CN115410372B - 基于贝叶斯lstm的高速公路交通流量可靠预测方法 - Google Patents

基于贝叶斯lstm的高速公路交通流量可靠预测方法 Download PDF

Info

Publication number
CN115410372B
CN115410372B CN202211343407.5A CN202211343407A CN115410372B CN 115410372 B CN115410372 B CN 115410372B CN 202211343407 A CN202211343407 A CN 202211343407A CN 115410372 B CN115410372 B CN 115410372B
Authority
CN
China
Prior art keywords
traffic flow
lstm
parameter
bayesian
distribution
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.)
Active
Application number
CN202211343407.5A
Other languages
English (en)
Other versions
CN115410372A (zh
Inventor
吕辰
陆锴
徐伟
邵舟
周子敬
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.)
Jiangsu Zhonglu Transportation Development Co ltd
Original Assignee
Jiangsu Zhonglu Transportation Development 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 Jiangsu Zhonglu Transportation Development Co ltd filed Critical Jiangsu Zhonglu Transportation Development Co ltd
Priority to CN202211343407.5A priority Critical patent/CN115410372B/zh
Publication of CN115410372A publication Critical patent/CN115410372A/zh
Application granted granted Critical
Publication of CN115410372B publication Critical patent/CN115410372B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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)
  • 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

本发明公开了基于贝叶斯LSTM的高速公路交通流量可靠预测方法，属于高速公路交通流量预测技术领域，基于贝叶斯LSTM的高速公路交通流量可靠预测方法，利用高速公路门架数据找出交通流时序特征，对高速公路交通流量进行预测，基于传统LSTM神经网络结构，以概率分布的形式设置权重参数和偏移参数，并确定先验概率分布的参数；通过变分推断，将训练过程中的权重参数、偏置参数后验概率求解，转化为参数优化问题；构造损失函数，确定模型超参数，训练贝叶斯LSTM模型参数，训练完成后，对该高速公路路段未来交通流量的均值和置信区间进行预测，提高交通流量预测的合理性。

