CN117198067A - 一种预测质量为导向的交通流区间量化方法 - Google Patents
一种预测质量为导向的交通流区间量化方法 Download PDFInfo
- Publication number
- CN117198067A CN117198067A CN202311290951.2A CN202311290951A CN117198067A CN 117198067 A CN117198067 A CN 117198067A CN 202311290951 A CN202311290951 A CN 202311290951A CN 117198067 A CN117198067 A CN 117198067A
- Authority
- CN
- China
- Prior art keywords
- interval
- traffic flow
- function
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013139 quantization Methods 0.000 title claims abstract description 14
- 230000006870 function Effects 0.000 claims abstract description 87
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 238000013136 deep learning model Methods 0.000 claims abstract description 4
- 230000015654 memory Effects 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 238000011002 quantification Methods 0.000 abstract description 12
- 238000011161 development Methods 0.000 abstract description 7
- 230000007774 longterm Effects 0.000 abstract description 4
- 238000013459 approach Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种预测质量为导向的交通流区间量化方法，本发明涉及智能交通系统预测领域，包括以下步骤：S1：以区间预测的质量为目标建立量化交通流的区间损失函数方法；S2：通过深度学习方法构建交通流量化模型；S3：通过极端梯度增加模型对交通流的信息特征做特征选择；S4：结合S1所得的区间分数函数、S2所得的深度学习模型和S3所得的重要特征确定最终的交通流量化模型。本发明采用上述的一种预测质量为导向的交通流区间量化方法，通过将深度学习理论引进交通流预测偏差量化中，研究深度学习方法以及区间预测函数理论在长期多步交通流预测问题中的应用，增强智能交通系统对交通流量化的性能，对智能交通系统的发展具有重要意义。
Description
技术领域
本发明本发明涉及智能交通系统预测领域，尤其是涉及一种预测质量为导向的交通流区间量化方法。
背景技术
高速发展的城市化会刺激经济和社会剧烈地发展，然而在这一个进程中也产生了许多不良的社会现象，在交通邻域最为显著的不良社会现象就是交通拥堵和交通事故。目前，虽然我国正处于经济和社会剧烈地发展历程中，但是空前化的城市发展带来的交通拥堵问题很是严峻，特别是在人口密集度高的一线城市。为了解决交通拥堵等一系列交通问题，多年来，各国交通方面的专家和学者致力于交通问题上，从最开始的加大交通土建的建设，到政策性的限流，接着到应用各类技术和设备组构的智能交通系统。然而，目前在交通流的研究中还是存在有待研究的地方。现有的单点交通流准确输出很难量化交通流的不确定性。
发明内容
本发明的目的是提供一种预测质量为导向的交通流区间量化方法，通过将深度学习理论引进交通流预测偏差量化中，研究深度学习方法以及区间预测函数理论在长期多步交通流预测问题中的应用，增强智能交通系统对交通流量化的性能，对智能交通系统的发展具有重要意义。
为实现上述目的，本发明提供了一种预测质量为导向的交通流区间量化方法，包括以下步骤：
S1：以区间预测的质量为目标建立量化交通流的区间损失函数方法；
S2：通过深度学习方法构建交通流量化模型；
