前n个时间间隔的交通速度数据组成；周期性矩阵则采用一天前同一时刻之前n个时间间隔组成的交通速度数据；趋势性矩阵则为一周前同一时刻之前n个时间间隔组成的交通速度矩阵。
(2)GRU层
GRU层的作用是提取交通速度数据的时空特性，但由于四种模式的交通速度数据具有不同的特征，因此所采用的GRU层层数也会不同，需要根据实验结果以及公式(7)和(8)评价指标来进行调整。
(3)全连接层
全连接层的作用是将邻近性、周期性和趋势性矩阵通过GRU层的时空特征进行融合和分配权重，然后通过反向传播训练调整参数确定不同时间维度数据对预测的权重值，进而预测出下一时刻的交通速度数据
针对GRU-FC网络模型，提供以下训练步骤：
步骤1：将邻近性、周期性和趋势性矩阵分别作为GRU-FC网络输入数据，然后制作15分钟、30分钟、45分钟和60分钟交通速度数据标签；
步骤2：设置网络超参数(学习率，批处理大小、迭代次数，GRU层数和GRU单元个数)；步骤3：通过不断调整学习率(初始学习率设置为0.001)和其他超参数，训练GRU-FC网络，使其MAPE和RMSE值最小；
步骤4：将MAPE和RMSE值最小的网络模型保存到本地文件，并生成交通速度数据真实值和预测值之间的曲线。
由于采用以上技术方案，本发明具有以下优点：
1、根据交通速度数据的周期性特征可知，交通速度数据与相邻时刻，相邻天或数周前的交通速度数据具有一定的相似性，通过构建邻近性，周期性和趋势性矩阵矩阵结合深度学习方法，可以提高交通拥堵预测的准确性。
2、本发明提出了多模式的交通拥堵预测方法，多对多，多对一，一对多和一对一四种模式。多模式交通拥堵预测方法不仅可以研究整个道路网络，同样可以研究城市内局部小范围内的路段网络或者单条路段的交通拥堵情况，可以避免单一的交通拥堵预测方法，优化现有交通拥堵预测网络结构。
3、本发明利用百度地图公开的北京市的交通速度数据集和道路网络数据集，此数据具有比较全面的交通数据和路网数据，与传统的采用PeMS交通数据和传感器数据相比，具有完整的道路网络数据，可以更好的获取路段之间的空间关系。
4、本发明利用道路网络数据中提取相关道路条件信息(限速等级，车道等)和时间数据(节假日，周末)通过one-hot编码方式获取对应的多维向量，将这些外部因素加入到交通拥堵预测方法中，可以进一步提高交通拥堵预测的准确度。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1本发明的技术路线框图；
图2本发明提出的GRU-FC网络模型框架图；
图3本发明使用的GRU网络内部结构图；
图4本发明使用的交通拥堵识别流程图。
具体实施方案
本发明采用公开的百度地图提供的北京市6环内共计45148条路段的交通速度数据和路段属性数据，时间范围为2017年4月1日至2017年6月1日共计61天，交通速度数据采样时间间隔为15分钟，因此，每一条路段共有5856个时间段的交通速度数据。另根据北京市《城市道路交通运行评价指标体系》，如表1所示北京市路段交通运行等级划分。
表1路段交通运行等级划分
Figure GDA0003047939790000061
本发明分为交通速度预测和交通拥堵识别两部分。图1是本发明系统框图。分为以下几个步骤：
步骤1：针对时空序列预测的特点，依据领域知识，分析时空序列预测包含多对多、多对一、一对多和一对一四种预测模式，制定四种模式交通拥堵预测方法；
步骤2：获取全部时空交通速度数据，并对应四种预测模式获取相应的时空交通速度数据，并对每种模式的交通速度数据提取其邻近性、周期性和趋势性矩阵，并制作多步时间序列标签；并对路段网络属性数据和特殊事件数据进行one-hot编码；
步骤2-1：从https://ai.baidu.com/broad/download？dataset＝traffic百度大脑网站获取北京市交通速度数据集traffic_speed_sub-dataset.zip和道路网络数据集road_network_sub-dataset.zip；
步骤2-2：数据预处理。解压交通速度数据集，并根据所提供的路段id，构建出包含道路路段id及其路段交通速度数据相对应的数据文件，即(5856，12488)的二维时空矩阵数据；
步骤2-3：构建辅助时间向量。在所包含的61天(2017年4月1日至2017年6月1日)数据中，工作日、周末和节假日、小时、分钟、上下班高峰(7:00-10:00,17:00-20:00)这六个属性，通过one-hot编码构建6维时间向量数据；如表2。
表2编码时间向量表
时间 编码时间向量
2017-4-100:00 [1.0.0.0.0.0.]
