CN113327417A - 基于3d动态时空残差卷积关联网络的交通流预测方法 - Google Patents
基于3d动态时空残差卷积关联网络的交通流预测方法 Download PDFInfo
- Publication number
- CN113327417A CN113327417A CN202110592357.3A CN202110592357A CN113327417A CN 113327417 A CN113327417 A CN 113327417A CN 202110592357 A CN202110592357 A CN 202110592357A CN 113327417 A CN113327417 A CN 113327417A
- Authority
- CN
- China
- Prior art keywords
- dynamic
- time
- data
- traffic
- 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.)
- Granted
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
- G06N3/04—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
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)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于3D动态时空残差卷积关联网络的交通流预测方法,包括以下步骤:采集城市道路的交通流数据,对原始数据进行预处理;根据城市道路的经纬度将数据转化为欧几里得结构交通栅格数据,对栅格数据进行标准化处理,并将其划分成训练集和测试集;构建基于3D动态时空残差卷积关联网络,该网络由时空关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成;训练基于3D动态时空残差卷积关联网络,用训练好的模型预测城市道路下一时刻的交通流。本发明在对城市道路交通流进行时空关联分析的基础上,同时对城市道路交通流的动态空间和时间特征进行提取,提高对城市道路交通流的时空特征的动态捕获,从而提高城市交通流的预测精度。
Description
技术领域
本发明属于智能交通和深度学习领域,具体为一种基于3D动态时空残差卷积关联网络的交通流预测方法。
背景技术
近年来,智能交通大数据取得了飞速发展,这其中,随着5G的商用和车联网政策的推进,构建智能化交通管理系统被提上日程,交通流预测作为智能交通系统的重要子系统之一,具有重要的研究意义和研究价值。实时准确的交通流预测可以为交管部门提供未来时刻的交通流情况,帮助制定科学合理的交通诱导方案和交通管理策略。通过预先了解未来某一时刻的交通流情况,出行者可以提前规划其出行路线,制定总出行耗时最优的方案。因此,如何提高交通流预测模型的准确度是当前研究热点,提出一种有效的改进措施来提升交通流预测模型的精度至关重要。
目前用于交通流预测的方法有很多,当前针对城市交通流的预测模型主要研究时间和空间特征的提取。当前城市路网可划分为欧几里得结构和非欧几里得结构,针对欧几里得结构路网数据主要由卷积操作进行空间特征提取,针对非欧几里得结构数据主要由图卷积操作进行空间特征提取。本发明研究的路网结构为欧几里得结构,目前研究城市路网交通流预测的模型有很多,但是缺乏对空间和时间特征的动态演变讨论,同时对路网进行时间特征提取时缺乏对其长期时间特征的捕获,导致此类模型无法捕获城市交通流的动态演变规律,无法适应复杂的城市交通流预测。
发明内容
发明目的:针对上述问题,本发明引入一种基于3D动态时空残差卷积关联网络的交通流预测方法。该方法针对传统时空残差模型处理交通栅格数据的预测问题时,存在时空关联性分析少、动态时空特征提取弱和长期时间演变特征挖掘低等不足,分别针对性提出时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件。首先,利用皮尔逊相关系数方法分析交通栅格数据之间关联性,分别得到空间关联序列和时间关联序列。然后,利用3D卷积和残差单元构建动态空间特征提取组件,将空间序列输入该组件得到动态空间特征。其次,利用3D时间卷积操作结合LSTM网络构建动态时间特征提取组件,将时间序列输入该组件得到动态空间特征。最后,将动态空间和时间特征进行加权融合,得到网络的最终预测值。本发明通过对交通栅格数据演变态势的深入挖掘,有效实现了对城市交通流动态时空特征的提取和分析。
技术方案:一种基于3D动态时空残差卷积关联网络的交通流预测方法,包括如下步骤:
步骤1)采集城市道路的交通流数据,并将交通流数据实时传输至智慧城市交通大数据存储中心,对原始的交通流数据进行预处理来降低数据冗余度;
