CN114255591A - 考虑时空相关性的短时交通流预测方法、装置及存储介质 - Google Patents

考虑时空相关性的短时交通流预测方法、装置及存储介质 Download PDF

Info

Publication number
CN114255591A
CN114255591A CN202111554586.2A CN202111554586A CN114255591A CN 114255591 A CN114255591 A CN 114255591A CN 202111554586 A CN202111554586 A CN 202111554586A CN 114255591 A CN114255591 A CN 114255591A
Authority
CN
China
Prior art keywords
traffic flow
prediction
station
short
predicted
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
Application number
CN202111554586.2A
Other languages
English (en)
Inventor
方冬
吴珂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing CITIC Information Technology Co Ltd
Original Assignee
Chongqing CITIC Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing CITIC Information Technology Co Ltd filed Critical Chongqing CITIC Information Technology Co Ltd
Priority to CN202111554586.2A priority Critical patent/CN114255591A/zh
Publication of CN114255591A publication Critical patent/CN114255591A/zh
Pending legal-status Critical Current

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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical 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
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种考虑时空相关性的短时交通流预测方法、装置及存储介质，该方法包括首先考虑交通流的空间相关性，采用KNN算法筛选与预测站点相关的附近检测站点，并以所选检测站点的交通流序列构造数据集；接着考虑交通流的时间相关性，将所构造的时序历史交通流量数据输入到LSTM神经网络进行训练与测试；最后通过真实历史交通数据对提出的短时预测方法进行验证。本发明充分利用交通流数据的空间相关性，提高了短时交通流的预测精度；同时引入LSTM神经网络模型，充分利用交通流数据的时间相关性，以此提高短时交通流的预测精度。本发明在实际交通流量预测中具有较高的准确性和较好的实用性，可以实现快速、准确的短时交通流预测。

Description

考虑时空相关性的短时交通流预测方法、装置及存储介质
技术领域
本发明属于智能交通领域，具体涉及到一种考虑时空相关性的短时交通流预测方法、装置及存储介质。
背景技术
针对如今城市供需失衡导致的交通拥堵、交通事故、交通压力激增等城市道路交通问题，研究人员提出了智能交通系统。而准确度高、时效性快的交通流预测是智能交通系统运行的必要条件，通过准确实时的交通流量预测，预测目标道路未来5分钟至半小时内的交通流量，根据预测值提前使用交通控制管理系统对路面交通状况进行调控，从而达到缓解拥堵，提高交通通行效率的目的。因此，研究快速、准确的短时交通流预测方法对智能交通而言具有重要的现实意义和理论价值。