2017-4-100:15 [1.0.0.0.1.0.]
... ...
2017-6-123:45 [1.0.0.23.3.0.]
步骤2-4：构建辅助道路网络属性向量。在所获取的道路网络数据中包含路段宽度、长度、方向和车道数等属性，通过one-hot编码为21维道路网络向量。
表3编码道路网络属性向量表
Figure GDA0003047939790000071
步骤3：构建以交通速度数据邻近性、周期性和趋势性矩阵作为输入数据的GRU-FC网络；
步骤3-1：构建邻近性、周期性和趋势性矩阵。由于城市交通变化具有周期性，因此预测短期交通拥堵可以根据以往时间段的交通拥堵情况进行推测，根据其时间远近分为邻近性、周期性和趋势性，邻近性指的是其相邻时间段对预测时刻的影响；周期性指的是前一天相同时刻对预测时刻的影响；趋势性指的是前一周相同时刻对预测时刻的影响。
构建邻近性矩阵，关键参数为选取的之前时间段的长度n：
Figure GDA0003047939790000081
其中m为路段数量；
周期性矩阵为：
Figure GDA0003047939790000082
其中T为一天采样时间间隔；
趋势性矩阵为：
Figure GDA0003047939790000083
步骤3-2：GRU-FC网络模型
如图2所示，本发明采用GRU-FC网络模型，利用公式9，10，11获取邻近性、周期性和趋势性矩阵作为GRU-FC网络的输入。此外，门控循环单元(GRU)作为循环神经网络(RNN)的一种变体，它通过引入门限机制很好的解决了RNN由于序列过长引起的梯度消失问题。图4是GRU单元，其各个状态可形式化的表示为：
zt＝σ(Wz·[ht-1,xt]) (12)
rt＝σ(Wr·[ht-1,xt]) (13)
Figure GDA0003047939790000084
Figure GDA0003047939790000085
其中xt是当前时刻的输入，rt和zt分别表示重置门和更新门。ht是当前时刻的隐状态，W为权重矩阵。σ为sigmoid激活函数，tanh为双曲正切激活函数。
步骤3-3：损失函数：
Figure GDA0003047939790000091
如公式16，本发明采用的深度学习模型中网络损失函数采用MSE(均方误差函数)。
本部分将介绍四种模式的交通速度预测方法具体实施步骤步骤：
(1)多对多交通速度预测模式(一)
步骤1：选取给定的12488条主要路段id作为路网研究对象，通过步骤2-2获得的路段id及其相对应的路段交通速度数据，构建(5856，12488)大小的二维时空矩阵；
步骤2：数据归一化处理。利用python包sklearn.preprocessing中的MinMaxScaler函数对步骤1获得的二维时空矩阵进行归一化处理，公式17为归一化公式；
Figure GDA0003047939790000092
步骤3：通过公式9，10，11获取邻近性矩阵、周期性矩阵和趋势性矩阵。其中n＝48，m＝12488，T＝96。
步骤4：标签数据。采用单步预测的方式，因此将预测的(1，12488)维向量作为标签，构建一个标签数据集；
步骤4-1：15分钟预测标签数据集，将步骤1中对应的邻近性矩阵下一时刻的(1，12488)为向量作为15分钟预测标签数据；
步骤4-2：30分钟预测标签数据集，将步骤1中对应的邻近性矩阵之后第二个时刻的(1，12488)为向量作为30分钟预测标签数据；
步骤4-3：45分钟预测标签数据集，将步骤1中对应的邻近性矩阵之后第三个时刻的(1，12488)为向量作为45分钟预测标签数据；
步骤4-4：60分钟预测标签数据集，将步骤1中对应的邻近性矩阵第四个时刻的(1，12488)为向量作为60分钟预测标签数据；
步骤5：将输入数据和标签数据按比例划分为训练集、验证集和测试集，比例为6：2：2；