Description

基于贝叶斯LSTM的高速公路交通流量可靠预测方法
技术领域
本发明涉及基于贝叶斯LSTM的高速公路交通流量可靠预测方法，具体是基于贝叶斯LSTM的高速公路交通流量可靠预测方法。
背景技术
高速公路交通流量是高速公路智能运输系统中的关键参数之一。基于对未来时段交通流量的预测结果，可以实现高速公路交通流的主动管控和诱导，提升高速公路的运行效率。当前高速公路交通流量预测的主流方法是利用各种统计模型和人工智能技术对未来时段交通流量的平均值进行准确预测。然而，很少有成熟的方法能够实现对未来时段交通流量浮动范围的可靠预测。如何在交通流量预测中，将这种交通流演进过程的不确定浮动进行建模，对高速公路精确、主动管控的效果十分重要。
现有的高速公路交通流量预测方法侧重于对流量均值的预测，大致可分为两类：
（1）统计模型方法。此类方法利用历史流量、速度等检测指标的统计规律，拟合出未来某时段的流量均值。该方法简单易行但无法有效利用空间信息，最常用的方法是自回归移动平均模型（ARIMA）和卡尔曼滤波方法；
（2）机器学习方法。此类方法利用多种交通流时序数据，捕捉递归与未来时段流量均值的时空非线性关系。该方法模型复杂、数据依赖度高，预测精准度和可拓展性较高。常用的方法包括卷积神经网络（CNN）、循环神经网络（RNN）等。近年来，随着人工智能技术和算力水平的提升，机器学习方法中的深度学习成为交通流量预测的热门手段，其中RNN中的长短记忆神经网络（LSTM）以其在交通序列数据建模上的优势成为了主流方法，并在流量均值预测上取得了不错的效果。
在高速公路交通流运行过程中，由于车辆异常驾驶行为、自然天气条件变化、交通出行随机选择等因素的干扰，实际交通流量会在原始预测条件下产生随机波动，因而使模型预测值与真实值间存在误差。对高速公路实际交通流量置信区间的预测对于高速公路交通控制系统的可靠性十分重要。例如在匝道控制中，流量的置信区间反映了匝道交通需求范围，其准确预测相较流量均值预测更有实际应用价值。受限于传统LSTM模型结构，当前很少有方法对高速公路交通流量置信区间进行可靠预测。考虑到神经网络的易拓展性和高速公路交通流量可靠预测的巨大作用，基于贝叶斯理论和LSTM的高速公路交通流量可靠预测方法可行且关键。
现有技术的缺陷在于：由于自然天气条件变化、交通出行随机选择等因素，高速公路交通流量存在不确定性。现有高速公路交通流量预测方法大多是对交通流量均值的预测，少有考虑交通流量预测可靠性的方法，使得高速公路主动管控和诱导方法的鲁棒性难以得到保证，例如基于流量的入口匝道主动控制。
发明内容
发明目的：基于贝叶斯LSTM的高速公路交通流量可靠预测方法，以解决现有技术存在的上述问题。
技术方案：基于贝叶斯LSTM的高速公路交通流量可靠预测方法，包括如下步骤：
S1、从高速公路门架收费系统中获取路段门架数据；
S2、统计汇总高速公路路段的小时交通流量，得到时序流量数据作为模型输入；
S3、基于传统LSTM神经网络结构，以概率分布的形式设置权重参数和偏移参数，并确定先验概率分布的参数；
S4、通过变分推断，将训练过程中的权重参数、偏置参数后验概率求解，转化为参数优化问题；
S5、构建贝叶斯LSTM模型训练损失函数；
S6、确定模型超参数，利用Adam优化算法训练贝叶斯LSTM模型参数；
S7、利用训练好的贝叶斯LSTM模型，对该高速公路路段未来1小时交通流量的均值和置信区间进行预测。
在进一步实例中，所述S1进一步为：从高速公路门架系统中获取门架数据，主要字段包括门架编号、记录时段、汽车类别，每条数据表示特定编号的门架系统在1小时时间间隔内记录通过的不同类型车辆数量。
在进一步实例中，所述S2进一步为：
S2.1、将一条门架数据记录得到的所有不同车辆类型的交通流量相加，得到特定路段1小时车流量数据
Figure DEST_PATH_IMAGE001
；
Figure 560867DEST_PATH_IMAGE002
；
式中：
Figure DEST_PATH_IMAGE003
表示
Figure 252880DEST_PATH_IMAGE004
种汽车类别中的第
Figure DEST_PATH_IMAGE005
种，
Figure 458733DEST_PATH_IMAGE006
表示第
Figure 716539DEST_PATH_IMAGE005
种汽车的小时交通流量；
S2.2、将连续四个小时路段历史交通流量构成模型输入
Figure DEST_PATH_IMAGE007
，用于预测接下来一个小时的路段交通流量
