CN115705339A - 交通流量预测方法及电子设备 - Google Patents

交通流量预测方法及电子设备 Download PDF

Info

Publication number
CN115705339A
CN115705339A CN202110931991.5A CN202110931991A CN115705339A CN 115705339 A CN115705339 A CN 115705339A CN 202110931991 A CN202110931991 A CN 202110931991A CN 115705339 A CN115705339 A CN 115705339A
Authority
CN
China
Prior art keywords
sequence
traffic flow
frequency
data
subsequence
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
CN202110931991.5A
Other languages
English (en)
Inventor
赵建龙
王雯雯
乔羽
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.)
Hisense TransTech Co Ltd
Original Assignee
Hisense TransTech 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 Hisense TransTech Co Ltd filed Critical Hisense TransTech Co Ltd
Priority to CN202110931991.5A priority Critical patent/CN115705339A/zh
Publication of CN115705339A publication Critical patent/CN115705339A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开一种交通流量预测方法，对获取的交通流量数据进行数据清洗，并对清洗后的数据通过归一化，映射到预设的特定区间；进行小波变换获得反映交通流量序列时序变化的多尺度特征，获得单条低频近似序列和多条高频细节序列，将所述单条低频近似序列和多条高频细节序列输入注意力门控递归单元的循环神经网络得到深度时序特征，其中所述注意力门控递归单元赋权具有关键影响的历史数据；将所述深度时序特征传递到全连接层，通过加权映射输出预测子序列，并进行线性叠加所述预测子序列，得到更加准确的交通流量预测序列。

