CN114023074A - 基于多信号源的交通拥堵预测方法、设备及介质 - Google Patents
基于多信号源的交通拥堵预测方法、设备及介质 Download PDFInfo
- Publication number
- CN114023074A CN114023074A CN202210020829.2A CN202210020829A CN114023074A CN 114023074 A CN114023074 A CN 114023074A CN 202210020829 A CN202210020829 A CN 202210020829A CN 114023074 A CN114023074 A CN 114023074A
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- output
- representing
- hidden
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000000126 substance Substances 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000009432 framing Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 10
- 238000005111 flow chemistry technique Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001146702 Candidatus Entotheonella factor Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 241000135164 Timea Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06N3/08—Learning methods
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于多信号源的交通拥堵预测方法、设备及介质,该方法包括:获取路网上的每条路段信息以及多种训练数据;依据数据类型对训练数据分别进行对应的预处理;将预处理后的训练数据输入至拥堵预测模型,依据预测误差和拥堵预测模型的状态分布确定拥堵预测模型的单元路径上的连接权重;使用训练后的拥堵预测模型对待预测数据进行拥堵预测;将相邻的前后两次拥堵预测结果进行相关性检验。本发明通过获取多种类型的信号源作为预测输入值,使用神经网络对多维时间序列进行学习,通过多信号源自对比反向传播和前向传播调整来获得准确预测结果,及时预测交通信息,为城市路网规划和城市拥堵治理提供参考依据。
Description
技术领域
本发明涉及交通预测技术领域,尤其是一种基于多信号源的交通拥堵预测方法、设备及介质。
背景技术
交通预测模型是指交通现象各要素之间以及交通现象与社会经济活动各因素之间相互关系的定量描述,用于交通分析和交通预测,是交通规划重要技术方法之一。交通预测的输入端为已知因素,也就是影响城市交通状况的因素,但是影响城市交通状况的因素很多,比如天气状况、时间、车辆数量、交通事故、交通信号灯等。
目前,现有的交通预测技术方案多数属于单一信号源数据预测,利用交通图像数据进行城市交通预测智能控制,并没有结合具体交通信号灯、GPS、雷达等数据进行建模分析,不足以全面反映交通流状态的实际情况。如何将多信号源交通数据进行整合,提高交通运行效率改善城市交通拥堵状况,建立一个城市拥堵预测方法及系统是当前数字化时代智慧城市交通智能控制亟待解决的难题。
发明内容
本发明的目的是提供一种基于多信号源的交通拥堵预测方法、设备及介质,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
第一方面,提供一种基于多信号源的交通拥堵预测方法,包括:
获取路网上的每条路段信息以及多种训练数据;其中,所述训练数据包括历史信号灯数据、历史车辆定位数据、历史环境数据和历史监控数据;
依据数据类型对训练数据分别进行对应的预处理;
将预处理后的训练数据输入至拥堵预测模型,依据预测误差和拥堵预测模型的状态分布确定拥堵预测模型的单元路径上的连接权重;其中,拥堵预测模型具有输入层、多个中间可见层和输出层,两中间可见层之间连接有隐层;
将待预测数据输入至拥堵预测模型,使用训练后的拥堵预测模型对待预测数据进行拥堵预测;
将相邻的前后两次拥堵预测结果进行相关性检验,输出相关性检验为合理的拥堵预测结果。
进一步地,所述依据数据类型对训练数据分别进行对应的预处理,包括:
依据历史车辆信号灯数据和历史交通信号灯数据之间的关系建立二维矩阵,对历史车辆信号灯数据和历史交通信号灯数据的亮灯情况进行表示;
依据历史车辆定位数据和历史环境数据的类型建立二维矩阵,分别对历史车辆定位数据和历史环境数据进行表示;
对历史监控数据进行分帧后进行光流处理,计算车辆运动信息。
进一步地,所述对历史监控数据进行分帧后进行光流处理,计算车辆运动信息,包括:
对历史监控数据进行分帧处理,并将分帧处理获得的图像转换为二值图像;
