CN113112791A - 一种基于滑动窗口长短时记忆网络的交通流量预测方法 - Google Patents
一种基于滑动窗口长短时记忆网络的交通流量预测方法 Download PDFInfo
- Publication number
- CN113112791A CN113112791A CN202110326489.1A CN202110326489A CN113112791A CN 113112791 A CN113112791 A CN 113112791A CN 202110326489 A CN202110326489 A CN 202110326489A CN 113112791 A CN113112791 A CN 113112791A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- time
- flow prediction
- traffic
- sliding window
- 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.)
- Pending
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- 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
- 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
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于交通流量预测技术领域,涉及一种基于滑动窗口长短时记忆网络的交通流量预测方法,包括:对采集的交通流量数据进行预处理,构建城市路网的拓扑结构图和构建交通流量预测模型的输入;构建基于滑动窗口长短时记忆网络的交通流量预测模型,用于同时获取交通流量的时空相关性;对交通流量预测模型进行训练,并基于交通数据集评估交通流量预测模型,得到训练后的交通流量预测模型;基于训练后的交通流量预测模型进行交通流量预测。本发明提供了一种新的基于滑动窗口长短时记忆网络的交通流量预测模型,该交通流量预测模型能更好地获取交通流量的空间和时间相关性,从而获得更精准的交通流量预测结果。
Description
技术领域
本发明属于交通流量预测技术领域,涉及一种基于滑动窗口长短时记忆网络的交通流量预测方法。
背景技术
随着我国的高速发展,城市化进程逐步加快,我国的机动车数量和交通流量增长速度非常迅猛。由于城市现有道路扩展困难(时间、经济成本高昂),道路拥堵缓行已经成为城市的共性难题,拥堵缓行还导致了能源的加速消耗和尾气污染的加剧。基于智能交通系统的动态交通管理能够在一定程度上缓解交通拥堵状况、提升道路通行效率。而智能交通系统的各种调度策略需要实时准确的交通流量数据支撑,因而如何获取实时准确的交通流量数据成为了一个关键问题。
随着交通数据采集技术的不断发展,获取路网中的实时交通数据已成为可能,大量的实时交通信息能够对路网交通状况的分析提供保障。然而仅仅使用当前测得的实时数据对下一时段的交通状况进行预测往往不能取得良好的效果。因而如何使用历史数据和当前时刻的数据对下一时刻的交通流量进行预测成为了交通领域中的一个重要研究课题。
然而,由于交通流量预测具有复杂的空间和时间依赖性,是一项具有挑战性的任务。表现在:一、空间相关性:交通流量的变化由城市道路网的拓扑结构决定。上游道路的交通状况通过转移效应影响下游道路的交通状况,下游道路的交通状况通过反馈效应影响上游道路的交通状况。二、时间相关性:交通流量随时间动态变化,主要体现在周期性和趋势性。
现有的交通流量预测方法中一些考虑了时间相关性,包括:自回归移动平均(ARIMA)模型、卡尔曼滤波模型、支持向量回归机模型、k近邻模型、贝叶斯模型等。上述方法考虑了交通状况的动态变化却忽略了空间相关性,因此交通状况的变化不受路网的限制,无法准确预测交通数据的状态。为了更好地表征空间特征,一些研究引入卷积神经网络用于空间建模,然而,卷积神经网络通常用于欧几里德数据,例如图像、规则网格等。卷积神经网络模型不能在具有复杂拓扑结构的城市道路网络环境下工作,因此本质上它们不能描述空间相关性。
发明内容
针对现有技术的不足,本发明提供一种基于滑动窗口长短时记忆网络的交通流量预测方法。
本发明采用如下技术方案实现:
一种基于滑动窗口长短时记忆网络的交通流量预测方法,其特征在于,包括步骤:
对采集的交通流量数据进行预处理,构建城市路网的拓扑结构图和构建交通流量预测模型的输入;构建基于滑动窗口长短时记忆网络的交通流量预测模型,用于同时获取交通流量的时空相关性;
对交通流量预测模型进行训练,并基于真实的交通数据集评估交通流量预测模型,得到训练后的交通流量预测模型;
基于训练后的交通流量预测模型进行交通流量预测。
优选地,对采集的交通流量数据进行预处理包括:
首先,使用阈值分析法找到交通流量的异常数据。然后,使用线性插值方法来填充交通流量数据的缺失值。最后,使用最小-最大归一化方法将交通流量值缩放到范围[0,1]。
优选地,构建城市路网的拓扑结构图包括:
对于道路网络,用一个未加权的图G=(V,E)来描述道路网络的拓扑结构,把每一条道路看成一个节点,其中V是一组道路节点,V=(v1,v2,...,vN),N是节点的个数,E是一组边;邻接矩阵A用来表示道路之间的连接,A∈RN×N,邻接矩阵只包含0和1两个元素;如果道路之间没有连接,则元素为0,如果道路之间有连接,则元素为1。
优选地,构建交通流量预测模型的输入包括:
交通流量预测模型输入用特征矩阵X∈RN×P表示;其中:N表示节点的个数,P表示节点属性特征的数量;Xt∈RN×i表示时间片i时每条道路上的属性特征;
交通流量预测问题是在路网拓扑G和输入XN×P的前提下学习映射函数f,然后计算下一个T时刻的交通流量信息,如下式所示:
[Xt+1,...,Xt+T]=f(G,(Xt-n,...Xt-1,Xt))
其中:n是历史时间序列的长度,T是需要预测的时间序列的长度。优选地,交通流量预测模型包括:图卷积模块、滑动窗口模块和长短时记忆模块,其中:
图卷积模块用于捕获道路网络的拓扑结构,提取交通流量的空间相关性;
滑动窗口模块用于对图卷积模块的输出进行采样;
长短时记忆模块用于提取交通流量的时间相关性,捕捉道路上交通数据的动态变化。
优选地,基于滑动窗口长短时记忆网络的交通流量预测模型工作流程包括:
首先,图卷积模块用于捕获道路网络的拓扑结构;然后,使用滑动窗口模块对图卷积模块的输出进行采样;最后,将滑动窗口模块采样数据输入到当前长短时记忆模块用于捕捉道路上交通数据的动态变化;交通流量预测模型最后输出未来一段时间整个交通路网的交通流量。
优选地,采用滑动窗口对长短时记忆模块的输入进行采样,滑动窗口大小记为τ,即聚合过去τ个时间段的图卷积模块输出,使得当前长短时记忆模块的输入包含前一段时间图卷积模块的输出。
优选地,由于滑动窗口的引入,那么时间步t的长短时记忆模块输入为:(Yt-τ,Yt-τ+1,...,Yt-1,Yt)。
优选地,假设隐藏单元个数为h,给定时间步t的长短时记忆模块输入分别是(Yt-τ,Yt-τ+1,..,Yt-1,Yt)和上一时间步隐藏状态Ht-1,则时间步t的输入门It、遗忘门Ft和输出门Ot分别计算如下:
It=σ(YtW11+Yt-1W12+…+Yt-τW1τ+Ht-1Whi+bi)
Ft=σ(YtW21+Yt-1W22+…+Yt-τW2τ+Ht-1Whf+bf)
Ot=σ(YtW31+Yt-1W32+…+Yt-τW3τ+Ht-1Who+bo)
其中:W11~W1τ、Whi、W21~W2τ、Whf、W31~W3τ、Who均为可学习权重参数;bi、bf、bo为可学习偏差参数;σ()为激活函数;τ为滑动窗口的大小;
其中:W41~W4τ、Whc为可学习权重参数;bc为可学习偏差参数;
当前时间步记忆细胞Ct的计算组合了上一时间步记忆细胞Ct-1和当前时间步候选记忆细胞的信息,并通过遗忘门和输入门来控制信息的流动:
有了记忆细胞以后,接下来还可以通过输出门来控制从记忆细胞到隐藏状态Ht的信息的流动:
Ht=Ot*tanh(Ct)
在时间步t,长短时记忆网络的输出O为:
O=HtWhq+bq
其中:Whq表示权重参数,bq表示偏差参数。
优选地,长短时记忆模块采用二层长短时记忆网络结构。
本发明与现有技术相比,具有如下优点和有益效果:
(1)引入滑动窗口模块,滑动窗口模块会采集当前时刻前一段时间图卷积模块的输出,并输入到当前长短时记忆模块中,从而使当前长短时记忆模块的输入直接受到前一段时刻交通状况的影响,以便能更好的获取交通流量的时间相关性。