Description

交通流量预测方法及电子设备
技术领域
本发明涉及智能交通的技术领域，特别涉及一种交通流量预测方法及电子设备。
背景技术
近年来交通拥堵已成为各个国家面临的重要社会问题，交通拥堵不仅造成了能源浪费和时间效率的降低、增加了交通事故的发生频率，还加剧了对自然环境的污染。因此，城市交通拥堵已成为智能交通领域中一项非常重要的研究内容。随着城市智能交通系统的逐步信息化建设与发展，先进的交通诱导系统和主动控制系统对缓解交通拥堵起到很大作用，而交通流的准确预测是实现动态高效交通疏导和管理的关键。
精准的交通流预测不仅能为出行者提供实时准确的路况信息以制定合理高效的出行规划，还有利于交通管理部门预先实施交通诱导和管控，提高道路的通行能力与效率。
现有技术中，关于交通流预测的模型主要是基于统计假设分析模型，其中以自回归差分移动平均模型为代表的统计方法通过建模统计参数来实现线性系统预测。而随着城市交通的快速发展，交通流变化呈现明显的非线性演变特征，尤其对于复杂且含有噪声的真实时间序列数据无法通过含有参数的解析方程来反映。
发明内容
本公开示例性的实施方式中提供一种交通流量预测方法及电子设备，用于准确建模原始交通流量序列的多尺度时序变化特征，从而表现出更高的预测能力。
本公开的第一方面提供一种交通流量预测方法，所述方法包括：
对获取的交通流量数据进行数据清洗，并对清洗后的数据通过归一化，映射到预设的特定区间；
进行小波变换获得反映交通流量序列时序变化的多尺度特征，其中，通过多尺度小波分解获得所述交通流量序列的近似系数和各尺度细节系数，并对所述近似系数和各尺度细节系数分别进行单支重构，获得单条低频近似序列和多条高频细节序列，所述单条低频近似序列用于近似描述原始序列变化趋势，所述多条高频细节序列用于保留不同细粒度信息；
将所述单条低频近似序列和多条高频细节序列输入注意力门控递归单元的循环神经网络得到深度时序特征，其中所述注意力门控递归单元赋权具有关键影响的历史数据；
将所述深度时序特征传递到全连接层，通过加权映射输出预测子序列，并进行线性叠加所述预测子序列，得到交通流量预测序列。
本实施例中利用小波变换技术可获得交通流量序列的多尺度时序特征，从时域和频域两个维度刻画多尺度时序依赖特征，通过注意力机制可赋权突出对预测序列具有关键影响的历史数据，在相对更长时间范围内建模长短期时序依赖特征，利用深度门控递归单元循环神经网络来表征多尺度流量子序列的长短期时序演变特征，通过长周期记忆和非线性映射来准确识别交通流量序列的非线性演变特征，进而构建出更为精确的流量预测模型。
在一个实施例中，选择合适的小波基函数Ψ(t)和分解尺度L对交通流序列进行多尺度小波变换，选择多贝西小波Daubechies(db4)为小波基函数，分解尺度为3层；对输入交通流量序列根据小波基函数和分解尺度进行Mallat多分辨率分析，逐级分解得到L个高频系数向量
Figure BDA0003211355590000021
和1个低频系数向量
Figure BDA0003211355590000022
对L个高频系数和1个低频系数分别进行单支重构得到跟原始序列相同时间尺度的交通流量子序列，分别是L个高频细节序列{dL,dL-1,…,d1}和1个低频近似序列{aL}。
在一个实施例中，设置相空间重构的延迟数值k，分别对低频近似序列和高频细节序列进行相空间重构，形成可输入到神经网络模型的训练数据和测试数据。对于某个具体流量子序列{xi},i＝1,…,n，在输入深度神经网络进行预测之前，先对{xi}进行相空间重构，将其转换为输入-输出矩阵，
Figure BDA0003211355590000031
Figure BDA0003211355590000032
其中，Xin为输入矩阵，Yout为输出矩阵，k为输入到深度神经网络的数据维度数，nin为输入到深度神经网络模型的样本数量，其值为n-k。
在一个实施例中，将每个子序列输入到注意力模块，利用注意力机制来关注历史序列中与预测值关联的重要数据信息，通过赋权突出历史序列数据的重要度差异特征，准确建模流量子序列的长短期时序特征。对于某个输入序列X，对应关联权重计算为，
Figure BDA0003211355590000033
其中，ψ(·)表示softmax激活函数，
Figure BDA0003211355590000034
则表示ReLU激活函数，
