CN113487855A - 一种基于emd-gan神经网络结构的交通流预测方法 - Google Patents

Abstract

一种基于EMD‑GAN神经网络结构的交通流预测方法，包括以下步骤：(1)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集；(2)获取同一路段不同时刻内的交通流状态，提取交通流数据的空间特征；(3)将EMD分解输出的交通流时间特征作为LSTM神经网络输入，进一步提取道路交通流数据中时间特征；(4)使用时空特征数据实现道路交通流预测。本发明提供了一种基于EMD‑GAN神经网络结构的交通流预测方法，利用EMD方法分解获取道路交通流数据获取不同尺度(频率)的时间特征，再将EMD分解得到的特征和原始数据送入LSTM和GAN网络，相较于原先直接拿初始数据去进行预测，提高了交通流短期预测的准确性。

Description

一种基于EMD-GAN神经网络结构的交通流预测方法

技术领域

本发明属于交通预测领域，涉及一种基于EMD-GAN神经网络结构的交通流预测方法。

背景技术

随着社会经济水平的不断提高和生活节奏的不断加快，人们对车辆的需求量也在不断增加，随之而来的是严重的交通堵塞问题。如何有效缓解交通堵塞、

更加高效分配交通资源成为了当务之急。智能交通系统的出现则在一定程度上有效解决了这些问题，而作为智能交通系统一部分的道路交通流预测在这过程中发挥着不可替代的作用。

现有的道路交通流预测方法主要有：时间序列法、马尔科夫预测、卡尔曼滤波法、支持向量机、BP神经网络等等，这些方法有的基于概率统计进行预测、有的基于时间特征进行预测、有的基于浅层神经网络提取特征进行预测等等，虽然这些方法均取得较好的预测结果，但是没有充分挖掘和利用好交通流数据中的时空关联特征。

发明内容

为了克服已有技术的不足,本发明提供了一种基于EMD-GAN(经验模态分解与生成式对抗网络)神经网络结构的交通流预测方法，利用EMD方法分解获取道路交通流数据获取不同尺度(频率)的时间特征，再将EMD分解得到的特征和原始数据送入LSTM和GAN网络，相较于原先直接拿初始数据去进行预测，提高了交通流短期预测的准确性。

本发明解决其技术问题所采用的技术方案是：

一种基于EMD-GAN神经网络结构的交通流预测方法，包括以下步骤：

(1)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集：获取道路交通流数据，对数据进行预处理，构建道路交通流状态数据集；

(2)获取同一路段不同时刻内的交通流状态，提取交通流数据的空间特征：从数据集中获取不同时刻内同一路段的交通流状态，利用EMD分解对交通流状态进行时间特征提取；

(3)将EMD分解输出的交通流时间特征作为LSTM神经网络输入，进一步提取道路交通流数据中时间特征；

(4)使用时空特征数据实现道路交通流预测：将道路交通流时间特征作为LSTM回归预测层输入，计算当前输入对应的预测结果，以上部分为生成网络部分，再将预测结果作为生成值和真实值一起送入GAN网络的判别网络；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测。

本发明的有益效果主要表现在：

1、通过EMD-GAN神经网络模型对交通流数据的学习训练，形成了短期道路交通流预测模型。本发明利用EMD有效提取了道路交通流中的时间特征并利用LSTM神经网络进一步提取道路交通流数据中潜在的时间特征，从而实现了道路交通流状态时间特征的有效提取，克服了特征提取不充分的缺点，进而提高了道路交通流预测的准确性。

2、短时交通流预测作为交通流诱导系统的重要组成部分，本发明在一定程度上可以有效提高交通流诱导系统的性能。此外，该发明也可以作为旅行者出行的有效辅助工具。

附图说明

图1是EMD-GAN神经网络模型结构图基；

图2是于EMD-GAN神经网络模型的交通流预测结果与实际值对比图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1和图2，一种基于EMD-GAN神经网络结构的交通流预测方法，包括以下步骤：