对二值图像进行卷积运算,提取局部特征图;所述对二值图像进行卷积运算的公式为:
扩张局部特征图,基于光流法对扩张后的局部特征图进行特征提取,依据特征在局部特征图上的移动量计算车辆运动信息。
进一步地,所述依据预测误差和拥堵预测模型的状态分布确定拥堵预测模型的单元路径上的连接权重,包括:
通过反向传播方式对中间可见层和输出层之间的连接权重以及输入层和中间可见层之间的连接权重进行计算;
通过前向传播方式对各中间可见层以及两中间可见层之间的隐层的状态分布,调整中间可见层与隐层的偏置以及两者之间的连接权重。
进一步地,所述通过反向传播方式对中间可见层和输出层之间的连接权重以及输入层和中间可见层之间的连接权重进行计算,包括:
使用误差函数对最后一个中间可见层和输出层之间的连接权重进行求导,得到以下公式:
其中,E表示误差函数,表示最后一个中间可见层第j个单元和输出层第k个
单元之间的连接权重,表示输出层第k个单元的预测输出,表示实际结果,表示最
后一个中间可见层第k个单元的激活值,表示最后一个中间可见层第j个单元;
使用误差函数对输入层和第一个中间出层之间的连接权重进行求导,得到以下公式:
所述输入层和第一个中间可见层之间的连接权重的调整值为:
进一步地,所述通过前向传播方式对各中间可见层以及两中间可见层之间的隐层的状态分布,调整中间可见层与隐层的偏置以及两者之间的连接权重,包括:
沿前向传播方向使用前一个中间可见层的取值确定后一个隐层处于目标状态的状态概率分布,以及沿前向传播方向使用前一个隐层的取值确定后一个中间可见层处于目标状态的状态概率分布;
所述隐层处于目标状态的概率分布表示为:
其中,表示第b个隐层的第j个隐单元,b=1、2、3······m,a表示目标概
率,表示第b个中间可见层,表示第b个中间可见层的第i个单元与第b个隐层的第
j个隐单元之间的连接权重,表示第b个中间可见层的第i个单元,表示第b个隐层的
第j个隐单元的偏置;
所述中间可见层处于目标状态的概率分布表示为:
其中,表示第b个中间可见层的第j个单元,表示第b-1个隐层,表
示sigmoid函数,表示第b个中间可见层的第i个单元与第b-1个隐层的第j个隐单
元之间的连接权重,表示第b个中间可见层的第i个单元的偏置;
依据中间可见层的状态概率分布调节该中间可见层的偏置以及其与后一个隐层之间的连接权重,依据隐层的状态概率分布调节该隐层的偏置以及其与后一个中间可见层之间的连接权重;
所述中间可见层与隐层的连接权重调整公式为:
所述隐层的单元的偏置调整公式为:
所述中间可见层的单元的偏置调整公式为:
进一步地,所述使用训练后的拥堵预测模型对待预测数据进行拥堵预测,包括:
以二维矩阵方式将中间可见层和输出层的各个连接权重进行表示;
计算训练后拥堵预测模型的输入层的各个单元的净输入;
所述净输入的计算公式为:
依据净输入计算输出层的输出值以及误差值;
所述输出层的输出值的计算公式为:
所述输出层的误差值的计算公式为:
进一步地,所述将相邻的前后两次拥堵预测结果进行相关性检验,输出相关性检验为合理的拥堵预测结果,包括:
对输出层的预测输出按产生时刻进行最大值求取,获取相邻两个时刻的最大预测输出;
判断两所述最大预测输出所对应的单元的间距是否大于合理阈值;
若是,判断预测输出为合理并进行输出;
若否,判断预测输出为不合理。
第二方面,提供一种计算机设备,包括:
存储器,存储有计算机程序;
处理器,所述处理器执行所述计算机程序时实现如第一方面所述的基于多信号源的交通拥堵预测方法。
第三方面,提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的基于多信号源的交通拥堵预测方法。
本发明的有益效果:通过获取多种类型的信号源作为预测输入值,使用神经网络对多维时间序列进行学习,通过多信号源自对比反向传播和前向传播调整来获得准确预测结果,及时预测交通信息,为城市路网规划和城市拥堵治理提供参考依据。
附图说明
图1是根据一实施例示出的一种基于多信号源的交通拥堵预测方法的流程图。
图2是一实施例提供的训练前的拥堵预测模型的结构框图。
图3是根据一实施例示出的步骤S200方法的流程图。
图4是根据一实施例示出的步骤S300方法的流程图。
图5是根据一实施例示出的步骤S400方法的流程图。
图6是一实施例提供的训练后的拥堵预测模型的结构框图。
图7是根据一实施例示出的步骤S500方法的流程图。
图8是根据一实施例示出的一种计算机设备的内部结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清晰,下面将结合实施例和附图,对本发明作进一步的描述。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
根据本发明的第一方面,提供一种基于多信号源的交通拥堵预测方法。
参阅图1,图1是根据一实施例示出的一种基于多信号源的交通拥堵预测方法的流程图。如图1所示,所述方法包括以下步骤S100至步骤S500。
步骤S100.获取路网上的每条路段信息以及多种训练数据。
