CN117334058B - 一种货车交通流量预测方法、装置、设备及存储介质 - Google Patents
一种货车交通流量预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117334058B CN117334058B CN202311618815.1A CN202311618815A CN117334058B CN 117334058 B CN117334058 B CN 117334058B CN 202311618815 A CN202311618815 A CN 202311618815A CN 117334058 B CN117334058 B CN 117334058B
- Authority
- CN
- China
- Prior art keywords
- truck
- road section
- traffic
- traffic flow
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 230000001537 neural effect Effects 0.000 claims abstract description 15
- 210000005036 nerve Anatomy 0.000 claims abstract description 11
- 238000011144 upstream manufacturing Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000001934 delay Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种货车交通流量预测方法、装置、设备及存储介质，方法包括：获取预测路段的货车流量数据和政策变量，根据货车流量数据计算最佳时滞，将货车流量数据、最佳时滞和政策变量构建成一个特征数组；构建货车交通流量预测模型，将特征数组输入到交通流量预测模型中，货车交通流量预测模型包括卷积神经网络和门控循环单元神经网络；通过卷积神经网络对特征数组进行卷积，得到货车交通特征的权重向量；通过门控循环单元神经网络对货车交通特征的权重向量进行特征提取，得到神经单元的隐藏状态；将神经单元的隐藏状态输入全连接层，预测得到目标路段的未来货车交通流量。本发明从多个角度对货车的流量数据进行特征挖掘，使得预测结果更加精确。
Description
技术领域
本发明涉及交通控制技术领域，尤其涉及一种货车交通流量预测方法、装置、设备及存储介质。
背景技术
货车与一般的汽车相比，占用的道路资源相对较多，速度也相对较慢，当货车流量较大时，经常会导致交通拥堵，因此，货车流量预测在交通调度和控制等方面具有重要的意义，目前针对货车交通流量预测方法主要有以下方法：（1）目前主要针对全车型的预测方法较多，货车与客车的运行特征区别并没有体现。（2）在全车型的交通流量预测中主要是以考虑传统的统计学习方法，比如线性回归、自回归移动平均模型、以及循环神经网络模型，上述方法有三个缺点：①没有考虑货车交通流量在时间、空间以及运行特征方面的关系；②很难拟合多项特征与货车交通流量之间复杂的非线性关系；③无法挖掘特征之间的空间关系，进而导致对货车交通流量的预测精度不高。
发明内容
有鉴于此，本发明的目的是为了克服现有技术中的不足，提供一种货车交通流量预测方法、装置、设备及存储介质。
本发明提供如下技术方案：
第一方面，本申请提供了一种货车交通流量预测方法，包括：
获取预测路段的货车流量数据和政策变量，所述预测路段包括上游路段、目标路段和下游路段；
根据所述货车流量数据计算最佳时滞，将所述货车流量数据、最佳时滞和政策变量构建成一个特征数组；
构建货车交通流量预测模型，将所述特征数组输入到所述交通流量预测模型中，所述货车交通流量预测模型包括卷积神经网络和门控循环单元神经网络；
通过所述卷积神经网络对所述特征数组进行卷积，得到货车交通特征的权重向量；
通过所述门控循环单元神经网络对所述货车交通特征的权重向量进行特征提取，得到神经单元的隐藏状态；
将所述神经单元的隐藏状态输入全连接层，预测得到所述目标路段的未来货车交通流量。
一种实施方式中，所述获取预测路段的货车流量数据，包括：
获取预测路段多个不同车型的初始货车流量数据，所述初始货车流量数据为时间序列数据；
将多个所述不同车型的初始货车流量数据依次换算成标准货车车型流量数据，得到多个标准货车车型流量数据；
将所述多个标准货车车型流量数据进行求和，得到所述预测路段的货车流量数据。
一种实施方式中，所述根据所述货车流量数据计算最佳时滞，包括：
根据所述上游路段的货车流量数据和所述下游路段的货车流量数据，计算上下游路段货车流量在不同时间延迟下的密切程度；
将所述密切程度的最大皮尔逊相关系数对应的延迟时间作为所述最佳时滞；
所述最大皮尔逊相关系数的计算公式为：
，
其中，为上游路段的货车流量数据，/>为下游路段的货车流量数据；/>为/>的标准差，/>为/>的标准差；/>为/>的均值，/>为/>的均值；/>为/>，的协方差。
一种实施方式中，所述将所述货车流量数据、最佳时滞和政策变量构建成一个特征数组，包括：