Figure 84067DEST_PATH_IMAGE008
。
在进一步实例中，所述步骤S3确定权重参数和偏置参数的概率分布形式和先验分布，包括以下步骤；
S3.1、以LSTM神经网络记忆单元的转换函数公式为基础，将记忆单元权重参数
Figure DEST_PATH_IMAGE009
和偏置参数
Figure 528955DEST_PATH_IMAGE010
设置为高斯分布形式：
Figure 804078DEST_PATH_IMAGE012
Figure 916391DEST_PATH_IMAGE014
Figure 985978DEST_PATH_IMAGE016
Figure 180811DEST_PATH_IMAGE018
Figure 994046DEST_PATH_IMAGE020
Figure 226445DEST_PATH_IMAGE022
Figure 466933DEST_PATH_IMAGE024
式中，
Figure DEST_PATH_IMAGE025
是当前时间间隔
Figure 886413DEST_PATH_IMAGE026
内的路段车流量数据；
Figure DEST_PATH_IMAGE027
是记忆单元在前一时间间隔
Figure 237760DEST_PATH_IMAGE028
内的输出；
Figure DEST_PATH_IMAGE029
，
Figure 793506DEST_PATH_IMAGE030
,
Figure DEST_PATH_IMAGE031
,
Figure 939317DEST_PATH_IMAGE032
是权重参数；
分别服从分布
Figure DEST_PATH_IMAGE033
,
Figure 580514DEST_PATH_IMAGE034
,
Figure DEST_PATH_IMAGE035
,
Figure 469972DEST_PATH_IMAGE036
；
Figure DEST_PATH_IMAGE037
，
Figure 880225DEST_PATH_IMAGE038
,
Figure DEST_PATH_IMAGE039
,
Figure 462516DEST_PATH_IMAGE040
是偏置参数；
分别服从分布
Figure DEST_PATH_IMAGE041
,
Figure 591009DEST_PATH_IMAGE042
,
Figure DEST_PATH_IMAGE043
，
Figure 18579DEST_PATH_IMAGE044
。
S3.2、设置权重参数
Figure 817427DEST_PATH_IMAGE009
和偏置参数
Figure 836198DEST_PATH_IMAGE010
的初始先验分布为标准正态分布，即
Figure DEST_PATH_IMAGE045
，
Figure 186408DEST_PATH_IMAGE046
。
在进一步实例中，所述步骤S4进一步为：
S4.1、设定变分后验参数
Figure DEST_PATH_IMAGE047
满足
Figure 417670DEST_PATH_IMAGE048
，其中
Figure DEST_PATH_IMAGE049
为随机分布系；
S4.2、使用分布
Figure 68094DEST_PATH_IMAGE050
近似真实的后验概率分布
Figure DEST_PATH_IMAGE051
，将贝叶斯LSTM网络训练时的网络权重、偏置参数后验概率分布的推断问题，转化为最佳参数
Figure 929870DEST_PATH_IMAGE052
的求解，以最小化
Figure 564114DEST_PATH_IMAGE050
和
Figure 599066DEST_PATH_IMAGE051
的KL散度作为优化目标求解；
Figure 369576DEST_PATH_IMAGE054
Figure 464571DEST_PATH_IMAGE056
Figure 320532DEST_PATH_IMAGE058
Figure 424754DEST_PATH_IMAGE060
式中，
Figure 315350DEST_PATH_IMAGE052
是变分后验参数的集合，
Figure DEST_PATH_IMAGE061
是所有权重和偏置的集合，
Figure 315667DEST_PATH_IMAGE062
是用于神经网络训练的交通流数据。
在进一步实例中，所述步骤S5进一步为：
S5.1、将步骤S4.1中变分后参数