(2)本发明将深度学习技术应用到交通流量预测任务,用来获取城市路网未来时间的交通流量,提供了一种新的基于滑动窗口长短时记忆网络的交通流量预测模型,该模型由图卷积模块、滑动窗口模块和长短时记忆模块组成,其中图卷积模块中,通过构建城市路网的拓扑结构图并输入图卷积模块来获取交通流量的空间相关性;长短时记忆模块用来获取交通流量数据的时间相关性,滑动窗口模块采集当前时刻前一段时间图卷积模块的输出,并输入到当前长短时记忆模块中,以便能更好的获取交通流量的时间相关性。该模型能更好地获取交通流量的空间和时间相关性,捕捉道路上交通数据的动态变化,从而获得更精准的交通流量预测结果。
附图说明
图1为一个实施例中基于滑动窗口长短时记忆网络的交通流量预测模型的主要结构图;
图2为一个实施例中滑动窗口模块示意图;
图3为一个实施例中LSTM结构示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细地描述,但本发明的实施方式不限于此。
一种基于滑动窗口长短时记忆网络的交通流量预测方法,包括:
数据集的设计步骤、模型设计与训练步骤及交通流量预测步骤;其中:数据集的设计步骤主要是利用现有的数据集,设计统一信息编码,包括:进行相关定义,对交通流量数据进行预处理,对给定交通条件的数据,以固定的格式输入到网络中;模型设计与训练步骤主要是利用图卷积和长短时记忆网络的相关原理,引入滑动窗口,设计相应的交通流量预测模型,并利用所构建的数据集进行交通流量预测模型训练,进而获得模型权重;交通流量预测步骤主要是基于训练好的交通流量预测模型进行交通流预测。
具体地,操作步骤如下:
S1、对采集的交通流量数据进行预处理,构建城市路网的拓扑结构图和交通流量预测模型的输入。
交通流量预测目标是根据道路上的历史交通信息来预测某一段时间内的交通信息。交通信息是一个通用的概念,可以是交通速度、交通流量和交通密度。为了不失一般性,本发明用交通流量作为预测目标。
在一个优选的实施例中,步骤S1包括:
1)数据预处理:针对原始交通流量存在异常和缺失数据的问题,使用阈值分析法、线性插值法和最大最小归一化方法对原始数据进行预处理。
首先,使用阈值分析法找到交通流量的异常数据。然后,使用线性插值方法来填充交通流量数据的缺失值。最后,在输入交通流量预测模型之前,使用最小-最大归一化方法将交通流量值缩放到范围[0,1]。
在评估时,将交通流量预测模型预测的交通流量重新调整到正常水平,以便与地面真实值进行比较。
2)进行相关定义:对于道路网络,用一个未加权的图G=(V,E)来描述道路网络的拓扑结构,把每一条道路看成一个节点,其中V是一组道路节点,V=(v1,v2,...,vN),N是节点的个数,E是一组边。邻接矩阵A用来表示道路之间的连接,A∈RN×N,邻接矩阵只包含0和1两个元素。如果道路之间没有连接,则元素为0,如果道路之间有连接,则元素为1。
3)构建模型输入:模型输入用特征矩阵X∈RN×P表示。其中:N表示节点的个数,P表示节点属性特征的数量(历史时间序列的长度)。Xt∈RN×i表示时间片i时每条道路上的属性特征。道路属性特征可以是任何交通信息,如交通速度、交通流量和交通密度。本发明选择交通流量作为道路的属性特性。
因此,时空交通预测问题可以认为是在路网拓扑G和输入XN×P的前提下学习映射函数f,然后计算下一个T时刻的交通信息,如下式所示:
[Xt+1,...,Xt+T]=f(G,(Xt-n,...Xt-1,Xt))
其中:n是历史时间序列的长度,T是需要预测的时间序列的长度。
S2、模型构建:构建基于滑动窗口长短时记忆网络的交通流量预测模型,用以提取交通流量的空间相关性和时间相关性。
构建基于滑动窗口长短时记忆网络的交通流量预测模型,该模型由图卷积模块、滑动窗口模块和长短时记忆模块组成,其中图卷积模块中,通过构建城市路网的拓扑结构图并输入图卷积模块来获取交通流量的空间相关性;长短时记忆模块用来获取交通流量数据的时间相关性,而为了使当前长短时记忆模块的输入直接受到前一段时刻交通状况的影响,引入了滑动窗口模块,滑动窗口模块会采集当前时刻前一段时间图卷积模块的输出,并输入到当前长短时记忆模块中,以便能更好的获取交通流量的时间相关性。
在一个优选地实施例中,基于滑动窗口长短时记忆网络的交通流量预测模型主要结构如图1所示,主要包含图卷积模块、滑动窗口模块和长短时记忆模块:其中:
图卷积模块用于捕获道路网络的拓扑结构,提取交通流量的空间相关性;
滑动窗口模块用于对图卷积网络的输出进行采样;
长短时记忆模块用于提取交通流量的时间相关性,捕捉道路上交通数据的动态变化。