目前，短时交通流预测的方法与模型主要可分为传统预测模型和神经网络预测模型的两大类。常用传统交通流预测模型主要包括自回归积分移动平均模型、卡尔曼滤波模型。对传统交通流预测模型而言，交通流的非线性与非平稳性通常会影响交通流的预测精度，使得模型的抗干扰能力较差。常见的神经网络交通流预测模型有非参数回归模型、支持向量回归模型、BP神经网络模型以及长期短期记忆神经模型等。相对传统模型而言，神经网络预测具有强大的数据处理能力、学习能力和自适应能力，近年来已成为短时交通流预测领域的研究热点。虽然神经网络预测模型在短时交通流预测领域得到了广泛的应用，但现有的研究成果依然存在不足，现有文献通常仅考虑交通流数据的时间相关性，而忽略了交通流数据的空间相关性，导致预测精度不高。
因此，如何实现精确、快速的短时交通流预测对智能交通系统的应用与发展尤为重要。
发明内容
本发明实施例提供一种考虑时空相关性的短时交通流预测方法、装置及存储介质，可以实现准确、快速的短时交通流预测，推进智能交通系统的深层应用与发展。
本发明的技术方案是这样实现的：本发明公开了一种考虑时空相关性的短时交通流预测方法，包括如下步骤：
步骤1、获取预测站点与附近M个检测站点的历史交通流数据；
步骤2、考虑交通流数据的空间相关性，从附近M个检测站点中选取与预测站点相关的K个检测站点，并以预测站点以及所选检测站点的历史交通流数据构造模型训练数据集；
步骤3、构建预测模型；
步骤4、利用步骤2构造的模型训练数据集训练预测模型，得到训练好的交通流预测模型。
进一步地，本发明的考虑时空相关性的短时交通流预测方法，还包括步骤5，步骤5具体包括：获取某个预测站点以及与该预测站点相关的几个检测站点的历史交通流数据构造输入数据集，将构造的输入数据集输入到已经训练好的预测模型中，得到该预测站点的交通流量预测值。
进一步地，步骤1具体包括：假设预测站点周边有M个检测站点，则第d天的交通流数据矩阵Sd表示为：
Figure BDA0003418733060000021
其中，
Figure BDA0003418733060000031
为预测站点第d天的交通流量；
Figure BDA0003418733060000032
为第i个检测站点第d天的交通流量；
Figure BDA0003418733060000033
为预测站点第d天j时刻的交通流量；
Figure BDA0003418733060000034
为第i个检测站点第d天j时刻的交通流量；n为每日交通流量序列的样本个数；
预测站点以及周边有M个检测站点D天的交通流量数据矩阵S表示为：
S＝[S1,S2,…,Sd…,SD]T。
步骤1还包括对历史交通流数据进行数据处理步骤，具体包括：对历史交通流数据的原始数据进行缺失处理。
进一步地，步骤2中从附近M个检测站点中选取与预测站点相关的K个检测站点，具体包括：计算预测站点与附近各检测站点的欧式距离di，按照递增顺序对距离di进行排序，并从附近M个检测站点中选取前K个检测站点作为与预测站点具有直接空间相关性的检测站点。
进一步地，通过KNN算法计算预测站点与附近各检测站点的欧式距离。
进一步地，步骤2中以预测站点以及所选检测站点的历史交通流数据即考虑空间相关性后的历史交通流数据构造模型训练数据集，具体包括：在相关检测站点选取部分的基础上，预测站点附近第d天的交通流数据矩阵
Figure BDA0003418733060000035
可定义为：
Figure BDA0003418733060000036
其中，
Figure BDA0003418733060000037
为考虑空间相关性后第i个检测站第d天的流量；
Figure BDA0003418733060000038
为考虑空间相关性后第i个检测站第d天j时刻的流量；
因此，考虑空间相关性后预测站点D天的历史交通流数据矩阵Sc，可表示为：
Figure BDA0003418733060000041
利用交通流数据的空间相关性，计算预测站点与附近各检测站点的欧式距离的计算方法为：
Figure BDA0003418733060000042
其中，Xo为预测站点的交通流量；Xi为与预测站点相关的第i个检测站点的交通流量。xo(j)为预测站点的j时刻的交通流量；xi(j)为第i个检测站点的j时刻的交通流量。
进一步地，步骤3具体包括：选定预测模型，确定预测模型的各项参数；
选定的预测模型为LSTM模型，根据经验和试验测试调整LSTM模型的各项参数，包括网络层数、隐含层节点数、激励函数、目标函数、优化函数以及迭代次数。
进一步地，根据经验和试验测试、调参，将模型隐含层数设为3层，3层隐含层的节点数分别设为32，32和16，激活函数选用ReLU函数，目标函数为MSE，优化函数为adam函数。
进一步地，将步骤2构造的模型训练数据集输入LSTM模型的输入层，计算第一层隐含层的输入门、遗忘门、输出门的输入向量和输出向量以及记忆单元的输入向量和状态值，得到记忆模块的输出向量，并将其作为下一层隐含层的输入向量，以此类推，得到预测值。