定义特征数组X=[目标路段货车交通流量、上游路段货车交通流量、下游路段货车交通流量、最佳时滞、政策限制]；所述政策限制定义为r，如果货车在当前时段或路段被允许通行，则r=1；如果货车在当前时段或路段被禁止通行，则r=0。
一种实施方式中，所述通过所述卷积神经网络对所述特征数组进行卷积，得到货车交通特征的权重向量，包括：
通过所述卷积神经网络挖掘所述目标路段与上下游路段之间的空间关系及特征之间非线性关系，计算得到所述货车交通特征的权重向量，计算公式为：
，
其中，为货车交通特征的权重向量；/>为偏差；/>为非线性激活函数；/>为卷积核；/>为卷积运算符；/>为池化式。
一种实施方式中，所述通过所述门控循环单元神经网络对所述货车交通特征的权重向量进行特征提取，包括：
通过所述门控循环单元神经网络的计算公式对所述货车交通特征的权重向量进行特征提取，所述门控循环单元神经网络的计算公式为：
，
式中，为神经单元的隐藏状态；tanh( )为激活函数；/>为权重矩阵；/>为神经元的输入值；/>为前一时刻的隐藏状态；/>为偏置。
一种实施方式中，所述将所述神经单元的隐藏状态输入全连接层，预测得到所述目标路段的未来货车交通流量，包括：
将所述神经单元的隐藏状态输入全连接层，通过货车交通流量计算公式预测得到所述目标路段的未来货车交通流量，所述货车交通流量计算公式为：
，
式中，为预测的未来货车交通流量；/>为权重矩阵；/>为偏置。
第二方面，本申请提供了一种货车交通流量预测装置，包括：
获取模块，用于获取预测路段的货车流量数据和政策变量，所述预测路段包括上游路段、目标路段和下游路段；
构建模块，用于根据所述货车流量数据计算最佳时滞，将所述货车流量数据、最佳时滞和政策变量构建成一个特征数组；
输入模块，用于构建货车交通流量预测模型，将所述特征数组输入到所述交通流量预测模型中，所述货车交通流量预测模型包括卷积神经网络和门控循环单元神经网络；
卷积模块，用于通过所述卷积神经网络对所述特征数组进行卷积，得到货车交通特征的权重向量；
提取模块，用于通过所述门控循环单元神经网络对所述货车交通特征的权重向量进行特征提取，得到神经单元的隐藏状态；
预测模块，用于将所述神经单元的隐藏状态输入全连接层，预测得到所述目标路段的未来货车交通流量。
第三方面，本申请提供了一种计算机设备，所述计算机设备包括存储器和至少一个处理器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施如第一方面所述的货车交通流量预测方法。
第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被执行时，实现如第一方面所述的货车交通流量预测方法。
本发明的实施例具有如下有益效果：
（1）考虑了货车在路段中的流量时间关系和上下游路段空间关系进行特征挖掘；（2）考虑了货车在运行过程中存在的交通状态信息传递性和政策现行问题，从最佳时滞和政策影响两个角度进行特征挖掘；（3）引入两个人工智能深度学习神经网络：卷积神经网络和门控神经单元网络对复杂特征进行参数拟合，以获得货车交通流量与特征之间的非线性关系，本发明结合了货车交通流量的多方面的特征，使得预测结果更加精确。
为使本发明的上述目的、特征和优点能更明显和易懂，下文特举较佳实施例，并配合所附附图，做详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍， 应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了一种货车交通流量预测方法流程示意图；
图2示出了一种货车流量数据计算方法流程示意图；
图3示出了一种货车交通流量预测装置框架结构示意图。
主要元件符号说明：
300、货车交通流量预测装置；301、获取模块；302、构建模块；303、输入模块；304、卷积模块；305、提取模块；306、预测模块。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。相反，当元件被称作“直接在”另一元件“上”时，不存在中间元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在模板的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。本文所使用的术语“及/ 或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例1
参见图1，图1为本实施例提供的一种货车交通流量预测方法流程示意图，该方法可以用于货车交通流量预测，还可以用于其他近似的车辆流量的预测，该方法包括：
S101、获取预测路段的货车流量数据和政策变量，所述预测路段包括上游路段、目标路段和下游路段。
由于是对货车交通流量进行预测，而预测的交通流量通常是未来的流量，例如未来一小时内的货车交通流量，而未来的流量通常是需要根据现有的交通流量，或者数据库中的历史交通流量作为基础进行预测。
