CN113096378B - 基于深度集合经验模态分解的高速公路od预测方法 - Google Patents
基于深度集合经验模态分解的高速公路od预测方法 Download PDFInfo
- Publication number
- CN113096378B CN113096378B CN202110200383.7A CN202110200383A CN113096378B CN 113096378 B CN113096378 B CN 113096378B CN 202110200383 A CN202110200383 A CN 202110200383A CN 113096378 B CN113096378 B CN 113096378B
- Authority
- CN
- China
- Prior art keywords
- time
- data
- sequence
- empirical mode
- decomposition
- 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
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
-
- 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本专利公开了一种基于深度集合经验模态分解的高速公路OD预测方法,所述方法包括:步骤一、提取高速公路OD序列;步骤二:基于集合经验模态分解的时间特征提取;步骤三:基于GRU网络的OD序列预测。本发明提出的预测方法组合了集合经验模态分解模型和深度学习网络,一方面模型能够将非平稳非线性数据转为平稳线性数据,对预测模型挖掘时序关系起到极大的辅助作用,增加模型预测精度;另一方面可以降低模型复杂度,提高模型的计算效率。
Description
技术领域
本发明涉及交通信息领域,尤其是涉及一种基于深度集合经验模态分解的高速公路OD预测方法。
背景技术
我国高速公路里程的逐年增加,截止2020年底我国高速公路通车里程达15.5万公里,有效支撑了国家建设和发展。随之也产生了大量的高速公路出入口收费数据,其中包含了车牌号码、入口站点位置、入口过车时间、出口站点位置、出口过车时间等信息。通过对收费数据的分析计算能够获取出发地和目的地(OD)之间一定时间段内的交通量,用于一定程度上反应高速公路路网运行时空状态和出行需求。对OD量进行预测能够帮助交通管理者提前制定管控策略,减缓高速公路路网压力,减少交通事故。
高速公路OD预测是一个时间序列预测问题,近年来随着人工智能和大数据技术的发展,为时间序列预测提供了更多可靠准确的方法,如深度学习、遗传算法、支持向量机等。其中深度学习凭借其学习和计算能力强、预测精确度高等优点在时间序列预测问题中得到了广泛的应用。门控循环单元(GRU)神经网络是一种改进的循环神经网络(RNN),其采用门控制机制,具备长期记忆功能,解决了RNN在计算过程中出现梯度消失和梯度爆炸的问题。相比于经典的长短时记忆(LSTM)神经网络,GRU具备更加简单的结构单元,计算效率更高。因此,GRU网络模型在时间序列预测方面具有极大优势。由于OD数据具有一定的复杂性和随机性,将其直接输入到GRU网络中无法获取较好的结果。为此,我们提出了一种深度集合经验模态分解模型。
发明内容
本专利要解决的技术问题是提供一种基于深度集合经验模态分解的高速公路OD预测方法,以增加模型预测精度并提高模型的计算效率。
为了解决上述技术问题,本专利提供的技术方案包括:一种基于深度集合经验模态分解的高速公路OD预测方法,其特征在于,所述方法包括:步骤一、提取高速公路OD序列;从数据库中选取高速公路路网中所有的收费数据,剔除重复数据和异常数据。并将数据按照进出口位置以及过车时间进行排序,进而提取高速公路所有OD对的时间序列数据Nj,表示第j个OD对的时间序列;步骤二:基于集合经验模态分解的时间特征提取;针对时间序列Nj,对其进行集合经验模态分解,得到K个本征模态分量作为Nj的时间特征;步骤三:基于GRU网络的OD序列预测;高速公路路网中所有的J个OD对的时间序列数据进行集合经验模态分解后得到各自的K个本征模态分量和剩余分量,在每一个时间周期c内,将所有OD对中同一阶段的本征模态分量进行组合,作为一个时间步长内的GRU网络的输入特征向量;经过C个时间步长的计算,预测出第C+1个时间周期内的OD量;其包括:首先计算GRU网络模型的输入特征向量,将c时刻的各OD对的本征模态分量进行组合,得到输入向量Xc,其中表示所有OD对在c时刻的第K个本征模态分量组合成的特征向量;按照时间顺序将每个时间周期c内的输入向量Xc输入到GRU网络模型中,并通过设置网络层数,隐藏层节点数参数,对网络模型中的参数进行训练;最终得到第C+1个时间周期内的所有OD对的K个本征模态分量,分别将各OD对的本征模态分量与剩余分量叠加重构,得到其中表示C+1个时间周期内第j个OD对的流量预测结果,为GRU网络模型得到的第k阶预测本征模态分量,rk为k阶的剩余分量。