S3：通过极端梯度增加模型对交通流的信息特征做特征选择；
S4：结合S1所得的区间分数函数、S2所得的深度学习模型和S3所得的重要特征确定最终的交通流量化模型。
优选的，步骤S1具体包括以下步骤：
S11：确定区间函数的可靠性，函数如下：
ACE＝pα*-pα
式中，ci表示真实值预测区间覆盖率指标，真实值yi介于预测区间PI内，ci取值为1，否则取值为0；N表示总观测真实值数量；pα*表示预测区间的真实覆盖率取值；pα表示预设概率置信度，取值为100·(1-α)％；
S12：确定区间函数的锐度，函数如下：
Li＝(li-yi)1{li＞yi)}
Ui＝(yi-ui)1{(yi＞ui)}
式中Ui表示预测区间上边界惩罚函数；Li表示预测区间下边界惩罚函数；li表示预测区间的下边界第i个数值；ui表示预测区间的上边界第i个数值；yi表示现实的第i个观测值；
S13：确定区间函数：
式中，γ表示区间宽度的权重因子，γ>0；w表示惩罚项的权重因子，w>0；li表示预测区间的下边界第i个数值；ui表示预测区间的上边界第i个数值；Ui表示质量型区间分数上边界惩罚函数；Li表示质量型区间分数下边界惩罚函数。
优选的，步骤S2中具体包括以下步骤：
S21.卷积长短时记忆神经网络：卷积长短时记忆神经网络包含三个门控机制和卷积运算操作，该目标函数为：
式中：表示ConvLSTM的卷积运算；W.是门控单元外部输入Xt的权重矢量；V.是门控单元前一时刻t-1的隐藏输入Ht-1的权重矢量；b.是门控单元的偏置量；δ(·)是门控的sigmoid函数；tanh(·)是tanh激活函数，Ct、C* t、Ht、Ft、It和Ot表示卷积长短时记忆神经网络的记忆细胞、备选记忆细胞、隐藏状态、忘记门、输入门和输出门；
S22：编码器和解码器框架：编码器用于接受历史信息并产出历史模式，解码器接受外部信息然后生成预测数据，解码器对编码器信息接受语义信息“C”和隐藏状态“H”，这两信息作为解码器的初始化状态，同时解码器每一时刻的卷积长短时记忆神经网络接受来自上一时刻的输出信息，和交通流的外部影响因素，其函数具体如下：
E[TFt-b+1:t,Ft-b+1:t]→H,C→D[Ft+1:t+z]
式中，E是编码器函数；D是解码器函数，TF是交通流数据，F是交通流外部因素；
S23：卷积层做为最后的输出层：卷积层通过多个卷积核对卷积长短时记忆神经网络的输出进行局部连接，基于卷积函数，对卷积长短时记忆神经网络的输入特征进行深层提取，具体函数如下：
式中：Im表示特征信息图的数量；是第l个卷积层对应的第i个传入特征图和第j个产出特征图的权重；/>是第l个卷积层对应的第i个传入特征图和第j个产出特征图的偏置值；/>是第l-1个卷积层对应的第i个传入特征图；/>是第l个卷积层对应的第j个产出特征图；/>是CNN的卷积运算；G(·)是自定义的激活函数。
优选的，所述步骤S3具体包括以下步骤：
S31：交通流数据信息预处理，在数据应用之前，处理有异常的数据：剔除重复的数据，删除有误数据以及填补空缺数据，其函数具体如下：
获取当前时刻t的前k个时刻交通量并求取平均值：
求前n天的t时刻交通量的平均值：
填补缺失的数据：
fm(t)＝αf1(t)+(1-α)f2(t)
式中，fm(t)是第m天的第t时刻修复的缺失数值；α是加权系数；f1(t)是缺失数值的周期信息；f2(t)是缺失数值的时序信息；
S32：数据归一化：交通流数据和交通流特征数据之间的数量级别存在差异，在数据输入到模型之前要对这些数值之间相差的信息进行统一量纲处理，其函数具体如下：
式中，xmax是序列数据的最大值，xmin是序列数据的最小值，x'是归一化后的序列数据；
S33：特征重要程度选择：通过极端梯度增加模型的增益机制计算各类特征的贡献，并输出特征的重要性分数，寻找最得力的交通特征信息，其函数具体如下：
式中，gain(·)是极端梯度增加的增益机制，用于特征选择；d是1周第几天的指标数；h是第几个小时的指标数；代表周d的h时的选择特征；/>代表时间日历信息；/>代表天气信息。
优选的，步骤S4具体包括：
S41：输入交通流数据的信息时序，其函数具体如下：
Input＝{[TFt-b+1,Ft-b+1],…,[TFt,Ft],…,[Ft+z]}
式中，Ft-b+1到Ft+z是极限梯度增加的特征选择出来的重要特征；
S42：进行模型参数训练：在编码器中输入历史信息，解码器中输入未来已知信息。其函数具体如下：
H,C＝E(TFt-b+1:t,Ft-b+1:t)
