CN115909717A - 一种基于深度学习的高速公路短时交通流预测方法 - Google Patents
一种基于深度学习的高速公路短时交通流预测方法 Download PDFInfo
- Publication number
- CN115909717A CN115909717A CN202211183488.7A CN202211183488A CN115909717A CN 115909717 A CN115909717 A CN 115909717A CN 202211183488 A CN202211183488 A CN 202211183488A CN 115909717 A CN115909717 A CN 115909717A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- time
- flow data
- formula
- prediction
- 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
Images
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于深度学习的高速公路短时交通流预测方法。本发明首先获取雷达实时检测的多个断面交通流数据,结合历史与实时交通流数据进行预处理,并根据交通流数据的周期特征,划分交通模式为工作日、双休日和节假日三种模式;然后使用傅里叶变换提取交通流数据的时间特征,通过添加注意力层提取多断面交通流数据的空间特征,进而构建门控循环单元时序预测神经网络模型;最后使用同一交通模式的时空特征进行模型训练与预测,并验证了预测结果的准确度。本发明充分提取交通流数据时间特征与多断面空间特征,并基于单步长与多步长进行预测,实现短时交通流高精度预测,该方法适用于高速公路主线及干线公路。
Description
技术领域
本发明涉及一种基于深度学习的高速公路短时交通流预测方法,属于高速公路短时交通流预测技术领域。
背景技术
近年来,人们往返于城市之间日趋频繁,高速公路上的运行车辆日益增加,导致高速公路拥堵情况愈加严重,由此所引发的交通事故、能源浪费、环境污染等问题也日趋恶化。
短时交通流预测作为一种有效的未来交通状态评估方法,对于缓解交通拥堵、提高交通运行效率具有重要意义,其预测结果有助于交通管理部门更科学合理地制定交通治理方案及管控措施。
深度学习是一种数据驱动的模型,在时序数据预测领域,深度学习在模型精度和预测的鲁棒性方面优于传统预测模型。目前基于深度学习的短时交通预测模型已有大量科研成果,但受制于各研究的不同交通情形,各模型和场景之间并不完全通用,模型精度参差不齐。
发明内容
本发明的目的是:考虑交通流数据时间特征与多断面空间特征的提取,提出一种新颖的基于深度学习的高速公路短时交通流预测方法。
为了达到上述目的,本发明的技术方案是提供了一种基于深度学习的高速公路短时交通流预测方法,其特征在于,包括以下步骤:
步骤S-1:获取实时检测的多个断面交通流数据;
步骤S-2:结合历史与实时断面交通流数据进行预处理,包括以下步骤:
步骤S-2.1:使用算术平均滤波对交通流量的时变曲线进行平滑处理;
步骤S-2.2:识别缺失交通流数据的时间片段,并使用历史平均法进行填充;
步骤S-3:根据交通流数据的周期特征,将交通流数据归类为不同的交通模式;
步骤S-4:使用傅里叶变换提取交通流数据的时间特征,计算公式为:
式中,Day_sin为时间特征的正弦分量;Day_cos为时间特征的余弦分量;intTime为时间戳;
步骤S-5:考虑上游交通流数据对下游未来交通流数据存在相关性,空间特征提取选择预测断面上游方向依次布设的毫米波雷达检测断面,添加注意力层提取多断面交通流数据的空间特征,使空间特征具有注意力概率分布,计算公式为:
ep=vetanh(Wehp+be)
式中,ep为第p个断面隐藏状态hp对应的注意力评分值;ve、We、be分别为需要学习的参数;αp为第p个断面的注意力评分值ep进行Softmax函数归一化后得到的权重系数;K表示断面总个数;c为具有注意力概率分布的交通流特征;
步骤S-6:构建门控循环单元时序神经网络模型,包括一个更新门zt和重置门rt,其中,更新门zt的计算公式为:
zt=σ(Wzxt+Uzht-1+bz)
式中,σ为Sigmoid激活函数;Wz、Uz、bz为需要学习的参数;xt为第t个时刻输入的特征向量,包括通过步骤S-4提取的时间特征以及通过步骤S-5提取的空间特征;ht-1为第t-1个时刻的隐藏状态ht-1;
重置门rt的计算公式为:
rt=σ(Wrxt+Urht-1+br)
式中,Wr、Ur、br为需要学习的参数。
门控循环单元时序神经网络模型输出的第t个时刻的隐藏状态ht,计算公式为:
步骤S-7:使用同一交通模式时空特征进行模型训练与预测,包括以下步骤:
步骤S-7.1:提取历史交通流数据的时间特征及空间特征后输入所述门控循环单元时序神经网络模型进行训练,输入层为断面一、断面二、断面N…的流量,输出为断面一在下一时刻的流量,将交通流变化规律信息以权重系数的形式储存在网络中;
步骤S-7.2:提取实时交通流数据的时间特征及空间特征后输入训练后的所述门控循环单元时序神经网络模型,基于单步长与多步长进行预测;
步骤S-8:以均方根误差RMSE、平均绝对百分比误差MAPE评价预测结果准确度,计算公式为:
式中,xi为第i个样本的预测值,xci为第i个样本的真实值,n为总预测样本数。
优选地,所述步骤S-2.1中,基于如下公式使用算术平均滤波对交通流量的时变曲线进行平滑处理:
优选地,所述步骤S-2.2中,采用如下公式对缺失交通流数据的时间片段进行填充:
本发明综合考虑了交通流数据时间特征与多断面空间特征,并基于单步长与多步长进行预测,实现了短时交通流高精度预测。本发明公开的方法适用于高速公路主线及干线公路。
附图说明
图1为本发明的流程图。
图2为短时交通流预测输入输出示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
