CN114566047A - 一种基于短时路况预测算法的预警方法及系统 - Google Patents
一种基于短时路况预测算法的预警方法及系统 Download PDFInfo
- Publication number
- CN114566047A CN114566047A CN202210204180.XA CN202210204180A CN114566047A CN 114566047 A CN114566047 A CN 114566047A CN 202210204180 A CN202210204180 A CN 202210204180A CN 114566047 A CN114566047 A CN 114566047A
- Authority
- CN
- China
- Prior art keywords
- model
- short
- gcn
- data
- vehicle speed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 17
- 230000006403 short-term memory Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 9
- 239000011159 matrix material Substances 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 230000002123 temporal effect Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000011144 upstream manufacturing 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于短时路况预测算法的预警方法及系统，该方法先获取交通数据并进行预处理，然后根据预处理后的数据采用短时路况预测算法建立ST‑GCN模型，并对建立的ST‑GCN模型进行训练，得到最优ST‑GCN模型，根据最优ST‑GCN模型预测平均车速，再根据实际平均车速和预测的平均车速建立评估指标，根据评估指标并采用对比模型对ST‑GCN模型进行评估，验证ST‑GCN模型为最优模型，最后根据验证为最优模型的ST‑GCN模型所预测的平均车速，结合高速公路运行状态的等级划分标准，将高速公路中多个路段的路况信息用不同颜色信息进行标示，并根据颜色信息生成图片并进行展示，有效提高了高速公路的通行效率。本发明大大提升了预测精度，且全程无需人工干预，降低了人员工作强度。
Description
技术领域
本发明涉及智慧公路技术领域，具体涉及一种基于短时路况预测算法的预警方法及系统。
背景技术
智慧公路云平台主要为省级区域内高速公路安全畅通提供信息化、智能化管理手段，为高速公路应急处置提供信息化支撑；可以全面掌控路网状态、提高路网管理能力、提高公众信息服务水平，最终实现高速公路管理的“可知、可测、可控、可服务”，使路网运行更安全高效、公众出行更便捷舒适、交通管理更科学智能、智慧道路更绿色经济。
而交通预测模型是智慧公路技术领域一个重要的应用，目前部分的交通预测模型考虑了时间依赖性，包括卡尔曼滤波模型、k-近邻模型、贝叶斯模型等。其考虑了交通状况的动态变化，但却忽略了空间依赖性，使得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。为了描述这些空间特征，一些交通预测模型引入了用于空间建模的卷积神经网络。然而卷积神经网络通常用于欧几里得数据，如图像、规则网格等，无法在具有复杂拓扑结构的道路网络环境下工作，因此无法描述空间相关性，且现有交通预测模型的预测精度也较低。
发明内容
为解决现有交通预测模型中存在的时间依赖性和空间相关性部分缺失，以及预测精度低等问题，本发明提供了一种基于短时路况预测算法的预警方法，通过建立ST-GCN模型分析预测未来某段时间的交通路况，并采用评估指标对ST-GCN模型进行评估以验证其为最优模型，并将ST-GCN模型的预测结果推送至高速公路上布设的情报板，通过情报板信息来诱导司乘用户的行为，从而有效提高高速公路的通行效率，并大大提升了预测精度。本发明还涉及一种基于短时路况预测算法的预警系统。
本发明的技术方案如下：
一种基于短时路况预测算法的预警方法，其特征在于，包括以下步骤：
数据获取及预处理步骤：获取交通数据，并对获取的交通数据进行预处理；
模型建立步骤：根据预处理后的数据，采用短时路况预测算法进行空间相关性和时间相关性建模，建立ST-GCN模型，并对建立的ST-GCN模型进行训练，得到最优ST-GCN模型，根据最优ST-GCN模型预测平均车速；
模型评估步骤：根据交通数据中实际平均车速和预测的平均车速建立评估指标，根据评估指标并采用对比模型对ST-GCN模型进行评估，验证ST-GCN模型为最优模型；
信息展示步骤：根据验证为最优模型的ST-GCN模型所预测的平均车速，结合高速公路运行状态的等级划分标准，将高速公路中多个路段的路况信息用不同颜色信息进行标示，并根据颜色信息生成图片，再将所述图片传输至高速公路上布设的情报板进行展示。