步骤2)根据城市道路的经纬度将预处理后的交通流数据转化为欧几里得结构交通栅格数据,对欧几里得结构交通栅格数据进行标准化处理,并将其划分成训练集和测试集;
步骤3)构建基于3D动态时空残差卷积关联网络,该网络由时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成;
步骤4)用步骤2)得到的训练集训练构建的基于3D动态时空残差卷积关联网络,用训练好的模型预测城市道路下一时刻的交通流。
进一步,所述步骤1中,将智慧城市交通大数据存储中心接收到的每组交通流数据定义为Datak,Datak={idk,lonk,latk,timestampk,typek},idk,lonk,latk,timestampk,typek分别代表交通流的编号、经度、纬度、时间戳和车辆类型;当t时刻的Datat出现交通流数据缺失,使用该节点上一周或者下一周相同时间的交通流数据进行替换,将公式定义为:Data(loss)t=Data(t+7*24h)/(t-7*24h),Data(loss)t代表t时刻缺失的交通流数据,Data(t+7*24)/(t-7*24)代表t时刻上一周或者下一周在同一时刻的交通流数据;对于异常值采用3σ原则处理,对符合要求的数据进行保留,不符合要求的采用数据缺失方法进行替换。
进一步,所述步骤2中,根据经纬度将交通流所在城市划分成欧几里得结构栅格网络,按照固定时间间隔Δt,将预处理过后的交通流数据映射到欧几里得结构交通栅格网络中,生成欧几里得结构交通栅格数据XR={xi,j},XR中每个位置均匀分布,相邻位置之间距离相等。将交通流预测问题转化为给定历史交通栅格数据,预测N+Δt时刻的交通栅格数据XN+Δt,N是交通数据记录的最后时间节点;
交通栅格数据生成后,对其进行标准化处理以降低不同量纲对模型预测结果的影响。通过下式计算标准化后的交通栅格数据X* t:X* t=(Xt-Xμ)/Xσ,其中Xt为标准化前的交通栅格数据,Xμ为交通栅格数据整体数据的平均值,Xσ为交通栅格数据整体数据的标准差。交通栅格数据标准化完成后,对数据集进行拆分,按照固定比例将其划分成训练集和测试集。
进一步,所述步骤3中,构建基于3D动态时空残差卷积关联网络,该网络由时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成,确定每个组件的基本结构参数。具体步骤如下:
步骤3-1:构造时空特征关联提取组件,具体步骤如下:
步骤3-1-1:确定时空特征关联提取组件的基本架构,确定以皮尔逊相关系数方法作为相关联度量的评价指标,将皮尔逊相关系数方法公式定义为:其中,xi目标交通栅格数据;yi为待比较的交通栅格数据;σx为目标交通栅格数据的样本总体标准差;σy为待比较交通栅格数据的样本总体标准差。根据皮尔逊相关系数可以将原始交通栅格数据序列划分成空间序列输入XinS和时间序列输入XinT;
步骤3-2:构造动态空间特征提取组件,具体步骤如下:
步骤3-2-1:确定动态空间特征提取组件总体网络架构,利用3D卷积操作对交通栅格数据的动态空间特征进行提取,时空栅格数据尺寸为I*I;选取步骤3-1-1空间序列中M个交通栅格数据构造成3D交通栅格数据,维度为M*I*I,对其进行3D卷积操作提取动态控件特征,选取卷积核维度为w*h*g,w、h、g分别为卷积核的宽、高和长。卷积核移动步长设置为s,补零圈数设置为z;将动态空间特征提取组件3D卷积操作定义为:其中,Xs l-1是第l层卷积层的待提取动态空间特征的交通栅格数据,Ws1 l是第l层动态空间提取卷积层的卷积核参数,该参数的维度与Xs l-1的维度相等,Xs1 l是第l层动态空间特征提取卷积层输出的空间特征,bs1 l是第l层动态空间提取卷积层的偏置项,Ls1是动态空间特征提取卷积层需要卷积的层数;
步骤3-2-2:卷积操作完成后,将步骤3-2-1的卷积特征输出作为残差单元的输入,用来捕获空间特征微小变化,残差操作定义为:其中,Xs1 l-1是第l层残差单元的动态空间特征输入,Xs2 l是第l层残差单元的动态空间特征输出,θs2 l是动态空间特征提取组件第l层残差单元中所有可学习的参数集合,F为动态空间特征提取组件的残差映射,Ls2是动态空间特征提取组件需要进行残差的层数;
步骤3-2-3:设置动态空间特征提取组件中卷积层的激活函数为ReLu函数,神经元的输入和输出维度与交通栅格数据尺寸相同;
步骤3-3:构造动态时间特征提取组件,具体步骤如下:
步骤3-3-1:确定动态时间特征提取组件总体网络架构,将步骤3-1-1输入的时间序列中M个交通栅格数据的维度由(M,I,I)转化为(I*I,M),设计维度为(1,M)的卷积核对转其进行动态时间特性提取,生成维度为(1,I*I)的交通栅格数据Xt2,将动态时间特征卷积公式定义为:其中,其中,Xt l-1是第l层卷积层的待提取动态时间特征的交通栅格数据,Wt1 l是第l层动态时间提取卷积层的卷积核参数,该参数维度与Xt l-1维度相等,Xt1 l是第l层动态时间征提取卷积层输出的时间特征,bt1 l是第l层动态时间提取卷积层的偏置项,Ls1是动态时间特征提取卷积层需要卷积的层数。
同时,为了确保在提取交通栅格数据的动态时间演变中避免丢失交通流的长期时间特征,将提取动态时间后的交通栅格数据输入到LSTM网络中保持长期时间特征,将公式定义为:其中,fLSTM代表LSTM前向操作,Xt1 (1,I*J)为步骤3-3-1输出的交通栅格数据,上标代表维度,Re是将矩阵维度由(1,I*I)变为(I,I)的维度变化操作,Xt2 (I,J)为动态时间特征提取组件的最终输出;
步骤3-3-2:设置动态时间特征提取组件中卷积层的激活函数为ReLu函数,LSTM网络的激活函数由Sigmoid函数和Tanh函数组成;
步骤3-4:构造3D动态时空残差卷积关联网络,具体步骤如下:
步骤3-4-1:确定3D动态时空残差卷积关联网络总体架构;
步骤3-4-2:将动态空间特征提取组件的输出定义为Xs3,将动态时间特征提取组件的输出定义为Xt3,采用加权融合方法混合动态空间和时间特征提取组件的输出,公式为:XFusion=f(Ws*Xs1+Wt*Xt1),Ws和Wt分别代表动态空间特征、动态时间特征所占比重。
进一步,所述步骤4中,用步骤2)得到的训练集训练构建的基于3D动态时空残差卷积关联网络,用训练好的模型预测城市道路下一时刻的交通流,具体步骤如下:
步骤4-1:初始化模型结构,确定网路卷积核维度、初始权重、训练步长、激活函数、隐藏层层数和残差单元数量;
步骤4-2:利用步骤2得到的训练集来训练3D动态时空残差卷积关联网络;
步骤4-3:将训练集输入时空特征关联提取组件,分别得到空间序列输入XinS和时间序列输入XinT;
步骤4-4:将空间序列输入到动态空间特征提取组件,得到交通栅格数据的动态空间特征Xs3;
步骤4-5:将时间序列输入到动态时间特征提取组件,得到交通栅格数据的动态时间特征Xt3;
步骤4-6:利用步骤3-4-2对步骤4-3和4-4的输出进行融合,得到模型预测值;
步骤4-7:设置模型迭代次数,将均方根误差作为模型预测值和真实值的误差评价标准,利用反向传播算法更新模型的连接权重;
步骤4-8:模型训练完成后,利用测试集验证模型的预测精度。
有益效果:本发明的交通流预测方法,该方法针对传统时空残差模型处理交通栅格数据的预测问题时,存在时空关联性分析少、动态时空特征提取弱和长期时间演变特征挖掘低等不足,分别针对性提出时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件。提高了模型对交通流动态时空特征的捕获,降低了训练误差,提高了训练精度。
本发明针对传统时空残差模型处理时空栅格数据时,缺乏时空关联性分析、动态时空特征提取和长期时间演变特征挖掘等不足,首先,利用皮尔逊相关系数方法分析交通栅格数据之间关联性,分别得到空间关联序列和时间关联序列。然后,利用3D卷积和残差单元构建动态空间特征提取组件,将空间序列输入该组件得到动态空间特征。其次,利用3D时间卷积操作结合LSTM网络构建动态时间特征提取组件,将时间序列输入该组件得到动态空间特征。最后,将动态空间和时间特征进行加权融合,得到网络的最终预测值。本发明通过对交通栅格数据演变态势的深入挖掘,有效实现了对城市交通流动态时空特征的提取和分析。
附图说明
图1为本发明的一种基于3D动态时空残差卷积关联网络的交通流预测方法步骤示意图;
图2为本发明的一种基于3D动态时空残差卷积关联网络的交通流预测方法流程图;
图3为本发明的一种基于3D动态时空残差卷积关联网络的交通流预测方法模型结构图;
图4为本发明的一种基于3D动态时空残差卷积关联网络的交通流预测方法动态空间特征提取图;
图5为本发明的一种基于3D动态时空残差卷积关联网络的交通流预测方法动态时间特征提取图;
图6为本发明的一种基于3D动态时空残差卷积关联网络的交通流预测方法测试集真实数据和预测数据对比图。
具体实施步骤
下面将结合说明书附图对本发明的技术方法做进一步的详细说明。
如图1-3所示,一种基于3D动态时空残差卷积关联网络的交通流预测方法,包括如下步骤:
步骤1)采集城市道路的交通流数据,并将交通流数据实时传输至智慧城市交通大数据存储中心,对原始的交通流数据进行预处理来降低数据冗余度;