基于滑动窗口长短时记忆网络的交通流量预测模型工作流程包括:首先,图卷积网络用于捕获道路网络的拓扑结构;然后,使用滑动窗口对图卷积网络的输出进行采样;最后,将滑动窗口模块采集的当前时刻前一段时间图卷积模块的输出,输入到当前长短时记忆模块用于捕捉道路上交通数据的动态变化。交通流量预测模型最后输出未来一段时间整个交通路网的交通流量。
基于滑动窗口长短时记忆网络的交通流量预测模型的设计包含以下几部分:
1、图卷积模块:近些年来,许多研究人员使用图卷积网络(GCN)来描述具有复杂拓扑结构的图形数据。图卷积的主流方法有两个:空间图卷积和谱图卷积。空间图卷积直接对图的节点及其邻居执行卷积操作。所以,这类方法的核心是选择节点的邻域,这种图卷积方法在社交网络任务中取得了较好的效果。谱图卷积通过谱分析方法考虑到了图卷积的局部性,2014年Bruna等人提出了基于图拉普拉斯算子的通用图卷积框架。下面简要介绍一下GCN的工作原理。
假设有一组图形数据,共N个节点,每个节点有D维特征,则这些节点的特征组成特征矩阵X∈RN×D,然后每个节点之间的关系可以用邻接矩阵A∈RN×N表示,X∈RN×D和A∈RN×N就是GCN模型的输入;则GCN模型中层与层之间的传播方式如下:
总之,使用GCN模型可以从交通数据中学习空间特征。例如两层GCN模型可以表示为:
2、滑动窗口模块:滑动窗口模块示意图如图2所示,考虑到当前时间的输入和之前时间的交通量有关,所以使用一个滑动窗口来聚合当前时刻过去一段时间图卷积的输出。滑动窗口大小记为τ,即聚合过去τ个时间段的图卷积输出作为当前LSTM的输入。由于滑动窗口的引入,那么t时刻LSTM的输入为:(Yt-τ,Yt-τ+1,…,Yt-1,Yt)。
3、长短时记忆模块:获取时间相关性是交通流量预测中的另一个关键问题。目前,最广泛用于处理序列数据使用的神经网络模型是递归神经网络(RNN)。然而,由于梯度消失和梯度爆炸等缺陷,传统的递归神经网络对于长期预测具有局限性。LSTM模型是递归神经网络的变体,并且已经被证明能够解决上述问题。LSTM使用门控机制来记忆尽可能多的长期信息,对各种任务同样有效。
在一个优选的实施例中,选择LSTM模型从交通数据中获得时间相关性,LSTM的结构如图3所示,LSTM中引入3个门,即输入门、遗忘门和输出门,以及与隐藏状态形状相同的记忆细胞,从而记录额外的信息。长短期记忆的门的输入为当前滑动窗口的输出与上一时间步隐藏状态Ht-1,输出由激活函数为sigmoid函数的全连接层计算得到。具体来说,假设隐藏单元个数为h,给定时间步t的LSTM输入分别是(Yt-τ,Yt-τ+1,...,Yt-1,Yt)和上一时间步隐藏状态Ht-1。则时间步t的输入门It、遗忘门Ft和输出门Ot分别计算如下:
It=σ(YtW11+Yt-1W12+…+Yt-τW1τ+Ht-1Whi+bi)
Ft=σ(YtW21+Yt-1W22+…+Yt-τW2τ+Ht-1Whf+bf)
Ot=σ(YtW31+Yt-1W32+…+Yt-τW3τ+Ht-1Who+bo)
其中:W11~W1τ、Whi、W21~W2τ、Whf、W31~W3τ、Who均为可学习权重参数;bi、bf、bo为可学习偏差参数;σ()为激活函数;τ为滑动窗口的大小。
其中:W41~W4τ、Whc为可学习权重参数;bc为可学习偏差参数。
当前时间步记忆细胞Ct的计算组合了上一时间步记忆细胞Ct-1和当前时间步候选记忆细胞的信息,并通过遗忘门和输入门来控制信息的流动:
有了记忆细胞以后,接下来还可以通过输出门来控制从记忆细胞到隐藏状态Ht的信息的流动:
Ht=Ot*tanh(Ct)
在时间步t,整个模型的输出为:
O=HtWhq+bq
O为模型的输出;Whq表示权重参数,bq表示偏差参数。
S3、模型训练步骤:利用步骤S1中所生成的输入,对基于滑动窗口长短时记忆网络的交通流量预测模型进行训练,并基于真实的交通数据集评估模型,得到训练后的交通流量预测模型。
S4、交通流量预测:基于训练后的交通流量预测模型进行交通流量预测。
交通流量预测即基于滑动窗口长短时记忆网络的交通流量预测模型运用阶段,包括:首先,对获取到的交通流量数据进行编码;接着,调用训练好的基于滑动窗口长短时记忆网络的交通流量预测模型,将编码好的数据分别输入到交通流量预测模型中,进行未来一段时间的交通流量预测。
优选地,针对步骤S4的交通流量预测结果,使用以下基线模型的交通流量预测结果与本发明基于滑动窗口长短时记忆网络的交通流量预测模型结果进行比较,以评价交通流量预测效果。