优选地，所述模型评估步骤中，所述评估指标包括均方根误差、平均绝对误差和决定系数，所述均方根误差和平均绝对误差用于测量预测的平均车速与实际平均车速误差，所述决定系数用于衡量预测的平均车速结果所代表的实际平均车速能力。
优选地，所述模型建立步骤中，所述ST-GCN模型由图卷积网络、长短期记忆网路和注意力机制三部分组成；
首先使用预处理后的历史时间序列数据作为输入数据，并使用图卷积网络捕捉高速公路网络的拓扑结构以获得空间关联特征，再将得到的具有空间关联特征的时间序列输入到长短期记忆网路模型中，通过单元间的信息传递获得动态变化，以获取时间特征，然后通过全连接层和注意力机制计算输入数据对当前预测产生的影响，以得到预测结果。
优选地，所述数据获取及预处理步骤中，所述预处理包括删除异常数据和重复数据，填补缺失数据，以及去除噪声和数据标准化。
优选地，所述模型评估步骤中，所述对比模型包括历史平均模型、自回归综合移动平均模型、支持向量机模型、双向长短期记忆单元模型、FI-RNNs模型、HyperNet模型和多视图卷积神经网络模型的若干组合。
一种基于短时路况预测算法的预警系统，其特征在于，包括数据获取及预处理模块、模型建立模块、模型评估模块和信息展示模块，
所述数据获取及预处理模块，获取交通数据，并对获取的交通数据进行预处理；
所述模型建立模块，根据预处理后的数据，采用短时路况预测算法进行空间相关性和时间相关性建模，建立ST-GCN模型，并对建立的ST-GCN模型进行训练，得到最优ST-GCN模型，根据最优ST-GCN模型预测平均车速；
所述模型评估模块，根据交通数据中实际平均车速和预测的平均车速建立评估指标，根据评估指标并采用对比模型对ST-GCN模型进行评估，验证ST-GCN模型为最优模型；
所述信息展示模块，根据验证为最优模型的ST-GCN模型所预测的平均车速，结合高速公路运行状态的等级划分标准，将高速公路中多个路段的路况信息用不同颜色信息进行标示，并根据颜色信息生成图片，再将所述图片传输至高速公路上布设的情报板进行展示。
优选地，所述评估指标包括均方根误差、平均绝对误差和决定系数，所述均方根误差和平均绝对误差用于测量预测的平均车速与实际平均车速误差，所述决定系数用于衡量预测的平均车速结果所代表的实际平均车速能力。
优选地，所述ST-GCN模型由图卷积网络、长短期记忆网路和注意力机制三部分组成；
所述模型建立模块首先使用预处理后的历史时间序列数据作为输入数据，并使用图卷积网络捕捉高速公路网络的拓扑结构以获得空间关联特征，再将得到的具有空间关联特征的时间序列输入到长短期记忆网路模型中，通过单元间的信息传递获得动态变化，以获取时间特征，然后通过全连接层和注意力机制计算输入数据对当前预测产生的影响，以得到预测结果。
优选地，所述数据获取及预处理模块中的预处理包括删除异常数据和重复数据，填补缺失数据，以及去除噪声和数据标准化。
优选地，所述对比模型包括历史平均模型、自回归综合移动平均模型、支持向量机模型、双向长短期记忆单元模型、FI-RNNs模型、HyperNet模型和多视图卷积神经网络模型的若干组合。
本发明的有益效果为：
本发明提供的一种基于短时路况预测算法的预警方法，首先获取交通数据，并对获取的交通数据进行预处理，然后根据预处理后的数据，采用短时路况预测算法建立ST-GCN模型，并对建立的ST-GCN模型进行迭代训练，得到最优ST-GCN模型，根据最优ST-GCN模型预测平均车速，再根据交通数据中实际平均车速和预测的平均车速建立评估指标，根据评估指标并采用对比模型对ST-GCN模型进行评估，验证ST-GCN模型为最优模型，最后根据验证为最优模型的ST-GCN模型所预测的平均车速，结合高速公路运行状态的等级划分标准，将高速公路中多个路段的路况信息用不同颜色信息进行标示，并根据颜色信息生成图片，再将所述图片传输至高速公路上布设的情报板进行展示。该方法通过建立时空图卷积神经网络模型——ST-GCN模型，具有先进性，将图卷积网络GCN和长短期记忆单元模型LSTM相结合，通过对高速公路网络进行建模，可将图形上的节点表示道路，邻接矩阵表示道路之间的连接关系，道路上的交通信息描述为图形上节点的属性，ST-GCN模型中的GCN部分用于捕获图的拓扑结构，以获得空间相关性，LSTM部分用于捕捉节点属性的动态变化，获得时间相关性，分析交通数据的空间相关性和时间相关性，以及预测未来某段时间的交通路况，通过采用评估指标对ST-GCN模型进行评估验证其为最优模型，大大提升了预测精度，且全程无需人工干预，大大降低了人员工作强度。且使用方便：本发明在实现时，仅需对接高速公路上现有的情报板设备即可，无需新设备；准确性高：本发明方法针对未来15分钟的路况进行预测，准确性达到90％，针对未来1小时的路况进行预测，准确性可达到92％。
本发明还涉及一种基于短时路况预测算法的预警系统，该系统与上述的基于短时路况预测算法的预警方法相对应，可理解为是一种实现上述基于短时路况预测算法的预警方法的系统，包括数据获取及预处理模块、模型建立模块、模型评估模块和信息展示模块，各模块相互协同工作，通过建立ST-GCN模型分析交通数据的空间相关性和时间相关性，并分析预测未来某段时间的交通路况，通过采用评估指标对ST-GCN模型进行评估验证其为最优模型，大大提升了预测的精度，并将最优预测结果推送至高速公路上布设的情报板，通过情报板信息来诱导司乘用户的行为，从而有效提高了高速公路的通行效率。