所述步骤1中,将智慧城市交通大数据存储中心接收到的每组交通流数据定义为Datak,Datak={idk,lonk,latk,timestampk,typek},idk,lonk,latk,timestampk,typek分别代表交通流的编号、经度、纬度、时间戳和车辆类型;当t时刻的Datat出现交通流数据缺失,使用该节点上一周或者下一周相同时间的交通流数据进行替换,将公式定义为:Data(loss)t=Data(t+7*24h)/(t-7*24h),Data(loss)t代表t时刻缺失的交通流数据,Data(t+7*24)/(t-7*24)代表t时刻上一周或者下一周在同一时刻的交通流数据;对于异常值采用3σ原则处理,对符合要求的数据进行保留,不符合要求的采用数据缺失方法进行替换。本实施例以成都市出租车数据集作为模型的测试数据,数据来源于公开数据集,该实验数据记录了成都市早上6点到晚上12点的出租车定位数据,日期为2014年8月3日到2014年8月23日。
步骤2)根据城市道路的经纬度将预处理后的交通流数据转化为欧几里得结构交通栅格数据,对欧几里得结构交通栅格数据进行标准化处理,并将其划分成训练集和测试集;
所述步骤2中,根据经纬度将交通流所在城市划分成欧几里得结构栅格网络,按照固定时间间隔Δt,将预处理过后的交通流数据映射到欧几里得结构交通栅格网络中,生成欧几里得结构交通栅格数据XR={xi,j},XR中每个位置均匀分布,相邻位置之间距离相等。将交通流预测问题转化为给定历史交通栅格数据,预测N+Δt时刻的交通栅格数据XN+Δt,N是交通数据记录的最后时间节点;
交通栅格数据生成后,对其进行标准化处理以降低不同量纲对模型预测结果的影响。通过下式计算标准化后的交通栅格数据X* t:X* t=(Xt-Xμ)/Xσ,其中Xt为标准化前的交通栅格数据,Xμ为交通栅格数据整体数据的平均值,Xσ为交通栅格数据整体数据的标准差。交通栅格数据标准化完成后,对数据集进行拆分,按照固定比例将其划分成训练集和测试集。
步骤3)构建基于3D动态时空残差卷积关联网络,该网络由时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成;
所述步骤3中,构建基于3D动态时空残差卷积关联网络,该网络由时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成,确定每个组件的基本结构参数。具体步骤如下:
步骤3-1:构造时空特征关联提取组件,具体步骤如下:
步骤3-1-1:确定时空特征关联提取组件的基本架构,确定以皮尔逊相关系数方法作为相关联度量的评价指标,将皮尔逊相关系数方法公式定义为:其中,xi目标交通栅格数据;yi为待比较的交通栅格数据;σx为目标交通栅格数据的样本总体标准差;σy为待比较交通栅格数据的样本总体标准差。根据皮尔逊相关系数可以将原始交通栅格数据序列划分成空间序列输入XinS和时间序列输入XinT;
步骤3-2:构造动态空间特征提取组件,具体步骤如下:
步骤3-2-1:确定动态空间特征提取组件总体网络架构,利用3D卷积操作对交通栅格数据的动态空间特征进行提取,时空栅格数据尺寸为I*I;选取步骤3-1-1空间序列中M个交通栅格数据构造成3D交通栅格数据,维度为M*I*I,对其进行3D卷积操作提取动态控件特征,选取卷积核维度为w*h*g,w、h、g分别为卷积核的宽、高和长。卷积核移动步长设置为s,补零圈数设置为z;将动态空间特征提取组件3D卷积操作定义为:其中,Xs l-1是第l层卷积层的待提取动态空间特征的交通栅格数据,Ws1 l是第l层动态空间提取卷积层的卷积核参数,该参数的维度与Xs l-1的维度相等,Xs1 l是第l层动态空间特征提取卷积层输出的空间特征,bs1 l是第l层动态空间提取卷积层的偏置项,Ls1是动态空间特征提取卷积层需要卷积的层数;
步骤3-2-2:卷积操作完成后,将步骤3-2-1的卷积特征输出作为残差单元的输入,用来捕获空间特征微小变化,残差操作定义为:其中,Xs1 l-1是第l层残差单元的动态空间特征输入,Xs2 l是第l层残差单元的动态空间特征输出,θs2 l是动态空间特征提取组件第l层残差单元中所有可学习的参数集合,F为动态空间特征提取组件的残差映射,Ls2是动态空间特征提取组件需要进行残差的层数;
步骤3-2-3:设置动态空间特征提取组件中卷积层的激活函数为ReLu函数,神经元的输入和输出维度与交通栅格数据尺寸相同;
步骤3-3:构造动态时间特征提取组件,具体步骤如下:
步骤3-3-1:确定动态时间特征提取组件总体网络架构,如图5所示,将步骤3-1-1输入的时间序列中M个交通栅格数据的维度由(M,I,I)转化为(I*I,M),设计维度为(1,M)的卷积核对转其进行动态时间特性提取,生成维度为(1,I*I)的交通栅格数据Xt2,将动态时间特征卷积公式定义为:其中,其中,Xt l-1是第l层卷积层的待提取动态时间特征的交通栅格数据,Wt1 l是第l层动态时间提取卷积层的卷积核参数,该参数维度与Xt l-1维度相等,Xt1 l是第l层动态时间征提取卷积层输出的时间特征,bt1 l是第l层动态时间提取卷积层的偏置项,Ls1是动态时间特征提取卷积层需要卷积的层数。
同时,为了确保在提取交通栅格数据的动态时间演变中避免丢失交通流的长期时间特征,将提取动态时间后的交通栅格数据输入到LSTM网络中保持长期时间特征,将公式定义为:其中,fLSTM代表LSTM前向操作,Xt1 (1,I*J)为步骤3-3-1输出的交通栅格数据,上标代表维度,Re是将矩阵维度由(1,I*I)变为(I,I)的维度变化操作,Xt2 (I,J)为动态时间特征提取组件的最终输出;
步骤3-3-2:设置动态时间特征提取组件中卷积层的激活函数为ReLu函数,LSTM网络的激活函数由Sigmoid函数和Tanh函数组成;
步骤3-4:构造3D动态时空残差卷积关联网络,具体步骤如下:
步骤3-4-1:确定3D动态时空残差卷积关联网络总体架构;
步骤3-4-2:将动态空间特征提取组件的输出定义为Xs3,将动态时间特征提取组件的输出定义为Xt3,采用加权融合方法混合动态空间和时间特征提取组件的输出,公式为:XFusion=f(Ws*Xs1+Wt*Xt1),Ws和Wt分别代表动态空间特征、动态时间特征所占比重。
步骤4)用步骤2)得到的训练集训练构建的基于3D动态时空残差卷积关联网络,用训练好的模型预测城市道路下一时刻的交通流。
所述步骤4中,用步骤2)得到的训练集训练构建的基于3D动态时空残差卷积关联网络,用训练好的模型预测城市道路下一时刻的交通流,具体步骤如下:
步骤4-1:初始化模型结构,确定网路卷积核维度、初始权重、训练步长、激活函数、隐藏层层数和残差单元数量;
步骤4-2:利用步骤2得到的训练集来训练3D动态时空残差卷积关联网络;
步骤4-3:将训练集输入时空特征关联提取组件,分别得到空间序列输入XinS和时间序列输入XinT;
步骤4-4:将空间序列输入到动态空间特征提取组件,得到交通栅格数据的动态空间特征Xs3;
步骤4-5:将时间序列输入到动态时间特征提取组件,得到交通栅格数据的动态时间特征Xt3;
步骤4-6:利用步骤3-4-2对步骤4-3和4-4的输出进行融合,得到模型预测值;
步骤4-7:设置模型迭代次数,将均方根误差作为模型预测值和真实值的误差评价标准,利用反向传播算法更新模型的连接权重;
步骤4-8:模型训练完成后,利用测试集验证模型的预测精度,测试集中某一天预测结果如图6所示。
本发明针对传统时空残差模型处理时空栅格数据时,缺乏时空关联性分析、动态时空特征提取和长期时间演变特征挖掘等不足,首先,利用皮尔逊相关系数方法分析交通栅格数据之间关联性,分别得到空间关联序列和时间关联序列。然后,利用3D卷积和残差单元构建动态空间特征提取组件,将空间序列输入该组件得到动态空间特征。其次,利用3D时间卷积操作结合LSTM网络构建动态时间特征提取组件,将时间序列输入该组件得到动态空间特征。最后,将动态空间和时间特征进行加权融合,得到网络的最终预测值。本发明通过对交通栅格数据演变态势的深入挖掘,有效实现了对城市交通流动态时空特征的提取和分析,使城市交通流预测具有更高的准确性和实用性。
以上所述仅为本发明在成都市出租车数据集下较好的实施方式,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其他修饰变化,皆应纳入权利要求书记载的保护范围。
Claims (5)
1.一种基于3D动态时空残差卷积关联网络的交通流预测方法,其特征在于:包括如下步骤:
步骤1)采集城市道路的交通流数据,并将交通流数据实时传输至智慧城市交通大数据存储中心,对原始的交通流数据进行预处理来降低数据冗余度;
步骤2)根据城市道路的经纬度将预处理后的交通流数据转化为欧几里得结构交通栅格数据,对欧几里得结构交通栅格数据进行标准化处理,并将其划分成训练集和测试集;
步骤3)构建基于3D动态时空残差卷积关联网络,该网络由时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成;
步骤4)用步骤2)得到的训练集训练构建的基于3D动态时空残差卷积关联网络,用训练好的模型预测城市道路下一时刻的交通流。
2.根据权利要求1所述的一种基于3D动态时空残差卷积关联网络的交通流预测方法,其特征在于:所述步骤1)中,将智慧城市交通大数据存储中心接收到的每组交通流数据定义为Datak,Datak={idk,lonk,latk,timestampk,typek},idk,lonk,latk,timestampk,typek分别代表交通流的编号、经度、纬度、时间戳和车辆类型;当t时刻的Datat出现交通流数据缺失,使用该节点上一周或者下一周相同时刻的交通流数据进行替换,将公式定义为:Data(loss)t=Data(t+7*24h)/(t-7*24h),Data(loss)t代表t时刻缺失的交通流数据,Data(t+7*24)/(t-7*24)代表t时刻上一周或者下一周在同一时刻的交通流数据;对于异常值采用3σ原则处理,对符合要求的数据进行保留,不符合要求的采用数据缺失方法进行替换。
3.根据权利要求1所述的一种基于3D动态时空残差卷积关联网络的交通流预测方法,其特征在于:所述步骤2)中,根据经纬度将交通流所在城市划分成欧几里得结构栅格网络,按照固定时间间隔Δt,将预处理过后的交通流数据映射到欧几里得结构交通栅格网络中,生成欧几里得结构交通栅格数据XR={xi,j},XR中每个位置均匀分布,相邻位置之间距离相等;将交通流预测问题转化为给定历史交通栅格数据,预测N+Δt时刻的交通栅格数据XN+Δt,N是交通数据记录的最后时间节点;
交通栅格数据生成后,对其进行标准化处理以降低不同量纲对模型预测结果的影响;通过下式计算标准化后的交通栅格数据X* t:X* t=(Xt-Xμ)/Xσ,其中Xt为标准化前的交通栅格数据,Xμ为交通栅格数据整体数据的平均值,Xσ为交通栅格数据整体数据的标准差;交通栅格数据标准化完成后,对数据集进行拆分,按照固定比例将其划分成训练集和测试集。
4.根据权利要求1所述的一种基于3D动态时空残差卷积关联网络的交通流预测方法,其特征在于:所述步骤3)中,构建基于3D动态时空残差卷积关联网络,该网络由时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成,具体步骤如下:
步骤3-1:构造时空特征关联提取组件,具体步骤如下:
步骤3-1-1:确定时空特征关联提取组件的基本架构,确定以皮尔逊相关系数方法作为相关联度量的评价指标,将皮尔逊相关系数方法公式定义为:其中,xi目标交通栅格数据;yi为待比较的交通栅格数据;σx为目标交通栅格数据的样本总体标准差;σy为待比较交通栅格数据的样本总体标准差;根据皮尔逊相关系数可以将原始交通栅格数据序列划分成空间序列输入XinS和时间序列输入XinT;
步骤3-2:构造动态空间特征提取组件,具体步骤如下:
步骤3-2-1:确定动态空间特征提取组件总体网络架构,利用3D卷积操作对交通栅格数据的动态空间特征进行提取,时空栅格数据尺寸为I*I;选取步骤3-1-1空间序列中M个交通栅格数据构造成3D交通栅格数据,维度为M*I*I,对其进行3D卷积操作提取动态控件特征,选取卷积核维度为w*h*g,w、h、g分别为卷积核的宽、高和长。卷积核移动步长设置为s,补零圈数设置为z;将动态空间特征提取组件3D卷积操作定义为:其中,Xs l-1是第l层卷积层的待提取动态空间特征的交通栅格数据,Ws1 l是第l层动态空间提取卷积层的卷积核参数,该参数的维度与Xs l-1的维度相等,Xs1 l是第l层动态空间特征提取卷积层输出的空间特征,bs1 l是第l层动态空间提取卷积层的偏置项,Ls1是动态空间特征提取卷积层需要卷积的层数;
步骤3-2-2:卷积操作完成后,将步骤3-2-1的卷积特征输出作为残差单元的输入,用来捕获空间特征微小变化,残差操作定义为:其中,Xs1 l-1是第l层残差单元的动态空间特征输入,Xs2 l是第l层残差单元的动态空间特征输出,θs2 l是动态空间特征提取组件第l层残差单元中所有可学习的参数集合,F为动态空间特征提取组件的残差映射,Ls2是动态空间特征提取组件需要进行残差的层数;
步骤3-2-3:设置动态空间特征提取组件中卷积层的激活函数为ReLu函数,神经元的输入和输出维度与交通栅格数据尺寸相同;
步骤3-3:构造动态时间特征提取组件,具体步骤如下:
步骤3-3-1:确定动态时间特征提取组件总体网络架构,将步骤3-1-1输入的时间序列中M个交通栅格数据的维度由(M,I,I)转化为(I*I,M),设计维度为(1,M)的卷积核对转其进行动态时间特性提取,生成维度为(1,I*I)的交通栅格数据Xt2,将动态时间特征卷积公式定义为:其中,其中,Xt l-1是第l层卷积层的待提取动态时间特征的交通栅格数据,Wt1 l是第l层动态时间提取卷积层的卷积核参数,该参数维度与Xt l-1维度相等,Xt1 l是第l层动态时间征提取卷积层输出的时间特征,bt1 l是第l层动态时间提取卷积层的偏置项,Ls1是动态时间特征提取卷积层需要卷积的层数;
将提取动态时间后的交通栅格数据输入到LSTM网络中保持长期时间特征,将公式定义为:其中,fLSTM代表LSTM前向操作,Xt1 (1,I*J)为步骤3-3-1输出的交通栅格数据,上标代表维度,Re是将矩阵维度由(1,I*I)变为(I,I)的维度变化操作,Xt2 (I ,J)为动态时间特征提取组件的最终输出;
步骤3-3-2:设置动态时间特征提取组件中卷积层的激活函数为ReLu函数,LSTM网络的激活函数由Sigmoid函数和Tanh函数组成;
步骤3-4:构造3D动态时空残差卷积关联网络,具体步骤如下:
步骤3-4-1:确定3D动态时空残差卷积关联网络总体架构;
步骤3-4-2:将动态空间特征提取组件的输出定义为Xs3,将动态时间特征提取组件的输出定义为Xt3,采用加权融合方法混合动态空间和时间特征提取组件的输出,公式为:XFusion=f(Ws*Xs1+Wt*Xt1),Ws和Wt分别代表动态空间特征、动态时间特征所占比重。