式中，E(·)是编码器模型运行表达式；D(·)是解码器模型运行表达式，TFt-b+1:t是历史交通流数据，Ft-b+1:t是历史交通流外部因素，TF*t+1:t+z是预测出来的数据；
S43：模型参数更新：在解码器的输出中，通过质量型区间分数对预测输出和真实观测数值做差值，根据极度下降法更新模型参数，其函数具体如下：
[Lt+1:t+z,Ut+1:t+z]＝E-D(TFt-b+1:t,Ft-b+1:t,Ft+1:t+z,α)
[Lt+1:t+z,Ut+1:t+z]←Loss→TFt+1:t+z
式中，Lt+1:t+z是预测出的z个未来时刻交通区间预测的下边界预测值；Ut+1:t+z是预测出的z个未来时刻交通区间预测的上边界预测值；E-D(·)是编码器和解码器整体模型运算函数；TFt-b+1:t是历史时刻交通流数据；Ft-b+1:t是历史时刻经过特征选择出来的重要特征；Ft+1:t+z是未来时刻经过特征选择出来的重要特征，Loss是质量型区间分数。
优选的，步骤S42中，模型运行迭代过程包括以下步骤：
S421：随机初始化编码器的卷积长短时记忆神经网络模型参数：权重We和偏置向量be；
S422：设定编码器的输入时序的大小为b，输入的步长为1，传入训练数据样本[TFt-b+1,Ft-b+1],…,[TFt,Ft]；
S423：根据初始化编码器的权重和偏执向量和训练数据样本，经过多个时刻的模型输入得出最后一个时刻的隐藏状态H和记忆细胞C；
S424：随机初始化解码器的卷积长短时记忆神经网络模型参数：权重Wd和偏置向量bd；
S425：设定未来时序的输出大小为z，输入的步长为1，传入训练数据样本[Ft+1],…,[Ft+z]；
S426：接受编码器的最后一个时刻的隐藏状态H和记忆细胞C作为初始化隐藏状态和记忆细胞；
S427：根据初始化参数和训练数据样本以及初始化状态，解码器进行运行更新得出初步产出，得到每一时刻i的预测值Yi；
S428：解码器预测的第i个时刻的交通流信息序列Hi输入卷积神经网络输入；
S429：随机初始化卷积神经网络权重矩阵kd和偏置向量bd；
S4210：根据初始化参数和Hi，得出计算每一时刻i的最后区间预测值[Li，Ui]。
因此，本发明采用上述一种预测质量为导向的交通流区间量化方法，具备一下有益效果：
(1)本发明通过将深度学习理论引进交通流预测偏差量化中，研究深度学习方法以及区间预测函数理论在长期多步交通流预测问题中的应用，增强智能交通系统对交通流量化的性能，对智能交通系统的发展具有重要意义。
(2)本发明为智能交通系统提供有效的交通管理策略，高质量的交通运输服务和准确的交通资源定位。
(3)本发明帮助智能交通系统在现有的城市道路网和实时的人们出行需求上，实现道路使用人员，车辆和道路网的和谐，从而提升道路的运行通畅能力和运行效率，缓解交通拥堵等交通问题，大大地提高车辆运行安全，城市环境质量和能源的利用效率。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1是本发明一种预测质量为导向的交通流区间量化方法的工作流程示意图；
图2是本发明一种预测质量为导向的交通流区间量化方法的区间损失函数方法；
图3是本发明一种预测质量为导向的交通流区间量化方法的量化模型图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如图1所示，本发明提供了一种预测质量为导向的交通流区间量化方法，包括以下步骤：
S1：以区间预测的质量为目标建立量化交通流的区间损失函数方法；如图2所示，步骤S1具体包括以下步骤：
S11：确定区间函数的可靠性，可靠性是从概率角度上用来评估模型有效性的指标，是验证区间预测模型最首要的指标，用交通流实际观测值落于预测区间内的数量同总观测值数量的比率与预设概率置信度100·(1-α)％之间的差值来表示。可靠性要求真实的预测区间覆盖率无限接近名义覆盖水平，因此ACE的数值越无限靠近零，则表示模型产生的区间具有足够的可靠性。函数如下：
ACE＝pα*-pα
式中，ci表示真实值预测区间覆盖率指标，真实值yi介于预测区间PI内，ci取值为1，否则取值为0；N表示总观测真实值数量；pα*表示预测区间的真实覆盖率取值；pα表示预设概率置信度，取值为100·(1-α)％；
S12：确定区间函数的锐度，锐度是反映预测区间范围和偏差的指标，是指预测区间按何种情况趋近现实的交通流观测值。一个良好的区间产出在满足可靠性的前提下，保证有效锐度，即要求锐度指标足够小，预测区间的边界足够窄，这样出来的区间预测越能很好拟合出交通流的波动趋势，模型的量化性能越优。函数如下：