Figure BDA0003211355590000035
和
Figure BDA0003211355590000036
表示待学习的权重参数。
那么，经过注意力赋权之后的特征向量计算为，
Xatt＝A*X
将长周期注意力子序列Xatt输入到门控递归单元循环神经网络以准确建模交通流量子序列的长短期时序变化趋势，挖掘交通子序列的长期和短期演变特征，进而获得交通流量序列的多尺度深度时序依赖特征。
在一个实施例中，将输出的长短期深度时序依赖特征传递到全连接层，通过加权映射为最终的预测子序列{pL,pL-1,…,p1,qL}，其中，{pL,pL-1,…,p1}表示高频细节子序列的预测结果，qL表示低频近似子序列的预测结果。
附图说明
为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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为根据本公开一个实施例中的交通流量预测方法的流程示意图；
图2为根据本公开一个实施例的小波分解与单支重构示意图；
图3为根据本公开一个实施例的多贝西小波db4的波形图；
图4为根据本公开一个实施例的门控递归单元的结构图；
图5为根据本公开一个实施例的注意力循环神经网络的框架图；
图6为根据本公开一个实施例的电子设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
本公开实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本公开实施例描述的应用场景是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
针对非线性序列建模的需求，机器学习凭借其经验积累可自动改善模型自身性能的优势在交通流预测领域越发受到重视，尤其是随着交通大数据能力的提升，交通流预测模型的预测精度得到很大提升。其中以小波变换、人工神经网络、支持向量机回归、高斯混合模型为代表的机器学习方法广泛应用于复杂非线性交通序列预测任务。然而这类浅层的计算智能模型对于学习复杂高维度的数据存在较大局限性，还存在潜在维数灾难与无效特征表示等问题。深度学习在传统神经网络基础上进一步加深神经网络隐藏层数量，通过浅层特征组合表征来实现更加抽象的高层特征表示，进一步可发现数据的深度分布表示。与浅层机器学习模型相比，深度学习采用无监督学习的逐层特征提取，表现出更强大的特征表达能力，可学习复杂函数表示。
深度学习模型中最具代表性的时序挖掘模型归循环神经网络(Recurrent NeuralNetwork,RNN)所属，时序递归能力在时间序列挖掘任务中的表现，用于交通流序列预测中。但是，由于当前时刻的流量值会依赖于上游较长时间前的历史流量信息，RNN网络模型无法表征时间序列的长期依赖特征，因为RNN网络模型在输入序列过长时会出现梯度弥散、梯度爆炸等问题，表现出对序列数据中长距离依赖建模能力差等问题。长短期时序记忆(LongShort-Term Memory，LSTM)和门控递归单元(GRU)是典型的两种解决RNN缺陷的改进结构，主要通过增加门控机制来解决反向传播过程中存在的潜在梯度弥散或爆炸，相比而言，GRU由于更少一个门，因此表现出更低的内存要求和较快的训练速度。另外，在时间维度上时序特征的重要程度并不一致，例如，预测交通流量时，潜藏在异常流量(交通事故)数据中的特征将比正常通行流量的特征重要。这类时序特征重要程度的差异性，标准RNN及其变体难以体现，由于重要特征稀少可能会导致模型产生错误评估或被直接忽略。
针对GRU对长期时序特征挖掘有待优化等问题，本发明通过注意力机制来处理GRU忽略的长期序列特征的重要度差异，提取显著细粒度关键时序特征，同时便于GRU更有效地捕捉时序依赖性。
本公开考虑交通流序列的多尺度非线性和线性变化特征，准确建模交通流序列的长周期范围内的重要时序依赖特征。针对交通流量时间序列的这种高度非线性和不确定性问题，利用深度循环神经网络的时序建模预测能力，结合小波变换的多尺度特征表达能力，构建了一种基于小波分解和注意力循环神经网络的交通流量预测方法，将原始序列分解重构为低频和高频序列，针对每个流量子序列建立一个基于注意力循环神经网络的序列预测模型，用于准确建模原始交通流量序列的多尺度时序变化特征，从而表现出更高的预测能力。