5.根据权利要求1所述的一种基于3D动态时空残差卷积关联网络的交通流预测方法,其特征在于:所述步骤4中,用步骤2)得到的训练集训练构建的基于3D动态时空残差卷积关联网络,用训练好的模型预测城市道路下一时刻的交通流,具体步骤如下:
步骤4-1:初始化模型结构,确定网路卷积核维度、初始权重、训练步长、激活函数、隐藏层层数和残差单元数量;
步骤4-2:利用步骤2得到的训练集来训练3D动态时空残差卷积关联网络;
步骤4-3:将训练集输入时空特征关联提取组件,分别得到空间序列输入XinS和时间序列输入XinT;
步骤4-4:将空间序列输入到动态空间特征提取组件,得到交通栅格数据的动态空间特征Xs3;
步骤4-5:将时间序列输入到动态时间特征提取组件,得到交通栅格数据的动态时间特征Xt3;
步骤4-6:利用步骤3-4-2对步骤4-3和4-4的输出进行融合,得到模型预测值;
步骤4-7:设置模型迭代次数,将均方根误差作为模型预测值和真实值的误差评价标准,利用反向传播算法更新模型的连接权重;
步骤4-8:模型训练完成后,利用测试集验证模型的预测精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110592357.3A CN113327417B (zh) | 2021-05-28 | 2021-05-28 | 基于3d动态时空残差卷积关联网络的交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110592357.3A CN113327417B (zh) | 2021-05-28 | 2021-05-28 | 基于3d动态时空残差卷积关联网络的交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113327417A true CN113327417A (zh) | 2021-08-31 |
CN113327417B CN113327417B (zh) | 2022-06-10 |
Family
ID=77422206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110592357.3A Active CN113327417B (zh) | 2021-05-28 | 2021-05-28 | 基于3d动态时空残差卷积关联网络的交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113327417B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113823090A (zh) * | 2021-09-22 | 2021-12-21 | 南通大学 | 一种基于多时空图卷积网络的交通流预测方法 |
CN114511154A (zh) * | 2022-02-22 | 2022-05-17 | 南通大学 | 一种基于时空复杂图卷积网络的交通流预测方法 |
CN114913689A (zh) * | 2022-06-01 | 2022-08-16 | 南通大学 | 一种基于先验知识时变图卷积网络的交通流预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887282A (zh) * | 2019-03-05 | 2019-06-14 | 中南大学 | 一种基于层级时序图卷积网络的路网交通流预测方法 |
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 |
CN110517482A (zh) * | 2019-07-29 | 2019-11-29 | 杭州电子科技大学 | 一种基于3d卷积神经网络的短时交通流预测方法 |
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 |
CN112466117A (zh) * | 2020-11-24 | 2021-03-09 | 南通大学 | 基于深度时空残差网络的路网短时交通流预测方法 |
CN112669599A (zh) * | 2020-12-14 | 2021-04-16 | 成都易书桥科技有限公司 | 一种基于时序分析和残差匹配的模型 |
-
2021
- 2021-05-28 CN CN202110592357.3A patent/CN113327417B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109887282A (zh) * | 2019-03-05 | 2019-06-14 | 中南大学 | 一种基于层级时序图卷积网络的路网交通流预测方法 |