(1)利用EMD分解对交通流状态进行时间特征提取；

1.1：对道路交通车流数据进行EMD分解

通过EMD分解，原始时间序列x(t)拆分为imf_i(t),i∈[1,n](和一个残差分量r(t)，其中n为分解出来的imf分量的个数；

其中x(t)为t时刻路段的道路交通状态参数集imf_i(t)为分解出的第i个t时刻的内涵模态分量，r(t)为t时刻的残差分量交通状态参数集；

经验模态分解算法EMD的分解步骤如下：

1.1.1确定时间序列x(t)的局部极大值点P_i(t),i∈[1,g]以及局部极小值点Q_i(t),i∈[1,h]；

其中x(t)为t时刻路段的道路交通状态参数集，g代表x(t)上局部极大值点的个数；h代表x(t)上局部极小值点的个数；

1.1.2通过三次样条插值连接时间序列x(t)所有的局部极大值点得到上包络线x_{up_i}(t)，利用三次样条插值连接时间序列x(t)所有的局部极小值点得到下包络线x_{low_i}(t)；

1.1.3 m_i(t)＝(x_{up_i}(t)+x_{low_i}(t))/2

其中m_i(t)是上包络线x_{up_i}(t)和下包络线x_{low_i}(t)计算得到的第i个平均时间序列；

1.1.4 h_i(t)＝x(t)-m_i(t)

其中h_i(t)为原始时间序列x(t)与第i个均值时间序列m_i(t)的差值。

1.1.5检查h_i(t)是否满足下述中imf_i(t)的两个条件：

1)|R-T|＝1

其中R代表imf_i(t)时间段内局部最大值的个数，其中T代表imf_i(t)时间段内局部最小值的个数，

2)imf_{average_i}(t)＝(imf_{up_i}(t)+imf_{low_i}(t))/2＝0

其中imf_{up_i}(t)是imf_i(t)时间段内局部最大值通过三次样条插值形成的上包络线，imf_{low_i}(t)是imf_i(t)时间段内局部最小值通过三次样条插值形成的下包络线。imf_{average_i}(t)为上包络线imf_{up_i}(t)和下包络线imf_{low_i}(t)的平均值；

如果不满足，将重复分解过程的(1)到(4)，直到找到满足上述两个条件的imf_i(t)；

1.1.6r_i(t)＝x(t)-imf_i(t)，其中r_i(t)为残差项。

1.1.7对残差项r_i(t)应用上述筛选过程提取下一个imf_i+1(t)，分解过程重复进行，直到找到最后一个残差r_s(t)，其中的s代表经过s轮分解过后得到的残差满足残差分量的条件。

其中残差分量需要满足如下条件：

或者

其中

代表对残差分量r_s(t)进行一次求导，即要求r_s(t)是一个单调函数。

在上述EMD分解过程中，1.1.2的三次样条插值，以imf_i(t)中局部极大值点W_i(t),i∈[1,R]为例，局部最大值点的坐标为(X_i(t),Y_i(t)),i∈[1,R]，过程如下所示：

1.1.2.1计算步长h_i(t)＝X_i(t)-X_i+1(t)i∈[1,R-1]。

1.1.2.2将步长h_i(t)和局部最大值坐标(X_i(t),Y_i(t)),i∈[1,R]代入矩阵方程，矩阵方程如下所示。

其中f_i(t)为二次微分值,其中i∈[1,R]；

1.1.2.3解矩阵方程，求得二次微分值f_i(t),i∈[1,R]。

1.1.2.4计算样条曲线的系数a_i(t),b_i(t),c_i(t),d_i(t)。

a_i(t)＝Y_i(t)

1.1.2.5在每个子区间X_i(t)≤t≤X_i+1(t)中创建方程

g_i(t)＝a_i(t)+b_i(t)(t-X_i(t))+c_i(t)(t-X_i(t))²+d_i(t)(t-X_i(t))³

其中g_i(t)为X_i(t)≤t≤X_i+1(t)区间的包络线；

通过以上五个步骤完成三次样条插值，从而得到局部极大值点的上包络线imf_{up_t}(t)

同理也可以计算得到局部极小值点Q_i(t),i∈[1,h]得到下包络线imf_{low_t}(t)；

(2)获取道路交通流数据，对数据进行预处理，构建道路交通流状态数据集；

通过EMD分解已经得到分解后的,再使用皮尔逊相关系数计算各个分量imf_i(t),i∈[1,n]和原始交通流数据x(t)之间的相关性，其中n为分解出来的imf分量的个数，接着选出相关性最高的k个分量imf_{max_i}(t),i∈[1,k]；