本公开提供一种基于小波变换和注意力循环神经网络的交通流量预测方法，如图1所示，具体包括步骤：
步骤S1：获取交通监测设备所采集的数据并按照时间间隔构建交通流量时间序列数据，对构建得到的交通流量数据进行数据预处理工作。
通过数据清洗解决数据缺失和异常值现象，然后通过归一化操作将数据映射到便于模型训练的特定区间。
具体地，所采集的数据可包括车流量、车道占用率、车速度、通行时间、密度等，相关数据可持续从交通管控平台或系统数据库中获取。
进一步地，在本公开的一个实施例中，所述步骤S1具体可以还包括以下的子步骤：
S11：数据清洗工作。
在道路电警、卡口设备采集和测量数据的过程中可能存在潜在的仪器设备故障、不当的人为操作以及其他不可控因素的干扰，导致所得数据不可避免出现数据丢失和数据失真现象，为避免对预测模型性能的影响，首先要对数据进行清洗，采用均值平滑法将数据缺失部分的数据补充完整，均值平滑法是利用缺失数据左右相邻两处的数据，取平均值来代替缺失数据，均值平滑法的公式如下：
Figure BDA0003211355590000071
其中，xt为t时刻的缺失数据，xt-1为t-1时刻的正常数据，xt+1为t+1时刻的正常数据。
S12：数据归一化，采集交通流样本数据并对有效样本进行归一化处理，将数值变化范围限定在[0,1]之间，采用最大最小归一化方法，公式为：
Figure BDA0003211355590000072
其中，xmin和xmax分别为标准样本数据x的最小值和最大值，x′t表示经过数据归一化处理之后的流量数据。
步骤S2：对原始交通流量序列数据进行小波变换求得反映交通流量序列时序变化的多尺度特征。
首先通过多尺度小波分解获得该交通流量序列的近似系数和各尺度细节系数，然后对这些分解系数分别进行单支重构，获得单条能够近似描述原始序列变化趋势的低频近似序列和多条保留不同细粒度信息的高频细节序列。
给定经过数据预处理后的输入序列x，对输入的样本时间序列进行L级分解，每一级分解得到一条高频和一条低频子序列，最后得到多尺度子序列集合{aL,dL,…,di,…,d1}，其中aL表示经过L层分解得到的低频近似子序列，di(0<i<＝L)表示第i级分解得到的高频细节子序列。
详细过程如图2所示。
给定一个低频或高频样本子序列x0，小波分解利用一个高通滤波器h＝{h1,h2,…,hu}和一个低通滤波器l＝{l1,l2,…,lu}(U为滤波器的长度)将原始序列x0进行分解，分别得到一个高频子序列
Figure BDA0003211355590000073
和一个低频子序列
Figure BDA0003211355590000074
再将低频子序列
Figure BDA0003211355590000075
送入下一级分解，同样得到一个高频子序列
Figure BDA0003211355590000076
和一个低频子序列
Figure BDA0003211355590000077
每一次分解得到的子序列长度是输入序列长度的一半。通过逐级小波分解，可以得到多个不同尺度的子序列，小尺度子序列可保留数据中细粒度的细节信息，大尺度子序列可以捕获缓慢变化的趋势。最后通过对各个子序列进行单支重构求得跟原始输入序列相同时间跨度的分解子序列，每层的分解过程如下，
Figure BDA0003211355590000081
Figure BDA0003211355590000082
其中，元素
Figure BDA0003211355590000083
表示第λ层中低频子序列的第p个元素，通过对中间可变序列
Figure BDA0003211355590000084
和
Figure BDA0003211355590000085
进行1/2下采样得到低频信号
Figure BDA0003211355590000086
和高频信号
Figure BDA0003211355590000087
结合本公开采集的交通流数据特性，选择Daubechies 4小波(db4)作为小波基函数并进行三层小波分解，db4小波基函数如图3所示。
步骤S3：对获得的多尺度流量子序列进行相空间重构来获得训练数据和测试数据，然后将每个子序列数据输入到对应的注意力门控递归单元(Attention-GRU)循环神经网络模型以更准确地学习长短期时序依赖。