优选地,步骤一包括:S101依据高速公路最短站点之间的距离和最大限速值,定义最小时间阈值集合T=(t1,t2,t3,…,tN),其中第i个元素ti计算公式如下:其中ti表示高速公路路网中第i个进口站的时间阈值;li表示第i个进口站距最近出站口之间的距离;vi表示第i个进口站距最近出站口之间的路段最高限速;然后遍历每一条收费数据,剔除出口时间与进口时间差值小于对应阈值tn的数据;S102将数据按照OD点进行分组,每一组数据进出口站位置都相同;按照时间顺序对进行排序,设置时间周期c,分别计算每一个OD对在每一个时间周期内的过车数量之和,即可得到对应的时间序列Nj,Nj用于表示第j个OD对的时间序列。
优选地,步骤二包括:S201将均匀分布的等幅高斯白噪声信号w(t)加入到原始的时间序列Nj中,得到时间序列N′j=Nj+w(t);S202对N′j进行经验模态分解,得到K个阶段的本征模态分量如公式所示;其中,ck(t)表示第k阶本征模态分量,通过对时间序列N′j的筛分过程迭代计算得到;重复步骤S201和S202,当第K次分解得到的剩余分量可以看作是一个具有单调变化的趋势时,这时表明原始信号已经不能再分解成为更低频率的分量,则集合经验模态分解过程结束,可得到原始时间序列分解的K个本征模态分量ck(t),ck(t)即为所计算的时间特征;rk(t)为分解后的k阶剩余分量,通过前一个阶段的剩余分量与本阶段的本征模态分量做差得到,即rk(t)=rk-1(t)-ck(t),且当k=1时,rk1(t)=N′j。
本发明提出的预测方法组合了集合经验模态分解模型和深度学习网络,一方面模型能够将非平稳非线性数据转为平稳线性数据,对预测模型挖掘时序关系起到极大的辅助作用,增加模型预测精度;另一方面可以降低模型复杂度,提高模型的计算效率。
附图说明
图1为本发明提出的基于深度集合经验模态分解的高速公路OD预测方法流程图;
图2为本发明中基于深度集合经验模态分解预测网络示意图。
具体实施方式
下面将结合实例对本发明作进一步的详细说明。
本发明提出了一种基于深度集合经验模态分解的高速公路OD预测方法,主要包括三个步骤,其流程如图1所示,具体为:
步骤一:高速公路OD序列提取
从数据库中选取高速公路路网中所有的收费数据,剔除重复数据,即车牌号码、入口站点位置、入口过车时间、出口站点位置、出口过车时间等信息完全相同的两条数据。其次判断是否存在异常数据,即车辆从进入高速公路到离开高速公路的时间过于短暂。
(1)依据高速公路最短站点之间的距离和最大限速值,定义最小时间阈值集合T=(t1,t2,t3,…,tN),其中第i个元素ti计算公式如下:
其中ti表示高速公路路网中第i个进口站的时间阈值;li表示第i个进口站距最近出站口之间的距离;vi表示第i个进口站距最近出站口之间的路段最高限速。然后遍历每一条收费数据,筛选出出口时间与进口时间差值小于对应阈值tn的数据即为异常数据,将筛选出的异常数据剔除。
(2)计算每个OD对的流量时间序列,将数据按照OD点进行分组,并按照时间顺序对进行排序。设置时间周期c=5min,计算第j个OD对在每5分钟内的过车数量之和,并将其放入同一数组中即可得到对应的时间序列Nj。
步骤二:基于集合经验模态分解的时间特征提取
对于上述计算得到的了每一个时间序列Nj,都需要对其进行集合经验模态分解,从而得到K个本征模态分量作为Nj的时间特征,具体如下:
(1)将均匀分布的等幅高斯白噪声信号w(t)加入到原始的时间序列Nj中,得到时间序列N′j,如公式(2)所示:
N′j=Nj+w(t) (2)
(2)对N′j进行经验模态分解,得到K个阶段的本征模态分量,计算公式如(3)所示:
其中,ck(t)表示第k阶本征模态分量,可以通过对时间序列N′j的筛分过程迭代计算得到,具体为求对上下包络线求平均值mj(t)
mj(t)=(N′max(t)+N′min(t))/2 (4)
其中N′max(t)为上包络线,N′min(t)下包络线,均可通过三次样条曲线对N′j的极大值点或极小值点拟合得到。然后用N′j与包络线求平均值mj(t)做差得到ck(t),若ck(t)符合本征模态分量的必要条件则ck(t)即为所求,若无法满足则循环(1)和(2)直到求得满足条件的ck(t)。rk(t)为分解后的k阶剩余分量,通过前一个阶段的剩余分量与本阶段的本征模态分量做差得到,即rk(t)=rk-1(t)-ck(t),且当k=1时,rk-1(t)=N′j。
步骤三:基于GRU网络的OD序列预测
利用上述方法对高速公路路网中所有的J个OD对的时间序列数据进行集合经验模态分解后得到各自的K个本征模态分量和剩余分量。然后计算GRU网络模型的输入特征向量,如下:
(1)高速公路路网中每一个OD对均有K个本征模态分量,在每一个5分钟的时间周期内将各OD对的K阶本征模态分量对应组合,得到每一个时间周期内的GRU网络模型的输入特征向量Xc,如下:
(2)GRU网络采用神层神经网络结构,然后对输入向量进行标准的归一化处理之后,按照时间顺序将每个时间周期内的输入向量Xc输入到GRU网络模型中,对于网络中的每一个GRU单元有:
zc=σ(Wz[hc-1,Xc]+bz) (6)
dc=σ(Wd[hc-1,Xc]+bd) (7)