Li＝(li-yi)1{li＞yi)}
Ui＝(yi-ui)1{(yi＞ui)}
式中Ui表示预测区间上边界惩罚函数；Li表示预测区间下边界惩罚函数；li表示预测区间的下边界第i个数值；ui表示预测区间的上边界第i个数值；yi表示现实的第i个观测值；
S13：确定区间函数：优越的区间函数可以有助于模型算法的良好量化，优越的交通流量化不仅要保证满足预测区间覆盖率无限接近名义覆盖水平，同时区间宽度还尽可能不要太宽。其函数具体如下：
式中，γ表示区间宽度的权重因子，γ>0；w表示惩罚项的权重因子，w>0；li表示预测区间的下边界第i个数值；ui表示预测区间的上边界第i个数值；Ui表示质量型区间分数上边界惩罚函数；Li表示质量型区间分数下边界惩罚函数。
S2：通过深度学习方法构建交通流量化模型；如图3所示，步骤S2中具体包括以下步骤：
S21.卷积长短时记忆神经网络：卷积长短时记忆神经网络包含三个门控机制和卷积运算操作，该目标函数为：
式中：表示ConvLSTM的卷积运算；W.是门控单元外部输入Xt的权重矢量；V.是门控单元前一时刻t-1的隐藏输入Ht-1的权重矢量；b.是门控单元的偏置量；δ(·)是门控的sigmoid函数；tanh(·)是tanh激活函数，Ct、C* t、Ht、Ft、It和Ot表示卷积长短时记忆神经网络的记忆细胞、备选记忆细胞、隐藏状态、忘记门、输入门和输出门；
S22：编码器和解码器框架：编码器和解码器框架很好解决机器翻译中目标任务产生对原始信号的依赖。编码器用于接受历史信息并产出历史模式，解码器接受外部信息然后生成预测数据，解码器对编码器信息接受语义信息“C”和隐藏状态“H”，这两信息作为解码器的初始化状态，同时解码器每一时刻的卷积长短时记忆神经网络接受来自上一时刻的输出信息，和交通流的外部影响因素，其函数具体如下：
E[TFt-b+1:t,Ft-b+1:t]→H,C→D[Ft+1:t+z]
式中，E是编码器函数；D是解码器函数，TF是交通流数据，F是交通流外部因素；
S23：卷积层做为最后的输出层：卷积层通过多个卷积核对卷积长短时记忆神经网络的输出进行局部连接，避免全连接网络梯度和参数爆炸，基于卷积函数，对卷积长短时记忆神经网络的输入特征进行深层提取，具体函数如下：
式中：Im表示特征信息图的数量；是第l个卷积层对应的第i个传入特征图和第j个产出特征图的权重；/>是第l个卷积层对应的第i个传入特征图和第j个产出特征图的偏置值；/>是第l-1个卷积层对应的第i个传入特征图；/>是第l个卷积层对应的第j个产出特征图；/>是CNN的卷积运算；G(·)是自定义的激活函数。
S3：通过极端梯度增加模型对交通流的信息特征做特征选择；步骤S3具体包括以下步骤：
S31：交通流数据信息预处理，在数据应用之前，处理有异常的数据：剔除重复的数据，删除有误数据以及填补空缺数据，其函数具体如下：
获取当前时刻t的前k个时刻交通量并求取平均值：
求前n天的t时刻交通量的平均值：
填补缺失的数据：
fm(t)＝αf1(t)+(1-α)f2(t)
式中，fm(t)是第m天的第t时刻修复的缺失数值；α是加权系数；f1(t)是缺失数值的周期信息；f2(t)是缺失数值的时序信息；
S32：数据归一化：交通流数据和交通流特征数据之间的数量级别存在差异，在数据输入到模型之前要对这些数值之间相差的信息进行统一量纲处理，其函数具体如下：
式中，xmax是序列数据的最大值，xmin是序列数据的最小值，x'是归一化后的序列数据；
S33：特征重要程度选择：通过极端梯度增加模型的增益机制计算各类特征的贡献，并输出特征的重要性分数，寻找最得力的交通特征信息，其函数具体如下：
式中，gain(·)是极端梯度增加的增益机制，用于特征选择；d是1周第几天的指标数；h是第几个小时的指标数；代表周d的h时的选择特征；/>代表时间日历信息；/>代表天气信息。
S4：结合S1所得的区间分数函数、S2所得的深度学习模型和S3所得的重要特征确定最终的交通流量化模型。步骤S4具体包括：
S41：输入交通流数据的信息时序，其函数具体如下：
Input＝{[TFt-b+1,Ft-b+1],…,[TFt,Ft],…,[Ft+z]}
式中，Ft-b+1到Ft+z是极限梯度增加的特征选择出来的重要特征；
S42：进行模型参数训练：在编码器中输入历史信息，解码器中输入未来已知信息。其函数具体如下：
H,C＝E(TFt-b+1:t,Ft-b+1:t)