其中通过注意力机制可赋权突出对预测序列具有关键影响的历史数据，便于GRU在相对更长时间范围内建模长短期时序特征。
在一个实施例中，可以包括如下的子步骤：
S31：设置相空间重构的延迟数值k，分别对低频近似序列和高频细节序列进行相空间重构，形成可输入到神经网络模型的训练数据和测试数据。
对于每个流量子序列{xi},i＝1,…,n，将GRU用于预测时，先对{xi}进行相空间重构，将其转换为输入-输出的矩阵。其中，k为输入到GRU中的数据维度，nin为输入到神经网络的样本数量，其值为n-k。矩阵结构如下：
Figure BDA0003211355590000088
Figure BDA0003211355590000089
其中，Xin为输入矩阵，Yout为输出矩阵。
S32：将每个子序列输入到注意力机制Attention模块，利用注意力机制来关注历史序列中与预测值关联的重要数据信息，通过赋权突出历史序列数据的重要度差异特征，便于GRU准确建模流量子序列的长短期特征。
对于某个输入序列X，对应关联权重计算为，
Figure BDA0003211355590000091
其中，ψ(·)表示softmax激活函数，
Figure BDA0003211355590000092
表示ReLU激活函数，
Figure BDA0003211355590000093
和
Figure BDA0003211355590000094
表示待学习权重参数。
那么，经过注意力赋权之后的特征向量计算为，
Xatt＝A*X
其中，Xatt表示注意力赋权之后的特征向量。
S33：将注意力赋权序列Xatt输入到门控递归单元循环神经网络(GRU)以准确建模交通流量子序列的长短期时序变化趋势，挖掘交通子序列的长期和短期演变特征，进而获得交通流量序列的多尺度深度时序依赖特征。
图4所示为GRU的示意图，GRU用于学习从
Figure BDA0003211355590000095
到中间特征ht的映射关系，
Figure BDA0003211355590000096
其中ht表示第t时刻的隐含状态。
GRU单元包括两个sigmoid门：重置门rt和更新门zt用于控制数据流信息的传递。具体来说，rt决定是否需要将当前状态与以前的信息结合起来，而zt则定义要保留的历史信息内存量。
GRU单元中的主要过程可以描述如下，
Figure BDA0003211355590000097
Figure BDA0003211355590000098
Figure BDA0003211355590000099
Figure BDA00032113555900000910
其中{Wr,Wz,Wh}和{Ur,Uz,Uh}表示学习的权重矩阵，{br,bz,bh}表示需要学习的偏置向量。
ht-1表示前一时刻的隐含状态，而
Figure BDA00032113555900000911
表示当前的输入信息。σ和⊙分别表示sigmoid激活函数和按元素乘积运算符。
步骤S4：对每个交通流量子序列经过Attention-GRU模型求得的深度时序特征传递到全连接层，通过加权映射输出预测子序列，然后通过线性叠加各预测子序列得到最终的交通流量预测序列信息。
在一个实施例中，可以包括如下的子步骤：
S41：将Attention-GRU输出的长短期深度时序依赖特征传递到全连接层，通过加权映射为最终的预测子序列{pL,pL-1,…,p1,qL}。
S42：将每个子序列的Attention-GRU模型的预测输出进行线性叠加以获得最终的交通流量预测序列Ypre＝pL+pL-1+…+p1+qL。
在实际测试过程中，利用训练好的Attention-GRU深度模型对交通流量子序列的测试样本进行预测，得到下一时刻的交通流量预测值，该值为归一化数据，需用反归一化得到与原始数据量级相同的预测值，然后将各子序列的预测值进行叠加，从而得到最终的预测值。
最后设定该深度模型的超参数及结构组成，主要包括隐含层数及每层的节点数、激励函数、学习速率、损失函数、优化函数、批处理大小、迭代次数等。其中损失函数为均方误差(Mean Sequared Error,MSE)公式，优化函数为Adam函数，批处理数量为5，迭代次数为200。
利用相空间重构的多组训练数据分别对Attention-GRU模型进行训练，根据误差反馈更新各层连接权值，达到期望误差或最大迭代次数后停止训练。MSE的误差计算公式为，