附图说明
图1是本发明基于短时路况预测算法的预警方法的流程图。
图2是本发明ST-GCN模型的整体框架示意图。
图3是本发明长短期记忆网络模型的结构示意图。
图4是本发明超参数配置界面示意图。
具体实施方式
下面结合附图对本发明进行说明。
本发明涉及一种基于短时路况预测算法的预警方法，该方法的流程图如图1所示，依次包括以下步骤：
数据获取及预处理步骤：先获取实时和历史交通数据，并对获取的交通数据进行预处理，去除交通数据中的异常和重复的数据，填补缺失数据，并去除噪声和数据标准化等，然后对预处理后的交通数据做脱敏处理。
模型建立步骤：根据预处理及脱敏后的交通数据，采用短时路况预测算法进行空间相关性和时间相关性建模，建立ST-GCN模型，并对建立的ST-GCN模型进行训练，得到最优ST-GCN模型；其中，交通数据作为一种时间序列数据，具有时间相关性，即某一时间段的交通数据和之前多个时间段的交通数据有关，而且距离当前时间段越近，数据相关性越高。为分析交通数据的时间相关性，采用深度学习相关算法来探究当前时刻与滞后时刻的相关性。而考虑到单个路段并不能很好地体现出车辆行驶情况变化的趋势，以及整个高速路网中路段之间的关联性，因此就交通速度或者流量而言，某一路段的交通状况易受到周边路段的影响，如路段上游堵车时，势必会减慢下游路段车速，故通过对路网中的交通空间依赖性分析，可以发现路段间交通数据的空间关联程度，即空间相关性。
具体地，采用短时路况预测算法建立ST-GCN模型来捕捉交通数据的空间相关性和时间相关性，并实现基于高速公路的交通速度预测，该ST-GCN模型由图卷积网络(GraphConvolutional Network，GCN)、长短时记忆(LongShort-Term Memory，LSTM)网络和注意力机制三部分组成。如图2所示，先使用根据网络构建的邻接矩阵、根据POI构建的功能相似矩阵及高速路网相关的实时和历史交通数据作为输入数据，并使用GCN模型捕捉高速公路网络的拓扑结构以获得交通数据的空间特征，然后将得到的具有空间特征的交通数据输入到LSTM网络模型中，通过单元间的信息传递获得动态变化，以获取交通数据的时间特征，最后，通过全连接层和注意力机制计算输入数据对当前预测产生的影响，得到预测结果。
其中，获取复杂的空间相关性是交通预测的关键问题。传统的卷积神经网络(CNN)可以获得局部空间特征，但它只能用于欧几里德空间，如图像、规则网格等。但高速公路路网的形式是图形，而不是二维网格，这意味着CNN模型无法反映高速公路路网的复杂拓扑结构，因此无法准确捕捉空间相关性。近年来，将CNN推广到能够处理二进制图结构数据的图卷积网络(GCN)得到了广泛的关注。GCN模型已成功应用于许多应用中，包括文档分类、无监督学习和图像分类。GCN模型在傅立叶域构造了一个滤波器，该滤波器作用于图的节点及其一阶邻域，捕捉节点之间的空间特征，然后通过叠加多个演化层建立GCN模型。
GCN模型可以获得中心道路与其周边道路之间的拓扑关系、编码道路网络的拓扑结构和道路上的属性，然后获得空间相关性，如交叉口、邻接路段和较远路段等空间特征信息。因此使用GCN模型从交通数据中学习空间特征。一个双层GCN模型按照下式进行表示：
上式中，
表示邻接矩阵，X表示特征矩阵，W0和W1表示第一层和第二层中的权重矩阵，σ、Relu表示激活函数。
其中，
表示预处理步骤，
是具有自连接结构的矩阵，
是度矩阵，
获取时间相关性是交通预测的另一个关键问题。目前，处理序列数据最广泛使用的神经网络模型是当前的循环神经网络(RNN)。然而，由于梯度消失和梯度爆炸等缺陷，传统的循环神经网络对长期预测具有局限性。LSTM模型和GRU模型是循环神经网络的变体，已被证明可以解决上述问题。LSTM和GRU的基本原理大致相同，它们都使用门控机制来尽可能多地记忆长期信息，并且对各种任务都同样有效，而相较于GRU模型，LSTM增加了一个门控机制来控制信息的传递以及状态和记忆单元的更新。因此，选择LSTM模型从流量数据中获得时间依赖性，即时间相关性。LSTM神经网络有一个记忆单元和一个状态单元，通过门控机制不断更新状态单元和记忆单元。图3描绘了LSTM内部的门控机制，分别是输入门、遗忘门和输出门，这三个门相互独立并且分别处理时间序列特征信息的输入、遗忘和输出过程。此外，通过门控机制和记忆单元的共同作用，还可以有选择性地控制信息的传递，不仅可以有效地改善梯度消失和梯度爆炸的问题，而且对于较长的序列数据具有更好的处理和预测能力。LSTM模型的训练过程如下：
先选择性地遗忘记忆单元中存储的信息ci-1，选择σ(sigmoid)函数作为遗忘门的激活函数，通过将记忆单元中存储的信息ci-1与遗忘门fi相乘，一部分信息将会被遗忘，因此需要根据目前的输入门ii更新记忆单元中的信息。与遗忘门类似，输入门ii也是选择重要的特征信息来更新记忆单元ci。输出门同样采用σ函数作为激活函数，负责将记忆单元信息ci中的部分重要特征作为输出，最后将LSTM的输出结果连接至全连接层得到预测结果。