因此，在预测之前，首先需要选取预测路段，即目标路段，然后获取目标路段在单位时间内的货车交通流量数据，在此基础上预测未来某段时间内，该目标路段的货车交通流量数据，从而提前进行交通调度或管控，避免发生大规模拥堵等情况。
参见图2，步骤S101还包括：
S1011、获取预测路段多个不同车型的初始货车流量数据，所述初始货车流量数据为时间序列数据。
由于货车存在多种车型，如：微型货车、轻型货车、中型货车和重型货车等等，为了预测结果的准确性，需要把每种不同车型的货车交通流量数据都进行统计，其中，货车交通流量数据为时间序列数据，代表着时间特征。
S1012、将多个所述不同车型的初始货车流量数据依次换算成标准货车车型流量数据，得到多个标准货车车型流量数据。
可以根据实际需求，选择其中一种型号的货车作为标准货车车型，例如：将中型货车作为标准货车，然后根据中型货车与其他型号货车的长度、体积或速度等数据的比值，将其他型号的货车换算成中型货车，如：一辆微型货车=0.5辆中型货车，一辆小型货车=0.8辆中型货车等等，按照此类方式将每一种型号的货车进行换算，从而得到每一种型号的货车对应的标准货车车型流量数据。
S1013、将所述多个标准货车车型流量数据进行求和，得到所述预测路段的货车流量数据。
将单位时间内每一种型号的货车的流量数据全部换算为标准货车车型的流量数据后，再进行求和，从而得到预测路算的或者流量数据。
本实施例通过收集每一种型号的货车的流量数据，然后换算成标准货车车型流量数据并求和，使得数据计算或分析更加方便和科学，后续的预测结果也更加精确。
S102、根据所述货车流量数据计算最佳时滞，将所述货车流量数据、最佳时滞和政策变量构建成一个特征数组。
时滞即为时间滞后，由于货车的上下游路线之间存在交通信息传播的时间周期，即上游路段的交通拥堵信息需要一定的时间才会传到下游路段，因此存在交通信息传播的时间滞后性。而最佳时滞代表路段之间传递货车交通流量信息所花费的时间。
采用皮尔逊相关性系数（Pearson Correlation coefficient，PCC）来计算上下两个路段在不同时间延迟下的相关程度。皮尔逊相关系数（PCC）是一种用于测量随机变量之间线性相关关系的统计方法。计算上下游路段流量在不同时间延迟下的密切程度的最大PCC值对应的延迟时间，即为最佳时滞。
具体为：根据所述上游路段的货车流量数据和所述下游路段的货车流量数据，计算上下游路段货车流量在不同时间延迟下的密切程度；
将所述密切程度的最大皮尔逊相关系数对应的延迟时间作为所述最佳时滞；
所述最大皮尔逊相关系数的计算公式为：
，
其中，为上游路段的货车流量数据，/>为下游路段的货车流量数据；/>为/>的标准差，/>为/>的标准差；/>为/>的均值，/>为/>的均值；/>为/>，的协方差。
其中，PCC取值范围为[-1, 1]，当变量间相关性最大时，相关性系数值为1或-1，其中1表示呈现线性的完全正相关，-1表示线性的完全负相关。
本实施例通过最大皮尔逊相关系数来计算最佳时滞，从而可以精确计算得到路段之间传递货车交通流量信息所花费的时间，为后续的交通流量预测提供了数据基础。
计算得到最佳时滞之后，由于上游路段、目标路段和下游路段的空间特征关系，按照上游路段流量、目标路段流量、下游路段流量并列的规则准备好数据格式。
然后定义特征数组X=[目标路段货车交通流量、上游路段货车交通流量、下游路段货车交通流量、最佳时滞、政策限制]；所述政策限制定义为r，如果货车在当前时段或路段被允许通行，则r=1；如果货车在当前时段或路段被禁止通行，则r=0。
S103、构建货车交通流量预测模型，将所述特征数组输入到所述交通流量预测模型中，所述货车交通流量预测模型包括卷积神经网络和门控循环单元神经网络。
定义特征数组X之后，将特征数组输入到构建的货车交通流量预测模型中进行特征挖掘。
其中，货车交通流量预测模型为人工智能深度学习网络模型，通常都需要进行模型训练，在设定输入层、卷积层、隐藏层及输出层的神经单元数目之后，选择均方误差（MeanSquared Error，MSE）作为模型拟合的损失函数，计算公式为：
，
式中，为预测的货车交通流量，/>为观测的货车交通流量，/>为所预测的货车交通流量的数量。
通过调整模型的参数来不断进行模型优化调整，然后利用损失函数判断模型的可靠性，使得最终训练的模型满足预测的要求，其中，模型训练的具体方式可以采用现有的训练方式来进行，在此不做赘述。
S104、通过所述卷积神经网络对所述特征数组进行卷积，得到货车交通特征的权重向量。
通过所述卷积神经网络挖掘所述目标路段与上下游路段之间的空间关系及特征之间非线性关系，计算得到所述货车交通特征的权重向量，计算公式为：
，
其中，为货车交通特征的权重向量；/>为偏差；/>为非线性激活函数；/>为卷积核；/>为卷积运算符；/>为池化式。
S105、通过所述门控循环单元神经网络对所述货车交通特征的权重向量进行特征提取，得到神经单元的隐藏状态。
通过所述门控循环单元神经网络的计算公式对所述货车交通特征的权重向量进行特征提取，所述门控循环单元神经网络的计算公式为：
，
式中，为神经单元的隐藏状态；tanh( )为激活函数；/>为权重矩阵；/>为神经元的输入值；/>为前一时刻的隐藏状态；/>为偏置。
S106、将所述神经单元的隐藏状态输入全连接层，预测得到所述目标路段的未来货车交通流量。