Figure 658923DEST_PATH_IMAGE052
的优化目标作为贝叶斯LSTM模型的损失函数
Figure DEST_PATH_IMAGE063
：
Figure DEST_PATH_IMAGE065
Figure 501590DEST_PATH_IMAGE066
；
式中，
Figure 246692DEST_PATH_IMAGE052
是变分后验参数的集合，
Figure 683489DEST_PATH_IMAGE061
是所有权重和偏置的集合，
Figure 514042DEST_PATH_IMAGE062
是用于神经网络训练的交通流数据。
在进一步实例中，所述步骤S6进一步为：
S6.1、确定贝叶斯神经网络模型训练超参数，包括LSTM网络层数、每层的记忆单元层数、初始学习率、迭代轮数、迭代系数、批大小、随机失活率等；
S6.2、使用Adam优化算法，在第一轮迭代的正向过程中，对随机分布系数
Figure DEST_PATH_IMAGE067
采样，满足
Figure 694488DEST_PATH_IMAGE068
，生成采样
Figure DEST_PATH_IMAGE069
后，依据梯度方向反向传播并更新
Figure 28517DEST_PATH_IMAGE070
和
Figure DEST_PATH_IMAGE071
，继续正向迭代生成采样
Figure 370637DEST_PATH_IMAGE069
，直至最小化损失函数
Figure 422906DEST_PATH_IMAGE072
，得到训练好的贝叶斯神经网络参数。
在进一步实例中，所述步骤S7进一步为；
S7.1、将S2.2得到的前四小时交通流量
Figure DEST_PATH_IMAGE073
输入S62得到贝叶斯LSTM模型中，按照训练好权重参数
Figure 141464DEST_PATH_IMAGE069
和偏置参数
Figure 861158DEST_PATH_IMAGE074
的概率分布，多次对
Figure 905337DEST_PATH_IMAGE069
和
Figure 444903DEST_PATH_IMAGE074
的取值采样，输出多条不同的交通流量预测值；
S7.2统计模型所有输出的交通流量预测值，取平均值即为交通流量预测均值，计算交通流量预测值的95%置信区间即为交通流量预测浮动区间。
有益效果：本发明公开了基于贝叶斯LSTM的高速公路交通流量可靠预测方法，利用高速公路门架数据找出交通流的特点，对高速公路交通流量进行预测，基于传统LSTM神经网络结构，以概率分布的形式设置权重参数和偏移参数，并确定先验概率分布的参数；通过变分推断，将训练过程中的权重参数、偏置参数后验概率求解，转化为参数优化问题；构造损失函数，确定模型超参数，训练贝叶斯LSTM模型参数，训练完成后，对该高速公路路段未来交通流量的均值和置信区间进行预测。提高交通流量预测的合理性。
附图说明
图1为本发明的流程图；
图2为本发明叶斯LSTM模型结构图；
图3为本发明对某四条路段24个小时时段交通流量浮动区间的预测结果；
图4为本发明某高速路段的部分门架数据图；
图5为本发明对某四条路段24个小时时段交通流量均值预测效果。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明实施例中可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明实施例中发生混淆，对于本领域公知的一些技术特征未进行描述。
在本发明的描述中，需要理解的是，术语“交通流量预测”指利用历史或实时交通流数据，预测未来一个或多个时间段内的交通流量、“可靠预测”指对某种指标进行预测时，不仅预测其未来的期望均值，还对其在一定置信区间下的浮动范围进行预测、“贝叶斯LSTM”即贝叶斯长短记忆（longshort-termmemory）神经网络，是指在标准LSTM神经模型框架下加入参数后验估计的一种改进神经网络模型、“高速公路门架数据”指车辆通过高速公路收费门架时，通过抓拍车牌图片得到的车辆通行信息，包括门架编号、抓拍时间、车牌号码、车辆类型、拍摄位置等仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本发明通过基于贝叶斯LSTM的高速公路交通流量可靠预测方法，下面通过实施例，并结合附图对本方案做进一步具体说明。
具体的，包括如下步骤：