式中，E(·)是编码器模型运行表达式；D(·)是解码器模型运行表达式，TFt-b+1:t是历史交通流数据，Ft-b+1:t是历史交通流外部因素，TF*t+1:t+z是预测出来的数据；步骤S42中，模型运行迭代过程包括以下步骤：
S421：随机初始化编码器的卷积长短时记忆神经网络模型参数：权重We和偏置向量be；
S422：设定编码器的输入时序的大小为b，输入的步长为1，传入训练数据样本[TFt-b+1,Ft-b+1],…,[TFt,Ft]；
S423：根据初始化编码器的权重和偏执向量和训练数据样本，经过多个时刻的模型输入得出最后一个时刻的隐藏状态H和记忆细胞C；
S424：随机初始化解码器的卷积长短时记忆神经网络模型参数：权重Wd和偏置向量bd；
S425：设定未来时序的输出大小为z，输入的步长为1，传入训练数据样本[Ft+1],…,[Ft+z]；
S426：接受编码器的最后一个时刻的隐藏状态H和记忆细胞C作为初始化隐藏状态和记忆细胞；
S427：根据初始化参数和训练数据样本以及初始化状态，解码器进行运行更新得出初步产出，得到每一时刻i的预测值Yi；
S428：解码器预测的第i个时刻的交通流信息序列Hi输入卷积神经网络输入；
S429：随机初始化卷积神经网络权重矩阵kd和偏置向量bd；
S4210：根据初始化参数和Hi，得出计算每一时刻i的最后区间预测值[Li，Ui]。
S43：模型参数更新：在解码器的输出中，通过质量型区间分数对预测输出和真实观测数值做差值，根据极度下降法更新模型参数，其函数具体如下：
[Lt+1:t+z,Ut+1:t+z]＝E-D(TFt-b+1:t,Ft-b+1:t,Ft+1:t+z,α)
[Lt+1:t+z,Ut+1:t+z]←Loss→TFt+1:t+z
式中，Lt+1:t+z是预测出的z个未来时刻交通区间预测的下边界预测值；Ut+1:t+z是预测出的z个未来时刻交通区间预测的上边界预测值；E-D(·)是编码器和解码器整体模型运算函数；TFt-b+1:t是历史时刻交通流数据；Ft-b+1:t是历史时刻经过特征选择出来的重要特征；Ft+1:t+z是未来时刻经过特征选择出来的重要特征，Loss是质量型区间分数。
因此，本发明采用上述一种预测质量为导向的交通流区间量化方法，通过将深度学习理论引进交通流预测偏差量化中，研究深度学习方法以及区间预测函数理论在长期多步交通流预测问题中的应用，增强智能交通系统对交通流量化的性能，对智能交通系统的发展具有重要意义。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (6)
1.一种预测质量为导向的交通流区间量化方法，其特征在于：包括以下步骤：
S1：以区间预测的质量为目标建立量化交通流的区间损失函数方法；
S2：通过深度学习方法构建交通流量化模型；
S3：通过极端梯度增加模型对交通流的信息特征做特征选择；
S4：结合S1所得的区间分数函数、S2所得的深度学习模型和S3所得的重要特征确定最终的交通流量化模型。
2.根据权利要求1所述的一种预测质量为导向的交通流区间量化方法，其特征在于：步骤S1具体包括以下步骤：
S11：确定区间函数的可靠性，函数如下：
ACE＝pα*-pα
式中，ci表示真实值预测区间覆盖率指标，真实值yi介于预测区间PI内，ci取值为1，否则取值为0；N表示总观测真实值数量；pα*表示预测区间的真实覆盖率取值；pα表示预设概率置信度，取值为100·(1-α)％；
S12：确定区间函数的锐度，函数如下：
Li＝(li-yi)1{li＞yi)}
Ui＝(yi-ui)1{(yi＞ui)}
式中Ui表示预测区间上边界惩罚函数；Li表示预测区间下边界惩罚函数；li表示预测区间的下边界第i个数值；ui表示预测区间的上边界第i个数值；yi表示现实的第i个观测值；
S13：确定区间函数：
式中，γ表示区间宽度的权重因子，γ>0；w表示惩罚项的权重因子，w>0；li表示预测区间的下边界第i个数值；ui表示预测区间的上边界第i个数值；Ui表示质量型区间分数上边界惩罚函数；Li表示质量型区间分数下边界惩罚函数。
3.根据权利要求2所述的一种预测质量为导向的交通流区间量化方法，其特征在于：步骤S2中具体包括以下步骤：
S21.卷积长短时记忆神经网络：卷积长短时记忆神经网络包含三个门控机制和卷积运算操作，该目标函数为：
式中：表示ConvLSTM的卷积运算；W.是门控单元外部输入Xt的权重矢量；V.是门控单元前一时刻t-1的隐藏输入Ht-1的权重矢量；b.是门控单元的偏置量；δ(·)是门控的sigmoid函数；tanh(·)是tanh激活函数，Ct、C* t、Ht、Ft、It和Ot表示卷积长短时记忆神经网络的记忆细胞、备选记忆细胞、隐藏状态、忘记门、输入门和输出门；