需要说明的是，长时间序列的每个短子序列特征的重要程度是不同的，赋予LSTM关注更重要特征的能力可以更好实现短时交通速度的预测。因此LSTM模型使用注意力机制提取短序列的显著性特征，将不同时间下的交通速度对最后输出结果的重要性纳入考虑之中，通过计算注意力系数，与输出结果作矩阵乘法后输入全连接层，得到预测结果。
为了同时捕获交通数据的空间和时间依赖性，提出了一种基于图卷积网络(GCN)和长短期记忆(LSTM)网络的时空图卷积网络模型(即ST-GCN模型)，具体计算过程如下所示：
ut＝σ(Wu[f(A，XtXt)，ht-1]+bu) (2)
rt＝σ(Wr[f(A，Xt)，ht-1]+br) (3)
ct＝tanh(Wc[f(A，Xt)，(rt*ht-1)]+bc) (4)
ht＝ut*ht-1+(1-ut)*ct (5)
上式中，ut、rt是在时间t的更新门和复位门，ht表示在时间点t时的车速输出，ht-1表示在时间点t-1时的车速输出，f(A,Xt)表示图形卷积过程，定义为不等式1，W和b代表训练过程中的权重和偏差，tanh为双切正切曲线函数。
实施例：
在不丧失通用性的情况下，使用某省2020年5月-8月的高速公路收费数据，选择8个收费站，共49条路段作为研究区域。实验数据主要包括两部分，一个是49*49邻接矩阵，它描述了道路之间的空间关系，每行表示一条道路，矩阵中的值表示道路之间的连通性。另一个是特征矩阵，它描述了每条道路上的速度随时间的变化，每行代表一条道路，每个列是不同时间段道路上的平均车速。采用短时路况预测算法对未来1小时的路况进行预测，每1个小时(1小时为一个时间片)计算一次每条道路的平均车速，获取过去6个时间片(即6个1 小时，合计6小时)，每1小时、区域内各组入出口对(以下简称为OD)的平均车速和流量作为算法的输入，算法输出未来1小时内每组OD的预测平均车速，在实验中，输入数据被归一化为区间[0,1]，此外，80％的数据用作训练集，其余20％用作测试集，预测未来一个小时内高速公路平均车速。优选地，ST-GCN模型使用Adam优化器进行训练。
可以理解的是，在训练过程中，目标是将道路上的实际平均车速与预测平均车速之间的误差降至最低。ST-GCN模型的损失函数按照下式进行表示：
上式中，Yt和
分别表示实际平均车速和预测平均车速，Lreg是L2正则项，用于避免过拟合问题，λ是一个超参数。
其中，ST-GCN模型的超参数主要包括学习率、批量大小、训练时间和隐藏单元数。具体地，如图4所示，通过系统配置学习率为0.0005，批量大小为32，训练循环为50。需要说明的是，隐藏单元数是ST-GCN模型的一个非常重要的参数，因为不同的隐藏单元数可能会极大地影响预测精度，系统配置隐藏单元数为128，此时预测精度最高。
综上所述，ST-GCN模型可以处理复杂的空间依赖性和时间动态性。一方面，利用图卷积网络对高速公路网络的拓扑结构进行捕捉，得到高速公路网络的空间相关性。另一方面，利用长短期记忆网络捕捉道路交通信息的动态变化，获得时间依赖性，最终实现交通预测。
模型评估步骤：采用评估指标对最优ST-GCN模型进行评估，得到最优预测结果，根据最优预测结果预测平均交通速度；
为了评估ST-GCN模型的预测性能，使用评估指标来评估实际平均车速Yt和预测平均车速
之间的差异，评估指标包括均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)，其中，均方根误差(RMSE)按照下式进行表示：
平均绝对误差(MAE)按照下式进行表示：
决定系数(R2)按照下式进行表示：
其中，RMSE和MAE用于测量预测的平均车速误差，值越小，预测效果越好。R2用于衡量预测的平均车速结果所代表的实际平均车速能力，值越大，预测效果越好。
将ST-GCN模型的预测指标与以下基线方法的预测指标进行对比：(1)历史平均模型(HA)，它使用历史时期的平均交通信息作为预测；(2)自回归综合移动平均模型(ARIMA)，将观测到的时间序列拟合到一个参数模型中，预测未来的交通数据。(3)支持向量机模型(SVM)，它选取历史数据对模型进行训练，得到输入和输出之间的关系，然后通过给出未来的交通数据进行预测。(4)双向长短期记忆单元模型(Bi-LSTM)。(5)FI-RNNs。(6)HyperNet是2016年清华大学研究团队提出的优秀的Faster-RCNN变种。HyperNet主要改进在于集合了多层的特征图，得到多尺度的超特征。(7)多视图卷积神经网络(Multi-view CNN)，在卷积神经网络CNN的基础上将对象的多个2D视图下的信息编译成紧凑的3D描述符，提高了计算效率。
ST-GCN模型和其他基线方法在数据集对未来一个小时内高速公路速度的预测指标的比对结果如表1所示。
表1