其中,训练数据包括历史信号灯数据、历史车辆定位数据、历史环境数据和历史监控数据。在步骤S100中,通过从不同的数据源获取获取训练数据,示例性地,可以是根据路网上的每条路段信息确定各个路段上的交通灯以及路段上的监控摄像头,并从道路监控中心的数据库获取所确定的历史信号灯数据和历史监控数据,通过识别历史监控数据中拍摄的车辆,可以确定对应车辆在经过该监控路段时所使用的车辆信号灯,以及根据车牌从定位系统中获取该车辆的历史车辆定位数据,优选地,历史车辆定位数据为GPS雷达信号,通过互联网获取天气、温度和风力等历史环境数据。
步骤S200.依据数据类型对训练数据分别进行对应的预处理。
步骤S300.将预处理后的训练数据输入至拥堵预测模型,依据预测误差和拥堵预测模型的状态分布确定拥堵预测模型的单元路径上的连接权重。
参阅图2,本实施例所述的拥堵预测模型具有输入层、多个中间可见层和输出层,两中间可见层之间连接有隐层,中间可见层用于表示上一层输入的数据并输入至隐层,隐层相当于特征提取器,用于提取数据中属于特征性的信息。其中,Q11~Q1m分别表示拥堵预测模型的输入层,Z11~Z1m以及Zn1~Znm分别表示拥堵预测模型的中间可见层,Y11~Y1m分别表示拥堵预测模型的输出层。
实际使用中,所述计算拥堵预测模型的单元路径上的连接权重的过程中,需要使用拥堵预测模型对输入的训练数据进行拥堵预测,拥堵预测模型的单元路径上具有初始设定的连接权重,使用连接初始设定的拥堵预测模型进行预测存在较大的误差,依据预测误差来单元路径上的连接权重进行反向传播调整,从而提升预测的准确度,同时引入对拥堵预测模型的状态分布计算,对中间可见层和隐层的链接权重和偏置进行调整,以此来提升正向传播过程中的预测精度。
步骤S400.将待预测数据输入至拥堵预测模型,使用训练后的拥堵预测模型对待预测数据进行拥堵预测。
待预测数据是实时获取的数据,其类型与训练数据的类型相同,即待预测数据包括实时信号灯数据、实时车辆定位数据和实时监控数据,在步骤S400中,使用训练后的拥堵预测模型对待预测数据进行拥堵预测,获得相对准确的拥堵预测结果。
步骤S500.将相邻的前后两次拥堵预测结果进行相关性检验,输出相关性检验为合理的拥堵预测结果。
待预测数据连续地输入至拥堵预测模型进行拥堵预测,进而对连续输出拥堵预测结果进行相关性检验,从而检验拥堵预测结果的合理性。
示例性地,可以是对监控数据进行拆分,拆分为连续的监控图像,将相同时刻的信号灯数据和车辆定位数据进行匹配与监控图像进行匹配,从而获得一组待预测数据,对连续输入的多组待预测数据进行拥堵预测,通过提取相邻的两组拥堵预测结果的相关特征并进行对比,从而确定该连续输出的拥堵预测结果的相关性,进而输出相关性检验为合理的拥堵预测结果。
如此,通过获取多种类型的信号源作为预测输入值,使用神经网络对多维时间序列进行学习,通过多信号源自对比反向传播和前向传播调整来获得准确预测结果,及时预测交通信息,为城市路网规划和城市拥堵治理提供参考依据。
参阅图3,图3是根据一实施例示出的步骤S200方法的流程图。如图3所示,所述方法包括以下步骤S210至步骤S230。
步骤S210.依据历史车辆信号灯数据和历史交通信号灯数据之间的关系建立二维矩阵,对历史车辆信号灯数据和历史交通信号灯数据的亮灯情况进行表示。
步骤S220.依据历史车辆定位数据和历史环境数据的类型建立二维矩阵,分别对历史车辆定位数据和历史环境数据进行表示。
历史车辆信号灯数据和历史交通信号灯数据均属于历史信号灯数据,历史信号灯数据、历史车辆定位数据和历史环境数据的转换原理相似,下面以历史信号灯数据为例进行具体阐述。
为了便于将历史信号灯数据输入至拥堵预测模型,将历史信号灯数据转换为二维矩阵的形式进行表达,矩阵结构如表1所示:
红灯 | 黄灯 | 左转(绿灯) | 直走(绿灯) | 右转(绿灯) | 无灯 | |
JD | 0 | 0 | 1 | 1 | 1 | 1 |
FJ | 1 | 0 | 0 | 0 | 0 | 1 |
RX | 1 | 0 | 0 | 0 | 0 | 1 |
CD | 0 | 0 | 0 | 0 | 0 | 0 |
SG | 0 | 0 | 0 | 0 | 0 | 0 |
TL | 0 | 0 | 0 | 0 | 0 | 0 |
表1
其中,矩阵列依次表示机动车信号灯(JD)、非机动车信号灯(FJ)、人行横道信号灯(RX)、车道信号灯(CD)、闪光警告信号灯(SG)和道路平面交叉道口信号灯(TL),0代表信号灯熄灭,1代表着信号灯是亮灯,然后无灯所对应的1代表该路段存在此信号灯,无灯所对应的0代表该路段不存在此信号灯。
拥堵预测模型在设定连接权重的初始值时对信号灯的亮灭情况进行相关匹配设置,当交通灯为红灯或黄灯亮时,抑制车辆运行速度、车流量、车道占有率、排队长度等权重的表达,当为交通灯为绿灯亮时,则加大对车辆运行速度、车流量、车道占有率、排队长度的判断权重阈值,即在绿灯情况下的运行速度要比红灯情况下正常通行运行速度要快。
同理,针对于不同信号灯类型相应调整的权重阈值,历史车辆定位数据的转换原理与上述过程相似,历史车辆定位数据包括车辆运行速度、车辆转向情况、车辆类型,车辆经纬度坐标、GPS当前时间、GPS日期等信息,用于辅助获取车辆位置以及车辆信号灯数据,这是因为在天气恶劣情况下,历史监控数据的视频质量会被降低,此外,由于上下班高峰期的运行速度阈值与日常通行的判断阈值不一致,可以根据GPS反馈回来的时间信息可以作为判断速度的标准。