将考虑空间相关性后前(D-1)天的交通流数据矩阵输Sc入LSTM模型，得到预测站点第D天的交通流量的预测值
Figure BDA0003418733060000043
具体地计算方法为：
Figure BDA0003418733060000044
其中Ρ表示LSTM预测模型。
进一步地，步骤4具体包括：将步骤2构造的模型训练数据集输入到预测模型，得到预测值；
根据得到的预测值进行迭代终止条件判断，若满足迭代终止条件，则终止迭代，完成模型训练；反之继续下一次迭代。
进一步地，根据得到的预测值进行迭代终止条件判断，若满足迭代终止条件，则终止迭代，完成模型训练；反之返回步骤2重新构造模型训练数据集，继续下一次迭代，具体包括：根据所得的预测值计算预测误差e，若预测误差小于设定值，则停止迭代，完成模型训练；反之，返回步骤2重新构造模型训练数据集，然后重复步骤4继续下一次迭代，每次重新构造模型训练数据集时，选取的与预测站点相关的检测站点个数相比上一次增加a；初始K值为b。
本发明还公开了一种存储介质，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上所述的考虑时空相关性的短时交通流预测方法的步骤。
本发明还公开了一种考虑时空相关性的短时交通流预测装置，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器用于运行所述计算机程序时，执行如上所述的考虑时空相关性的短时交通流预测方法的步骤。
本发明至少具有如下有益效果：本发明首先考虑交通流的空间相关性，采用KNN算法筛选与预测站点相关的附近检测站点，并以所选检测站点的交通流序列构造数据集；接着考虑交通流的时间相关性，将所构造的时序历史交通流量数据输入到LSTM神经网络进行训练与测试；最后通过真实历史交通数据对提出的短时预测方法进行验证，证明本发明实例提供的短时交通流预测方法在实际交通流量预测中具有较高的准确性和较好的实用性，可以实现准确、快速的短时交通流预测。
本发明充分利用交通流数据的空间相关性，提高了短时交通流的预测精度；同时引入LSTM神经网络模型，充分利用交通流数据的时间相关性，以此提高短时交通流的预测精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种考虑时空相关性的短时交通流预测方法的原理框图；
图2是本发明实施例提供的一种考虑时空相关性的短时交通流预测方法的步骤流程图；
图3是本发明实施例提供的一种考虑时空相关性的短时交通流预测方法的短时交通流预测结果与真实值对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
实施例一
参见图1为本发明实施例提供的一种考虑时空相关性的短时交通流预测方法的原理框图，考虑短时交通流的时空相关性，预测速度快且精度高，应用于智能交通集成平台，主要包括以下两个过程：
1、基于KNN算法的预测站点相关检测站点选取；
2、基于LSTM神经网络的短时交通流预测。
其中，基于KNN算法的预测站点相关检测站点选取部分主要包括以下2个部分：
a.历史交通流数据的获取与处理；
b.附近相关检测站点的选取与数据集的构造，主要分为附近相关检测站点的选取和模型训练、测试数据集构造两个部分。
基于LSTM神经网络的短时交通流预测部分主要包括以下4个部分：
a.LSTM神经网络模型训练数据集的构造：根据上述模型训练数据集构造部分的步骤构造LSTM神经网络模型的训练数据集。
b.LSTM神经网络模型参数的设定；
c.LSTM神经网络模型的训练；
d.LSTM神经网络模型迭代终止条件判断。
如图2所示，本发明实例提供的一种考虑时空相关性的短时交通流预测方法，具体步骤如下：
步骤1、历史交通流数据的获取与处理，获取预测站点与附近M个检测站点的历史交通数据，并进行缺失和时序化处理。具体地，交通流数据的获取部分：假设预测站点周边有M个检测站点，则第d天的交通流数据矩阵Sd可表示为：
Figure BDA0003418733060000071
其中，
Figure BDA0003418733060000072
为预测站点第d天的交通流量；
Figure BDA0003418733060000073
为第i个检测站点第d天的交通流量；
Figure BDA0003418733060000074
为预测站点第d天j时刻的交通流量；
Figure BDA0003418733060000075
为第i个检测站点第d天j时刻的交通流量；n为每日交通流量序列的样本个数。
因此，预测站点以及周边有M个检测站点D天的交通流量数据矩阵S可表示为：