结合图1,本发明提供的一种基于深度学习的高速公路短时交通流预测方法,包括以下步骤:
步骤S-1:获取毫米波雷达实时检测的多个断面交通流数据,包括时间戳、交通流量、车辆平均行驶速度以及平均车头时距等。
步骤S-2:结合历史与实时交通流数据进行预处理,包括以下步骤:
步骤S-2.1:使用算术平均滤波对交通流量的时变曲线进行平滑处理,减少交通流量随机到达特性对模型构建的影响,计算公式为:
步骤S-2.2:识别缺失交通流数据的时间片段,并使用历史平均法进行填充,计算公式为:
步骤S-3:根据交通流数据的周期特征,将交通模式划分为工作日、双休日与节假日三种模式,使用同一交通模式下的数据进行分类特征分析。
步骤S-4:使用傅里叶变换提取交通流数据的时间特征,计算公式为:
式中,Day_sin为时间特征的正弦分量;Day_cos为时间特征的余弦分量;intTime为时间戳。
步骤S-5:考虑上游交通流数据对下游未来交通流数据存在相关性,空间特征提取选择预测断面上游方向依次布设的毫米波雷达检测断面,添加注意力层提取多断面交通流数据的空间特征,使所述空间特征具有注意力概率分布,计算公式为:
ep=vetanh(Wehp+be)
式中,ep为第p个断面隐藏状态hp对应的注意力评分值;ve、We、be分别为需要学习的参数;αp为第p个断面的注意力评分值ep进行Softmax函数归一化后得到的权重系数;K表示断面总个数;c为具有注意力概率分布的交通流特征。
步骤S-6:构建门控循环单元时序神经网络模型,包括一个更新门zt和重置门rt,其中,更新门zt的计算公式为:
zt=σ(Wzxt+Uzht-1+bz)
式中,σ为Sigmoid激活函数;Wz、Uz、bz为需要学习的参数;xt为第t个时刻输入的特征向量,包括通过步骤S-4提取的时间特征以及通过步骤S-5提取的空间特征;ht-1为第t-1个时刻的隐藏状态ht-1。
重置门rt的计算公式为:
rt=σ(Wrxt+Urht-1+br)
式中,Wr、Ur、br为需要学习的参数。
门控循环单元时序神经网络模型输出的第t个时刻的隐藏状态ht,计算公式为:
步骤S-7:使用同一交通模式时空特征进行模型训练与预测,例如使用同属于工作日的时空特征进行模型训练与预测,包括以下步骤:
步骤S-7.1:提取历史交通流数据的时间特征及空间特征后输入所述门控循环单元时序神经网络模型进行训练,将交通流变化规律信息以权重系数的形式储存在网络中;
步骤S-7.2:提取实时交通流数据的时间特征及空间特征后输入训练后的所述门控循环单元时序神经网络模型,基于单步长与多步长进行预测;
步骤S-8:以均方根误差RMSE、平均绝对百分比误差MAPE评价预测结果准确度,计算公式为:
式中,xi为第i个样本的预测值,xci为第i个样本的真实值,n为总预测样本数。
Claims (3)
1.一种基于深度学习的高速公路短时交通流预测方法,其特征在于,包括以下步骤:
步骤S-1:获取实时检测的多个断面交通流数据;
步骤S-2:结合历史与实时断面交通流数据进行预处理,包括以下步骤:
步骤S-2.1:使用算术平均滤波对交通流量的时变曲线进行平滑处理;
步骤S-2.2:识别缺失交通流数据的时间片段,并使用历史平均法进行填充;
步骤S-3:根据交通流数据的周期特征,将交通流数据归类为不同的交通模式;
步骤S-4:使用傅里叶变换提取交通流数据的时间特征,计算公式为:
式中,Day_sin为时间特征的正弦分量;Day_cos为时间特征的余弦分量;intTime为时间戳;
步骤S-5:考虑上游交通流数据对下游未来交通流数据存在相关性,空间特征提取选择预测断面上游方向依次布设的毫米波雷达检测断面,添加注意力层提取多断面交通流数据的空间特征,使空间特征具有注意力概率分布,计算公式为:
ep=vetanh(Wehp+be)
式中,ep为第p个断面隐藏状态hp对应的注意力评分值;ve、We、be分别为需要学习的参数;αp为第p个断面的注意力评分值ep进行Softmax函数归一化后得到的权重系数;K表示断面总个数;c为具有注意力概率分布的交通流特征;
步骤S-6:构建门控循环单元时序神经网络模型,包括一个更新门zt和重置门rt,其中,更新门zt的计算公式为:
zt=σ(Wzxt+Uzht-1+bz)
式中,σ为Sigmoid激活函数;Wz、Uz、bz为需要学习的参数;xt为第t个时刻输入的特征向量,包括通过步骤S-4提取的时间特征以及通过步骤S-5提取的空间特征;ht-1为第t-1个时刻的隐藏状态ht-1;
重置门rt的计算公式为:
rt=σ(Wrxt+Urht-1+br)
式中,Wr、Ur、br为需要学习的参数。
门控循环单元时序神经网络模型输出的第t个时刻的隐藏状态ht,计算公式为:
步骤S-7:使用属于同一交通模式的时空特征进行模型训练与预测,包括以下步骤:
步骤S-7.1:提取历史交通流数据的时间特征及空间特征后输入所述门控循环单元时序神经网络模型进行训练,输入层为断面一、断面二、断面N…的流量,输出为断面一在下一时刻的流量,将交通流变化规律信息以权重系数的形式储存在网络中;
步骤S-7.2:提取实时交通流数据的时间特征及空间特征后输入训练后的所述门控循环单元时序神经网络模型,基于单步长与多步长进行预测;
步骤S-8:以均方根误差RMSE、平均绝对百分比误差MAPE评价预测结果准确度,计算公式为:
式中,xi为第i个样本的预测值,xci为第i个样本的真实值,n为总预测样本数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211183488.7A CN115909717A (zh) | 2022-09-27 | 2022-09-27 | 一种基于深度学习的高速公路短时交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211183488.7A CN115909717A (zh) | 2022-09-27 | 2022-09-27 | 一种基于深度学习的高速公路短时交通流预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115909717A true CN115909717A (zh) | 2023-04-04 |