步骤6：选取深度学习框架keras作为模型训练平台，从keras.layers中导入GRU层和Dense层作为GRU网络和FC网络。并采用Dropout层来减少网络过拟合。如图3多对多模式交通拥堵预测框图(一)。将邻近性矩阵、周期性矩阵和趋势性矩阵分别输入到单层的GRU网络中，GRU单元数量分别为128、128和64，网络学习率设为0.001，batch_size设为64，Dropout rate设置为0.5和0.3，迭代次数epoch设为800，loss函数选择均方根误差(mse)函数，然后将GRU网络输出，并结合二中步骤3和4得到的编码时间向量和编码路段属性向量利用concatenate函数融合在一起，输入到Dense层中训练输出单步预测的交通速度数据，然后根据表1北京市路段交通运行等级划分标准，获得预测的交通拥堵水平；
步骤7：单步预测指的是15分钟后的预测结果，因此需要获得短期(一小时内)交通拥堵预测结果，需要进行四步预测实验，因此，重复步骤4、5、6分别获得30分钟、45分钟、60分钟的交通拥堵预测结果。
表2多对多模式交通拥堵预测(一)MAPE和RMSE结果
预测时间 MAPE(％) RMSE
15分钟 9.8030 3.9223
30分钟 9.7530 3.8649
45分钟 9.7068 3.8778
60分钟 10.4474 4.1088
(2)多对多交通拥堵预测模式(二)
步骤1：选取给定的11条主要路段id作为路网研究对象，通过步骤2-2获得的路段id及其相对应的路段交通速度数据，构建(5856，11)大小的二维时空矩阵；
步骤2：数据归一化处理。利用python包sklearn.preprocessing中的MinMaxScaler函数对步骤1获得的二维时空矩阵进行归一化处理，归一化公式如公式17；
步骤3：通过公式9、10、11获取邻近性矩阵、周期性矩阵和趋势性矩阵。其中n＝48，m＝11，T＝96。
步骤4：标签数据。采用单步预测的方式，因此将预测的(1，11)维向量作为标签，构建一个标签数据集；
步骤4-1：15分钟预测标签数据集，将步骤1中对应的邻近性矩阵下一时刻的(1，11)维向量作为15分钟预测标签数据；
步骤4-2：30分钟预测标签数据集，将步骤1中对应的邻近性矩阵之后第二个时刻的(1，11)维向量作为30分钟预测标签数据；
步骤4-3：45分钟预测标签数据集，将步骤1中对应的邻近性矩阵之后第三个时刻的(1，11)维向量作为45分钟预测标签数据；
步骤4-4：60分钟预测标签数据集，将步骤1中对应的邻近性矩阵之后第四个时刻的(1，11)维向量作为60分钟预测标签数据；
步骤5：将输入数据和标签数据按比例划分为训练集、验证集和测试集，比例为6：2：2；
步骤6：选取深度学习框架keras作为模型训练平台，从keras.layers中导入GRU层和Dense层作为GRU网络和FC网络。并采用Dropout层来减少网络过拟合。如图3多对多模式交通拥堵预测框图(二)。将邻近性矩阵、周期性矩阵和趋势性矩阵分别输入到双层的GRU网络中，GRU单元数量分别为128、32和32，网络学习率设为0.001，Dropout rate设置为0.5和0.3，batch_size设为32，迭代次数epoch设为800，loss函数选择均方根误差(mse)函数，然后将GRU网络输出，并结合二中步骤3和4得到的编码时间向量和编码路段属性向量利用concatenate函数融合在一起，输入到Dense层中训练输出单步预测的交通速度数据，然后根据表1北京市路段交通运行等级划分标准采用主干路标准划分，获得预测的交通拥堵水平；
步骤7：单步预测指的是15分钟后的预测结果，因此需要获得短期(一小时内)交通拥堵预测结果，需要进行四步预测实验，因此，重复步骤4、5、6分别获得30分钟、45分钟、60分钟的交通拥堵预测结果。
多对多模式交通拥堵预测多步预测结果如下表所示：
表3多对多模式交通拥堵预测(二)MAPE和RMSE结果
预测时间 MAPE(％) RMSE
15分钟 7.2745 3.0208
30分钟 10.5459 4.0505
45分钟 10.7246 4.1458
60分钟 10.7438 4.1826
(3)多对一交通拥堵预测模式
步骤1：随机选取给定的11条主要路段id作为路网研究对象，通过步骤2-2获得的路段id及其相对应的路段交通速度数据，构建(5856，11)大小的二维时空矩阵；
步骤2：数据归一化处理。利用python包sklearn.preprocessing中的MinMaxScaler
函数对步骤1获得的二维时空矩阵进行归一化处理，归一化公式如公式17；