Figure BDA0003211355590000101
其中θ表示神经网络模型中所有层的参数集合，T表示训练集样本个数，
Figure BDA0003211355590000102
表示Frobenius范式，Yt表示第t时刻的真实序列，
Figure BDA0003211355590000103
表示第t时刻的预测序列。
本公开提出的基于小波分解和注意力循环神经网络的交通流量预测方法利用深度循环神经网络的时序建模预测能力以及小波变换的多尺度特征表达能力，可实现多尺度流量子序列的长短期时序依赖表征，通过长周期记忆和非线性映射来准确识别交通流量序列的非线性演变特征，进而构建出更为精确的流量预测模型。
在介绍了本公开示例性实施方式的一种交通流量预测方法之后，接下来，介绍根据本公开的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本公开的电子设备可以至少包括至少一个处理器、以及至少一个计算机存储介质。其中，计算机存储介质存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本公开各种示例性实施方式的交通流量预测方法中的步骤。
下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600以通用电子设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理器601、上述至少一个计算机存储介质602、连接不同系统组件(包括计算机存储介质602和处理器601)的总线603。
总线603表示几类总线结构中的一种或多种，包括计算机存储介质总线或者计算机存储介质控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
计算机存储介质602可以包括易失性计算机存储介质形式的可读介质，例如随机存取计算机存储介质(RAM)621和/或高速缓存存储介质622，还可以进一步包括只读计算机存储介质(ROM)623。
计算机存储介质602还可以包括具有一组(至少一个)程序模块624的程序/实用工具625，这样的程序模块624包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备600也可以与一个或多个外部设备604(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口605进行。并且，电子设备600还可以通过网络适配器606与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器606通过总线603与用于电子设备600的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中，本公开提供的一种交通流量预测方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本公开各种示例性实施方式的图像搜索方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取计算机存储介质(RAM)、只读计算机存储介质(ROM)、可擦式可编程只读计算机存储介质(EPROM或闪存)、光纤、便携式紧凑盘只读计算机存储介质(CD-ROM)、光计算机存储介质件、磁计算机存储介质件、或者上述的任意合适的组合。
本公开的实施方式的图像搜索的程序产品可以采用便携式紧凑盘只读计算机存储介质(CD-ROM)并包括程序代码，并可以在电子设备上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
此外，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘计算机存储介质、CD-ROM、光学计算机存储介质等)上实施的计算机程序产品的形式。
本公开是参照根据本公开的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读计算机存储介质中，使得存储在该计算机可读计算机存储介质中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。