将所述神经单元的隐藏状态输入全连接层，通过货车交通流量计算公式预测得到所述目标路段的未来货车交通流量，所述货车交通流量计算公式为：
，
式中，为预测的未来货车交通流量；/>为门控循环单元神经网络的输出；/>为权重矩阵；/>为偏置。
本实施例通过卷积神经网络和门控神经单元网络对复杂特征进行参数拟合，以获得货车交通流量与特征之间的非线性关系，从而得到预测的货车交通流量数据，使得最终的预测结果更加精确和科学。
在一种实施方式中，为评估所训练模型的预测性能，采用RMSE（均方根误差）和MAPE（平均绝对百分比误差）对预测值与观测值之间的差异进行测算。RMSE是衡量预测值与真实值之间差异的一种度量，计算公式为：
，
式中，为预测的货车交通流量，/>为观测的货车交通流量，/>为所预测的货车交通流量的数量。
MAPE是用于衡量预测值与真实值之间相对误差的指标，计算公式为：
，
式中，为预测的货车交通流量，/>为观测的货车交通流量，/>为所预测的货车交通流量的数量。
总结来说，RMSE衡量预测值与真实值之间的差异，结果与原始数据单位相同，MAPE衡量预测值与真实值之间的相对误差百分比的平均值。
本实施例可以通过两种不同的方式，来判断预测值与观测值之间的差异，从而评估模型的预测性能，使得模型的预测结果更加准确。
实施例2
参见图3，本申请还提供了一种货车交通流量预测装置300，包括：
获取模块301，用于获取预测路段的货车流量数据和政策变量，所述预测路段包括上游路段、目标路段和下游路段；
构建模块302，用于根据所述货车流量数据计算最佳时滞，将所述货车流量数据、最佳时滞和政策变量构建成一个特征数组；
输入模块303，用于构建货车交通流量预测模型，将所述特征数组输入到所述交通流量预测模型中，所述货车交通流量预测模型包括卷积神经网络和门控循环单元神经网络；
卷积模块304，用于通过所述卷积神经网络对所述特征数组进行卷积，得到货车交通特征的权重向量；
提取模块305，用于通过所述门控循环单元神经网络对所述货车交通特征的权重向量进行特征提取，得到神经单元的隐藏状态；
预测模块306，用于将所述神经单元的隐藏状态输入全连接层，预测得到所述目标路段的未来货车交通流量。
本实施例结合了货车交通流量的多方面的特征，使得预测结果更加精确。
可以理解，上述实施例1所述的货车交通流量预测方法中的实施方式，同样适用于本实施例，故在此不再重复描述。
实施例3
本申请实施例还提供了一种计算机设备，例如，该计算机设备可以但不限于为如台式计算机、笔记本等，其存在形式不作限定，主要取决于其是否需要支持浏览器网页的界面显示功能等。示范性地，该所述计算机设备包括存储器和至少一个处理器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施上述实施例1所述的货车交通流量预测方法。
其中，处理器可以是一种具有信号的处理能力的集成电路芯片。处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、图形处理器(GraphicsProcessing Unit，GPU)及网络处理器(Network Processor，NP)、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件中的至少一种。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。
其中，存储器可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器用于存储计算机程序，处理器在接收到执行指令后，可相应地执行所述计算机程序。
进一步地，存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据(比如迭代数据、版本数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例4
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述实施例1中所述的货车交通流量预测方法。
可以理解，上述实施例1所述的货车交通流量预测方法中的实施方式，同样适用于本实施例，故在此不再重复描述。
所述计算机可读存储介质既可以是非易失性存储介质，也可以是易失性存储介质。例如，该计算机可读存储介质可包括但不限于为：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (7)
1.一种货车交通流量预测方法，其特征在于，包括：
获取预测路段的货车流量数据和政策变量，所述预测路段包括上游路段、目标路段和下游路段；
根据所述上游路段的货车流量数据和所述下游路段的货车流量数据，计算上下游路段货车流量在不同时间延迟下的密切程度；
将所述密切程度的最大皮尔逊相关系数对应的延迟时间作为最佳时滞；
所述最大皮尔逊相关系数的计算公式为：
，
其中，为上游路段的货车流量数据，/>为下游路段的货车流量数据；/>为/>的标准差，/>为/>的标准差；/>为/>的均值，/>为/>的均值；/>为/>，/>的协方差，将所述货车流量数据、最佳时滞和政策变量构建成一个特征数组；