步骤3：通过公式9、10、11获取邻近性矩阵、周期性矩阵和趋势性矩阵。其中n＝48，m＝10，T＝96。
步骤4：标签数据。采用单步预测的方式，因此将预测的单个数值作为标签，构建一个标签数据集；
步骤4-1：15分钟预测标签数据集，将步骤1中对应的邻近性矩阵对应的下一时刻的目标路段的交通速度数据作为15分钟预测标签数据；
步骤4-2：30分钟预测标签数据集，将步骤1中对应的邻近性矩阵之后第二个时刻的目标路段的交通速度数据作为30分钟预测标签数据；
步骤4-3：45分钟预测标签数据集，将步骤1中对应的邻近性矩阵之后第三个时刻的目标路段的交通速度数据(1，11)维向量作为45分钟预测标签数据；
步骤4-4：60分钟预测标签数据集，将步骤1中对应的邻近性矩阵之后第四个时刻的目标路段的交通速度数据(1，11)维向量作为60分钟预测标签数据；
步骤5：将输入数据和标签数据按比例划分为训练集、验证集和测试集，比例为6：2：2；
步骤6：选取深度学习框架keras作为模型训练平台，从keras.layers中导入GRU层和Dense层作为GRU网络和FC网络。并采用Dropout层来减少网络过拟合。如图四多对一模式交通拥堵预测框图，将邻近性矩阵、周期性矩阵和趋势性矩阵分别输入到单层的GRU网络中，GRU单元数量分别为64、16和16，网络学习率设为0.001，Dropout rate设置为0.3，batch_size设为64，迭代次数epoch设为300，loss函数选择均方根误差(MSE)函数，然后将GRU网络输出，并结合二中步骤3和4得到的编码时间向量和编码路段属性向量利用concatenate函数融合在一起，输入到Dense层中训练输出单步预测的交通速度数据，然后根据表1北京市路段交通运行等级划分标准采用主干路标准划分，获得预测的交通拥堵水平；
步骤7：单步预测指的是15分钟后的预测结果，因此需要获得短期(一小时内)交通拥堵预测结果，需要进行四步预测实验，因此，重复步骤4、5、6分别获得30分钟、45分钟、60分钟的交通拥堵预测结果。
多对一模式交通拥堵预测多步预测结果如下表所示：
表4多对一模式交通拥堵预测MAPE和RMSE结果
预测时间 MAPE(％) RMSE
15分钟 5.8052 3.8936
30分钟 8.9085 5.4586
45分钟 9.6969 5.8222
60分钟 9.3334 5.6315
(4)一对多交通速度预测模式
步骤1：随机选取给定的11条主要路段id作为路网研究对象，通过步骤2-2获得的路段id及其相对应的路段交通速度数据，构建(5856，11)大小的二维时空矩阵；
步骤2：数据归一化处理。利用python包sklearn.preprocessing中的MinMaxScaler函数对步骤1获得的二维时空矩阵进行归一化处理，归一化公式如公式17；
步骤3：通过公式9、10、11获取邻近性矩阵、周期性矩阵和趋势性矩阵。其中n＝36，m＝1，T＝96。
步骤4：标签数据。采用单步预测的方式，将预测的(1，10)维向量作为标签，构建一个标签数据集；
步骤4-1：15分钟预测标签数据集，将步骤1中对应的邻近性矩阵下一时刻的其他路段的(1，10)维向量作为15分钟预测标签数据；
步骤4-2：30分钟预测标签数据集，将步骤1中对应的邻近性矩阵之后第二个时刻的的其他路段(1，10)维向量作为30分钟预测标签数据；
步骤4-3：45分钟预测标签数据集，将步骤1中对应的邻近性矩阵之后第三个时刻的的其他路段(1，10)维向量作为45分钟预测标签数据；
步骤4-4：60分钟预测标签数据集，将对应的步骤1中邻近性矩阵之后第四个时刻的的其他路段(1，10)维向量作为60分钟预测标签数据；
步骤5：将获得的邻近性数据集、周期性数据集、趋势性数据集和标签数据按比例划分为训练集、验证集和测试集，比例为6：2：2；