由表1可以看出，ST-GCN模型在所有评估指标下都获得了最佳的预测性能：基于神经网络的方法，如Bi-LSTM、FI-RNNs、HyperNet、Multi-view CNN以及本发明提出的ST-GCN网络普遍比其他机器学习模型如HA模型、ARIMA模型，具有更好的预测精度。例如，与 HA模型相比，ST-GCN模型的MAE误差降低了约11.1％，与ARIMA模型相比，ST-GCN 模型的MAE误差降低了约19.7％；基于神经网络的方法比其他机器学习类的基线模型，具有更好的相关性，根据本发明提出的ST-GCN网络预测所得的相关系数(R2)相较于ARIMA 模型提高了约242％，测试结果整体上验证了ST-GCN模型在时空交通预测中的优势。
信息展示步骤：如表2所示的高速公路运行状态等级划分标准，根据预测的平均车速和表2所示的高速公路运行状态的等级划分标准，将高速公路中多个路段的路况信息用不同颜色信息进行标示，并根据颜色信息生成图片，再将图片通过情报板的接口传送至高速公路上布设的情报板，将图片实时展示在高速公路上的情报板上，诱导司乘用户的行为，从而提高高速公路通行效率。
表2
本发明还涉及了一种基于短时路况预测算法的预警系统，该系统与上述基于短时路况预测算法的预警方法相对应，可理解为是实现上述方法的系统，该系统包括数据获取及预处理模块、模型建立模块、模型评估模块和信息展示模块，具体地，
数据获取及预处理模块，获取交通数据，并对获取的交通数据进行预处理；
模型建立模块，根据预处理后的数据，采用短时路况预测算法进行空间相关性和时间相关性建模，建立ST-GCN模型，并对建立的ST-GCN模型进行训练，得到最优ST-GCN模型，根据最优ST-GCN模型预测平均车速；
模型评估模块，根据交通数据中实际平均车速和预测的平均车速建立评估指标，根据评估指标并采用对比模型对ST-GCN模型进行评估，验证ST-GCN模型为最优模型；
信息展示模块，根据验证为最优模型的ST-GCN模型所预测的平均车速，结合高速公路运行状态的等级划分标准，将高速公路中多个路段的路况信息用不同颜色信息进行标示，并根据颜色信息生成图片，再将所述图片传输至高速公路上布设的情报板进行展示。
优选地，评估指标包括均方根误差、平均绝对误差和决定系数，所述均方根误差和平均绝对误差用于测量预测的平均车速与实际平均车速误差，所述决定系数用于衡量预测的平均车速结果所代表的实际平均车速能力。
优选地，ST-GCN模型由图卷积网络、长短期记忆网路和注意力机制三部分组成。
优选地，预处理包括删除异常数据和重复数据，填补缺失数据，以及去除噪声和数据标准化。
优选地，对比模型包括历史平均模型、自回归综合移动平均模型、支持向量机模型、双向长短期记忆单元模型、FI-RNNs模型、HyperNet模型和多视图卷积神经网络模型的若干组合。
本发明提供了客观、科学的基于短时路况预测算法的预警方法及系统，通过建立ST-GCN 模型分析交通数据的空间相关性和时间相关性，以及预测未来某段时间的交通路况，通过采用评估指标对ST-GCN模型进行评估验证其为最优模型，大大提升了预测精度，且全程无需人工干预，大大降低了人员工作强度。
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。
Claims (10)
1.一种基于短时路况预测算法的预警方法，其特征在于，包括以下步骤：
数据获取及预处理步骤：获取交通数据，并对获取的交通数据进行预处理；
模型建立步骤：根据预处理后的数据，采用短时路况预测算法进行空间相关性和时间相关性建模，建立ST-GCN模型，并对建立的ST-GCN模型进行训练，得到最优ST-GCN模型，根据最优ST-GCN模型预测平均车速；
模型评估步骤：根据交通数据中实际平均车速和预测的平均车速建立评估指标，根据评估指标并采用对比模型对ST-GCN模型进行评估，验证ST-GCN模型为最优模型；
信息展示步骤：根据验证为最优模型的ST-GCN模型所预测的平均车速，结合高速公路运行状态的等级划分标准，将高速公路中多个路段的路况信息用不同颜色信息进行标示，并根据颜色信息生成图片，再将所述图片传输至高速公路上布设的情报板进行展示。
2.根据权利要求1所述的基于短时路况预测算法的预警方法，其特征在于，所述模型评估步骤中，所述评估指标包括均方根误差、平均绝对误差和决定系数，所述均方根误差和平均绝对误差用于测量预测的平均车速与实际平均车速误差，所述决定系数用于衡量预测的平均车速结果所代表的实际平均车速能力。
3.根据权利要求1所述的基于短时路况预测算法的预警方法，其特征在于，所述模型建立步骤中，所述ST-GCN模型由图卷积网络、长短期记忆网路和注意力机制三部分组成；
首先使用预处理后的历史时间序列数据作为输入数据，并使用图卷积网络捕捉高速公路网络的拓扑结构以获得空间关联特征，再将得到的具有空间关联特征的时间序列输入到长短期记忆网路模型中，通过单元间的信息传递获得动态变化，以获取时间特征，然后通过全连接层和注意力机制计算输入数据对当前预测产生的影响，以得到预测结果。
4.根据权利要求1所述的基于短时路况预测算法的预警方法，其特征在于，所述数据获取及预处理步骤中，所述预处理包括删除异常数据和重复数据，填补缺失数据，以及去除噪声和数据标准化。
5.根据权利要求1所述的基于短时路况预测算法的预警方法，其特征在于，所述模型评估步骤中，所述对比模型包括历史平均模型、自回归综合移动平均模型、支持向量机模型、双向长短期记忆单元模型、FI-RNNs模型、HyperNet模型和多视图卷积神经网络模型的若干组合。