步骤S230.对历史监控数据进行分帧后进行光流处理,计算车辆运动信息。
步骤S230中计算车辆运动信息的原理是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系,从而计算出相邻帧之间物体的运动信息,例如车辆运行速度、车流量、车道占有率、排队长度和车辆转向情况等,还可以从图像中直接获得相关信息,例如车辆类型、视频监控的时间以及从图像质量推测天气情况等。
具体地,步骤S230对历史监控数据的预处理包括以下步骤:
对历史监控数据进行分帧处理,并将分帧处理获得的图像转换为二值图像。分帧处理后得到的图像依次进行空间转换处理(从RGB空间转换至GRAY空间)、中值滤波处理以及自适应阈值处理后得到二值图像。
对二值图像进行卷积运算,提取局部特征图;所述对二值图像进行卷积运算的公式为:
扩张局部特征图,基于光流法对扩张后的局部特征图进行特征提取,依据特征在局部特征图上的移动量计算车辆运动信息。经过以上的卷积运算,获得的局部特征图相较于原来的二值图像是缩小了比例的,本实施例采用双线性采样方式对局部特征图进行扩张路径,使其的比例恢复到与输入的二值图像的比例一致。
参阅图4,图4是根据一实施例示出的步骤S300方法的流程图。如图4所示,所述方法包括步骤S310至步骤S320。
步骤S310.通过反向传播方式对中间可见层和输出层之间的连接权重以及输入层和中间可见层之间的连接权重进行计算。
对于中间可见层和输出层之间的连接权重以及输入层和中间可见层之间的连接权重,采用反向传播算法对连接权重进行计算,具体的计算过程如下:
基于反向传播算法,使用误差函数对最后一个中间可见层和输出层之间的连接权重进行求导,得到以下公式:
其中,E表示误差函数,表示最后一个中间可见层第j个单元和输出层第k个
单元之间的连接权重,表示输出层第k个单元的预测输出,表示实际结果,表示最
后一个中间可见层第k个单元的激活值,表示最后一个中间可见层第j个单元。
使用误差函数对输入层和第一个中间出层之间的连接权重进行求导,得到以下公式:
由于第一个中间可见层的单元均是与输出层的所有单元相连,因此,误差函数E对
连接权重求导,就是对输出层的所有单元的导数进行加权求和,实际使用的是输出层
的所有单元的连接权重的综合,把误差函数和sigmoid函数的导数代入上式可得以下关系:
最终得到输入层和第一个中间可见层之间的连接权重的调整值,所述输入层和第一个中间可见层之间的连接权重的调整值为:
步骤S320.通过前向传播方式对各中间可见层以及两中间可见层之间的隐层的状态分布,调整中间可见层与隐层的偏置以及两者之间的连接权重。
对于中间可见层和隐层之间的连接权重,采用前向传播方式对中间可见层和隐层的状态分布进行计算,从而调整连接权重和偏置,具体的计算过程如下:
沿前向传播方向使用前一个中间可见层的取值确定后一个隐层处于目标状态的状态概率分布,以及沿前向传播方向使用前一个隐层的取值确定后一个中间可见层处于目标状态的状态概率分布。
沿前向传播方向进行计算时,首先使用第一个中间可见层的初始取值对第一个隐层的各个隐单元的状态概率分布进行计算,更新它们的状态值,再基于更新后的第一个隐层对第二个中间可见层的各个单元的状态概率分布进行计算,如此类推,沿前向传播方向迭代进行运算直至更新至最后一个中间可见层。
所述隐层处于目标状态的概率分布表示为:
其中,表示第b个隐层的第j个隐单元,b=1、2、3······m,a表示目标概
率,表示第b个中间可见层,表示第b个中间可见层的第i个单元与第b个隐层的第
j个隐单元之间的连接权重,表示第b个中间可见层的第i个单元,表示第b个隐层的
第j个隐单元的偏置;
所述中间可见层处于目标状态的概率分布表示为:
其中,表示第b个中间可见层的第j个单元,表示第b-1个隐层,表
示sigmoid函数,表示第b个中间可见层的第i个单元与第b-1个隐层的第j个隐单
元之间的连接权重,表示第b个中间可见层的第i个单元的偏置;
依据中间可见层的状态概率分布调节该中间可见层的偏置以及其与后一个隐层之间的连接权重,依据隐层的状态概率分布调节该隐层的偏置以及其与后一个中间可见层之间的连接权重;
所述中间可见层与隐层的连接权重调整公式为:
所述隐层的单元的偏置调整公式为:
所述中间可见层的单元的偏置调整公式为:
参阅图5,图5是根据一实施例示出的步骤S400方法的流程图。如图5和图6所示,所述方法包括步骤S410至步骤S430。
步骤S410.以二维矩阵方式将中间可见层和输出层的各个连接权重进行表示。
步骤S420.计算训练后拥堵预测模型的输入层的各个单元的净输入。
所述净输入的计算公式为:
步骤S430.依据净输入计算输出层的输出值以及误差值。
所述输出层的输出值的计算公式为:
参阅图7,图7是根据一实施例示出的步骤S500方法的流程图。如图7所示,所述方法包括步骤S510至步骤S540。
步骤S510.对输出层的预测输出按产生时刻进行最大值求取,获取相邻两个时刻的最大预测输出。
步骤S520.判断两所述最大预测输出所对应的单元的间距是否大于合理阈值。若是,执行步骤S530;若否,执行步骤S540。
步骤S530.判断预测输出为合理并进行输出。
步骤S540.判断预测输出为不合理。