步骤1、如图4所示，从高速公路门架收费系统中获取路段门架数据，从高速公路门架系统中获取门架数据，主要字段包括门架编号、记录时段、汽车类别，每条数据表示特定编号的门架系统在1小时时间间隔内记录通过的不同类型车辆数量。
步骤2、统计汇总高速公路路段的小时交通流量，得到时序流量数据作为模型输入，将一条门架数据记录得到的所有不同车辆类型的交通流量相加，得到特定路段1小时车流量数据
Figure 967151DEST_PATH_IMAGE001
；
Figure 541352DEST_PATH_IMAGE002
；
式中：
Figure 756433DEST_PATH_IMAGE003
表示
Figure 783295DEST_PATH_IMAGE004
种汽车类别中的第
Figure 109234DEST_PATH_IMAGE005
种，
Figure 803520DEST_PATH_IMAGE006
表示第
Figure 189502DEST_PATH_IMAGE005
种汽车的小时交通流量；将连续四个小时路段历史交通流量构成模型输入
Figure 438081DEST_PATH_IMAGE007
，通过计算训练数据为
Figure DEST_PATH_IMAGE075
，用于预测接下来一个小时的路段交通流量
Figure 316780DEST_PATH_IMAGE008
。
步骤3、基于传统LSTM神经网络结构，以概率分布的形式设置权重参数和偏移参数，并确定先验概率分布的参数；通过LSTM神经网络记忆单元的转换函数公式为基础，将记忆单元权重参数
Figure 599994DEST_PATH_IMAGE009
和偏置参数
Figure 156877DEST_PATH_IMAGE010
设置为高斯分布形式：
Figure 158331DEST_PATH_IMAGE012
Figure 826073DEST_PATH_IMAGE014
Figure 229373DEST_PATH_IMAGE016
Figure 957157DEST_PATH_IMAGE018
Figure 180328DEST_PATH_IMAGE020
Figure 917340DEST_PATH_IMAGE022
Figure 909567DEST_PATH_IMAGE024
式中，
Figure 808253DEST_PATH_IMAGE025
是当前时间间隔
Figure 784299DEST_PATH_IMAGE026
内的路段车流量数据；
Figure 793843DEST_PATH_IMAGE027
是记忆单元在前一时间间隔
Figure 906156DEST_PATH_IMAGE028
内的输出；
Figure 241322DEST_PATH_IMAGE076
,
Figure 173506DEST_PATH_IMAGE031
,
Figure 252321DEST_PATH_IMAGE032
是权重参数；
分别服从分布
Figure 953560DEST_PATH_IMAGE033
,
Figure 459628DEST_PATH_IMAGE034
,
Figure 144687DEST_PATH_IMAGE035
,
Figure 496034DEST_PATH_IMAGE036
；
Figure DEST_PATH_IMAGE077
,
Figure 317360DEST_PATH_IMAGE039
,
Figure 725820DEST_PATH_IMAGE040
是偏置参数；
分别服从分布
Figure 898175DEST_PATH_IMAGE041
,
Figure 318792DEST_PATH_IMAGE042
,
Figure 994624DEST_PATH_IMAGE043
,
Figure 842494DEST_PATH_IMAGE044
，设置权重参数
Figure 502146DEST_PATH_IMAGE009
和偏置参数
Figure 195295DEST_PATH_IMAGE010
的初始先验分布为标准正态分布，即
Figure 256792DEST_PATH_IMAGE045
，
Figure 744405DEST_PATH_IMAGE046
。
步骤4、通过变分推断，将训练过程中的权重参数、偏置参数后验概率求解，转化为参数优化问题，设定变分后验参数
Figure 891353DEST_PATH_IMAGE047
满足
Figure 653773DEST_PATH_IMAGE048
，其中
Figure 569776DEST_PATH_IMAGE049
为随机分布系；使用分布