S22：编码器和解码器框架：编码器用于接受历史信息并产出历史模式，解码器接受外部信息然后生成预测数据，解码器对编码器信息接受语义信息“C”和隐藏状态“H”，这两信息作为解码器的初始化状态，同时解码器每一时刻的卷积长短时记忆神经网络接受来自上一时刻的输出信息，和交通流的外部影响因素，其函数具体如下：
E[TFt-b+1:t,Ft-b+1:t]→H,C→D[Ft+1:t+z]
式中，E是编码器函数；D是解码器函数，TF是交通流数据，F是交通流外部因素；
S23：卷积层做为最后的输出层：卷积层通过多个卷积核对卷积长短时记忆神经网络的输出进行局部连接，基于卷积函数，对卷积长短时记忆神经网络的输入特征进行深层提取，具体函数如下：
式中：Im表示特征信息图的数量；是第l个卷积层对应的第i个传入特征图和第j个产出特征图的权重；/>是第l个卷积层对应的第i个传入特征图和第j个产出特征图的偏置值；是第l-1个卷积层对应的第i个传入特征图；/>是第l个卷积层对应的第j个产出特征图；是CNN的卷积运算；G(·)是自定义的激活函数。
4.根据权利要求3所述的一种预测质量为导向的交通流区间量化方法，其特征在于：所述步骤S3具体包括以下步骤：
S31：交通流数据信息预处理，在数据应用之前，处理有异常的数据：剔除重复的数据，删除有误数据以及填补空缺数据，其函数具体如下：
获取当前时刻t的前k个时刻交通量并求取平均值：
求前n天的t时刻交通量的平均值：
填补缺失的数据：
fm(t)＝αf1(t)+(1-α)f2(t)
式中，fm(t)是第m天的第t时刻修复的缺失数值；α是加权系数；f1(t)是缺失数值的周期信息；f2(t)是缺失数值的时序信息；
S32：数据归一化：交通流数据和交通流特征数据之间的数量级别存在差异，在数据输入到模型之前要对这些数值之间相差的信息进行统一量纲处理，其函数具体如下：
式中，xmax是序列数据的最大值，xmin是序列数据的最小值，x'是归一化后的序列数据；
S33：特征重要程度选择：通过极端梯度增加模型的增益机制计算各类特征的贡献，并输出特征的重要性分数，寻找最得力的交通特征信息，其函数具体如下：
式中，gain(·)是极端梯度增加的增益机制，用于特征选择；d是1周第几天的指标数；h是第几个小时的指标数；代表周d的h时的选择特征；/>代表时间日历信息；/>代表天气信息。
5.根据权利要求4所述的一种预测质量为导向的交通流区间量化方法，其特征在于：步骤S4具体包括：
S41：输入交通流数据的信息时序，其函数具体如下：
Input＝{[TFt-b+1,Ft-b+1],…,[TFt,Ft],…,[Ft+z]}
式中，Ft-b+1到Ft+z是极限梯度增加的特征选择出来的重要特征；
S42：进行模型参数训练：在编码器中输入历史信息，解码器中输入未来已知信息，其函数具体如下：
H,C＝E(TFt-b+1:t,Ft-b+1:t)
式中，E(·)是编码器模型运行表达式；D(·)是解码器模型运行表达式，TFt-b+1:t是历史交通流数据，Ft-b+1:t是历史交通流外部因素，TF*t+1:t+z是预测出来的数据；
S43：模型参数更新：在解码器的输出中，通过质量型区间分数对预测输出和真实观测数值做差值，根据极度下降法更新模型参数，其函数具体如下：
[Lt+1:t+z,Ut+1:t+z]＝E-D(TFt-b+1:t,Ft-b+1:t,Ft+1:t+z,α)
[Lt+1:t+z,Ut+1:t+z]←Loss→TFt+1:t+z
式中，Lt+1:t+z是预测出的z个未来时刻交通区间预测的下边界预测值；Ut+1:t+z是预测出的z个未来时刻交通区间预测的上边界预测值；E-D(·)是编码器和解码器整体模型运算函数；TFt-b+1:t是历史时刻交通流数据；Ft-b+1:t是历史时刻经过特征选择出来的重要特征；Ft+1:t+z是未来时刻经过特征选择出来的重要特征，Loss是质量型区间分数。
6.根据权利要求4所述的一种预测质量为导向的交通流区间量化方法，其特征在于：步骤S42中，模型运行迭代过程包括以下步骤：
S421：随机初始化编码器的卷积长短时记忆神经网络模型参数：权重We和偏置向量be；
S422：设定编码器的输入时序的大小为b，输入的步长为1，传入训练数据样本[TFt-b+1,Ft-b+1],…,[TFt,Ft]；