在本实施例中,首先对相同帧产生的各个预测输出进行对比(输出层的各个单元分别对应一个预测输出),获得该帧图像中的最大预测输出,其次按照时序顺序计算相邻帧图像的最大预测输出所对应的单元的间距,当该间距大于合理阈值时,则认定为对应这两帧图像的预测结果不合理,反之则认定为对应这两帧图像的预测结果合理。需要说明的是,在客观规律上,城市交通道路拥堵情况变换是阶梯递增或递减变换,所以两帧图像之间的预测概率等级变化必须是梯度变换或者不变,当出现这种情况时则认为这两帧预测结果不可信。另外,可以是通过输出层各个单元的序号确定单元之间的间距,示例性地,序号为1的单元与序号为2的单元的间距为1,序号为1的单元与序号为3的单元的间距为2。
在实际应用时,在交通拥堵预测过程中每预测一秒需要6帧可信预测结果,才可以判定该概率可信,进而预测未来交通拥堵情况,大幅度提高交通预测分析的准确性。例如利用当日下午的14:00-15:00的视频帧数据进行预测明日14:00-15:00的交通拥堵情况,进一步说明:当日14:00-14:01这一秒内的6帧可信预测结果进行预测明日14:00-14:01甚至是一周一个月后的14:00-14:01这一秒内的交通情况。如果最大预测输出为交通阻滞时则可视化界面该段道路显示为红色,最大预测输出为交通拥堵则可视化界面在该道路上显示成橙色,最大预测输出为交通一般时道路显示为黄色,最大预测输出为交通缓行则道路显示为青色,最大预测输出为交通通畅则显示为深绿色。
根据本发明的第二方面,提供一种计算机设备。
参阅图8,图8是根据一实施例示出的一种计算机设备的内部结构图。如图8所示,该计算机设备包括通过系统总线连接的处理器、存储器和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现第一方面所述的一种基于多信号源的交通拥堵预测方法。
存储器和处理器各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。处理器包括至少一个可以软件或者是固件(firmware)的形式存储于存储器中或者是固化在服务器的操作系统(operating system,OS)中的软件功能模块。处理器用于执行存储器中存储的可执行模块。
其中,存储器可以是随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器 (Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器用于存储程序以及语音数据,处理器在接收到执行指令后,执行程序。
处理器可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
处理器将各种输入/输入装置耦合至处理器以及存储器。在一些实施例中,处理器以及存储器可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
外设接口将各种输入/输入装置耦合至处理器以及存储器。在一些实施例中,外设接口,处理器及存储器可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
根据本发明的第三方面,还提供一种计算机存储介质,所述计算机存储介质中存储有计算机程序,计算机存储介质可以是磁性随机存取存储器、只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器、快闪存储器、磁表面存储器、光盘、或只读光盘等;也可以是包括上述存储器之一或任意组合的各种设备,如移动电话、计算机、平板设备、个人数字助理等。所述计算机程序被处理器执行时实现第一方面所述的一种基于多信号源的交通拥堵预测方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,除了包含所列的那些要素,而且还可包含没有明确列出的其他要素。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于多信号源的交通拥堵预测方法,其特征在于,包括:
获取路网上的每条路段信息以及多种训练数据;其中,所述训练数据包括历史信号灯数据、历史车辆定位数据、历史环境数据和历史监控数据;
依据数据类型对训练数据分别进行对应的预处理;
将预处理后的训练数据输入至拥堵预测模型,依据预测误差和拥堵预测模型的状态分布确定拥堵预测模型的单元路径上的连接权重;其中,拥堵预测模型具有输入层、多个中间可见层和输出层,两中间可见层之间连接有隐层;
将待预测数据输入至拥堵预测模型,使用训练后的拥堵预测模型对待预测数据进行拥堵预测;
将相邻的前后两次拥堵预测结果进行相关性检验,输出相关性检验为合理的拥堵预测结果。
2.根据权利要求1所述的基于多信号源的交通拥堵预测方法,其特征在于,所述依据数据类型对训练数据分别进行对应的预处理,包括:
依据历史车辆信号灯数据和历史交通信号灯数据之间的关系建立二维矩阵,对历史车辆信号灯数据和历史交通信号灯数据的亮灯情况进行表示;
依据历史车辆定位数据和历史环境数据的类型建立二维矩阵,分别对历史车辆定位数据和历史环境数据进行表示;
对历史监控数据进行分帧后进行光流处理,计算车辆运动信息。
4.根据权利要求1所述的基于多信号源的交通拥堵预测方法,其特征在于,所述依据预测误差和拥堵预测模型的状态分布确定拥堵预测模型的单元路径上的连接权重,包括:
通过反向传播方式对中间可见层和输出层之间的连接权重以及输入层和中间可见层之间的连接权重进行计算;
通过前向传播方式对各中间可见层以及两中间可见层之间的隐层的状态分布,调整中间可见层与隐层的偏置以及两者之间的连接权重。
5.根据权利要求4所述的基于多信号源的交通拥堵预测方法,其特征在于,所述通过反向传播方式对中间可见层和输出层之间的连接权重以及输入层和中间可见层之间的连接权重进行计算,包括:
使用误差函数对最后一个中间可见层和输出层之间的连接权重进行求导,得到以下公式:
其中,E表示误差函数,表示最后一个中间可见层第j个单元和输出层第k个单元之
间的连接权重,表示输出层第k个单元的预测输出,表示实际结果,表示最后一个中
间可见层第k个单元的激活值,表示最后一个中间可见层第j个单元;
使用误差函数对输入层和第一个中间出层之间的连接权重进行求导,得到以下公式:
所述输入层和第一个中间可见层之间的连接权重的调整值为:
6.根据权利要求4所述的基于多信号源的交通拥堵预测方法,其特征在于,所述通过前向传播方式对各中间可见层以及两中间可见层之间的隐层的状态分布,调整中间可见层与隐层的偏置以及两者之间的连接权重,包括:
沿前向传播方向使用前一个中间可见层的取值确定后一个隐层处于目标状态的状态概率分布,以及沿前向传播方向使用前一个隐层的取值确定后一个中间可见层处于目标状态的状态概率分布;
所述隐层处于目标状态的概率分布表示为:
其中,表示第b个隐层的第j个隐单元,b=1、2、3······m,a表示目标概率,
表示第b个中间可见层,表示sigmoid函数,表示第b个中间可见层的第i个单元与第b
个隐层的第j个隐单元之间的连接权重,表示第b个中间可见层的第i个单元,表示第b
个隐层的第j个隐单元的偏置;
所述中间可见层处于目标状态的概率分布表示为:
其中,表示第b个中间可见层的第j个单元,表示第b-1个隐层,表示
sigmoid函数,表示第b个中间可见层的第i个单元与第b-1个隐层的第j个隐单元之
间的连接权重,表示第b个中间可见层的第i个单元的偏置;
依据中间可见层的状态概率分布调节该中间可见层的偏置以及其与后一个隐层之间的连接权重,依据隐层的状态概率分布调节该隐层的偏置以及其与后一个中间可见层之间的连接权重;
所述中间可见层与隐层的连接权重调整公式为:
所述隐层的单元的偏置调整公式为:
所述中间可见层的单元的偏置调整公式为:
7.根据权利要求1所述的基于多信号源的交通拥堵预测方法,其特征在于,所述使用训练后的拥堵预测模型对待预测数据进行拥堵预测,包括:
以二维矩阵方式将中间可见层和输出层的各个连接权重进行表示;
计算训练后拥堵预测模型的输入层的各个单元的净输入;
所述净输入的计算公式为:
依据净输入计算输出层的输出值以及误差值;
所述输出层的输出值的计算公式为:
所述输出层的误差值的计算公式为:
8.根据权利要求1所述的基于多信号源的交通拥堵预测方法,其特征在于,所述将相邻的前后两次拥堵预测结果进行相关性检验,输出相关性检验为合理的拥堵预测结果,包括:
对输出层的预测输出按产生时刻进行最大值求取,获取相邻两个时刻的最大预测输出;
判断两所述最大预测输出所对应的单元的间距是否大于合理阈值;
若是,判断预测输出为合理并进行输出;
若否,判断预测输出为不合理。
9.一种计算机设备,其特征在于,包括:
存储器,存储有计算机程序;
处理器,所述处理器执行所述计算机程序时实现如权利要求1-8任一项所述的基于多信号源的交通拥堵预测方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的基于多信号源的交通拥堵预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210020829.2A CN114023074B (zh) | 2022-01-10 | 2022-01-10 | 基于多信号源的交通拥堵预测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210020829.2A CN114023074B (zh) | 2022-01-10 | 2022-01-10 | 基于多信号源的交通拥堵预测方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114023074A true CN114023074A (zh) | 2022-02-08 |
CN114023074B CN114023074B (zh) | 2022-04-15 |
Family
ID=80069976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210020829.2A Active CN114023074B (zh) | 2022-01-10 | 2022-01-10 | 基于多信号源的交通拥堵预测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114023074B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932280A (zh) * | 2024-03-25 | 2024-04-26 | 之江实验室 | 长序列数据预测方法、装置、计算机设备、介质和产品 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967803A (zh) * | 2017-11-17 | 2018-04-27 | 东南大学 | 基于多源数据及变权重组合预测模型的交通拥堵预测方法 |