Claims (10)

1.一种交通流量预测方法，其特征在于，所述方法包括：
S1：对获取的交通流量数据进行数据清洗，并对清洗后的数据通过归一化，映射到预设的特定区间；
S2：进行小波变换获得反映交通流量序列时序变化的多尺度特征，其中，通过多尺度小波分解获得所述交通流量序列的近似系数和各尺度细节系数，并对所述近似系数和各尺度细节系数分别进行单支重构，获得单条低频近似序列和多条高频细节序列，所述单条低频近似序列用于近似描述原始序列变化趋势，所述多条高频细节序列用于保留不同细粒度信息；
S3：将所述单条低频近似序列和多条高频细节序列输入注意力门控递归单元的循环神经网络得到深度时序特征，其中所述注意力门控递归单元赋权具有关键影响的历史数据；
S4：将所述深度时序特征传递到全连接层，通过加权映射输出预测子序列，并进行线性叠加所述预测子序列，得到交通流量预测序列。
2.根据权利要求1所述的一种交通流量预测方法，其特征在于，所述步骤S1具体包括：
S11：对所述交通流量数据筛选极端异常值并删除，采用均值平滑法将数据缺失部分补充完整；
S12：采用最大-最小归一化将数值变化范围限定在[0，1]之间。
3.根据权利要求1所述的一种交通流量预测方法，其特征在于，所述步骤S2具体包括：
S21：采用预设的小波基函数Ψ(t)和分解尺度L进行多尺度小波变换；
S22：根据所述小波基函数和分解尺度进行多分辨率分析，逐级分解得到L个高频细节序列和1个低频近似序列，其中，利用一个高通滤波器h＝{h1，h2，...，hu}和一个低通滤波器l＝{l1，l2，...，lu}将原始序列x0进行分解，分别得到一个高频子序列
Figure FDA0003211355580000021
和一个低频子序列
Figure FDA0003211355580000022
再将低频子序列
Figure FDA0003211355580000023
送入下一级分解，得到下一个高频子序列
Figure FDA0003211355580000024
和下一个低频子序列
Figure FDA0003211355580000025
S23：对L个高频细节序列和1个低频近似序列分别进行单支重构得到跟所述原始序列相同时间跨度的交通流量子序列。
4.根据权利要求1所述的一种交通流量预测方法，其特征在于，所述步骤S3具体包括步骤：
S31：设置相空间重构的延迟数值k，分别对所述低频近似序列和所述高频细节序列进行相空间重构，形成可输入到所述神经网络的训练数据和测试数据。
S32：将所述训练数据和测试数据输入到所述神经网络，注意力门控递归单元通过赋权突出对预测序列具有关键影响的数据，用于建模所述交通流量子序列的长短期特征；
S33：从长短期时序变化趋势获得交通流量子序列的长期和短期演变特征，得到交通流量序列的多尺度深度时序依赖特征。
5.根据权利要求1所述的一种交通流量预测方法，其特征在于，所述步骤S4具体包括步骤：
S41：将所述注意力门控递归单元的循环神经网络输出的长短期深度时序依赖特征传递到全连接层，通过加权映射为预测子序列{pL，pL-1，...，p1，qL}；
S42：进行反归一化，并将反归一化后的预测子序列进行线性叠加以获得交通流量预测序列Ypre＝pL+pL-1+…+p1+qL。
6.一种电子设备，其特征在于，包括存储单元和处理器；其中：
所述处理器，被配置为：
对获取的交通流量数据进行数据清洗，并对清洗后的数据通过归一化，映射到预设的特定区间；
进行小波变换获得反映交通流量序列时序变化的多尺度特征，其中，通过多尺度小波分解获得所述交通流量序列的近似系数和各尺度细节系数，并对所述近似系数和各尺度细节系数分别进行单支重构，获得单条低频近似序列和多条高频细节序列，所述单条低频近似序列用于近似描述原始序列变化趋势，所述多条高频细节序列用于保留不同细粒度信息；
将所述单条低频近似序列和多条高频细节序列输入注意力门控递归单元的循环神经网络得到深度时序特征，其中所述注意力门控递归单元赋权具有关键影响的历史数据；
将所述深度时序特征传递到全连接层，通过加权映射输出预测子序列，并进行线性叠加所述预测子序列，得到交通流量预测序列。
7.根据权利要求6所述的电子设备，其特征在于，所述处理器，还被配置为：
对所述交通流量数据筛选极端异常值并删除，采用均值平滑法将数据缺失部分补充完整；
采用最大-最小归一化将数值变化范围限定在[0，1]之间。
8.根据权利要求6所述的电子设备，其特征在于，所述处理器具体被配置为：
采用预设的小波基函数Ψ(t)和分解尺度L进行多尺度小波变换；
根据所述小波基函数和分解尺度进行多分辨率分析，逐级分解得到L个高频细节序列和1个低频近似序列，其中，利用一个高通滤波器h＝{h1，h2，...，hu}和一个低通滤波器l＝{l1，l2，...，lu}将原始序列x0进行分解，分别得到一个高频子序列
Figure FDA0003211355580000041
和一个低频子序列
Figure FDA0003211355580000042
再将低频子序列
Figure FDA0003211355580000043
送入下一级分解，得到下一个高频子序列
Figure FDA0003211355580000044
和下一个低频子序列
Figure FDA0003211355580000045
对L个高频细节序列和1个低频近似序列分别进行单支重构得到跟所述原始序列相同时间跨度的交通流量子序列。
9.根据权利要求6所述的电子设备，其特征在于，所述处理器，还被配置为：
设置相空间重构的延迟数值k，分别对所述低频近似序列和所述高频细节序列进行相空间重构，形成可输入到所述神经网络的训练数据和测试数据。
将所述训练数据和测试数据输入到所述神经网络，注意力门控递归单元通过赋权突出对预测序列具有关键影响的数据，用于建模所述交通流量子序列的长短期特征；
从长短期时序变化趋势获得交通流量子序列的长期和短期演变特征，得到交通流量序列的多尺度深度时序依赖特征。
10.根据权利要求6所述的电子设备，其特征在于，所述处理器，还被配置为：
将所述注意力门控递归单元的循环神经网络输出的长短期深度时序依赖特征传递到全连接层，通过加权映射为预测子序列{pL，pL-1，...，p1，qL}；
进行反归一化，并将反归一化后的预测子序列进行线性叠加以获得交通流量预测序列Ypre＝pL+pL-1+...+p1+qL。
CN202110931991.5A 2021-08-13 2021-08-13 交通流量预测方法及电子设备 Pending CN115705339A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110931991.5A CN115705339A (zh) 2021-08-13 2021-08-13 交通流量预测方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110931991.5A CN115705339A (zh) 2021-08-13 2021-08-13 交通流量预测方法及电子设备