Figure 493870DEST_PATH_IMAGE050
近似真实的后验概率分布
Figure 862534DEST_PATH_IMAGE051
，将贝叶斯LSTM网络训练时的网络权重、偏置参数后验概率分布的推断问题，转化为最佳参数
Figure 163065DEST_PATH_IMAGE052
的求解，以最小化
Figure 933575DEST_PATH_IMAGE050
和
Figure 294150DEST_PATH_IMAGE051
的KL散度作为优化目标求解；
Figure 884531DEST_PATH_IMAGE054
Figure 988753DEST_PATH_IMAGE078
Figure DEST_PATH_IMAGE079
Figure 348190DEST_PATH_IMAGE080
；
式中，
Figure 879666DEST_PATH_IMAGE052
是变分后验参数的集合，
Figure 957343DEST_PATH_IMAGE061
是所有权重和偏置的集合，
Figure 602607DEST_PATH_IMAGE062
是用于神经网络训练的交通流数据。
步骤5、构建贝叶斯LSTM模型训练损失函数；将步骤4中变分后参数
Figure 347709DEST_PATH_IMAGE052
的优化目标作为贝叶斯LSTM模型的损失函数
Figure 784506DEST_PATH_IMAGE063
：其中下列式中，
Figure 615059DEST_PATH_IMAGE052
是变分后验参数的集合，
Figure 61084DEST_PATH_IMAGE061
是所有权重和偏置的集合，
Figure 660693DEST_PATH_IMAGE062
是用于神经网络训练的交通流数据；
Figure 268391DEST_PATH_IMAGE065
Figure 586240DEST_PATH_IMAGE066
。
步骤6、确定模型超参数，利用Adam优化算法训练贝叶斯LSTM模型参数如图2所示，确定贝叶斯神经网络模型训练超参数，包括LSTM网络层数、每层的记忆单元层数、初始学习率、迭代轮数、迭代系数、批大小、随机失活率等；使用Adam优化算法，在第一轮迭代的正向过程中，对随机分布系数
Figure 570377DEST_PATH_IMAGE067
采样，满足
Figure 758913DEST_PATH_IMAGE068
，生成采样
Figure 803092DEST_PATH_IMAGE069
后，依据梯度方向反向传播并更新
Figure 342658DEST_PATH_IMAGE070
和
Figure 130485DEST_PATH_IMAGE071
，继续正向迭代生成采样
Figure 704686DEST_PATH_IMAGE069
，直至最小化损失函数
Figure 919767DEST_PATH_IMAGE072
，得到训练好的贝叶斯神经网络参数。
步骤7、利用训练好的贝叶斯LSTM模型，对该高速公路路段未来1小时交通流量的均值和置信区间进行预测。将步骤2中得到的前四小时交通流量
Figure 946629DEST_PATH_IMAGE073
输入，得到贝叶斯LSTM模型中，按照训练好权重参数
Figure 272568DEST_PATH_IMAGE069
和偏置参数
Figure 701275DEST_PATH_IMAGE074
的概率分布，多次对
Figure 87257DEST_PATH_IMAGE069
和
Figure 601415DEST_PATH_IMAGE074
的取值采样，输出多条不同的交通流量预测值；然后统计模型所有输出的交通流量预测值，取平均值即为交通流量预测均值，计算交通流量预测值的95%置信区间即为交通流量预测浮动区间如图3所示。
具体的，对路段24个小时时段交通流量均值预测，使用平均绝对误差（MAE）、平均绝对百分比误差（MAPE）对预测结果评价：
Figure 731045DEST_PATH_IMAGE082
Figure 279838DEST_PATH_IMAGE084
其中，
Figure DEST_PATH_IMAGE085
是高速公路路段流量均值的预测值，
Figure 305563DEST_PATH_IMAGE086
是高速公路路段流量真实值，N是预测样本数。某四条路段的评价结果如图5所示。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (4)