HA:指的是历史平均模型,它把交通速度看成是一个严格的周期过程,用前几个周期的平均值作为预测。它将周期设定为一周,从而预测前几周同一时间的平均交通速度。
ARIMA:它将观察到的时间序列拟合到一个参数模型中,以预测未来的交通数据。
SVR:利用历史数据对模型进行训练,得出投入产出关系,然后通过给出未来交通数据进行预测。使用线性核,惩罚项是0.001。
GCN:图卷积神经网络。
GRU:门控循环神经网络。
下面通过一个具体实施例作进一步详细描述。
1)开发环境
本实施例采用TensorFlow框架和Pycharm开发环境。
TensorFlow框架是基于python语言的开发架构,能够方便快捷地搭建合理的深度学习网络,同时具有很好的跨平台交互能力。TensorFlow提供了深度学习架构中的众多封装函数和各类图像处理函数的接口,包括OpenCV相关的图像处理函数。TensorFlow框架同时能够使用GPU对模型进行训练和验证,提高了计算的效率。
在Windows平台或者Linux平台下的Pycharm开发环境成开发环境(IDE),是目前深度学习网路设计与开发的首选之一。Pycharm为客户提供了新的模板、设计工具以及测试和调试工具,同时能够为客户提供直接调用远程服务器的接口。
一种基于滑动窗口长短时记忆网络的交通流量预测方法,主要分为模型训练和模型运用两个阶段。在模型训练阶段:首先,对现有交通流量数据集进行处理,通过设计统一信息编码机制,生成符合模型训练的数据集;然后,利用具有高算力的云端服务器对模型进行训练,并调参,直至模型收敛。在模型运用阶段:首先,对获取到的交通流量数据进行编码;接着,调用训练好的交通流量预测模型,将编码好的数据分别输入到交通流量预测模型中,进行未来一段时间的交通流量预测。具体包括:
对于原始交通流量数据,需要进行预处理操作。预处理操作包括数据清洗、数据集成、数据转换和数据规约。预处理后的数据构造成基于滑动窗口长短时记忆网络的交通流量预测模型的输入。
基于滑动窗口长短时记忆网络的交通流量预测模型包括:图卷积模块、滑动窗口模块和长短时记忆网络模块。主要参数设置如下:隐藏单元的数量设置为100,滑动窗口大小设置为3,长短时记忆网络模块中堆叠两个LSTM网络。
模型的训练在高性能的GPU上进行,训练的数据集为是深圳市2015年1月1日至1月31日的出租车数据集。模型训练超参数主要包括:学习率、批量、训练周期。优选地,设置学习率为0.001,批量为64,训练周期为3000。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于滑动窗口长短时记忆网络的交通流量预测方法,其特征在于,包括步骤:
对采集的交通流量数据进行预处理,构建城市路网的拓扑结构图和构建交通流量预测模型的输入;
构建基于滑动窗口长短时记忆网络的交通流量预测模型,用于同时获取交通流量的时空相关性;
对交通流量预测模型进行训练,并基于交通数据集评估交通流量预测模型,得到训练后的交通流量预测模型;
基于训练后的交通流量预测模型进行交通流量预测。
2.根据权利要求1所述的交通流量预测方法,其特征在于,交通流量预测模型包括:图卷积模块、滑动窗口模块和长短时记忆模块,其中:
图卷积模块用于捕获道路网络的拓扑结构,提取交通流量的空间相关性;
滑动窗口模块用于对图卷积模块的输出进行采样;
长短时记忆模块用于提取交通流量的时间相关性,捕捉道路上交通数据的动态变化。
3.根据权利要求2所述的交通流量预测方法,其特征在于,基于滑动窗口长短时记忆网络的交通流量预测模型工作流程包括:
首先,图卷积模块用于捕获道路网络的拓扑结构;然后,使用滑动窗口模块对图卷积模块的输出进行采样;最后,将滑动窗口模块采样数据输入到当前长短时记忆模块用于捕捉道路上交通数据的动态变化;交通流量预测模型最后输出未来一段时间整个交通路网的交通流量。
4.根据权利要求2所述的交通流量预测方法,其特征在于,采用滑动窗口对长短时记忆模块的输入进行采样,滑动窗口大小记为τ,即聚合过去τ个时间段的图卷积模块输出,使得当前长短时记忆模块的输入包含前一段时间图卷积模块的输出。
5.根据权利要求2所述的交通流量预测方法,其特征在于,由于滑动窗口的引入,那么时间步t的长短时记忆模块输入为:(Yt-τ,Yt-τ+1,…,Yt-1,Yt)。
6.根据权利要求5所述的交通流量预测方法,其特征在于,假设隐藏单元个数为h,给定时间步t的长短时记忆模块输入分别是(Yt-τ,Yt-τ+1,…,Yt-1,Yt)和上一时间步隐藏状态Ht-1,则时间步t的输入门It、遗忘门Ft和输出门Ot分别计算如下:
It=σ(YtW11+Yt-1W12+…+Yt-τW1τ+Ht-1Whi+bi)
Ft=σ(YtW21+Yt-1W22+…+Yt-τW2τ+Ht-1Whf+bf)
Ot=σ(YtW31+Yt-1W32+…+Yt-τW3τ+Ht-1Who+bo)
其中:W11~W1τ、Whi、W21~W2τ、Whf、W31~W3τ、Who均为可学习权重参数;bi、bf、bo为可学习偏差参数;σ()为激活函数;τ为滑动窗口的大小;
其中:W41~W4τ、Whc为可学习权重参数;bc为可学习偏差参数;
当前时间步记忆细胞Ct的计算组合了上一时间步记忆细胞Ct-1和当前时间步候选记忆细胞的信息,并通过遗忘门和输入门来控制信息的流动:
有了记忆细胞以后,接下来还可以通过输出门来控制从记忆细胞到隐藏状态Ht的信息的流动:
Ht=Ot*tanh(Ct)
在时间步t,长短时记忆网络的输出O为:
O=HtWhq+bq
其中:Whq表示权重参数,bq表示偏差参数。
7.根据权利要求2所述的交通流量预测方法,其特征在于,长短时记忆模块采用二层长短时记忆网络结构。
8.根据权利要求1所述的交通流量预测方法,其特征在于,对采集的交通流量数据进行预处理包括:
首先,使用阈值分析法找到交通流量的异常数据;然后,使用线性插值方法来填充交通流量数据的缺失值;最后,使用最小-最大归一化方法将交通流量值缩放到范围[0,1]。
9.根据权利要求1所述的交通流量预测方法,其特征在于,构建城市路网的拓扑结构图包括:
对于道路网络,用一个未加权的图G=(V,E)来描述道路网络的拓扑结构,把每一条道路看成一个节点,其中V是一组道路节点,V=(v1,v2,…,vN),N是节点的个数,E是一组边;邻接矩阵A用来表示道路之间的连接,A∈RN×N,邻接矩阵只包含0和1两个元素;如果道路之间没有连接,则元素为0,如果道路之间有连接,则元素为1。
10.根据权利要求9所述的交通流量预测方法,其特征在于,构建交通流量预测模型的输入包括:
交通流量预测模型输入用特征矩阵X∈RN×P表示;其中:N表示节点的个数,P表示节点属性特征的数量;Xt∈RN×i表示时间片i时每条道路上的属性特征;
交通流量预测问题是在路网拓扑G和输入XN×P的前提下学习映射函数f,然后计算下一个T时刻的交通流量信息,如下式所示:
[Xt+1,…,Xt+T]=f(G,(Xt-n,…Xt-1,Xt))
其中:n是历史时间序列的长度,T是需要预测的时间序列的长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110326489.1A CN113112791A (zh) | 2021-03-26 | 2021-03-26 | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110326489.1A CN113112791A (zh) | 2021-03-26 | 2021-03-26 | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113112791A true CN113112791A (zh) | 2021-07-13 |
Family
ID=76712428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110326489.1A Pending CN113112791A (zh) | 2021-03-26 | 2021-03-26 | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112791A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538910A (zh) * | 2021-07-14 | 2021-10-22 | 李丹丹 | 一种自适应的全链条城市区域网络信号控制优化方法 |
CN113689721A (zh) * | 2021-07-30 | 2021-11-23 | 深圳先进技术研究院 | 一种自动驾驶车速控制方法、系统、终端以及存储介质 |
CN114664091A (zh) * | 2022-04-26 | 2022-06-24 | 中远海运科技股份有限公司 | 一种基于节假日流量预测算法的预警方法及系统 |