S＝[S1,S2,…,Sd…,SD]T
交通流数据的处理部分：针对原始数据的缺失部分利用均值化处理数据将缺失的数据进行补充。
均值化处理具体地计算方法表示为：
Figure BDA0003418733060000081
其中，
Figure BDA0003418733060000082
为第i个检测站点前D-1天的流量均值。
步骤2、附近相关检测站点的选取与数据集的构造，考虑交通流数据的空间相关性，选取预测站点与之相关K个检测站点，并以其历史交通流数据构造数据集。具体地，相关检测站点的选取部分，首先通过KNN算法，计算预测站点与附近检测站点的欧式距离，衡量预测站点与附近检测站点的相关度，从而利用交通流数据的空间相关性，具体地计算方法为：
Figure BDA0003418733060000083
其中，Xo为预测站点的交通流量；Xi为与预测站点相关的第i个检测站点的交通流量。xo(j)为预测站点的j时刻的交通流量(可以采用预测站点多天的j时刻的流量均值)；xi(j)为第i个检测站点的j时刻的交通流量(可以采用第i个检测站点多天的j时刻的流量均值)。
接着按照距离递增顺序di对进行排序，并选取前K个检测站点作为与预测站点具有直接空间相关性的检测站点。
模型训练数据集构造部分，在相关检测站点选取部分的基础上，预测站点附近第d天的交通流数据矩阵
Figure BDA0003418733060000084
可定义为：
Figure BDA0003418733060000091
其中，
Figure BDA0003418733060000092
为考虑空间相关性后第i个检测站第d天的流量；
Figure BDA0003418733060000093
为考虑空间相关性后第i个检测站第d天j时刻的流量。
因此，考虑空间相关性后预测站点D天的交通流数据矩阵Sc，可表示为：
Figure BDA0003418733060000094
步骤3、构建预测模型：确定LSTM模型的参数，根据试验设置调整LSTM模型的各项参数，包括网络层数、隐含层节点数、激励函数、目标函数、优化函数以及迭代次数等。具体地，根据经验和试验测试、调参，将模型隐含层数设为3层，3层隐含层的节点数分别设为32，32和16，激活函数选用ReLU函数，目标函数为MSE，优化函数为adam函数。
步骤4、利用步骤2构造的模型训练数据集训练预测模型，得到训练好的交通流预测模型。
具体地，LSTM模型的训练，将处理后的交通流数据集输入LSTM模型的输入层，计算第一层隐含层的输入门、遗忘门、输出门的输入向量和输出向量以及记忆单元的输入向量和状态值，得到记忆模块的输出向量，并将其作为下一层隐含层的输入向量，以此类推，得到预测值。具体地，将考虑空间相关性后连续D天的交通流数据矩阵Sc输入LSTM模型，具体地计算方法为：
Figure BDA0003418733060000095
其中Ρ表示LSTM预测模型。在将误差反向传播进行权值更新，满足终止条件时结束训练。
迭代终止条件判度，对模型的迭代终止条件进行判断，若满足则终止迭代，反之继续下一次迭代。具体地，根据所得预测值计算预测误差e，若预测误差小于所设定值时，则停止迭代，完成模型训练，返回短时交通流的预测值；反之，返回步骤2重新构造模型训练数据集，然后重复步骤4继续下一次迭代，每次重新构造模型训练数据集时，选取的与预测站点相关的检测站点个数相比上一次增加a；初始K值为b。如本实施例的a为1；b为1。a、b的值根据需要设置。
步骤5、预测模型训练完成后，获取待测站点以及与待测站点相关的几个(选取的相关检测站点的个数根据实际需要选择)检测站点的历史交通流数据构造输入数据集，将构造的输入数据集输入到已经训练好的预测模型中，得到该预测站点的交通流量预测值。如需要预测预测站点某一天某一时刻或某段时间的交通流量，则可以获取该天前几天的历史交通流数据(某一时刻或某段时间的交通流量)构造输入数据集。
接着，对本发明实例提供的一种考虑时空相关性的短时交通流预测方法的预测值与真实值进行对比。
本发明实例选取重庆市某路段交通检测器数据，由官方提供的历史监控数据进行处理得到的实验样本。该数据包括的某点的每隔一分钟的交通流量，速度以及时间占有率，根据预测模型的特征需要，选取较完整的数据，数据集为2020年8月1日到2020年8月31，共31天，其中为前30天的数据用于本发明实例提供的一种考虑时空相关性的短时交通流预测方法的神经网络预测模型的训练，最后一天的数据作为测试的数据集。最终所提考虑时空相关性的短时交通流预测方法的城市短时交通流预测的预测效果如图3所示。