1.基于贝叶斯LSTM的高速公路交通流量可靠预测方法，其特征在于：包括如下步骤：
S1、从高速公路门架收费系统中获取路段门架数据；
S2、统计汇总高速公路路段的小时交通流量，得到时序流量数据作为模型输入；
S3、基于传统LSTM神经网络结构，以概率分布的形式设置权重参数和偏移参数，并确定先验概率分布的参数；
所述S3确定权重参数和偏置参数的概率分布形式和先验分布，包括以下步骤；
S3.1、以LSTM神经网络记忆单元的转换函数公式为基础，将记忆单元权重参数w和偏置参数b设置为高斯分布形式：
ft＝sigmod(Wfxt+Wfht-1+bf)
Figure QLYQS_1
it＝sigmod(Wixt+Wiht-1+bi)
ot＝sigmod(Woxt+Woht-1+bo)
Ct′＝tanh(Wcxt+Wcht-1+bc)
ht＝ot·tanh(Ct)
Ct＝ftCt-1+itC′t
式中，xt是当前时间间隔t内的路段车流量数据；x为自变量；
ht-1是记忆单元在前一时间间隔t-1内的输出；
Wf，Wi,Wo,Wc是权重参数；
分别服从分布
Figure QLYQS_2
bf，bi,bo,bc是偏置参数；
分别服从分布
Figure QLYQS_3
Figure QLYQS_4
S3.2、设置权重参数w和偏置参数b的初始先验分布为标准正态分布，即w～N(0，1)，b～N(0，1)；μ是分布的均值，σ是分布的方差；
S4、通过变分推断，将训练过程中的权重参数、偏置参数后验概率求解，转化为参数优化问题；
S4.1、设定变分后验参数θ＝(μ，σ)满足w＝μ+σ∈，(μ，σ)～N(μ，σ2)，其中∈为随机分布系；
S4.2、使用分布q(w|θ)近似真实的后验概率分布
Figure QLYQS_5
将贝叶斯LSTM网络训练时的网络权重、偏置参数后验概率分布的推断问题，转化为最佳参数θ的求解，以最小化q(w|θ)和
Figure QLYQS_6
的KL散度作为优化目标求解；
Figure QLYQS_7
式中，θ是变分后验参数的集合，w是所有权重和偏置的集合，
Figure QLYQS_8
是用于神经网络训练的交通流数据；
S5、构建贝叶斯LSTM模型训练损失函数；
S5.1、将步骤S4.1中变分后参数θ的优化目标作为贝叶斯LSTM模型的损失函数
Figure QLYQS_9
Figure QLYQS_10
式中，θ是变分后验参数的集合，w是所有权重和偏置的集合，
Figure QLYQS_11
是用于神经网络训练的交通流数据；
S6、确定模型超参数，利用Adam优化算法训练贝叶斯LSTM模型参数；
S6.1、确定贝叶斯神经网络模型训练超参数，包括LSTM网络层数、每层的记忆单元层数、初始学习率、迭代轮数、迭代系数、批大小、随机失活率；
S6.2、使用Adam优化算法，在第一轮迭代的正向过程中，对随机分布系数∈采样，满足∈～N(0，1)，生成采样w后，依据梯度方向反向传播并更新μ和σ，继续正向迭代生成采样w，直至最小化损失函数
Figure QLYQS_12
得到训练好的贝叶斯神经网络参数；
S7、利用训练好的贝叶斯LSTM模型，对该高速公路路段未来1小时交通流量的均值和置信区间进行预测。
2.根据权利要求1所述的基于贝叶斯LSTM的高速公路交通流量可靠预测方法，其特征在于：所述S1进一步为：从高速公路门架系统中获取门架数据，主要字段包括门架编号、记录时段、汽车类别，每条数据表示特定编号的门架系统在1小时时间间隔内记录通过的不同类型车辆数量。
3.根据权利要求1所述的基于贝叶斯LSTM的高速公路交通流量可靠预测方法，其特征在于：所述S2进一步为：
S2.1、将一条门架数据记录得到的所有不同车辆类型的交通流量相加，得到特定路段1小时车流量数据xt；
Figure QLYQS_13
式中：vk(k∈1，...，n)表示n种汽车类别中的第k种，
Figure QLYQS_14
表示第k种汽车的小时交通流量；
S2.2、将连续四个小时路段历史交通流量构成模型输入X＝(xt-3，xt-2，xt-1，xt)T，用于预测接下来一个小时的路段交通流量xt+1。
4.根据权利要求1所述的基于贝叶斯LSTM的高速公路交通流量可靠预测方法，其特征在于：所述步骤S7进一步为；
S7.1、将S2.2得到的前四小时交通流量X输入S62得到贝叶斯LSTM模型中，按照训练好权重参数w和偏置参数b的概率分布，多次对w和b的取值采样，输出多条不同的交通流量预测值；
S7.2、统计模型所有输出的交通流量预测值，取平均值即为交通流量预测均值，计算交通流量预测值的95％置信区间即为交通流量预测浮动区间。
CN202211343407.5A 2022-10-31 2022-10-31 基于贝叶斯lstm的高速公路交通流量可靠预测方法 Active CN115410372B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211343407.5A CN115410372B (zh) 2022-10-31 2022-10-31 基于贝叶斯lstm的高速公路交通流量可靠预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211343407.5A CN115410372B (zh) 2022-10-31 2022-10-31 基于贝叶斯lstm的高速公路交通流量可靠预测方法