步骤6：选取深度学习框架keras作为模型训练平台，从keras.layers中导入GRU层和Dense层作为GRU网络和FC网络。如图4一对多模式交通拥堵预测框图，将邻近性矩阵、周期性矩阵和趋势性矩阵分别输入到单层的GRU网络中，并采用Dropout层来减少网络过拟合。GRU单元数量分别为128、128和128，网络学习率设为0.001，Dropout rate设置为0.5，batch_size设为64，迭代次数epoch设为500，loss函数选择均方根误差(mse)函数，然后将GRU网络输出，并结合二中步骤3和4得到的编码时间向量和编码路段属性向量利用concatenate函数融合在一起，输入到Dense层中训练输出单步预测的交通速度数据，然后根据表1北京市路段交通运行等级划分标准采用主干路标准进行划分，获得预测的交通拥堵水平；
步骤7：单步预测指的是15分钟后的预测结果，因此需要获得短期(一小时内)交通拥堵预测结果，需要进行四步预测实验，因此，需要重复步骤4、5、6分别获得30分钟、45分钟、60分钟的交通拥堵预测结果。
一对多模式交通拥堵预测多步预测结果如下表所示：
表5一对多模式交通拥堵预测MAPE和RMSE结果
预测时间 MAPE(％) RMSE
15分钟 5.8128 3.5814
30分钟 6.2742 3.8698
45分钟 6.3437 3.8912
60分钟 6.2817 3.8844
(5)一对一交通拥速度测模式
步骤1：随机选取给定的1条主要路段id作为路网研究对象，通过步骤2-2获得的路段id及其相对应的路段交通速度数据，构建(5856，1)大小的二维时空矩阵；
步骤2：数据归一化处理。利用python包sklearn.preprocessing中的MinMaxScaler函数对步骤1获得的二维时空矩阵进行归一化处理，归一化公式如公式17；
步骤3：通过公式9、10、11获取邻近性矩阵、周期性矩阵和趋势性矩阵。其中n＝24，m＝1，T＝96。
步骤4：标签数据。采用单步预测的方式，因此将预测的单个时刻的交通速度数据作为标签，构建一个标签数据集；
步骤4-1：15分钟预测标签数据集，将步骤1中对应的邻近性矩阵下一时刻的交通速度数据作为15分钟预测标签数据；
步骤4-2：30分钟预测标签数据集，将步骤1中对应的邻近性矩阵之后第二个时刻交通速度数据作为30分钟预测标签数据；
步骤4-3：45分钟预测标签数据集，将步骤1中对应的邻近性矩阵之后第三个时刻的交通速度数据作为45分钟预测标签数据；
步骤4-4：60分钟预测标签数据集，将步骤1中对应的邻近性矩阵第四个时刻的交通速度数据作为60分钟预测标签数据；
步骤5：将输入数据和标签数据按比例划分为训练集、验证集和测试集，比例为6：2：2；
步骤6：选取深度学习框架keras作为模型训练平台，从keras.layers中导入GRU层和Dense层作为GRU网络和FC网络。一对一模式交通拥堵预测框图。将邻近性矩阵、周期性数据和趋势性数据分别输入到两层的GRU网络中，并采用Dropout层来减少网络过拟合。采用GRU单元数量为16，Dropout rate设置为0.5，网络学习率设为0.001，batch_size设为64，迭代次数epoch设为500，loss函数选择均方根误差(MSE)函数，然后将GRU网络输出，并结合二中步骤3和4得到的编码时间向量和编码路段属性向量利用concatenate函数融合在一起，输入到Dense层中训练输出单步预测的交通速度数据，然后根据表1北京市路段交通运行等级划分标准采用主干路标准进行划分，获得预测的交通拥堵水平；
步骤7：单步预测指的是15分钟后的预测结果，因此需要获得短期(一小时内)交通拥堵预测结果，需要进行四步预测实验，因此，重复步骤6、7、8分别获得30分钟、45分钟、60分钟的交通拥堵预测结果。
一对一模式交通拥堵预测多步预测结果如下表所示：
表6一对一模式交通拥堵预测MAPE和RMSE结果
预测时间 MAPE(％) RMSE
15分钟 5.4878 1.8885
30分钟 8.7251 2.9952
45分钟 9.6253 3.2943
60分钟 10.0558 3.4403
步骤4：训练模型后使用模型对短期交通速度进行预测，如附图4所示交通拥堵识别流程图，根据预测的交通速度数据通过计算其交通拥堵阈值、划分交通拥堵等级得到最终的交通拥堵结果。
综上所述，本方案旨在利用交通速度数据的时空特性和周期特性，构建邻近性、周期性和趋势性矩阵获取不同时间维度对交通拥堵预测的影响程度，其次结合辅助时间属性和路段网络属性来测出外部条件对交通拥堵预测的影响。并结合处理时空序列数据和时间序列数据具有良好性能的GRU网络，获取交通数据的时空特征，再结合FC网络得到交通拥堵预测结果，可以提供交通拥堵预测的准确度，且能够减轻城市道路的交通拥堵压力，为市民出行和交通管理部门提供实时、准确的交通拥堵信息。