同时，本发明实例从均方误差(RMSE)、平均绝对误差(MAE)和准确率(ACC)三个评价指标，将本发明实例所提出的预测模型、传统LTSM神经网络、经典支持向量回归以及BP神经网络模型进行各类误差对比分析，结果见表1。
表1预测模型分析结果
Figure BDA0003418733060000111
结合图3与表1中可以看出，本发明实例提供的考虑时空相关性的短时交通流预测方法在预测精度和预测误差方面明显优于支持向量机和BP神经网络模型，LSTM模型的预测效果次之。本发明实例提供的短时交通流预测方法的预测误差和精度基本接近LSTM预测网络，但经过考虑时空相关性的降维筛选后的模型训练速度有着明显地提升。因此，本发明实例提供的短时交通流预测方法是在实际交通流量预测中具有较高的准确性和较好的实用性。
本发明实施例提供的一种考虑时空相关性的短时交通流预测方法与其他短时交通流预测方法，能够实现短时交通流的快速、准确预测。具体地，本发明实施例公开一种考虑时空相关性的短时交通流预测方法通过KNN算法选取与预测站点相关的K个站点，充分利用交通流数据的空间相关性，提高了短时交通流的预测精度；同时引入LSTM神经网络模型，充分利用交通流数据的时间相关性，以此提高短时交通流的预测精度。
实施例二
本发明实施例还公开了一种存储介质，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实施例一所述方法的步骤。
实施例三
本发明实施例还公开了一种考虑时空相关性的短时交通流预测装置，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器用于运行所述计算机程序时，执行如实施例一所述方法的步骤。
本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种考虑时空相关性的短时交通流预测方法，其特征在于，包括如下步骤：
步骤1、获取预测站点与附近M个检测站点的历史交通流数据；
步骤2、考虑交通流数据的空间相关性，从附近M个检测站点中选取与预测站点相关的K个检测站点，并以预测站点以及所选检测站点的历史交通流数据构造模型训练数据集；
步骤3、构建预测模型；
步骤4、利用步骤2构造的模型训练数据集训练预测模型，得到训练好的交通流预测模型。
2.如权利要求1所述的考虑时空相关性的短时交通流预测方法，其特征在于：还包括步骤5，步骤5具体包括：获取某个预测站点以及与该预测站点相关的几个检测站点的历史交通流数据构造输入数据集，将构造的输入数据集输入到已经训练好的预测模型中，得到该预测站点的交通流量预测值。
3.如权利要求1所述的考虑时空相关性的短时交通流预测方法，其特征在于：步骤1具体包括：假设预测站点周边有M个检测站点，则第d天的交通流数据矩阵Sd表示为：
Figure FDA0003418733050000011
其中，
Figure FDA0003418733050000012
为预测站点第d天的交通流量；
Figure FDA0003418733050000013
为第i个检测站点第d天的交通流量；
Figure FDA0003418733050000014
为预测站点第d天j时刻的交通流量；
Figure FDA0003418733050000015
为第i个检测站点第d天j时刻的交通流量；n为每日交通流量序列的样本个数；
预测站点以及周边有M个检测站点D天的历史交通流量数据矩阵S表示为：
S＝[S1,S2,…,Sd…,SD]T。
4.如权利要求1所述的考虑时空相关性的短时交通流预测方法，其特征在于：步骤1还包括对历史交通流数据进行数据处理步骤，具体包括：对历史交通流数据的原始数据进行缺失处理。
5.如权利要求1所述的考虑时空相关性的短时交通流预测方法，其特征在于：步骤2中从附近M个检测站点中选取与预测站点相关的K个检测站点，具体包括：计算预测站点与附近各检测站点的欧式距离di，按照递增顺序对距离di进行排序，并从附近M个检测站点中选取前K个检测站点作为与预测站点具有直接空间相关性的检测站点；
通过KNN算法计算预测站点与附近各检测站点的欧式距离；
步骤2中以预测站点以及所选检测站点的历史交通流数据即考虑空间相关性后的历史交通流数据构造模型训练数据集，具体包括：在相关检测站点选取部分的基础上，预测站点附近第d天的交通流数据矩阵
Figure FDA0003418733050000021
可定义为：
Figure FDA0003418733050000022
其中，
Figure FDA0003418733050000023
为考虑空间相关性后第i个检测站第d天的流量；
Figure FDA0003418733050000024