S423：根据初始化编码器的权重和偏执向量和训练数据样本，经过多个时刻的模型输入得出最后一个时刻的隐藏状态H和记忆细胞C；
S424：随机初始化解码器的卷积长短时记忆神经网络模型参数：权重Wd和偏置向量bd；
S425：设定未来时序的输出大小为z，输入的步长为1，传入训练数据样本[Ft+1],…,[Ft+z]；
S426：接受编码器的最后一个时刻的隐藏状态H和记忆细胞C作为初始化隐藏状态和记忆细胞；
S427：根据初始化参数和训练数据样本以及初始化状态，解码器进行运行更新得出初步产出，得到每一时刻i的预测值Yi；
S428：解码器预测的第i个时刻的交通流信息序列Hi输入卷积神经网络输入；
S429：随机初始化卷积神经网络权重矩阵kd和偏置向量bd；
S4210：根据初始化参数和Hi，得出计算每一时刻i的最后区间预测值[Li，Ui]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311290951.2A CN117198067A (zh) | 2023-10-08 | 2023-10-08 | 一种预测质量为导向的交通流区间量化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311290951.2A CN117198067A (zh) | 2023-10-08 | 2023-10-08 | 一种预测质量为导向的交通流区间量化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117198067A true CN117198067A (zh) | 2023-12-08 |
Family
ID=89003428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311290951.2A Pending CN117198067A (zh) | 2023-10-08 | 2023-10-08 | 一种预测质量为导向的交通流区间量化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117198067A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011180025A (ja) * | 2010-03-02 | 2011-09-15 | Nippon Telegr & Teleph Corp <Ntt> | 行動予測装置、方法およびプログラム |
| CN108877224A (zh) * | 2018-07-18 | 2018-11-23 | 长安大学 | 一种可进行置信区间估计的短时交通流预测方法 |
| AU2020101023A4 (en) * | 2020-06-16 | 2020-07-23 | Guizhou Minzu University | A Novel Deep Learning Approach for Distributed Traffic Flow Forecasting |
| CN115410372A (zh) * | 2022-10-31 | 2022-11-29 | 江苏中路交通发展有限公司 | 基于贝叶斯lstm的高速公路交通流量可靠预测方法 |
-
2023
- 2023-10-08 CN CN202311290951.2A patent/CN117198067A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011180025A (ja) * | 2010-03-02 | 2011-09-15 | Nippon Telegr & Teleph Corp <Ntt> | 行動予測装置、方法およびプログラム |
| CN108877224A (zh) * | 2018-07-18 | 2018-11-23 | 长安大学 | 一种可进行置信区间估计的短时交通流预测方法 |
| AU2020101023A4 (en) * | 2020-06-16 | 2020-07-23 | Guizhou Minzu University | A Novel Deep Learning Approach for Distributed Traffic Flow Forecasting |