6.一种基于短时路况预测算法的预警系统，其特征在于，包括数据获取及预处理模块、模型建立模块、模型评估模块和信息展示模块，
所述数据获取及预处理模块，获取交通数据，并对获取的交通数据进行预处理；
所述模型建立模块，根据预处理后的数据，采用短时路况预测算法进行空间相关性和时间相关性建模，建立ST-GCN模型，并对建立的ST-GCN模型进行训练，得到最优ST-GCN模型，根据最优ST-GCN模型预测平均车速；
所述模型评估模块，根据交通数据中实际平均车速和预测的平均车速建立评估指标，根据评估指标并采用对比模型对ST-GCN模型进行评估，验证ST-GCN模型为最优模型；
所述信息展示模块，根据验证为最优模型的ST-GCN模型所预测的平均车速，结合高速公路运行状态的等级划分标准，将高速公路中多个路段的路况信息用不同颜色信息进行标示，并根据颜色信息生成图片，再将所述图片传输至高速公路上布设的情报板进行展示。
7.根据权利要求6所述的基于短时路况预测算法的预警系统，其特征在于，所述评估指标包括均方根误差、平均绝对误差和决定系数，所述均方根误差和平均绝对误差用于测量预测的平均车速与实际平均车速误差，所述决定系数用于衡量预测的平均车速结果所代表的实际平均车速能力。
8.根据权利要求6所述的基于短时路况预测算法的预警系统，其特征在于，所述ST-GCN模型由图卷积网络、长短期记忆网路和注意力机制三部分组成；
所述模型建立模块首先使用预处理后的历史时间序列数据作为输入数据，并使用图卷积网络捕捉高速公路网络的拓扑结构以获得空间关联特征，再将得到的具有空间关联特征的时间序列输入到长短期记忆网路模型中，通过单元间的信息传递获得动态变化，以获取时间特征，然后通过全连接层和注意力机制计算输入数据对当前预测产生的影响，以得到预测结果。
9.根据权利要求6所述的基于短时路况预测算法的预警系统，其特征在于，所述数据获取及预处理模块中的预处理包括删除异常数据和重复数据，填补缺失数据，以及去除噪声和数据标准化。
10.根据权利要求6所述的基于短时路况预测算法的预警系统，其特征在于，所述对比模型包括历史平均模型、自回归综合移动平均模型、支持向量机模型、双向长短期记忆单元模型、FI-RNNs模型、HyperNet模型和多视图卷积神经网络模型的若干组合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210204180.XA CN114566047A (zh) | 2022-03-02 | 2022-03-02 | 一种基于短时路况预测算法的预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210204180.XA CN114566047A (zh) | 2022-03-02 | 2022-03-02 | 一种基于短时路况预测算法的预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114566047A true CN114566047A (zh) | 2022-05-31 |
Family
ID=81717474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210204180.XA Pending CN114566047A (zh) | 2022-03-02 | 2022-03-02 | 一种基于短时路况预测算法的预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114566047A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115204470A (zh) * | 2022-06-24 | 2022-10-18 | 中远海运科技股份有限公司 | 一种行程时间预测方法及系统 |
| CN115273466A (zh) * | 2022-07-14 | 2022-11-01 | 中远海运科技股份有限公司 | 一种基于柔性车道管控算法的监控方法与系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070208498A1 (en) * | 2006-03-03 | 2007-09-06 | Inrix, Inc. | Displaying road traffic condition information and user controls |
| CN102819962A (zh) * | 2012-08-23 | 2012-12-12 | 江苏物联网研究发展中心 | 基于数字地图的城市交通流网络并行信息系统 |
| CN106448159A (zh) * | 2016-09-09 | 2017-02-22 | 蔡诚昊 | 一种基于动态交通信息的道路交通分级预警方法 |
| CN106530709A (zh) * | 2016-12-16 | 2017-03-22 | 东南大学 | 一种面向用户的高速公路交通指数发布系统 |