yc=σ(Wyhc) (10)
上述公式中hc-1表示上一个时间步长c-1的神经元输出;Xc为本次神经元输入,[hc-1,Xc]表示将括号内的两个向量拼接组合从而得到新的向量;bz,bd,bh表示对应的偏差向量;σ为sigmoid函数;tanh表示双曲正切函数;Wz,Wd,Wh,Wy为对应的权重矩阵;表示当前时间步神经元中待定的输出值;hc为当前时间步神经元的输出;yc为最终的输出。
GRU网络由多个GRU单元相连组成,通过使用随机梯度下降等优化函数,对网络模型中的参数进行训练。最终得到第C+1个时间周期内的所有OD对的K个本征模态分量。分别将各OD对的本征模态分量与剩余分量叠加重构,如公式(5)所示:
Claims (1)
1.一种基于深度集合经验模态分解的高速公路OD预测方法,其特征在于,所述方法包括:
步骤一、提取高速公路OD序列;从数据库中选取高速公路路网中所有的收费数据,剔除重复数据和异常数据;并将数据按照进出口位置以及过车时间进行排序,进而提取高速公路所有OD对的时间序列数据Nj,表示第j个OD对的时间序列;包括:
S101依据高速公路最短站点之间的距离和最大限速值,定义最小时间阈值集合T=(t1,t2,t3,…,tN),其中第i个元素ti计算公式如下:其中ti表示高速公路路网中第i个进口站的时间阈值;li表示第i个进口站距最近出站口之间的距离;vi表示第i个进口站距最近出站口之间的路段最高限速;然后遍历每一条收费数据,剔除出口时间与进口时间差值小于对应阈值tn的数据;
S102将数据按照OD点进行分组,每一组数据进出口站位置都相同;设置时间周期c,分别计算每一个OD对在每一个时间周期内的过车数量之和,即可得到对应的时间序列Nj,Nj用于表示第j个OD对的时间序列;
步骤二、基于集合经验模态分解的时间特征提取;针对时间序列Nj,对其进行集合经验模态分解,得到K个本征模态分量作为Nj的时间特征;S201将均匀分布的等幅高斯白噪声信号w(t)加入到原始的时间序列Nj中,得到时间序列N′j=Nj+w(t);S202对N′j进行经验模态分解,得到K个阶段的本征模态分量如公式所示;其中,ck(t)表示第k阶本征模态分量,通过对时间序列N′j的筛分过程迭代计算得到;重复步骤S201和S202,当第K次分解得到的剩余分量可以看作是一个具有单调变化的趋势时,这时表明原始信号已经不能再分解成为更低频率的分量,则集合经验模态分解过程结束,得到原始时间序列分解的K个本征模态分量ck(t),ck(t)即为所计算的时间特征;rk(t)为分解后的k阶剩余分量,通过前一个阶段的剩余分量与本阶段的本征模态分量做差得到,即rk(t)=rk-1(t)-ck(t),且当k=1时,rk-1(t)=N′j;
步骤三、基于GRU网络的OD序列预测;高速公路路网中所有的J个OD对的时间序列数据进行集合经验模态分解后得到各自的K个本征模态分量和剩余分量,在每一个时间周期c内,将所有OD对中同一阶段的本征模态分量进行组合,作为一个时间步长内的GRU网络的输入特征向量;经过C个时间步长的计算,预测出第C+1个时间周期内的OD量;其包括:首先计算GRU网络模型的输入特征向量,将周期c内的各OD对的本征模态分量进行组合,得到输入向量,其中表示所有OD对在周期c内的第K个本征模态分量组合成的特征向量;按照时间顺序将每个时间周期c内的输入向量Xc输入到GRU网络模型中,并通过设置网络层数,隐藏层节点数参数,对网络模型中的参数进行训练;最终得到第C+1个时间周期内的所有OD对的K个本征模态分量,分别将各OD对的本征模态分量与剩余分量叠加重构,得到其中表示C+1个时间周期内第j个OD对的流量预测结果,为GRU网络模型得到的第k阶预测本征模态分量,rk为k阶的剩余分量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110200383.7A CN113096378B (zh) | 2021-02-23 | 2021-02-23 | 基于深度集合经验模态分解的高速公路od预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110200383.7A CN113096378B (zh) | 2021-02-23 | 2021-02-23 | 基于深度集合经验模态分解的高速公路od预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113096378A CN113096378A (zh) | 2021-07-09 |
CN113096378B true CN113096378B (zh) | 2022-09-30 |
Family