Claims (3)

1.一种基于GRU网络的多模式短期交通拥堵预测方法，其特征在于，包括以下步骤：
步骤S1：针对时空序列预测的特点，依据领域知识，分析时空序列预测包含多对多、多对一、一对多和一对一四种预测模式，制定四种模式交通拥堵预测方法；
多对多模式表示为：
Figure FDA0003664127750000011
其中f代表深度学习模型，v为交通速度，m表示路段数量，n表示时间段，t表示预测的步数，vmn表示在路段m的第n个时间段时的交通速度，T为如公式(2)所示的拥堵判别函数，将交通速度转化为交通拥堵水平；
Figure FDA0003664127750000012
多对一模式表示为：
Figure FDA0003664127750000013
其中L代表深度学习模型，v为交通速度，r表示筛选的道路路段，s表示时间段，o表示需要预测的目标路段，t表示预测的步数，v(r-1)s表示在筛选的道路路段r-1的第s个时间段时的交通速度，vot表示在需要预测的目标路段o以及预测步数为t时的交通速度，T为如公式(2)所示的拥堵判别函数；
一对多模式表示为：
Figure FDA0003664127750000014
其中F代表深度学习模型，v为交通速度，ts表示时间段，b代表所要预测的下游路段数量，t表示预测的步数，vts表示在ts时间段时的交通速度，vbt表示在所要预测的下游路段数以及预测的步数分别为b和t时的交通速度，T为如公式(2)所示的拥堵判别函数；
一对一模式表示为：
G([v1,v2,…,vts])＝T[v1,v2,…,vt] (5)
其中G代表深度学习模型，v为交通速度，ts表示时间段，t表示预测的步数，vts表示在ts时间段时的交通速度，vt表示在预测步数为t时的交通速度，T为如公式(2)所示的拥堵判别函数；
步骤S2：获取全部时空交通速度数据，并对应四种预测模式获取相应的时空交通速度数据，并对每种模式的交通速度数据提取其邻近性、周期性和趋势性矩阵，并制作多步时间序列标签；并对路段网络属性数据和特殊时间数据进行one-hot编码；
步骤S3：构建以交通速度数据邻近性、周期性和趋势性矩阵作为输入数据的GRU全连接网络；
步骤S4：训练模型后使用模型对短期交通速度进行预测，通过计算交通拥堵阈值、划分交通拥堵等级得到最终的交通拥堵结果。
2.根据权利要求1所述的方法，步骤S2的特征在于，将路段网络属性数据路段长度、宽度、方向、速度等级和车道编码成向量，同时考虑交通速度在不同时刻具有明显差异，因此将工作日、周末、节假日和高峰时刻编码成向量，获取外部因素数据对交通拥堵的影响。
3.根据权利要求1所述的方法，步骤S3的特征在于，首先将交通速度数据根据规则得到邻近性矩阵、周期性矩阵和趋势性矩阵；其次将邻近性、周期性和趋势性矩阵分别输入到GRU网络中进行训练，然后再结合编码后的路段网络属性数据和特殊时间 数据共同输入到全连接网络中预测短期交通速度数据。
CN202110281219.3A 2021-03-16 2021-03-16 一种基于gru网络的多模式短期交通拥堵预测方法 Active CN113051811B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110281219.3A CN113051811B (zh) 2021-03-16 2021-03-16 一种基于gru网络的多模式短期交通拥堵预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110281219.3A CN113051811B (zh) 2021-03-16 2021-03-16 一种基于gru网络的多模式短期交通拥堵预测方法

Publications (2)

Publication Number Publication Date
CN113051811A CN113051811A (zh) 2021-06-29