Publications (1)

Publication Number Publication Date
CN115705339A true CN115705339A (zh) 2023-02-17

Family

ID=85180661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110931991.5A Pending CN115705339A (zh) 2021-08-13 2021-08-13 交通流量预测方法及电子设备

Country Status (1)

Country Link
CN (1) CN115705339A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117555049A (zh) * 2024-01-09 2024-02-13 成都师范学院 基于时空注意力门控融合网络的闪电临近预报方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117555049A (zh) * 2024-01-09 2024-02-13 成都师范学院 基于时空注意力门控融合网络的闪电临近预报方法及装置
CN117555049B (zh) * 2024-01-09 2024-03-29 成都师范学院 基于时空注意力门控融合网络的闪电临近预报方法及装置

Similar Documents

Publication Publication Date Title
Su et al. A hybrid hourly natural gas demand forecasting method based on the integration of wavelet transform and enhanced Deep-RNN model
Hu et al. Short-term wind speed prediction using empirical wavelet transform and Gaussian process regression
Tahmasebifar et al. Point and interval forecasting of real‐time and day‐ahead electricity prices by a novel hybrid approach
Yu et al. Error correction method based on data transformational GM (1, 1) and application on tax forecasting
Goh et al. A multimodal approach to chaotic renewable energy prediction using meteorological and historical information
Zhao et al. Short term traffic flow prediction of expressway service area based on STL-OMS
Yu et al. Novel hybrid multi-head self-attention and multifractal algorithm for non-stationary time series prediction
Tong et al. LS-LSTM-AE: Power load forecasting via Long-Short series features and LSTM-Autoencoder
Bing et al. A Hybrid Short‐Term Traffic Flow Multistep Prediction Method Based on Variational Mode Decomposition and Long Short‐Term Memory Model
Guo et al. A new time series forecasting model based on complete ensemble empirical mode decomposition with adaptive noise and temporal convolutional network
Yang et al. An ensemble prediction system based on artificial neural networks and deep learning methods for deterministic and probabilistic carbon price forecasting
Li et al. Dynamic and explainable deep learning-based risk prediction on adjacent building induced by deep excavation
Cai et al. Wind power forecasting based on ensemble empirical mode decomposition with generalized regression neural network based on cross-validated method
CN115705339A (zh) 交通流量预测方法及电子设备
Wang A stock price prediction method based on BiLSTM and improved transformer
Mirzahossein et al. A hybrid deep and machine learning model for short‐term traffic volume forecasting of adjacent intersections
Zhao et al. Interval short-term traffic flow prediction method based on CEEMDAN-SE nosie reduction and LSTM optimized by GWO
Wang et al. End-to-end modeling of hierarchical time series using autoregressive transformer and conditional normalizing flow-based reconciliation
Yu et al. A novel discussion on two long-term forecast mechanisms for hydro-meteorological signals using hybrid wavelet-NN model
Hu et al. Multi-source information fusion based dlaas for traffic flow prediction
Huang et al. CrossWaveNet: A dual-channel network with deep cross-decomposition for Long-term Time Series Forecasting
Tang et al. Short-term power load forecasting based on VMD-Pyraformer-Adan
Banda et al. Assessment of hybrid transfer learning method for forecasting EV profile and system voltage using limited EV charging data
Chang et al. A multistep forecasting method for online car-hailing demand based on wavelet decomposition and deep Gaussian process regression
CN114091361A (zh) 基于气象事件的transformer模型构建方法

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