为考虑空间相关性后第i个检测站第d天j时刻的流量；
因此，考虑空间相关性后预测站点D天的历史交通流数据矩阵Sc，可表示为：
Figure FDA0003418733050000031
6.如权利要求1所述的考虑时空相关性的短时交通流预测方法，其特征在于：步骤3具体包括：选定预测模型，确定预测模型的各项参数；
选定的预测模型为LSTM模型，根据经验和试验测试调整LSTM模型的各项参数，包括网络层数、隐含层节点数、激励函数、目标函数、优化函数以及迭代次数；
将步骤2构造的模型训练数据集输入LSTM模型的输入层，计算第一层隐含层的输入门、遗忘门、输出门的输入向量和输出向量以及记忆单元的输入向量和状态值，得到记忆模块的输出向量，并将其作为下一层隐含层的输入向量，以此类推，得到预测值。
7.如权利要求1所述的考虑时空相关性的短时交通流预测方法，其特征在于：步骤4具体包括：将步骤2构造的模型训练数据集输入到预测模型，得到预测值；
根据得到的预测值进行迭代终止条件判断，若满足迭代终止条件，则终止迭代，完成模型训练；反之继续下一次迭代。
8.如权利要求7所述的考虑时空相关性的短时交通流预测方法，其特征在于：根据得到的预测值进行迭代终止条件判断，若满足迭代终止条件，则终止迭代，完成模型训练；反之返回步骤2重新构造模型训练数据集，继续下一次迭代，具体包括：根据所得的预测值计算预测误差e，若预测误差小于设定值，则停止迭代，完成模型训练；反之，返回步骤2重新构造模型训练数据集，然后重复步骤4继续下一次迭代，每次重新构造模型训练数据集时，选取的与预测站点相关的检测站点个数相比上一次增加a；初始K值为b。
9.一种存储介质，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权利要求1至8任一项所述方法的步骤。
10.一种考虑时空相关性的短时交通流预测装置，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器用于运行所述计算机程序时，执行权利要求1至8任一项所述方法的步骤。
CN202111554586.2A 2021-12-17 2021-12-17 考虑时空相关性的短时交通流预测方法、装置及存储介质 Pending CN114255591A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111554586.2A CN114255591A (zh) 2021-12-17 2021-12-17 考虑时空相关性的短时交通流预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111554586.2A CN114255591A (zh) 2021-12-17 2021-12-17 考虑时空相关性的短时交通流预测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN114255591A true CN114255591A (zh) 2022-03-29

Family

ID=80792796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111554586.2A Pending CN114255591A (zh) 2021-12-17 2021-12-17 考虑时空相关性的短时交通流预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114255591A (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102034350A (zh) * 2009-09-30 2011-04-27 北京四通智能交通系统集成有限公司 交通流数据短时预测方法及系统
CN104064023A (zh) * 2014-06-18 2014-09-24 银江股份有限公司 一种基于时空关联的动态交通流预测方法
CN105389980A (zh) * 2015-11-09 2016-03-09 上海交通大学 基于长短时记忆递归神经网络的短时交通流预测方法
CN106128100A (zh) * 2016-06-30 2016-11-16 华南理工大学 一种基于Spark平台的短时交通流量预测方法
KR101742042B1 (ko) * 2016-11-15 2017-05-31 한국과학기술정보연구원 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체