构建货车交通流量预测模型，将所述特征数组输入到所述交通流量预测模型中，所述货车交通流量预测模型包括卷积神经网络和门控循环单元神经网络；
通过所述卷积神经网络挖掘所述目标路段与上下游路段之间的空间关系及特征之间非线性关系，计算得到货车交通特征的权重向量，计算公式为：
，
其中，为货车交通特征的权重向量；/>为偏差；/>为非线性激活函数；/>为卷积核；/>为卷积运算符；/>为池化式，X为特征数组；
通过所述门控循环单元神经网络的计算公式对所述货车交通特征的权重向量进行特征提取，所述门控循环单元神经网络的计算公式为：
，
式中，为神经单元的隐藏状态；tanh( )为激活函数；/>为权重矩阵；/>为神经元的输入值；/>为前一时刻的隐藏状态，得到神经单元的隐藏状态；
将所述神经单元的隐藏状态输入全连接层，预测得到所述目标路段的未来货车交通流量。
2.根据权利要求1所述的货车交通流量预测方法，其特征在于，所述获取预测路段的货车流量数据，包括：
获取预测路段多个不同车型的初始货车流量数据，所述初始货车流量数据为时间序列数据；
将多个所述不同车型的初始货车流量数据依次换算成标准货车车型流量数据，得到多个标准货车车型流量数据；
将所述多个标准货车车型流量数据进行求和，得到所述预测路段的货车流量数据。
3.根据权利要求1所述的货车交通流量预测方法，其特征在于，所述将所述货车流量数据、最佳时滞和政策变量构建成一个特征数组，包括：
定义特征数组X=[目标路段货车交通流量、上游路段货车交通流量、下游路段货车交通流量、最佳时滞、政策限制]；所述政策限制定义为r，如果货车在当前时段或路段被允许通行，则r=1；如果货车在当前时段或路段被禁止通行，则r=0。
4.根据权利要求1所述的货车交通流量预测方法，其特征在于，所述将所述神经单元的隐藏状态输入全连接层，预测得到所述目标路段的未来货车交通流量，包括：
将所述神经单元的隐藏状态输入全连接层，通过货车交通流量计算公式预测得到所述目标路段的未来货车交通流量，所述货车交通流量计算公式为：
，
式中，为预测的未来货车交通流量；/>为权重矩阵；/>为偏差。
5.一种货车交通流量预测装置，其特征在于，包括：
获取模块，用于获取预测路段的货车流量数据和政策变量，所述预测路段包括上游路段、目标路段和下游路段；
构建模块，用于根据所述上游路段的货车流量数据和所述下游路段的货车流量数据，计算上下游路段货车流量在不同时间延迟下的密切程度；
将所述密切程度的最大皮尔逊相关系数对应的延迟时间作为最佳时滞；
所述最大皮尔逊相关系数的计算公式为：
，
其中，为上游路段的货车流量数据，/>为下游路段的货车流量数据；/>为/>的标准差，/>为/>的标准差；/>为/>的均值，/>为/>的均值；/>为/>，/>的协方差，将所述货车流量数据、最佳时滞和政策变量构建成一个特征数组；
输入模块，用于构建货车交通流量预测模型，将所述特征数组输入到所述交通流量预测模型中，所述货车交通流量预测模型包括卷积神经网络和门控循环单元神经网络；
卷积模块，用于通过所述卷积神经网络挖掘所述目标路段与上下游路段之间的空间关系及特征之间非线性关系，计算得到货车交通特征的权重向量，计算公式为：
，
其中，为货车交通特征的权重向量；/>为偏差；/>为非线性激活函数；/>为卷积核；/>为卷积运算符；/>为池化式，X为特征数组；
提取模块，用于通过所述门控循环单元神经网络的计算公式对所述货车交通特征的权重向量进行特征提取，所述门控循环单元神经网络的计算公式为：
，
式中，为神经单元的隐藏状态；tanh( )为激活函数；/>为权重矩阵；/>为神经元的输入值；/>为前一时刻的隐藏状态；得到神经单元的隐藏状态；
预测模块，用于将所述神经单元的隐藏状态输入全连接层，预测得到所述目标路段的未来货车交通流量。
6.一种计算机设备，其特征在于，所述计算机设备包括存储器和至少一个处理器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施如权利要求1至4中任意一项所述的货车交通流量预测方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被执行时，实现如权利要求1至4中任意一项所述的货车交通流量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311618815.1A CN117334058B (zh) | 2023-11-30 | 2023-11-30 | 一种货车交通流量预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311618815.1A CN117334058B (zh) | 2023-11-30 | 2023-11-30 | 一种货车交通流量预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117334058A CN117334058A (zh) | 2024-01-02 |
| CN117334058B true CN117334058B (zh) | 2024-03-19 |
Family
ID=89283397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311618815.1A Active CN117334058B (zh) | 2023-11-30 | 2023-11-30 | 一种货车交通流量预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117334058B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109658694A (zh) * | 2018-12-28 | 2019-04-19 | 中交信息技术国家工程实验室有限公司 | 一种卷积神经网络高危车辆交通流预测方法和系统 |
| CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
| CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、系统及终端设备 |
| CN113380052A (zh) * | 2021-06-08 | 2021-09-10 | 重庆大学 | 基于etc数据的驶入服务区车流量预测方法及装置 |
| CN114781978A (zh) * | 2022-06-16 | 2022-07-22 | 交通运输部科学研究院 | 道路货物运输量测算方法、装置、终端设备及存储介质 |
| CN116092296A (zh) * | 2023-03-06 | 2023-05-09 | 交通运输部科学研究院 | 交通状态评估方法、装置、电子设备及存储介质 |
| CN116453352A (zh) * | 2023-03-22 | 2023-07-18 | 浙江双友物流器械股份有限公司 | 一种基于k聚类算法和神经网络的货车交通流量预测方法 |
| CN116663742A (zh) * | 2023-06-14 | 2023-08-29 | 安徽港口物流有限公司 | 基于多因素和模型融合的区域运力预测方法 |
-
2023
- 2023-11-30 CN CN202311618815.1A patent/CN117334058B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109658694A (zh) * | 2018-12-28 | 2019-04-19 | 中交信息技术国家工程实验室有限公司 | 一种卷积神经网络高危车辆交通流预测方法和系统 |
| CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
| CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、系统及终端设备 |
| CN113380052A (zh) * | 2021-06-08 | 2021-09-10 | 重庆大学 | 基于etc数据的驶入服务区车流量预测方法及装置 |
| CN114781978A (zh) * | 2022-06-16 | 2022-07-22 | 交通运输部科学研究院 | 道路货物运输量测算方法、装置、终端设备及存储介质 |
| CN116092296A (zh) * | 2023-03-06 | 2023-05-09 | 交通运输部科学研究院 | 交通状态评估方法、装置、电子设备及存储介质 |
| CN116453352A (zh) * | 2023-03-22 | 2023-07-18 | 浙江双友物流器械股份有限公司 | 一种基于k聚类算法和神经网络的货车交通流量预测方法 |
| CN116663742A (zh) * | 2023-06-14 | 2023-08-29 | 安徽港口物流有限公司 | 基于多因素和模型融合的区域运力预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Deep Conv-GRU Network for Traffic Flow Prediction;Jun Zhao 等;2021 China Automation Congress (CAC);全文 * |
| Traffic Flow Prediction Method Based on Similarity Graph and Temporal Convolution Units;Hao Chen 等;2023 International Conference on Smart Systems for applications in Electrical Sciences (ICSSES);全文 * |
| 考虑货车因素的高速公路短期交通流风险预测;张兰芳 等;同济大学学报(自然科学版)(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117334058A (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mo et al. | A physics-informed deep learning paradigm for car-following models | |
| US7756688B2 (en) | Design optimization system and method | |
| US11829275B2 (en) | Systems and methods for automatic test generation | |
| EP2437034A2 (en) | System and method for conditional multi-output regression for machine condition monitoring | |
| US11443335B2 (en) | Model-based deep reinforcement learning for dynamic pricing in an online ride-hailing platform | |
| CN111047078B (zh) | 交通特征预测方法、系统及存储介质 | |
| Ivanovic et al. | Injecting planning-awareness into prediction and detection evaluation | |
| Brahimi et al. | Modelling on car-sharing serial prediction based on machine learning and deep learning | |
| Lee et al. | Efficient sampling-based inverse reliability analysis combining Monte Carlo simulation (MCS) and feedforward neural network (FNN) | |
| CN109583741B (zh) | 行驶轨迹风险评估方法和系统 | |
| Guo et al. | Integrated multistep Markov-based velocity predictor of energy consumption prediction model for battery electric vehicles | |
| Aghabayk et al. | Exploring a local linear model tree approach to car‐following | |
| CN117334058B (zh) | 一种货车交通流量预测方法、装置、设备及存储介质 | |
| CN116861262B (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
| Zhang et al. | Method of speed data fusion based on Bayesian combination algorithm and high‐order multi‐variable Markov model | |
| Rimella et al. | Exploiting locality in high-dimensional Factorial hidden Markov models | |
| Zeng et al. | Machine learning enabled fusion of CAE data and test data for vehicle crashworthiness performance evaluation by analysis | |
| CN113689694B (zh) | 一种车流量预测方法、装置、设备及可读存储介质 | |
| CN115116226A (zh) | 一种基于深度强化学习模型的高速公路货车流量预测算法、软件与装置 | |
| CN115587526A (zh) | 基于神经网络的车辆二氧化碳实时排放预测方法及系统 | |
| Lin et al. | Cloud-based vehicle velocity prediction based on seasonal autoregressive integrated moving average processes | |
| CN114548463A (zh) | 线路信息预测方法、装置、计算机设备和存储介质 | |
| CN115273472B (zh) | 一种基于图卷积网络表示道路的通行时间预测方法及系统 | |
| Wang et al. | An improved system for efficient shape optimization of vehicle aerodynamics with “noisy” computations | |
| CN110782063A (zh) | 区域拥堵程度的预测方法、装置 |
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 |