ID=76667459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110200383.7A Active CN113096378B (zh) | 2021-02-23 | 2021-02-23 | 基于深度集合经验模态分解的高速公路od预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096378B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537636A (zh) * | 2021-08-13 | 2021-10-22 | 重庆大学 | 基于双向门控循环单元的地震破坏力预测方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886498B (zh) * | 2019-03-01 | 2022-03-22 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
CN109948861A (zh) * | 2019-03-26 | 2019-06-28 | 西南交通大学 | 一种基于模态分解及深度学习的城轨短时客流预测方法 |
CN111832216B (zh) * | 2020-04-14 | 2022-07-12 | 新疆大学 | 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法 |
CN111739292B (zh) * | 2020-06-08 | 2022-04-01 | 重庆大学 | 一种考虑路网od流量贡献时变性的收费站流量预测方法 |
CN112115648B (zh) * | 2020-09-23 | 2023-12-01 | 贵州电网有限责任公司 | 一种基于改进深度学习方法的变压器顶层油温预测方法 |
-
2021
- 2021-02-23 CN CN202110200383.7A patent/CN113096378B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113096378A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Traffic speed prediction and congestion source exploration: A deep learning method | |
CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
CN110491146B (zh) | 一种基于深度学习的交通信号控制方案实时推荐方法 | |
CN106295874B (zh) | 基于深信度网络的交通流参数预测方法 | |
CN113096388B (zh) | 一种基于梯度提升决策树的短时交通流量预测方法 | |
CN105160866A (zh) | 一种基于深度学习神经网络结构的交通流预测方法 | |
CN111815046B (zh) | 基于深度学习的交通流量预测方法 | |
CN110021165A (zh) | 一种基于Autoencoder-LSTM融合模型的交通流预测方法 | |
CN113487061A (zh) | 一种基于图卷积-Informer模型的长时序交通流量预测方法 | |
CN111613054B (zh) | 一种协同考虑时空相关性及贡献差异的多步交通速度预测方法 | |
CN110516833A (zh) | 一种基于特征提取的Bi-LSTM预测道路交通状态的方法 | |
CN111898689A (zh) | 一种基于神经网络架构搜索的图像分类方法 | |
CN111126868B (zh) | 一种道路交通事故发生风险确定方法及系统 | |
CN109086926B (zh) | 一种基于组合神经网络结构的短时轨道交通客流预测方法 | |
CN113947182B (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
CN113487855A (zh) | 一种基于emd-gan神经网络结构的交通流预测方法 | |
CN111553535A (zh) | 一种基于ae-lstm-bo车流量预测的导航参考方法 | |
CN113096378B (zh) | 基于深度集合经验模态分解的高速公路od预测方法 | |
CN111047078A (zh) | 交通特征预测方法、系统及存储介质 | |
CN114912666A (zh) | 一种基于ceemdan算法和注意力机制的短时客流量预测方法 | |
CN111141879B (zh) | 一种深度学习的空气质量监测方法以及装置、设备 | |
CN116665483A (zh) | 一种新的预测剩余停车位的方法 | |
CN116434538A (zh) | 基于异构数据融合的城市交通流预测模型构建方法 | |
CN111723990A (zh) | 基于双向长短期记忆神经网络的共享单车流量预测方法 | |
Liu et al. | Hourly traffic flow forecasting using a new hybrid modelling method |
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 |