CN109697852A (zh) * | 2019-01-23 | 2019-04-30 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
CN110444022A (zh) * | 2019-08-15 | 2019-11-12 | 平安科技(深圳)有限公司 | 交通流数据分析模型的构建方法和装置 |
CN110889530A (zh) * | 2018-09-11 | 2020-03-17 | 上海博泰悦臻网络技术服务有限公司 | 基于递归神经网络的目的地预测方法及服务器 |
KR20200084750A (ko) * | 2018-12-27 | 2020-07-13 | 한국전자통신연구원 | 심층 신경망을 이용한 도로망 통행속도 예측 방법 및 장치 |
CN111524348A (zh) * | 2020-04-14 | 2020-08-11 | 长安大学 | 一种长短期交通流预测模型及方法 |
CN111862595A (zh) * | 2020-06-08 | 2020-10-30 | 同济大学 | 基于路网拓扑关系的速度预测方法、系统、介质及设备 |
CN112419726A (zh) * | 2020-11-20 | 2021-02-26 | 华南理工大学 | 一种基于交通流预测的城市交通信号控制系统 |
CN112699855A (zh) * | 2021-03-23 | 2021-04-23 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像场景识别方法、装置及电子设备 |
-
2022
- 2022-01-10 CN CN202210020829.2A patent/CN114023074B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967803A (zh) * | 2017-11-17 | 2018-04-27 | 东南大学 | 基于多源数据及变权重组合预测模型的交通拥堵预测方法 |
CN110889530A (zh) * | 2018-09-11 | 2020-03-17 | 上海博泰悦臻网络技术服务有限公司 | 基于递归神经网络的目的地预测方法及服务器 |
KR20200084750A (ko) * | 2018-12-27 | 2020-07-13 | 한국전자통신연구원 | 심층 신경망을 이용한 도로망 통행속도 예측 방법 및 장치 |
CN109697852A (zh) * | 2019-01-23 | 2019-04-30 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
CN110444022A (zh) * | 2019-08-15 | 2019-11-12 | 平安科技(深圳)有限公司 | 交通流数据分析模型的构建方法和装置 |
CN111524348A (zh) * | 2020-04-14 | 2020-08-11 | 长安大学 | 一种长短期交通流预测模型及方法 |
CN111862595A (zh) * | 2020-06-08 | 2020-10-30 | 同济大学 | 基于路网拓扑关系的速度预测方法、系统、介质及设备 |
CN112419726A (zh) * | 2020-11-20 | 2021-02-26 | 华南理工大学 | 一种基于交通流预测的城市交通信号控制系统 |
CN112699855A (zh) * | 2021-03-23 | 2021-04-23 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像场景识别方法、装置及电子设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932280A (zh) * | 2024-03-25 | 2024-04-26 | 之江实验室 | 长序列数据预测方法、装置、计算机设备、介质和产品 |
Also Published As
Publication number | Publication date |
---|---|
CN114023074B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | A hybrid deep learning model with attention-based conv-LSTM networks for short-term traffic flow prediction | |
Siddiqui et al. | Smart occupancy detection for road traffic parking using deep extreme learning machine | |
