CN105160866A - 一种基于深度学习神经网络结构的交通流预测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习神经网络结构的交通流预测方法，它是通过采集各类交通流数据，并利用深度自动编码器模型对采集各类交通流数据进行训练，在训练过程中对深度自动编码器模型进行调整，最后利用调整后的深度自动编码器模型对短期交通流进行预测。本发明的方法可以对交通流数据进行更深入的挖掘分析，因此在对交通流进行短期预测时更为精准，性能更优。

Description

一种基于深度学习神经网络结构的交通流预测方法

技术领域

本发明涉及一种基于深度学习神经网络结构的交通流预测方法，属于交通预测的技术领域。

背景技术

随着我国汽车产业的发展，城市及高速公路道路拥堵问题日益严峻。通过对交通流数据深入挖掘，并在此基础上建立短期交通流预测模型，能够有效预测交通拥堵状况从而引导车辆选择合理出行路线。

短时交通流预测某个路段或某条路径上未来的交通状况，时间间隔一般不超出15分钟。对管理者来说这一预测可以用以制订和实施交通管理计划，对交通流进行调控，以减缓这一期间可能出现的交通拥挤和安全隐患。相对于长期预测分析来说，短时交通流预测将作为历史数据使用。

短时交通流预测方法主要包括两部分：交通流历史数据标准库的建立及预测模型构建。前者为短时交通流预测提供数据保障，后者未来交通状态的预测提供准确的方法。到目前，已经有一系列技术和手段被开发应用于短期交通流的预测，但结果却不令人满意的课题。

传统的交通流数据预测方法主要有K-最近邻分类、支持向量机、BP神经网络和决策树等，这些方法在一定规模的交通流数据基础上进行建模，从而进行预测，取得了一定的预测成效。但随着大数据时代的到来，诸如支持向量机这类浅层模型难以有效发掘海量数据下的隐含信息，无法获得最佳性能。

发明内容

本发明的目的在于，提供一种基于深度学习神经网络结构的交通流预测方法。本发明的方法可以对交通流数据进行更深入的挖掘分析，因此在对交通流进行短期预测时更为精准，性能更优。

本发明的技术方案：一种基于深度学习神经网络结构的交通流预测方法，其特点是：通过采集各类交通流数据，并利用深度自动编码器模型对采集各类交通流数据进行训练，在训练过程中对深度自动编码器模型进行调整，最后利用调整后的深度自动编码器模型对短期交通流进行预测。

上述的基于深度学习神经网络结构的交通流预测方法，具体包括以下步骤：

①交通流数据的采集；

②交通流数据的预处理；

③利用深度自动编码器模型对交通流数据进行训练；(深度自动编码器模型由编码器、解码器和隐含层组成)

④用有监督学习算法对深度自动编码器模型进行微调；

⑤根据步骤④得到的最终的深度自动编码器模型对短期的交通流进行预测。

前述的基于深度学习神经网络结构的交通流预测方法中，所述步骤①中的交通流数据包括：

(1)运用高速公路上安装车流量检测器采集的流量和车速交通流数据；

(2)视频图像非结构数据转换而成的结构型交通流数据；

(3)道路(高速公路路基、路面、桥梁和隧道等)养护数据；

(4)高速公路交通事故发生后事件报送数据；

(5)同路段环比类似历史交通流数据。

前述的基于深度学习神经网络结构的交通流预测方法中，所述步骤①的具体方法：将每一年的交通流数据划分为M个组，每一组中按照周一至周日分别将各天的交通流数据归为7类，生成7*M个的交通流数据的集合，并将每个集合中的交通流数据按时间段划分为空闲时段数据和繁忙时段数据。(其中，所述交通流数据是关于时间序列的数据，每一个集合中包含5个以上所述被归为同一类的原始交通流时间序列数据。)

前述的基于深度学***均插值方法补齐，若某个时间点的交通流数据超出了阈值，则认定为错误数据，并对错误数据的进行剔除，同时采用平均插值方法进行补齐；若空闲时段数据中出现时间间隔不连续情况，则认定为原始交通数据缺失，对于数据缺失点，采用其它集合的同时间点的交通流数据的平均值进行补齐，若某个时间点的交通流数据超出了阈值，则认定为错误数据，并对错误数据的进行剔除，同时采用其它集合的同时间点的交通流数据的平均值进行补齐。

前述的基于深度学习神经网络结构的交通流预测方法中，所述步骤③的具体方法包括以下步骤：

(1)逐层构建单层神经元，每次构造一个单层网络。

(2)当所有层构造完后，每层采用wake-sleep算法进行调优,每次仅调整一层，逐层调整。

前述的基于深度学习神经网络结构的交通流预测方法中，所述调优的具体方法包括以下步骤：

A、将交通流数据输入第一层的编码器，生成一个编码，这个编码为输入的一个表示，然后将这个编码输入解码器，解码器会输出一个重建信息，再通过计算输入的交通流数据的特征和重建信息的残差，使用梯度下降法修改第一层的编码器的生成权重；

B、将第一层输出的编码当成第二层的输入数据流，采用与步骤A相同的方法修改第二层的编码器的生成权重，并重复此步骤直至所有层的编码器的生成权重修改完毕。

前述过程实际为无监督学习。

前述的基于深度学习神经网络结构的交通流预测方法中，所述步骤④的具体方法：

将最后一层输出的编码输入支持向量机分类器(SVM)，再使用有标签样本进行有监督训练，实现对各层的编码器的微调。

前述的基于深度学习神经网络结构的交通流预测方法中，数据的训练是通过在分布式***上的CPU集群进行并行运算来实现的，从而可以加速数据的挖掘与分析。

与现有技术相比，本发明通过深度自动编码器模型对交通流数据进行训练学习，从而形成了可以对交通流数据进行深度学习的神经网络结构，它相对于传统的交通流数据预测模型而言，可以对数据进行更深入的分析，并可有效提取数据的潜在分层特征，而且还免去了人工提取数据特征的巨大工作量，提高了特征提取的效率，降低了原始输入的维数。因此使用本发明的预测模型进行短期交通流预测时，可以提高预测的精准度。

而且本发明的方法中通过采用对交通流数据的分组、分时段，并对不同时段的数据进行不同的补齐和纠错方法，不仅简化了输入交通流数据的复杂性，降低了模型的计算难度及计算量，而且在很大程度上也进一步提高了短期交通流预测的精准度，并可提高预测的稳定性，不易出现明显错误。

随着车辆的增多，各种交通流数据接踵而至，处理大量的交通流数据就需要一种能处理海量数据的编码模型，深度自动编码器模型在这一方面具有明显优势，它可以称为未来处理大数据的过程中不可或缺的模型工具。本发明将深度自动编码器模型应用于交通流的处理上面，将对车辆安排合理出行带来极大方便，一方面可以缓解道路的拥堵现状，另一方面可减少车辆在等待的过程中石化燃料的消耗，从而起到缓解空气污染的现状。

附图说明

图1是本发明的基本步骤流程图。

具体实施方式

下面结合实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。

实施例。一种基于深度学习神经网络结构的交通流预测方法，其基本流程如图1所示，包括以下步骤：

①交通流数据的采集；

②交通流数据的预处理；

③利用深度自动编码器模型对交通流数据进行训练；

④用有监督学习算法对深度自动编码器模型进行微调；

⑤根据步骤④得到的最终的深度自动编码器模型对短期的交通流进行预测。

一、交通流数据的采集

采集各类交通流数据为后续深度学习提供丰富的当前数据和历史数据。主要包含以下方面：

(1)运用高速公路上安装车流量检测器采集的流量和车速交通流数据；

(2)视频图像非结构数据转换而成的结构型交通流数据；

(3)道路养护数据；

(4)高速公路交通事故发生后事件报送数据；

(5)同路段环比类似历史交通流数据。

二、数据的预处理

考虑到道路中一天中不同时段交通流规律的不同，将一天的时间划分为繁忙时段和空闲时段，繁忙时段一般为6:00～0:00，空闲时段一般是0:00～6:00，可以根据各路段的情况灵活设定。本发明实施例中对于繁忙时段和空闲时段采用不同的方法进行处理，下面进行详细说明。

对于交通流数据要按照一定规律对其分组，形成相应的数据集。以年为单位，对每一天根据设定的采集周期采集原始交通流数据，以获得各天的原始交通流时间序列数据，原始交通流时间序列数据每间隔5分钟采集一次。按照设定规律将一年划分为M＝4个组即4个季度，每一组中按照周一至周日分别将各天的原始交通流时间序列数据归为7类，生成7*M＝28个的原始交通流时间序列数据集合。其中，每一个集合中包含5个以上所述被归为同一类的原始交通流时间序列数据。

根据设定的采集周期采集交通流数据以获得当天在当前时间点之前的原始交通流时间序列数据(x₁,x₂,x₃...,x_t,x_n)，其中x_t为t时间点的交通数据流，x_n为当前点的交通流数据。例如：采集周期可以为5分钟，当前时间点n为10:00，则交通流时间序列数据中x_n-1为9:55的交通流数据，依次类推。如果采集原始交通流数据从0:00开始，则交通流时间序列数据中x₁为0:00的交通流数据；如果采集原始交通流数据从6:00开始，则交通流时间序列数据中x₁为6:00的交通流数据。

在繁忙时段，若时间间隔不连续(如8:00，8:10)，则定义为原始交通数据缺失。对于数据缺失点，采用平均插值方法补齐。对原始交通流时间序列数据错误的判断采用阈值法，超出阈值的原始交通流数据，定义为错误数据。对于错误数据的剔除，采用平均插值方法补齐。

在空闲时段，由于空闲时段车辆较少，因此会出现连续长时间缺失交通数据的情况，在这种情况下，平均插值方法难以补齐符合实际交通状态的数据，数据预处理流程不再适用。但是，空闲时段的交通状态基本一直都处于自由流状态，因此该时段交通流历史标准数据的生成，采用汇总多天数据再进行预处理的方法。对各个集合中的原始交通流时间序列数据中，被划分为空闲时段的数据计算相同时间点的交通流数据的平均值，并替换掉原相同时间点的交通流数据，得到平均交通流时间序列数据。

三、训练过程

深度自动编码器(DAE)是一种利用经过无监督逐层弹性，预训练和***性参数优化的多层非线性网络从无类标数据中提取高维复杂输入数据的分层特征，并得到原始数据的分布式特征表示的深度学习神经网络结构。DAE由编码器、解码器和隐含层组成。编码器是输入x到隐含表示h的映射，表示为:h＝f(x)＝S_f(w+b_n)，其中，S_f是非线性激活函数，一般为逻辑函数，其表达式为：

sigmoid(z)＝1/(1+z^-1)

解码器函数g(h)将隐含层数据映射回重构y，表示为:

y＝g(h)＝S_g(w'h+b_y)

其中，S_g是解码器的激活函数，一般为线性函数或者sigmoid函数。训练DAE的过程是在训练样本集D上寻找参数θ＝{W,b_y,b_h}的最小化重构误差，重构误差的表达式为：

$J_{AE}=\underset{x\∈D}{\Σ}L(x,g(f\left(x\right)\left)\right)$

其中，L为重构误差函数，一般可以用平方误差函数或交叉熵损失函数，二者分别表示为：

L(x,y)＝||x-y||²

$L(x,y)=-\underset{i=1}{\overset{d_x}{\Σ}}{x}_i{\mathrm{logy}}_i+(1-x_i)log(1-y_i)$

其中，平方误差用于线性S_g，交叉熵损失函数用于sigmoid。

DAE的构建主要有2个步骤，第一步是改进原型自动编码器的结构，即增加隐含层和神经元的数量，调整隐含层节点的分布并改变权值的分享方式等，构建DAE的基本框架。第二步是根据不同任务的需要选取合适的代价函数及其优化策略、隐含层品质因数和***性参数优化时的性能指数等，确定DAE的训练方案。

自动编码器就是一种尽可能复现输入信号的神经网络。为了实现这种复现，自动编码器就必须捕捉可以代表输入数据的最重要的因素，就像主成分分析方法那样，找到可以代表原信息的主要成分。在本发明中也就是要找到大量交通数据流的有用成分，具体过程如下：

A、给定无标签数据，用无监督学习学习特征；

在之前的神经网络中，输入的样本是有标签的，即(input,target)，这样根据当前输出和target(label)之间的差去改变前面各层的参数，直到收敛。

本发明采用的自动编码模型，将input交通流数据流(x₁,x₂,x₃,…,x_t,…,x_n)输入一个encoder编码器，就会得到一个code(h₁ ⁽¹⁾,h₂ ⁽¹⁾,h₃ ⁽¹⁾…,h_t ⁽¹⁾,…,h_n ⁽¹⁾)，这个code也就是输入的一个表示，为了确定输出code就是input的一个表示，加一个decoder解码器，这时候decoder就会输出一个信息reconstruction，输出的这个信息和一开始的输入数据input是比较接近的，在理想情况下几乎是一样的，我们就有理由相信这个code是输入input的最好诠释。所以，每一层就是通过调整encoder编码器和decoder解码器的参数，使得重构误差最小，此时就得到了输入input数据流的第一个表示了，即编码code。因为是无标签数据，所以误差的来源就是直接重构后与原输入input相比得到。

B、通过编码器产生特征然后训练下一层如此逐层训练

通过上面步骤得到第一层交通数据流的code(h₁ ⁽¹⁾,h₂ ⁽¹⁾,h₃ ⁽¹⁾,…,h_t ⁽¹⁾,…,h_n ⁽¹⁾)，此时重构误差最小所以这个code就是原输入数据的良好表达。第二层和第一层的训练方式没有差别利用相同的原理，我们将第一层输出的code当成第二层的输入input数据流，同样最小化重构误差，就会得到第二层的参数，并且得到第二层输入交通数据流的code(h₁ ⁽²⁾,h₂ ⁽²⁾,h₃ ⁽²⁾,…,h_t ⁽²⁾,…,h_n ⁽²⁾)，也就是原输入信息(x₁,x₂,x₃,…,x_t,…,x_n)的第二个表达了。其他层利用同样的方法进行训练，训练当前层，前面层的参数都是固定的，此时不再需要decoder了。

C、有监督微调

经过上面的方法，就可以得到很多层了。每一层都会得到原始输入不同的表达。此时深度自动编码器只是学习获得了一个可以良好代表输入交通数据流(x₁,x₂,x₃,…,x_t,…,x_n)的特征，这个特征可以最大程度上代表原输入信号。因此为了实现分类，需要在自动编码器最顶的编码层添加一个支持向量机分类器(SVM)然后通过标准的多层神经网络的监督训练方法(梯度下降法)去训练。其基本步骤如下：

1)随机选取有标签数据样本用BP算法对神经网络进行训练，计算各层的输出；

2)求出各层的重构误差，并根据误差修正权值和偏置；

3)根据性能指数判定误差是否满足要求，如果未能满足要求则重复步骤1)和2)，直到整个网络输出满足期望要求。

4)得出最后的深度自动编码器模型。

本发明中的有标签数据样本是对前述的五种交通流数据进行未来短期实时监测，将实时监测的数据作为有标签样本和深度自动编码器模型预测***预测的短期数据进行比对，比对的结果如果差值相对较大，此时就需要用有标签样本对深度编码器进行有监督的训练，调整编码器的网络参数，直到预测结果和实际观测结果差值落在合理区间为止。

而本申请中用于进行无监督训练的5类交通流数据，没有进行相应的人为道路拥堵指数等区间划分，因此对于***来说需要通过自己的模型进行学习，对它们进行聚类分析。

Claims (9)

1.一种基于深度学习神经网络结构的交通流预测方法，其特征在于：通过采集各类交通流数据，并利用深度自动编码器模型对采集各类交通流数据进行训练，在训练过程中对深度自动编码器模型进行调整，最后利用调整后的深度自动编码器模型对短期交通流进行预测。

2.根据权利要求1所述的基于深度学习神经网络结构的交通流预测方法，其特征在于，具体包括以下步骤：

①交通流数据的采集；

②交通流数据的预处理；

③利用深度自动编码器模型对交通流数据进行训练；

④用有监督学习算法对深度自动编码器模型进行微调；

⑤根据步骤④得到的最终的深度自动编码器模型对短期的交通流进行预测。

3.根据权利要求2所述的基于深度学习神经网络结构的交通流预测方法，其特征在于，所述步骤①中的交通流数据包括：

(1)运用高速公路上安装车流量检测器采集的流量和车速交通流数据；

(2)视频图像非结构数据转换而成的结构型交通流数据；

(3)道路养护数据；

(4)高速公路交通事故发生后事件报送数据；

(5)同路段环比类似历史交通流数据。

4.根据权利要求2所述的基于深度学习神经网络结构的交通流预测方法，其特征在于，所述步骤①的具体方法：将每一年的交通流数据划分为M个组，每一组中按照周一至周日分别将各天的交通流数据归为7类，生成7×M个的交通流数据的集合，并将每个集合中的交通流数据按时间段划分为空闲时段数据和繁忙时段数据。

5.根据权利要求4所述的基于深度学***均插值方法补齐，若某个时间点的交通流数据超出了阈值，则认定为错误数据，并对错误数据的进行剔除，同时采用平均插值方法进行补齐；若空闲时段数据中出现时间间隔不连续情况，则认定为原始交通数据缺失，对于数据缺失点，采用其它集合的同时间点的交通流数据的平均值进行补齐，若某个时间点的交通流数据超出了阈值，则认定为错误数据，并对错误数据的进行剔除，同时采用其它集合的同时间点的交通流数据的平均值进行补齐。

6.根据权利要求2所述的基于深度学习神经网络结构的交通流预测方法，其特征在于，所述步骤③的具体方法包括以下步骤：

(1)逐层构建单层神经元，每次构造一个单层网络。

(2)当所有层构造完后，每层采用wake-sleep算法进行调优,每次仅调整一层，逐层调整。

7.根据权利要求6所述的基于深度学习神经网络结构的交通流预测方法，其特征在于，所述调优的具体方法包括以下步骤：

A、将交通流数据输入第一层的编码器，生成一个编码，这个编码为输入的一个表示，然后将这个编码输入解码器，解码器会输出一个重建信息，再通过计算输入的交通流数据的特征和重建信息的残差，使用梯度下降法修改第一层的编码器的生成权重；

B、将第一层输出的编码当成第二层的输入数据流，采用与步骤A相同的方法修改第二层的编码器的生成权重，并重复此步骤直至所有层的编码器的生成权重修改完毕。

8.根据权利要求2所述的基于深度学习神经网络结构的交通流预测方法，其特征在于，所述步骤④的具体方法：

将最后一层输出的编码输入支持向量机分类器，再使用有标签样本进行有监督训练，实现对各层的编码器的微调。

9.根据权利要求2所述的基于深度学习神经网络结构的交通流预测方法，其特征在于；数据的训练是通过在分布式***上的CPU集群进行并行运算来实现的。