CN115148019A (zh) * | 2022-05-16 | 2022-10-04 | 中远海运科技股份有限公司 | 一种基于节假日拥堵预测算法的预警方法及系统 |
CN117292584A (zh) * | 2023-11-24 | 2023-12-26 | 南京航空航天大学 | 基于gcn-lstm模型的多机场终端区流量预测方法及系统 |
Citations (4)
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 |
WO2020010717A1 (zh) * | 2018-07-13 | 2020-01-16 | 南京理工大学 | 一种基于时空相关性的短时交通流预测方法 |
CN110956807A (zh) * | 2019-12-05 | 2020-04-03 | 中通服咨询设计研究院有限公司 | 基于多源数据与滑动窗口组合的高速公路流量预测方法 |
CN112418547A (zh) * | 2020-12-03 | 2021-02-26 | 北京工业大学 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
-
2021
- 2021-03-26 CN CN202110326489.1A patent/CN113112791A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020010717A1 (zh) * | 2018-07-13 | 2020-01-16 | 南京理工大学 | 一种基于时空相关性的短时交通流预测方法 |
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 |
CN110956807A (zh) * | 2019-12-05 | 2020-04-03 | 中通服咨询设计研究院有限公司 | 基于多源数据与滑动窗口组合的高速公路流量预测方法 |
CN112418547A (zh) * | 2020-12-03 | 2021-02-26 | 北京工业大学 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
Non-Patent Citations (4)
Title |
---|
CHARLIE_ODD: "《博客园》", 26 March 2019 * |
LANGWEN ZHANG 等: "Urban traffic lane saturation prediction with least square support vector regression based on genetics algorithm", 《2018 CHINESE CONTROL AND DECISION CONFERENCE(CCDC)》 * |
温俊峰;张浪文 等: "基于粒子群优化的支持向量回归车道饱和度预测", 《自动化仪表》 * |
薛泽龙: "基于多模型长短时记忆和时空关联的短时交通流预测", 《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)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538910A (zh) * | 2021-07-14 | 2021-10-22 | 李丹丹 | 一种自适应的全链条城市区域网络信号控制优化方法 |
CN113689721A (zh) * | 2021-07-30 | 2021-11-23 | 深圳先进技术研究院 | 一种自动驾驶车速控制方法、系统、终端以及存储介质 |
CN113689721B (zh) * | 2021-07-30 | 2022-09-20 | 深圳先进技术研究院 | 一种自动驾驶车速控制方法、系统、终端以及存储介质 |
CN114664091A (zh) * | 2022-04-26 | 2022-06-24 | 中远海运科技股份有限公司 | 一种基于节假日流量预测算法的预警方法及系统 |
CN115148019A (zh) * | 2022-05-16 | 2022-10-04 | 中远海运科技股份有限公司 | 一种基于节假日拥堵预测算法的预警方法及系统 |