CN111160753B (zh) | 一种基于知识图谱的路网节点重要性评估的方法 | |
Guo et al. | GPS-based citywide traffic congestion forecasting using CNN-RNN and C3D hybrid model | |
US9129161B2 (en) | Computationally efficient scene classification | |
CN111027430B (zh) | 一种面向无人车智能评估的交通场景复杂度计算方法 | |
WO2018141403A1 (en) | System, device and method for managing traffic in a geographical location | |
CN111208818B (zh) | 基于视觉时空特征的智能车预测控制方法 | |
Zhou et al. | Spatial–temporal deep tensor neural networks for large-scale urban network speed prediction | |
CN114023074B (zh) | 基于多信号源的交通拥堵预测方法、设备及介质 | |
CN115565369A (zh) | 一种基于超图的时空超图卷积交通流量预测方法及系统 | |
Rahman et al. | A deep learning approach for network-wide dynamic traffic prediction during hurricane evacuation | |
CN115169239A (zh) | 融合卷积、注意力和mlp的行程目的地预测方法 | |
Hsueh et al. | A short-term traffic speed prediction model based on LSTM networks | |
Fafoutellis et al. | Dilated LSTM networks for short-term traffic forecasting using network-wide vehicle trajectory data | |
Rahman et al. | Attention based deep hybrid networks for traffic flow prediction using google maps data | |
Zhou et al. | An attention-based deep learning model for citywide traffic flow forecasting | |
Wu et al. | Lane-GNN: Integrating GNN for Predicting Drivers' Lane Change Intention | |
CN111524358B (zh) | 一种区域辐射性交通流量预测方法 | |
Wei et al. | Creating semantic HD maps from aerial imagery and aggregated vehicle telemetry for autonomous vehicles | |
Kabir et al. | Time-Series fuel consumption prediction assessing delay impacts on energy using vehicular trajectory | |
Gupta et al. | LSTM based real-time smart parking system | |
Zhan et al. | Fast Multi-Lane Detection Based on CNN Differentiation for ADAS/AD | |
CN114139984A (zh) | 基于流量与事故协同感知的城市交通事故风险预测方法 | |
CN114548572A (zh) | 城市路网交通状态的预测方法、装置、设备及介质 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Traffic Congestion Prediction Method, Equipment, and Media Based on Multiple Signal Sources Effective date of registration: 20230621 Granted publication date: 20220415 Pledgee: Foshan Rural Commercial Bank Co.,Ltd. Lanshi Branch Pledgor: Foshan Dayan Data Technology Co.,Ltd. Registration number: Y2023980045191 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |