CN117217260A - 基于残差分解循环神经网络的交通流量预测方法 - Google Patents
基于残差分解循环神经网络的交通流量预测方法 Download PDFInfo
- Publication number
- CN117217260A CN117217260A CN202311063532.5A CN202311063532A CN117217260A CN 117217260 A CN117217260 A CN 117217260A CN 202311063532 A CN202311063532 A CN 202311063532A CN 117217260 A CN117217260 A CN 117217260A
- Authority
- CN
- China
- Prior art keywords
- residual
- neural network
- sequence
- decomposition
- residual decomposition
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 46
- 125000004122 cyclic group Chemical group 0.000 title claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000000306 recurrent effect Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于残差分解循环神经网络的交通流量预测方法,包括:获取连续时刻的道路占用率数据集,其中,连续时刻的道路占用率数据集包括训练集和测试集;构建残差分解循环神经网络模型,将训练集输入所述残差分解循环神经网络模型进行训练,得到训练好的残差分解循环神经网络模型;将测试集输入训练好的残差分解循环神经网络模型,得到交通流量时间序列预测趋势。本发明从自回归法和滑动平均法两个角度对输入的道路占有率时间序列进行建模,同时考虑了过往时间点的直接观测值和自身残差对序列未来走向的影响,并可以通过堆叠网络深度同时考虑高阶残差的潜在影响。
Description
技术领域
本发明涉及交通流量预测技术领域,特别涉及一种基于残差分解循环神经网络的交通流量预测方法。
背景技术
随着近些年世界各地的经济发展,交通道路的建设逐年增加,高速公路的施工和养护作业的交通布控场景越来越常见,智能交通系统(ITS)日益重要。完善的ITS可以通过智能算法的指导选取合适的交通布控时间段以及布控地点,对消除交通布控场景的安全隐患至关重要。而各种调度算法的根基是交通流量数据,基于交通流量数据可以通过各种数据挖掘算法寻找出所需的关键信息。而交通流量与时间具有强耦合性,不同时间段的交通流量呈现出明显的不同,因此,交通流量数据是天然的时间序列数据。除此之外,交通路口是分析交通流量的关键节点,路口之间在空间上具有强耦合性,所以,交通流量的数据还具有空间关联性。综上,交通流量数据是一种具有空间关联关系的时间序列数据,通过对交通流量时间序列进行预测可以给下游处理算法提供具有指导性的特征。
近些年用于交通流预测的方法主要基于深度学习方法围绕时间维度和空间维度展开,如前馈神经网络、循环神经网络(Recurrent Neural Network,RNN)、卷积神经网络(Convolutional Neural Network,CNN)等,这些基础网络经过大量的研究与改造已经在交通流预测问题中获得了不错的效果。如基于RNN结构的LSTM、GRU的模型被广泛应用于交通流量预测问题。近些年的研究成果大多集中于解决LSTM与GRU的梯度问题与训练速度缓慢的问题,例如十分有效的注意力机制。注意力机制的提出是为了提高序列到序列(Seq2Seq)模型的精度,通过与给定指标(Key)计算相似性来为不同时间步的特征分配权重,以此来加强模型的特征提取能力。除了上述方法,图神经网络也是常用于交通流建模的基础方法。图神经网络是一种用于处理图数据结构的深度学习方法,相比于卷积网络只能处理二维矩阵或栅格图像表示的欧氏空间中的空间关系,忽略了更适合描述路网的非欧几里德成对关系的重要性,图神经网络更适合用以描述道路空间关系。通过先验知识、自主学习等方法可以获得交通路口之间的图结构邻接矩阵,用以描述不同路口之间的相关程度,从而显式地对交通流数据的空间关系进行建模。Seo等提出将图卷积与递归神经网络相结合的图卷积递归网络方法。Yu等提出一种带门控机制的图卷积神经网络,保留了模型捕获长期时间相关性的能力。为了解决交通流数据图的邻接矩阵构造困难的问题,StemGNN通过GRU单元对交通流数据进行编码后使用注意力机制生成邻接矩阵来构建路口之间的关系图,用于图神经网络建模,并在频域提取特征。
但目前上述的方法均以序列的直接观测值作为建模对象,忽略了序列残差对序列未来走势的影响,而对残差建模的经典模型为滑动平均模型(MA),以及结合MA的ARIMA模型。但ARIMA模型只能对单变量平稳序列进行建模,无法直接用于复杂的非平稳、多变量数据集。因此,为了解决上述问题,本发明提出一种结合了深度神经网络的自回归与滑动平均的残差分解循环神经网络(Residual Decomposition Recurrent Neural Network,RD-RNN)作为标准RNN的替代模块。
发明内容
对于高速公路的交通布控,为保证能够及时消除事故隐患,科学有效地规划交通布控时间、保障高速公路的安全通行已经成为高速公路营运公司的迫切需求,为了实现这一目的,本发明提供一种基于残差分解循环神经网络的交通流量预测方法。
为了实现上述技术目的,本发明提供了如下技术方案:一种基于残差分解循环神经网络的交通流量预测方法,包括:
获取连续时刻的道路占用率数据集,其中,所述连续时刻的道路占用率数据集包括训练集和测试集;
构建残差分解循环神经网络模型,将所述训练集输入所述残差分解循环神经网络模型进行训练,得到训练好的残差分解循环神经网络模型;
将所述测试集输入所述训练好的残差分解循环神经网络模型,得到交通流量时间序列预测趋势。
可选的,所述残差分解循环神经网络模型包括若干层残差分解循环神经网络;其中,所述残差分解循环神经网络包括编码层、自编码层和预测层。
可选的,所述残差分解循环神经网络模型的构建过程包括:
构建自回归模型,其中,所述自回归模型包括自回归项和误差项;
基于所述自回归项,采用Seq2Seq架构构建自回归模块;
基于所述误差项,构建残差分解模块;
基于所述自回归模块和所述残差分解模块构建残差分解循环神经网;
将若干所述残差分解循环神经网络进行堆叠得到所述残差分解循环神经网络模型。
可选的,所述自回归模块包括编码层和解码层;
其中,基于所述自回归模块得到自回归输出结果的公式如下:
式中,为输入序列,ht为编码后的高维隐藏状态,/>为解码过程中时刻产生的隐藏状态,/>为输出序列,fenc为编码器RNN非线性映射函数,fdec为解码器RNN非线性映射函数,xout为输出序列。
可选的,所述残差分解模块包括编码层和自编码层;
其中,基于所述残差分解模块得到隐藏状态中潜在的拟合残差的公式如下:
式中,为自编码器在第1时刻的编码隐藏状态,/>为自编码器在第q+1时刻的编码隐藏状态,faenc为自编码器映射函数,u为残差序列,/>为反转后的还原序列。
可选的,所述残差分解神经网络模型的训练过程包括:
步骤1:首层残差分解神经网络的编码层接收所述输入序列,所述编码层将所述输入序列编码为高阶隐藏状态矩阵;
步骤2:所述高阶隐藏状态矩阵输入所述自编码层,得到反转后的还原序列,基于所述输入序列和所述反转后的还原序列得到第一残差序列;
同时所述高阶隐藏状态矩阵输入所述预测层,得到第一输出序列;
步骤3:将所述第一残差序列输入下一层残差分解神经网络的编码层,得到第二残差序列和第二输出序列,循环执行所述步骤1和所述步骤2,直至模型性能最优,输出最终的预测结果;
其中,所述最终的预测结果为若干层残差分解神经网络的预测层的输出序列之和。
可选的,采用均方误差法和平均绝对误差法检测所述模型性能。
本发明具有如下技术效果:
本发明基于长短期记忆神经网络(LSTM)和滑动平均自回归法(ARIMA)的基本思想,提出一种用于道路占有率时间序列预测的残差分解循环神经网络(ResidualDecomposition Recurrent Neural Network,RD-RNN),该方法从自回归法和滑动平均法两个角度对输入的道路占有率时间序列进行建模,同时考虑了过往时间点的直接观测值和自身残差对序列未来走向的影响,并可以通过堆叠网络深度同时考虑高阶残差的潜在影响。得益于LSTM自身的非线性表达能力,相比于ARIMA模型,本发明的模型可以处理非平稳时间序列和多变量时间序列。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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为本发明实施例中的基于Seq2Seq的自回归模块;
图2为本发明实施例中的残差分解模块结构图;
图3为本发明实施例中的多层堆叠的RD-RNN网络结构;
图4为本发明实施例中的RD-RNN各残差层的输出结果;
图5为本发明实施例中的路口85的部分1-step预测结果;
图6为本发明实施例中的路口177的部分1-step预测结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
1.构建残差分解循环神经网络
1.1自回归项
自回归法是描述序列数据的常用手段。自回归法按照时间顺序寻找序列自身时间点之间的相关关系,标准的自回归形式如下:
xt=a1xt-1+a2xt-2+…+apxt-p+ut
其中χt表示时间序列在t时刻的值,p为自回归阶数,代表了模型需要使用多少个历史回望值,ap为自回归系数,ut为误差项。即ut为白噪声时,该模型为一个纯p阶自回归模型,显然,标准的自回归模型是一个线性模型。而RNN模型在用于处理序列数据时同样保留了自回归能力,RNN可以自然地对序列的先后顺序进行建模,并且具有强大的非线性建模能力,因此本实施例使用RNN做为基本的自回归项的实现。
本实施例采用了常用的编码器-解码器(Seq2Seq)架构进行实现,模块的结构如图1所示。
其中,白色部分为编码器模块,黑色部分为解码器模块,为输入序列,/>为输出序列。模块的基本思想为解码器使用编码器的隐藏状态信息进行解码,来实现自回归的目的,这一模块的数学形式可描述如下:
其中,ht为编码后的高维隐藏状态,为解码过程中t时刻产生的隐藏状态,/>为解码器在t时刻的解码结果,作为自回归项的结果,fenc为编码器RNN非线性映射函数,fdec为解码器RNN非线性映射函数,二者在训练过程中通过梯度下降学习得到。
1.2残差项
上述的标准自回归模型中的误差项在实际应用过程中通常难以满足白噪声的要求,意味着误差项中仍然包含了可用于描述序列自相关关系的信息。因此,本文提出一种残差分解模块,用于得到序列误差项,进而进行建模分析,这一模块的结构如图2所示。
其中,白色部分为编码器模块,黑色部分为自编码器模块。为了获取原始序列的残差项,该模块通过RNN自编码器结构对原始序列进行重构,从而获取在隐藏状态中潜在的拟合残差,这一部分的数学形式如下:
其中,ht同样为编码器的隐藏状态,为自编码器在第1时刻的编码隐藏状态,/>为自编码器在第q+1时刻的编码隐藏状态。与自回归层不同的时,自编码器的编码顺序与自回归层的解码顺序相反。这是因为编码过程中按照时间顺序从1时刻到t时刻,ht包含的顺序信息同样是从1到t,因此为了还原输入序列,自编码器需要按照相反的顺序进行解码。原始的输入序列/>与反转后的还原序列/>相减,由此可以获取一阶残差序列用于下一模块对残差序列进行建模,通过多层堆叠的方式可以分析序列的高阶残差。
1.3残差分解循环神经网络
将自回归项与残差项结合后可以得到最终完整的模块,该模块可以通过堆叠多层来构建深度网络,逐层对序列完成自回归、残差回归的任务,堆叠后的网络结构如图3所示:
图3展示了一个n+1层的堆叠RD-RNN网络,每一层包含三组子模块,分别为编码层、自编码层和预测层。首层的编码层接收原始的序列输入,并将序列编码为高阶的隐藏状态矩阵ht,ht被同时用于自编码层和预测层,自编码层使用ht重构原始序列获得并通过与该层输入的残差连接获取本层的残差项,预测层使用ht进行预测获得/>每一层的输出由2项组成,第1项为当前层的预测序列/>第2项为当前层的残差序列/>残差序列作为下一层的输入,重复上述过程,最后,将每一层的预测序列相加作为最终的预测结果。
通过上述的方式构建的网络,在第一层实现了基本的自回归预测,之后随着层数的加深,网络逐渐对序列的高阶残差进行预测,从而模型可以同时对序列自身和残差进行建模。下一节将通过实验对所提方法进行验证。
2.数据集与衡量指标
本实施例基于公开数据集Traffic进行实验验证,该数据集来自于美国加利福尼亚交通部,包含从2016年7月1日到2018年7月2日中862组传感器记录的不同路口的道路占用率,每1小时记录一次,一共包含17544条数据。实验时,我们使用前70%的共12184条数据作为训练集,70%-80%的数据作为验证集,后20%的数据作为测试集,验证模型对未来路况的预测能力。实验结果中使用均方误差(MSE)和平均绝对误差(MAE)来衡量模型的性能:
3.方法有效性验证
为了验证本发明方法相比于RNN结构的优势,本实施例与目前在交通流量预测问题上常用的两个基于RNN结构的模型进行了对比,分别是基于Seq2Seq的LSTM网络与考虑了时空关联性的Conv-LSTM网络,除此之外,得益于RD-RNN结构的灵活性,本发明通过将Conv-LSTM网络中的LSTM替换为本发明的RD-RNN,从而引出了Conv-RD-RNN模型,共同参与对比实验。实验过程中的模型参数配置如表1所示。其中LR为初始学习率,在训练过程中,每经过4次迭代学习率降低一半,以使得训练过程更加平滑。ITL代表输入时间步长度,表示模型可使用的自回归项最大长度。Dim代表各层的LSTM隐藏单元数量,同时代表编码矩阵维度。在该配置下,对所有模型进行训练后获取在验证集上的评估结果,每个模型均在不同的预测长度下分别进行了训练,验证结果如表2所示。
表1
Model | BatchSize | Epoch | EarlyStop | LR | ITL | Layers | Dim |
RD-RNN | 32 | 40 | 3 | 0.001 | 30 | 4 | 512 |
Conv-RD-RNN | 32 | 40 | 3 | 0.001 | 30 | 5 | 512 |
LSTM | 32 | 40 | 3 | 0.001 | 30 | 4 | 512 |
Conv-LSTM | 32 | 40 | 3 | 0.001 | 30 | 5 | 512 |
表2
本实施例分别进行了1步预测(1小时)、2步预测(2小时)、3步预测(3小时)和4步预测(4小时),从实施例结果可以明显看出,在不同的预测长度下,RD-RNN相比于LSTM都具有明显的性能提升,MAE和MSE指标在四组预测长度的实验下平均降低了4.7%和6.8%,并且相比于额外引入了空间特征的Conv-LSTM,在部分预测长度下反而具有更好的性能。而引入了空间特征的Conv-RD-RNN在所有模型中取得了最佳的性能,相比于Conv-LSTM,MAE与MSE平均下降了5.3%和5.8%,实验论证了RD-RNN与LSTM相比在短期交通流量时间序列预测问题上的优越性。
4.结果可视化与分析
本实施例深入分析了本发明所提出的RD-RNN各层在预测中所发挥的作用,并以折线图的形式展示了各层残差模块的输出结果,如图4所示。图4展示了RD-RNN在Traffic数据集上的验证集部分实验结果,折线图中,虚线部分表示的是某层的残差模块输出结果,圆点曲线部分为该层实际接收到的输入序列,图中从左至右分别为第1层至第4层的输入与残差模块输出,最右侧为各层残差模块输出求和结果与原始输入序列,用以观察模型各层求和后的重构能力。
由图4可以明显看到,多层的残差模块组合可以准确的拟合原始输入序列,保证了编码层所获取的隐藏特征被充分利用。注意到,首层的残差模块的重构效果较差,但随着层数的加深,模型的重构能力不断提升,因此,只针对于原始序列进行建模时,模型所能够捕捉到的特征十分有限,通过引入残差模块分析序列的高阶残差可以大幅提升模型对编码层特征的利用效率。
这一点在预测结果中同样有所体现,如图5、图6所示。图5和图6展示了四组模型在Traffic数据集下不同路口的部分1-step预测结果,图中的虚线代表模型的预测结果,折线图由模型多次迭代预测得出,圆点曲线线条代表数据集中的观测值。如图,两图中的椭圆标记处均存在一个突变点,RD-RNN的原始模型与结合了RD-RNN的Conv-RD-RNN均准确对突变点进行了预测,而LSTM与ConvLSTM的预测结果频率过低,无法捕捉到这一隐藏的趋势,忽略了部分编码特征中的信息。
本发明着手于交通占有率的时间序列预测问题,基于循环神经网络(RNN)提出了一种基于自回归和残差分解的残差分解循环神经网络(RD-RNN)。该模型由一个编码模块、一个自回归模块以及一个残差分解模块构成。编码模块将输入的时间序列编码至高维的隐藏空间,表示为隐藏状态,之后,自回归模块使用这一隐藏状态进行预测,逐步迭代生成预测结果,残差分解模块通过一个自编码器将这一隐藏状态尽可能地还原为输入序列,迫使编码模块生成地隐藏状态包含更多可用信息,并通过与输入序列的残差连接获取序列残差,用于进一步分析。通过多层叠加的方式可以快速获取一条序列的高阶残差项,并利用残差进一步完善预测结果,改进了LSTM结构在时间序列问题上的性能。通过在开源数据集Traffic上与目前常用的基本模型LSTM与ConvLSTM进行了对比,并将ConvLSTM改进为Conv-RD-RNN,对比结果充分说明了本发明的方法在提高交通流量时间序列预测精度的有效性。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于残差分解循环神经网络的交通流量预测方法,其特征在于,包括:
获取连续时刻的道路占用率数据集,其中,所述连续时刻的道路占用率数据集包括训练集和测试集;
构建残差分解循环神经网络模型,将所述训练集输入所述残差分解循环神经网络模型进行训练,得到训练好的残差分解循环神经网络模型;
将所述测试集输入所述训练好的残差分解循环神经网络模型,得到交通流量时间序列预测趋势。
2.根据权利要求1所述的基于残差分解循环神经网络的交通流量预测方法,其特征在于:所述残差分解循环神经网络模型包括若干层残差分解循环神经网络;其中,所述残差分解循环神经网络包括编码层、自编码层和预测层。
3.根据权利要求2所述的基于残差分解循环神经网络的交通流量预测方法,其特征在于:所述残差分解循环神经网络模型的构建过程包括:
构建自回归模型,其中,所述自回归模型包括自回归项和误差项;
基于所述自回归项,采用Seq2Seq架构构建自回归模块;
基于所述误差项,构建残差分解模块;
基于所述自回归模块和所述残差分解模块构建残差分解循环神经网;
将若干所述残差分解循环神经网络进行堆叠得到所述残差分解循环神经网络模型。
4.根据权利要求3所述的基于残差分解循环神经网络的交通流量预测方法,其特征在于:所述自回归模块包括编码层和解码层;
其中,基于所述自回归模块得到自回归输出结果的公式如下:
式中,为输入序列,t=1,...n,ht为编码后的高维隐藏状态,/>为解码过程中时刻产生的隐藏状态,/>为输出序列,fenc为编码器RNN非线性映射函数,fdec为解码器RNN非线性映射函数,/>为输出序列。
5.根据权利要求4所述的基于残差分解循环神经网络的交通流量预测方法,其特征在于:所述残差分解模块包括编码层和自编码层;
其中,基于所述残差分解模块得到隐藏状态中潜在的拟合残差的公式如下:
式中,为自编码器在第1时刻的编码隐藏状态,/>为自编码器在第q+1时刻的编码隐藏状态,faenc为自编码器映射函数,u为残差序列,/>为反转后的还原序列。
6.根据权利要求5所述的基于残差分解循环神经网络的交通流量预测方法,其特征在于:所述残差分解神经网络模型的训练过程包括:
步骤1:首层残差分解神经网络的编码层接收所述输入序列,所述编码层将所述输入序列编码为高阶隐藏状态矩阵;
步骤2:所述高阶隐藏状态矩阵输入所述自编码层,得到反转后的还原序列,基于所述输入序列和所述反转后的还原序列得到第一残差序列;
同时所述高阶隐藏状态矩阵输入所述预测层,得到第一输出序列;
步骤3:将所述第一残差序列输入下一层残差分解神经网络的编码层,得到第二残差序列和第二输出序列,循环执行所述步骤1和所述步骤2,直至模型性能最优,输出最终的预测结果;
其中,所述最终的预测结果为若干层残差分解神经网络的预测层的输出序列之和。
7.根据权利要求1所述的基于残差分解循环神经网络的交通流量预测方法,其特征在于:采用均方误差法和平均绝对误差法检测所述模型性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311063532.5A CN117217260A (zh) | 2023-08-23 | 2023-08-23 | 基于残差分解循环神经网络的交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311063532.5A CN117217260A (zh) | 2023-08-23 | 2023-08-23 | 基于残差分解循环神经网络的交通流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117217260A true CN117217260A (zh) | 2023-12-12 |
Family