Publications (2)

Publication Number Publication Date
CN115410372A CN115410372A (zh) 2022-11-29
CN115410372B true CN115410372B (zh) 2023-04-07

Family

ID=84168528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211343407.5A Active CN115410372B (zh) 2022-10-31 2022-10-31 基于贝叶斯lstm的高速公路交通流量可靠预测方法

Country Status (1)

Country Link
CN (1) CN115410372B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117198067A (zh) * 2023-10-08 2023-12-08 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种预测质量为导向的交通流区间量化方法
CN117612379B (zh) * 2024-01-24 2024-03-29 山东华夏高科信息股份有限公司 一种智慧交通车流量预测方法及系统
CN117689966B (zh) * 2024-02-04 2024-05-24 中国科学院深圳先进技术研究院 一种基于量子贝叶斯神经网络的磁共振图像分类方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436740A (zh) * 2011-09-29 2012-05-02 东南大学 一种高速公路交通事件自动检测方法
CN111292525B (zh) * 2019-12-30 2023-01-13 南京艾特斯科技有限公司 基于神经网络的交通流预测方法
CN111553535B (zh) * 2020-05-06 2022-07-29 东华大学 一种基于ae-lstm-bo车流量预测的导航参考方法
DE102020212502A1 (de) * 2020-10-02 2022-04-07 Robert Bosch Gesellschaft mit beschränkter Haftung Bayessche kontext-aggregation für neuronale prozesse

Also Published As

Publication number Publication date
CN115410372A (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN115410372B (zh) 基于贝叶斯lstm的高速公路交通流量可靠预测方法
CN110503833B (zh) 一种基于深度残差网络模型的入口匝道联动控制方法
CN109285346B (zh) 一种基于关键路段的城市路网交通状态预测方法
CN107180530B (zh) 一种基于深度时空卷积循环网络的路网状态预测方法
CN110491146B (zh) 一种基于深度学习的交通信号控制方案实时推荐方法
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
CN112085947B (zh) 一种基于深度学习和模糊聚类的交通拥堵预测方法
CN111915059B (zh) 基于注意力机制的Seq2seq泊位占有率预测方法
CN111553535B (zh) 一种基于ae-lstm-bo车流量预测的导航参考方法
CN111882869B (zh) 一种考虑不良天气的深度学习交通流预测方法
CN113591380B (zh) 基于图高斯过程的交通流预测方法、介质及设备
CN111767517B (zh) 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质
CN108417032B (zh) 一种城市中心区路边停车需求分析预测方法
CN111709549A (zh) 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法
CN116721537A (zh) 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法
CN115206092B (zh) 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法
CN112614346B (zh) 基于奇异谱分析和回声状态网络的短时交通流预测方法
CN113537580B (zh) 一种基于自适应图学习的公共交通客流预测方法及系统
CN113449905A (zh) 一种基于门控循环单元神经网络的交通拥堵预警方法
CN115034457A (zh) 一种基于ceemdan-lstm的城市轨道交通短时客流预测方法
CN114565187A (zh) 一种基于图时空自编码网络的交通路网数据预测方法
CN112766603A (zh) 一种交通流量预测方法、系统、计算机设备及存储介质
CN111524349B (zh) 一种语境特征注入的多尺度交通流预测模型建立方法及使用方法
CN115496257A (zh) 基于时空融合的短时车速预测
CN113762464B (zh) 一种基于学习的列车运行参考曲线动态生成方法

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