CN108898829A (zh) * 2018-06-07 2018-11-27 重庆邮电大学 针对无差异性划分和数据稀疏的动态短时交通流预测系统
CN109598936A (zh) * 2018-12-18 2019-04-09 中国科学院地理科学与资源研究所 一种基于动态stknn模型的短时交通预测方法
CN109658695A (zh) * 2019-01-02 2019-04-19 华南理工大学 一种多因素的短时交通流预测方法
CN109754126A (zh) * 2019-01-30 2019-05-14 银江股份有限公司 基于时空相关性和卷积神经网络的短时交通流预测方法
CN110070713A (zh) * 2019-04-15 2019-07-30 浙江工业大学 一种基于双向嵌套lstm神经网络的交通流预测方法
CN110223510A (zh) * 2019-04-24 2019-09-10 长安大学 一种基于神经网络lstm的多因素短期车流量预测方法
KR102021992B1 (ko) * 2018-08-21 2019-09-18 한국과학기술정보연구원 교통신호 제어 장치, 교통신호 제어 방법 및 교통신호 제어 프로그램을 저장하는 저장매체
CN110299009A (zh) * 2019-07-22 2019-10-01 上海工程技术大学 一种基于knn算法的预测短时交通流的方法和电子设备
JP2019220048A (ja) * 2018-06-22 2019-12-26 株式会社日立製作所 交通流予測装置及び交通流予測システム
CN111275971A (zh) * 2020-02-18 2020-06-12 山西交通控股集团有限公司 一种高速公路交通流量预测方法
CN111653084A (zh) * 2019-07-26 2020-09-11 银江股份有限公司 基于时空特征选择和卡尔曼滤波的短时交通流预测方法
CN111667694A (zh) * 2020-06-22 2020-09-15 河北工业大学 一种基于改进dtw-knn的短时交通流预测方法
CN111882114A (zh) * 2020-07-01 2020-11-03 长安大学 一种短时交通流量预测模型构建方法及预测方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102034350A (zh) * 2009-09-30 2011-04-27 北京四通智能交通系统集成有限公司 交通流数据短时预测方法及系统
CN104064023A (zh) * 2014-06-18 2014-09-24 银江股份有限公司 一种基于时空关联的动态交通流预测方法
CN105389980A (zh) * 2015-11-09 2016-03-09 上海交通大学 基于长短时记忆递归神经网络的短时交通流预测方法
CN106128100A (zh) * 2016-06-30 2016-11-16 华南理工大学 一种基于Spark平台的短时交通流量预测方法
KR101742042B1 (ko) * 2016-11-15 2017-05-31 한국과학기술정보연구원 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체
CN108898829A (zh) * 2018-06-07 2018-11-27 重庆邮电大学 针对无差异性划分和数据稀疏的动态短时交通流预测系统
JP2019220048A (ja) * 2018-06-22 2019-12-26 株式会社日立製作所 交通流予測装置及び交通流予測システム
KR102021992B1 (ko) * 2018-08-21 2019-09-18 한국과학기술정보연구원 교통신호 제어 장치, 교통신호 제어 방법 및 교통신호 제어 프로그램을 저장하는 저장매체
CN109598936A (zh) * 2018-12-18 2019-04-09 中国科学院地理科学与资源研究所 一种基于动态stknn模型的短时交通预测方法
CN109658695A (zh) * 2019-01-02 2019-04-19 华南理工大学 一种多因素的短时交通流预测方法
CN109754126A (zh) * 2019-01-30 2019-05-14 银江股份有限公司 基于时空相关性和卷积神经网络的短时交通流预测方法
CN110070713A (zh) * 2019-04-15 2019-07-30 浙江工业大学 一种基于双向嵌套lstm神经网络的交通流预测方法