皮尔逊相关系数的计算公式如下所示：

其中，cov代表求两列数据之间的协方差，δ代表求数据的标准差，

对原始数据x(t)和皮尔逊相关系数最高的k个分量imf_{max_i}(t)进行预处理；

P(t)＝[x(t) imf_{max_1}(t) imf_{max_2}(t) … imf_{max_k}(t)]

对车流量数据x(t)进行数据预处理，数据预处理计算表达式如下所示：

其中，x(t)为t时刻的车流量数据，min x(t)为车流量数据x(t)中的最小值，max x(t)为流量数据x(t)中的最大值，x_p(t)为预处理后的流量数据；

同理对皮尔逊相关系数最高的k个分量imf_{max_i}(t)进行处理后得到归一化后的k个分量imf_{p_maxi}(t),i∈[1,k]；

按照道路交通流时间状态，将数据集分为训练集和测试集，划分比例为8：2；

根据预处理后的道路交通流数据构建道路交通流状态矩阵数据集，数据集中的单个样本矩阵形式如下所示：

P_m(t)＝[x_p(t) imf_{p_max1}(t) imf_{p_max2}(t) … imf_{p_maxk}(t)]

其中x_p(t)代表了归一化后t时刻的原始数据，imf_{p_max1}(t)---imf_{p_maxk}(t)代表了归一化后t时刻的分量imf_{max_i}(t)。

(3)GAN网络生成器部分：将EMD分解输出的交通流时间特征作为LSTM神经网络输入，进一步提取道路交通流数据中时间特征；

对于道路交通流状态输入矩阵，定义交通流向量P_m(t)为如下形式：

P_m(t)＝[x_p(t) imf_{p_max1}(t) imf_{p_max2}(t) … imf_{p_maxk}(t)]

目前，LSTM神经网络主要用于时序数据的处理，它能够有选择性的保留历史信息并用于下一时刻的计算。LSTM神经网络主要由多个记忆单元构成，而记忆单元主要由输入门、遗忘门、输出门状态单元四部分构成，每个记忆单元的计算如下所示。

f_m＝f(W₁·[h_m-1,P_m]+b₁)

i_m＝f(W₂·[h_m-1,P_m]+b₂)

C`_m＝g(W₃·[h_m-1,P_m]+b₃)

C_m＝f_m⊙C_m-1+i_m⊙C`_m

O_m＝f(W₄·[h_m-1,H_m ⁿ]+b₄)

h_m＝O_m⊙g(C_m)

其中，·表示矩阵叉乘，⊙表示矩阵点乘，W₁、W₂、W₃、W₄分别表示遗忘门、输入门、态单元、输出门的权重矩阵，b₁、b₂、b₃、b₄分别表示遗忘门、输入门、状态单元、输出门的偏置，f_m、i_m、C_m、h_m分别表示当前时刻遗忘门、输入门、状态单元以及记忆单元的输出，C_m-1、h_m-1分别表示前一时刻的状态门输出和单元输出，C`_m表示为候选状态，f、g分别表示sigmoid函数和双曲正切函数。故LSTM神经网络的最终输出表示为H＝[h₁,h₂,…,h_m],0≤m＜M,其中M代表预测的步长。

本发明中将LSTM神经网络用于交通流数据时变特性的提取，将道路交通流空间信息的计算结果作为LSTM神经网络的输入，进一步提取道路交通流数据中的时间特征。整个计算过程可由keras中的LSTM层进行实现，需要设定输出单元数量及隐藏层数目。keras是一个高层神经网络API，keras由纯Python编写而成并基于tensorflow,theano和CNTK后端；

(4)GAN网络鉴别器部分：使用时空特征数据实现道路交通流预测：将道路交通流时间特征作为LSTM回归预测层输入，计算当前输入对应的预测结果，以上部分为生成网络部分，再将预测结果作为生成值和真实值一起送入GAN网络的判别网络；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测；过程如下：

4.1：计算预测结果

将LSTM神经网络输出的时空信息H和真实值U作为全连接层的输入，预测基于历史交通流数据输入下的下一时刻状态,全连接表达式如下所示：

Y_pre＝W·H

Y_true＝U·H

其中，W为全连接层权重矩阵,H为LSTM神经网络的输出结果，Y_pre为全连接层输出的预测交通流状态，Y_true为全连接层输出的实际交通流状态，全连接层可由keras中Dense层进行实现，需要设置输出单元数目；