ID=89050311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311063532.5A Pending CN117217260A (zh) | 2023-08-23 | 2023-08-23 | 基于残差分解循环神经网络的交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117217260A (zh) |
-
2023
- 2023-08-23 CN CN202311063532.5A patent/CN117217260A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khodayar et al. | Rough deep neural architecture for short-term wind speed forecasting | |
CN107292446B (zh) | 一种基于考虑分量关联性小波分解的混合风速预测方法 | |
Dolatabadi et al. | Hybrid deep learning-based model for wind speed forecasting based on DWPT and bidirectional LSTM network | |
Honkela et al. | Variational learning and bits-back coding: an information-theoretic view to Bayesian learning | |
CN111242377A (zh) | 一种集成深度学习和数据去噪的短期风速预测方法 | |
CN113255437A (zh) | 滚动轴承深度卷积稀疏自动编码器故障诊断方法 | |
CN110956309A (zh) | 基于crf和lstm的流程活动预测方法 | |
CN116796272A (zh) | 一种基于Transformer的多变量时间序列异常检测方法 | |
CN116227562A (zh) | 基于图神经网络与Transformer的时序点过程预测方法及系统 | |
CN114817773A (zh) | 一种基于多级分解和融合的时序预测系统及方法 | |
CN113360848A (zh) | 一种时序数据预测方法及装置 | |
CN112766339A (zh) | 一种轨迹识别模型训练方法及轨迹识别方法 | |
CN117033987A (zh) | 一种基于小波的风电场发电功率效率预测方法 | |
CN116307034A (zh) | 基于离散小波变换和神经网络的产油或co2埋存量预测方法 | |
CN116975782A (zh) | 基于多层次信息融合的层次化时间序列预测方法和系统 | |
Sun et al. | Chaotic time series prediction of nonlinear systems based on various neural network models | |
CN114186412A (zh) | 基于自注意力机制的水电站水轮机顶盖长序列水位预测系统及方法 | |
CN117852686A (zh) | 基于多元自编码器的电力负荷预测方法 | |
CN114219027A (zh) | 一种基于离散小波变换的轻量级时间序列预测方法 | |
Muralidhar et al. | Multivariate long-term state forecasting in cyber-physical systems: A sequence to sequence approach | |
CN116739168A (zh) | 一种基于灰色理论与编解码器的径流量预测方法 | |
CN116703003A (zh) | 一种居民用水量的预测方法 | |
US20230029400A1 (en) | Method of Hierarchical Machine Learning for an Industrial Plant Machine Learning System | |
CN117217260A (zh) | 基于残差分解循环神经网络的交通流量预测方法 | |
CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 |
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 |