| CN115410372A (zh) * | 2022-10-31 | 2022-11-29 | 江苏中路交通发展有限公司 | 基于贝叶斯lstm的高速公路交通流量可靠预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| YIQUN LI ETC.，QUANTIFYING THE UNCERTAINTY IN LONG-TERM TRAFFIC PREDICTION BASED ON PI-CONVLSTM NETWORK, IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, vol. 23, 1 August 2022 (2022-08-01), pages 20432 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
| CN109102126B (zh) | 一种基于深度迁移学习的理论线损率预测模型 | |
| Deb et al. | Using artificial neural networks to assess HVAC related energy saving in retrofitted office buildings | |
| CN117236673B (zh) | 城市水网多尺度防洪排涝联合优化调度方法和系统 | |
| CN111860989B (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 | |
| CN110222901A (zh) | 一种基于深度学习的Bi-LSTM的电负荷预测方法 | |
| Liu et al. | Fedgru: Privacy-preserving traffic flow prediction via federated learning | |
| Huang et al. | Research on urban modern architectural art based on artificial intelligence and GIS image recognition system | |
| CN109117745A (zh) | 一种基于建筑信息模型的云端人脸识别与定位方法 | |
| Lei et al. | An evolutionary deep learning model based on EWKM, random forest algorithm, SSA and BiLSTM for building energy consumption prediction | |
| CN112232561A (zh) | 基于约束并行lstm分位数回归的电力负荷概率预测方法 | |
| CN116205425A (zh) | 一种基于典型数据库的低碳园区冷热电气负荷预测方法 | |
| CN114418606A (zh) | 基于时空卷积网络的网约车订单需求预测方法 | |
| WO2024021966A1 (zh) | 基于GRU-Seq2Seq的多步长洪水预报方法及装置 | |
| CN114399235B (zh) | 一种基于雨情数据判定灾害风险等级的方法及系统 | |
| CN114757330A (zh) | 基于lstm的城市瞬时用水量预测方法 | |
| 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 | |
| CN117494870B (zh) | 一种地铁站人员负荷预测方法及系统 | |
| CN117454168A (zh) | 一种建筑能耗预测方法及系统 | |
| CN113591391A (zh) | 一种电力负荷控制装置、控制方法、终端、介质及应用 | |
| CN116227738B (zh) | 一种电网客服话务量区间预测方法及系统 | |
| CN117198067A (zh) | 一种预测质量为导向的交通流区间量化方法 | |
| CN116756498A (zh) | 一种基于lstm和分位数回归的径流概率预测算法 | |
| CN116612633A (zh) | 一种基于车路协同感知下的自适应动态路径规划方法 | |
| Li | Prediction of rural tourism suitability based on multi-dimensional evaluation model |
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 |