CN110517482A (zh) * | 2019-07-29 | 2019-11-29 | 杭州电子科技大学 | 一种基于3d卷积神经网络的短时交通流预测方法 |
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 |
CN112466117A (zh) * | 2020-11-24 | 2021-03-09 | 南通大学 | 基于深度时空残差网络的路网短时交通流预测方法 |
CN112669599A (zh) * | 2020-12-14 | 2021-04-16 | 成都易书桥科技有限公司 | 一种基于时序分析和残差匹配的模型 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113823090A (zh) * | 2021-09-22 | 2021-12-21 | 南通大学 | 一种基于多时空图卷积网络的交通流预测方法 |
CN114511154A (zh) * | 2022-02-22 | 2022-05-17 | 南通大学 | 一种基于时空复杂图卷积网络的交通流预测方法 |
CN114913689A (zh) * | 2022-06-01 | 2022-08-16 | 南通大学 | 一种基于先验知识时变图卷积网络的交通流预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113327417B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110164128B (zh) | 一种城市级智能交通仿真系统 | |
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 | |
CN109697852B (zh) | 基于时序交通事件的城市道路拥堵程度预测方法 | |
CN107529651B (zh) | 一种基于深度学习的城市交通客流预测方法和设备 | |
CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
CN111653088B (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
CN110991713A (zh) | 基于多图卷积和gru的不规则区域流量预测方法 | |
CN111275962B (zh) | 车辆轨迹数据聚集效应预测方法及装置 | |
CN110310474A (zh) | 一种基于时空残差网络的车流量预测方法及装置 | |
CN114802296A (zh) | 一种基于动态交互图卷积的车辆轨迹预测方法 | |
CN112071062B (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
CN115440032B (zh) | 一种长短期公共交通流量预测方法 | |
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 | |
US20240054321A1 (en) | Traffic prediction | |
CN114692984B (zh) | 基于多步耦合图卷积网络的交通预测方法 | |
CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
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 | |
CN112766600B (zh) | 一种城市区域人群流量预测方法及系统 | |
CN113127591B (zh) | 一种基于Transformer和LSTM的位置预测方法 | |
CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
CN112488185A (zh) | 包含时空特性的车辆运行参数预测方法,系统,电子设备及可读存储介质 | |
CN112863182A (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN114913689B (zh) | 一种基于先验知识时变图卷积网络的交通流预测方法 | |
CN114511154B (zh) | 一种基于时空复杂图卷积网络的交通流预测方法 | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 |
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 |