CN117292584A (zh) * | 2023-11-24 | 2023-12-26 | 南京航空航天大学 | 基于gcn-lstm模型的多机场终端区流量预测方法及系统 |
CN117292584B (zh) * | 2023-11-24 | 2024-02-02 | 南京航空航天大学 | 基于gcn-lstm模型的多机场终端区流量预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113112791A (zh) | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 | |
CN111210633B (zh) | 一种基于深度学习的短时交通流预测方法 | |
CN110223517B (zh) | 基于时空相关性的短时交通流量预测方法 | |
CN111612243B (zh) | 交通速度预测方法、系统及存储介质 | |
Chen et al. | A graph convolutional stacked bidirectional unidirectional-LSTM neural network for metro ridership prediction | |
CN109887282A (zh) | 一种基于层级时序图卷积网络的路网交通流预测方法 | |
CN114220271A (zh) | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 | |
CN111242292B (zh) | 基于深度时空网络的od数据预测方法及系统 | |
CN110570035B (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测系统 | |
CN113673769A (zh) | 基于多元时间序列插补的图神经网络交通流预测方法 | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
CN116895157A (zh) | 一种基于趋势时空图卷积的交通流量预测方法、系统及介质 | |
Ouyang et al. | Spatial-temporal dynamic graph convolution neural network for air quality prediction | |
CN116168548A (zh) | 一种基于多特征融合的时空注意图卷积网络的交通流预测方法 | |
CN114004338A (zh) | 基于神经网络的混合时间周期模式多变量时序预测方法 | |
CN115376317A (zh) | 一种基于动态图卷积和时序卷积网络的交通流预测方法 | |
CN111141879A (zh) | 一种深度学习的空气质量监测方法以及装置、设备 | |
CN113112792A (zh) | 一种基于语义信息的多模块交通密集度预测方法 | |
CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 | |
Jin et al. | Spatiotemporal graph convolutional neural networks for metro flow prediction | |
Lai et al. | Short‐term passenger flow prediction for rail transit based on improved particle swarm optimization algorithm | |
CN114566048A (zh) | 一种基于多视角自适应时空图网络的交通控制方法 | |
Wei et al. | Fusion prediction model of atmospheric pollutant based on self-organized feature | |
Liu et al. | LHCnn: A novel efficient multivariate time series prediction framework utilizing convolutional neural networks | |
Cao et al. | Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210713 |