CN113051811B true CN113051811B (zh) 2022-08-05

Family

ID=76512733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110281219.3A Active CN113051811B (zh) 2021-03-16 2021-03-16 一种基于gru网络的多模式短期交通拥堵预测方法

Country Status (1)

Country Link
CN (1) CN113051811B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436703B (zh) * 2021-07-02 2022-07-15 上海交通大学 基于神经网络的运动步数数据的运动模式推断方法及系统
CN115482665B (zh) * 2022-09-13 2023-09-15 重庆邮电大学 一种知识与数据协同驱动的多粒度交通事故预测方法及装置
CN116153089B (zh) * 2023-04-24 2023-06-27 云南大学 基于时空卷积与动态图的交通流量预测系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399248A (zh) * 2018-03-02 2018-08-14 郑州云海信息技术有限公司 一种时序数据预测方法、装置及设备
CN110287995A (zh) * 2019-05-27 2019-09-27 同济大学 全天高架交通拥堵情况分级的多特征学习网络模型方法
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
CN111080029A (zh) * 2019-12-26 2020-04-28 山东大学 基于多路段时空相关的城市交通路段速度预测方法及系统
WO2021005590A1 (en) * 2019-07-05 2021-01-14 Valerann Ltd. Traffic event and road condition identification and classification
AU2020104112A4 (en) * 2020-12-15 2021-03-04 B, Kannadasan MR A RNN based Spatio Temporal Data Mining model for urban road Planning

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399248A (zh) * 2018-03-02 2018-08-14 郑州云海信息技术有限公司 一种时序数据预测方法、装置及设备
CN110287995A (zh) * 2019-05-27 2019-09-27 同济大学 全天高架交通拥堵情况分级的多特征学习网络模型方法
WO2021005590A1 (en) * 2019-07-05 2021-01-14 Valerann Ltd. Traffic event and road condition identification and classification
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
CN111080029A (zh) * 2019-12-26 2020-04-28 山东大学 基于多路段时空相关的城市交通路段速度预测方法及系统
AU2020104112A4 (en) * 2020-12-15 2021-03-04 B, Kannadasan MR A RNN based Spatio Temporal Data Mining model for urban road Planning

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Using LSTM and GRU neural network methods for traffic flow prediction;Rui Fu等;《2016 31st Youth Academic Annual Conference of Chinese Association of Automation (YAC)》;20170105;全文 *