CN110223510A (zh) * 2019-04-24 2019-09-10 长安大学 一种基于神经网络lstm的多因素短期车流量预测方法
CN110299009A (zh) * 2019-07-22 2019-10-01 上海工程技术大学 一种基于knn算法的预测短时交通流的方法和电子设备
CN111653084A (zh) * 2019-07-26 2020-09-11 银江股份有限公司 基于时空特征选择和卡尔曼滤波的短时交通流预测方法
CN111275971A (zh) * 2020-02-18 2020-06-12 山西交通控股集团有限公司 一种高速公路交通流量预测方法
CN111667694A (zh) * 2020-06-22 2020-09-15 河北工业大学 一种基于改进dtw-knn的短时交通流预测方法
CN111882114A (zh) * 2020-07-01 2020-11-03 长安大学 一种短时交通流量预测模型构建方法及预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JIANHU ZHENG: "Traffic Flow Forecast through Time Series Analysis Based on Deep Learning", 《IEEE ACESS》 *
严洁, 重庆大学出版社 *
罗向龙: "基于KNN-LSTM 的短时交通流预测", 《北京工业大学学报》 *
邵春福: "考虑时空相关性的网络交通流短期预测", 《北京交通大学学报》 *
黄刘洋: "利用时空信息实现短时交通流预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Similar Documents

Publication Publication Date Title
CN109587713B (zh) 一种基于arima模型的网络指标预测方法、装置及存储介质
CN106503840A (zh) 停车场可用车位预测方法及系统
CN109143408B (zh) 基于mlp的动态区域联合短时降水预报方法
CN104899135A (zh) 软件缺陷预测方法和系统
WO2011060730A1 (zh) 预测交通流的方法和装置
CN112053560A (zh) 基于神经网络的短时交通流量预测方法、系统和存储介质
CN112653991A (zh) 一种基于深度学习的TebNet神经网络模型的WLAN室内定位方法
CN112966871A (zh) 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统
CN110543978A (zh) 基于小波神经网络的交通流数据预测方法和装置
CN108022004A (zh) 一种多模型加权组合电力负荷预报的自适应权重训练方法
CN115470862A (zh) 动态自适应负荷预测模型组合方法
CN112884222B (zh) 一种面向时间段的lstm交通流密度预测方法
CN111079993A (zh) 一种交通流量预测方法、装置、电子设备及存储介质
CN114004397A (zh) 一种计及多因素影响的地区能源消费态势预测方法及装置
CN114255591A (zh) 考虑时空相关性的短时交通流预测方法、装置及存储介质
CN110161114B (zh) 一种基于支持向量机的钢筋混凝土检测方法、设备及系统
CN113780356B (zh) 基于集成学习模型的水质预测方法及系统
WO2022222230A1 (zh) 基于机器学习的指标预测方法、装置、设备及存储介质
CN110062458B (zh) 一种无线信号指纹库优化更新方法和装置
CN115563848A (zh) 一种基于深度学习的分布式光伏总辐射预测方法及系统
CN114281808A (zh) 一种交通大数据清洗方法、装置、设备及可读存储介质
CN110991641B (zh) 一种油藏类型分析方法、装置及电子设备
CN116720662B (zh) 基于集对分析的分布式能源系统适用性评估方法
CN117634933B (zh) 一种碳排放数据预测方法及装置
CN117119585B (zh) 一种蓝牙定位导航系统及方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220329

RJ01 Rejection of invention patent application after publication