| CN106935027A (zh) * | 2015-12-30 | 2017-07-07 | 沈阳美行科技有限公司 | 一种基于行驶数据的交通信息预测方法及装置 |
| CN110674987A (zh) * | 2019-09-23 | 2020-01-10 | 北京顺智信科技有限公司 | 一种交通流量预测系统、方法及模型训练方法 |
| CN112489426A (zh) * | 2020-11-26 | 2021-03-12 | 同济大学 | 一种基于图卷积神经网络的城市交通流量时空预测方案 |
| CN112950924A (zh) * | 2019-12-10 | 2021-06-11 | 东北大学秦皇岛分校 | 一种基于深度学习的复杂交通路网交通速度预测方法 |
| CN113450561A (zh) * | 2021-05-06 | 2021-09-28 | 浙江工业大学 | 一种基于时空图卷积-生成对抗网络的交通速度预测方法 |
| CN113487088A (zh) * | 2021-07-06 | 2021-10-08 | 哈尔滨工业大学（深圳） | 基于动态时空图卷积注意力模型的交通预测方法及装置 |
| CN113762338A (zh) * | 2021-07-30 | 2021-12-07 | 湖南大学 | 一种基于多重图注意力机制的交通流预测方法、设备及介质 |
-
2022
- 2022-03-02 CN CN202210204180.XA patent/CN114566047A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070208498A1 (en) * | 2006-03-03 | 2007-09-06 | Inrix, Inc. | Displaying road traffic condition information and user controls |
| CN102819962A (zh) * | 2012-08-23 | 2012-12-12 | 江苏物联网研究发展中心 | 基于数字地图的城市交通流网络并行信息系统 |
| CN106935027A (zh) * | 2015-12-30 | 2017-07-07 | 沈阳美行科技有限公司 | 一种基于行驶数据的交通信息预测方法及装置 |
| CN106448159A (zh) * | 2016-09-09 | 2017-02-22 | 蔡诚昊 | 一种基于动态交通信息的道路交通分级预警方法 |
| CN106530709A (zh) * | 2016-12-16 | 2017-03-22 | 东南大学 | 一种面向用户的高速公路交通指数发布系统 |
| CN110674987A (zh) * | 2019-09-23 | 2020-01-10 | 北京顺智信科技有限公司 | 一种交通流量预测系统、方法及模型训练方法 |
| CN112950924A (zh) * | 2019-12-10 | 2021-06-11 | 东北大学秦皇岛分校 | 一种基于深度学习的复杂交通路网交通速度预测方法 |
| CN112489426A (zh) * | 2020-11-26 | 2021-03-12 | 同济大学 | 一种基于图卷积神经网络的城市交通流量时空预测方案 |
| CN113450561A (zh) * | 2021-05-06 | 2021-09-28 | 浙江工业大学 | 一种基于时空图卷积-生成对抗网络的交通速度预测方法 |
| CN113487088A (zh) * | 2021-07-06 | 2021-10-08 | 哈尔滨工业大学（深圳） | 基于动态时空图卷积注意力模型的交通预测方法及装置 |
| CN113762338A (zh) * | 2021-07-30 | 2021-12-07 | 湖南大学 | 一种基于多重图注意力机制的交通流预测方法、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 计算机与现代化: "基于图卷积网络的短时交通速度预测", 计算机与现代化 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115204470A (zh) * | 2022-06-24 | 2022-10-18 | 中远海运科技股份有限公司 | 一种行程时间预测方法及系统 |
| CN115273466A (zh) * | 2022-07-14 | 2022-11-01 | 中远海运科技股份有限公司 | 一种基于柔性车道管控算法的监控方法与系统 |
| CN115273466B (zh) * | 2022-07-14 | 2024-01-16 | 中远海运科技股份有限公司 | 一种基于柔性车道管控算法的监控方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
| CN109947086B (zh) | 基于对抗学习的机械故障迁移诊断方法及系统 | |
| CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