4.2：定义模型损失函数，优化模型参数并实现实时交通流预测

定义模型预测的交通流状态为Y_pre,实际交通流状态为Y_true，则模型损失函数L为binary_crossentropy；

将模型预测的交通流状态与实际的交通流状态进行比较，计算模型的损失函数L，然后利用反向传播算法实现对模型参数的不断优化；最后，将测试集数据作为模型输入，实现实时道路交通流的预测；反向传播算法中的梯度计算与参数更新均通过优化器RMSprop进行实现。

实际实验中的数据处理，过程如下：

(1)选取实验数据

原始交通流数据集包含24条路段61天的车流量数据，所述的数据集中的交通流数据为美国加利福尼亚州部分路段流量数据，采样间隔T为5min。

将其中一条路段前2天的道路交通流数据作为训练数据集，进行模型参数训练。这条路段的后1天的道路交通流数据作为实验数据集，进行算法验证。

(2)参数确定

本发明的实验结果均基于tensorflow环境下实现的，使用keras完成整个实验模型框架的搭建，LSTM神经网络通过LSTM层实现，全连接层通过Dense函数实现。其中LSTM层有两层，输出单元前后分别设置为75，25。全连接层输出的单元分别为72，100，10，1。

(3)实验结果

本发明实验以多路段短时交通流预测为目的，通过训练集进行模型训练，测试集进行模型预测性能的检验。

本实验选取平均绝对百分比误差(MAPE)作为道路交通流预测精度的指标，其计算公式分别如下所示：

其中，observed_t为t时刻的实际观测流量,predicted_t为模型输出t时刻的预测流量，z代表总的预测数量。

实验路段流量预测结果统计分析为MAPE＝0.153。

本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。

Claims (5)

1.一种基于EMD-GAN神经网络结构的交通流预测方法，其特征在于，所述方法包括以下步骤：

(1)获取同一路段不同时刻内的交通流状态，提取交通流数据的空间特征：从数据集中获取不同时刻内同一路段的交通流状态，利用EMD分解对交通流状态进行时间特征提取；

(2)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集：获取道路交通流数据，对数据进行预处理，构建道路交通流状态数据集；

(3)将EMD分解输出的交通流时间特征作为LSTM神经网络输入，进一步提取道路交通流数据中时间特征；

(4)使用时空特征数据实现道路交通流预测：将道路交通流时间特征作为LSTM回归预测层输入，计算当前输入对应的预测结果，以上部分为生成网络部分，再将预测结果作为生成值和真实值一起送入GAN网络的判别网络；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测。

2.如权利要求1所述的基于EMD-GAN神经网络结构的交通流预测方法，其特征在于，所述步骤(1)中，对同一路段不同时刻的交通流数据x(t)用EMD分解的方式提取出n个时间分量imf_i(t),i∈[1,n]和一个残差分量r(t)。

3.如权利要求1或2所述的基于EMD-GAN神经网络结构的交通流预测方法，其特征在于，所述步骤(2)的过程如下：运用皮尔逊相关系数求出各个时间特征分量imf_i(t)和交通流数据x(t)之间的相关性系数，并根据皮尔逊相关系数挑选出相关性较高前k个时间特征分量imf_max__i(t),并用这前k个分量和原始交通流数据x(t)构成交通流状态矩阵数据集；再用min-max标准化方法对交通流状态矩阵数据集进行归一化。

4.如权利要求1或2所述的基于EMD-GAN神经网络结构的交通流预测方法，其特征在于，所述步骤(3)的过程如下：利用LSTM神经网络能够有效提取时序信息的特点，将EMD分解输出的包含时间特征的结果作为LSTM神经网络的输入，利用LSTM神经网络进一步提取交通流状态中的时间特征。

5.如权利要求1或2所述的基于EMD-GAN神经网络结构的交通流预测方法，其特征在于，所述步骤(4)的过程如下：时间序列生成器采用LSTM网络，将道路交通流时空特征作为回归预测层输入，计算当前输入对应的预测结果；将binary_crossentropy定义为模型的损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据，即测试集作为模型输入，实现实时道路交通流的预测。

Images