一种多趋势时间序列预测的神经网络模型;彭相洲等;《计算机应用研究》;20201231;第37卷(第S2期);全文 *
基于LSTM深度神经网络的短期交通流预测;薛亚鑫;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200115(第01期);全文 *
基于深度学习的短期交通拥堵预测研究;李洋洋;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20220315(第03期);全文 *

Also Published As

Publication number Publication date
CN113051811A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN113051811B (zh) 一种基于gru网络的多模式短期交通拥堵预测方法
CN109697852B (zh) 基于时序交通事件的城市道路拥堵程度预测方法
CN110570651B (zh) 一种基于深度学习的路网交通态势预测方法及系统
Fang et al. FTPG: A fine-grained traffic prediction method with graph attention network using big trace data
CN108269401B (zh) 一种基于数据驱动的高架桥交通拥堵预测方法
CN111915059B (zh) 基于注意力机制的Seq2seq泊位占有率预测方法
CN110503104B (zh) 一种基于卷积神经网络的短时剩余车位数量预测方法
CN110390349A (zh) 基于XGBoost模型的公交车客流量预测建模方法
CN113487066A (zh) 基于多属性增强图卷积-Informer模型的长时序货运量预测方法
CN113159364A (zh) 一种大型交通场站的客流预测方法及系统
Zhao et al. Highway travel time prediction using sparse tensor completion tactics and k‐nearest neighbor pattern matching method
CN113591380B (zh) 基于图高斯过程的交通流预测方法、介质及设备
Niu et al. DeepSense: A novel learning mechanism for traffic prediction with taxi GPS traces
CN107845260B (zh) 一种用户公交出行方式的识别方法
CN115148019A (zh) 一种基于节假日拥堵预测算法的预警方法及系统
CN116631186B (zh) 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统
Chen et al. A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways
CN111341109B (zh) 一种基于时空相似性的城市级信号推荐系统
CN112906945A (zh) 一种交通流量预测方法、系统及计算机可读存储介质
CN111899511A (zh) 一种共线线路avl数据的公交车到站时间预测方法
CN110490365B (zh) 一种基于多源数据融合预测网约车订单量的方法
CN108053646B (zh) 基于时间敏感特征的交通特征获取方法、预测方法及系统
CN110704789B (zh) 一种依托“城市超脑”计算平台的人口动态测算方法和系统
CN115796030A (zh) 一种基于图卷积的交通流量预测方法
CN116386020A (zh) 多源数据融合的高速公路收费站出口流量预测方法及系统

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