| US20200272905A1 (en) | Artificial neural network compression via iterative hybrid reinforcement learning approach | |
| Akgüngör et al. | An artificial intelligent approach to traffic accident estimation: Model development and application | |
| Yang et al. | Real-time spatiotemporal prediction and imputation of traffic status based on LSTM and Graph Laplacian regularized matrix factorization | |
| CN114664091A (zh) | 一种基于节假日流量预测算法的预警方法及系统 | |
| CN114566047A (zh) | 一种基于短时路况预测算法的预警方法及系统 | |
| US20220164660A1 (en) | Method for determining a sensor configuration | |
| CN115273466B (zh) | 一种基于柔性车道管控算法的监控方法与系统 | |
| Pan et al. | Road safety performance function analysis with visual feature importance of deep neural nets | |
| Konstantakopoulos et al. | Design, benchmarking and explainability analysis of a game-theoretic framework towards energy efficiency in smart infrastructure | |
| CN110309537A (zh) | 一种飞行器的智能健康预测方法及系统 | |
| CN114582131A (zh) | 一种基于匝道智能控流算法的监控方法及系统 | |
| CN115862324A (zh) | 一种智慧交通的时空同步图卷积神经网络及交通预测方法 | |
| Davis et al. | On network science and mutual information for explaining deep neural networks | |
| Li et al. | A lstm-based method for comprehension and evaluation of network security situation | |
| Madhavi et al. | Multivariate deep causal network for time series forecasting in interdependent networks | |
| Gu et al. | Fuzzy time series forecasting based on information granule and neural network | |
| Grau et al. | Forward Composition Propagation for Explainable Neural Reasoning | |
| Ma et al. | A hybrid forecasting model for very short-term wind speed prediction based on secondary decomposition and deep learning algorithms | |
| Goparaju et al. | Optimization and Performance Evaluation of Hybrid Deep Learning Models for Traffic Flow Prediction | |
| CN111882124B (zh) | 一种基于生成对抗模仿学习的同质平台发展效应预测方法 | |
| Chakrabarti et al. | Diagnosis using a first-order stochastic language that learns | |
| Dell’Orco et al. | Simulation of users decision in transport mode choice using neuro-fuzzy approach |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220531 |
|
| WD01 | Invention patent application deemed withdrawn after publication |