Family
ID=86481459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211183488.7A Pending CN115909717A (zh) | 2022-09-27 | 2022-09-27 | 一种基于深度学习的高速公路短时交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909717A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117093853A (zh) * | 2023-10-18 | 2023-11-21 | 腾讯科技(深圳)有限公司 | 时序数据的处理方法、装置、计算机可读介质及电子设备 |
CN117093853B (zh) * | 2023-10-18 | 2024-07-02 | 腾讯科技(深圳)有限公司 | 时序数据的处理方法、装置、计算机可读介质及电子设备 |
-
2022
- 2022-09-27 CN CN202211183488.7A patent/CN115909717A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117093853A (zh) * | 2023-10-18 | 2023-11-21 | 腾讯科技(深圳)有限公司 | 时序数据的处理方法、装置、计算机可读介质及电子设备 |
CN117093853B (zh) * | 2023-10-18 | 2024-07-02 | 腾讯科技(深圳)有限公司 | 时序数据的处理方法、装置、计算机可读介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034448B (zh) | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 | |
Kim et al. | Urban traffic flow prediction system using a multifactor pattern recognition model | |
CN109035761B (zh) | 基于辅助监督学习的行程时间估计方法 | |
CN111709549B (zh) | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 | |
CN111613054B (zh) | 一种协同考虑时空相关性及贡献差异的多步交通速度预测方法 | |
CN109086926B (zh) | 一种基于组合神经网络结构的短时轨道交通客流预测方法 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN111860989A (zh) | 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法 | |
CN110675626A (zh) | 基于多维数据的交通事故黑点预测方法方法、装置及介质 | |
Li et al. | Short term traffic flow prediction based on LSTM | |
Haputhanthri et al. | Short-term traffic forecasting using LSTM-based deep learning models | |
CN113253363A (zh) | 一种雷电活动路径预测方法及系统 | |
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 | |
CN115206092A (zh) | 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法 | |
CN112163669A (zh) | 基于bp神经网络的路面沉陷预测方法 | |
CN116153125A (zh) | 一种基于ida-rnn模型的空间维度公交到达时间预测方法 | |
Zhang et al. | Traffic flow prediction based on cascaded artificial neural network | |
Han et al. | Short-term 4D trajectory prediction based on LSTM neural network | |
CN114973665A (zh) | 一种结合数据分解和深度学习的短时交通流预测方法 | |
CN114596726A (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
CN111815075B (zh) | 一种重大公共卫生事件下交通出行需求的预测方法 | |
Miao et al. | A queue hybrid neural network with weather weighted factor for traffic flow prediction | |
CN115909717A (zh) | 一种基于深度学习的高速公路短时交通流预测方法 | |
CN114267170A (zh) | 基于考虑人类流动性的图时空Transformer模型的交通流预测方法 | |
Sun et al. | Kernel regression with a Mahalanobis metric for short-term traffic flow forecasting |
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 |