CN107230351A - 一种基于深度学习的短时交通流预测方法 - Google Patents

Abstract

本发明公开一种基于深度学习方法的短时交通流预测方法。同时考虑预测点临近点交通流量变化、预测点的时间特性及其周期特性对预测点交通流的影响，获取短时交通流的预测值。本发明将卷积神经网络（Convolutional Neural Network）和长短期记忆（LSTM）递归神经网络相结合，构造一种Conv‑LSTM深度神经网络模型；且采用双向LSTM模型对该点以往的交通流历史数据进行分析，提取其周期性特征，最后将所分析出的交通流趋势和周期性特征融合，以实现交通流的预测；本发明方法克服了现有方法不能充分利用时空特征的不足，充分提取交通流时间和空间特征的同时融合了交通流数据的周期性特征，从而有效提升了短时交通流预测结果的准确性。

Description

一种基于深度学习的短时交通流预测方法

技术领域

本发明涉及智能交通领域和深度学习领域，特别是一种基于深度学习方法的短时交通流预测方法。

背景技术

随着经济的不断发展和城镇化水平的不断提高，人们对交通的需求原来越高，驾车出行的频率也越来越高，随之而来的问题就是交通拥堵日渐严重，如何掌握交通信息，参考交通信息对出行时间和出行路线进行规划是一个需要当前解决的问题，为用户提供准确实时的交通流变化预测，可以为用户节省出行时间，减少不必要的浪费，同时准确的交通流信息对维护交通拥护和交通管理中也有很大的帮助，具有很大的商业价值。

国内外业已提出的交通流预测方法主要有时间序列法、卡尔曼滤波、混沌理论、神经网络和支持向量机(SVM)等。交通流的数据信息具有很强的时间相关性和周期性，同时也会受到临近车道车流量的影响，交通流预测通过对传感器收集到的数据进行分析预测出接下来短时间内的交通流量趋势、传感器主要包括手机，智能手环，平板电脑等具有传感器的可移动设备，也包括道路固定设备，道路固定设备的不断完善，手机等可移动设备数量的不断提升，所收集到的数据越来越多，随着大数据的***，可以用来分析的数据也越来越多，如何从数据中获得我们想要的信息变得越来越重要，在之前的交通流预测模型中存在很多缺点，包括没有添加空间特性，没有添加时间特性，特征提取不充分，或者时间空间信息融合不好，造成了交通流预测误差大的问题。本发明提出了一种融合时空特性并结合交通流数据周期性等特点对短时交通流量进行预测。

发明内容

本发明的目的在于提供一种基于深度学习的短时交通流预测方法，该方法利用城市道路交通流时空关联信息进行预测，可克服现有方法不能充分利用交通流数据的时空特征和周期性特征的缺点，同时进一步将交通流数据不同特征进行融合，从而提高短时交通流预测的准确性。

为实现上述目的，本发明的技术方案是：一种基于深度学习的短时交通流预测方法，包括如下步骤，

步骤S1：提取同一时刻预测点与临近点之间的交通流状态，计算短时交通流的空间相关性特征；

步骤S2：处理时间序列内不同时刻的各点的交通流状态，计算交通流变化趋势和时空特征；

步骤S3：提取预测点前一天同一时刻和一周前同一时刻时的交通流数据，提取交通流的周期性特征；

步骤S4：将时空特征和周期性特征融合；

步骤S5：使用交通流实际值与框架预测值进行比较，计算损失值，不断优化框架。

在本发明一实施例中，在所述步骤S1中，短时交通流的空间相关性特征通过如下方式获取：

步骤S11：收集目标检测点和其临近点的交通流数据集，通将同一时刻该区域内点的交通流数据映射到一维向量，以预测点为基准点，将预测点的交通流数据放在向量的中心，以南北为衡量标准，设置数据点在向量中是预测点之前还是之后，北在前，南在后，并且按照与基准点之间的距离远近来填充向量；

步骤S12：对向量进行卷积处理，采用卷积核尺寸为3，滑动步长为1，提取相同时刻的区域内的交通流相关性，产生交通流数据卷积特征向量，卷积可理解为局部的加权求和，公式为

g(i)＝f(Aw+B)

其中A表示卷积核的输入，W表示卷积核对输入处理的权重，B表示偏置项，i表示卷积滑动的步数，也就是生成卷积特征向量中的第i个元素；

步骤S13：对上一步所产生的卷积特征向量进行平均池化处理。

在本发明一实施例中，在所述步骤S2中，利用LSTM递归神经网络来处理时间序列数据，分析不同时间交通流的空间相关性特征变化，将时间特征和空间特征融合，获取交通流变化趋势和时空特征，具体即：

将不同时刻所提取的交通流的空间相关性特征汇聚成一个时间序列，将时间序列输入到两层LSTM之中，产生交通流的时空特征向量。

在本发明一实施例中，在所述步骤S3中，交通流的周期性特征通过收集预测点前一天同一时刻的交通流数据，和前一周同一时刻的交通流数据，将数据分别输入到双向LSTM之中，提取天周期特征和周周期特征。

在本发明一实施例中，在所述步骤S4中，使用神经网络中的全连接网络将收集到的交通流的时空特征和周期性特征进行融合。

在本发明一实施例中，在所述步骤S5中，将框架所输出的预测值与交通流实际值进行比较，计算损失值，不断对框架进行优化，采用均方误差为损失函数，计算框架输出的预测值和实际交通流数据之间的特征，然后使用反向传播算法对框架的参数进行不断优化，反向传播算法中不断计算参数梯度，并使用RMSprop不断自适应学***方的平均值，根据这个变量来自适应学习率，不断优化参数，使结构达到最优解；其中，

均方误差函数：

RMSprop公式：

为变量W在t时刻的梯度值。

相较于现有技术，本发明具有以下有益效果：本发明提出的一种基于深度学习的短时交通流预测方法，利用城市道路交通流时空关联信息及周期性信息进行预测，可克服现有方法不能充分利用时空特征的不足和时空相关性结合不充分的缺点，同时利用深度学习端对端的特点，减去了人工提取数据特征的步骤，极少的减少了人力消耗，从而提高短时交通流预测的准确性增加了***的可移植性。

附图说明

图1是本发明实施例中时空特征提取示意图。

图2是本发明实施例中周期性特征提取示意图。

图3是本发明实施例中将时空特性和周期性特征融合并得出预测结果。

图4是本发明实施例中利用本发明所提出的方法预测生成的目标检测点短时交通流预测结果与实际值对比。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明的一种基于深度学习的短时交通流预测方法，具体按照如下步骤实现，

步骤S1：考虑交通流数据的空间相关性,获取交通流预测点的空间特征；

在本实例中，首先，收集目标检测点和其临近点的交通流数据集，通将同一时刻该区域内点的交通流数据映射到一维向量，以预测点为基准点，将预测点的交通流数据放在向量的中心，以南北为衡量标准，设置数据点在向量中是预测点之前还是之后，北在前，南在后，并且按照与基准点之间的距离远近来填充向量；

进一步的，对向量进行卷积处理，采用卷积核尺寸为3滑动步长为1，提取相同时刻的区域内的交通流相关性，产生交通流数据卷积特征向量；

卷积可理解为局部的加权求和，公式为

g(i)＝f(Aw+B)

其中A表示卷积核的输入，W表示卷积核对输入处理的权重，而B表示偏置项，i表示卷积滑动的步数，也就是生成卷积特征向量中的第i个元素。

进一步的，对上一步所产生的卷积特征向量进行平均池化处理，过滤到一些不必要的信息，获得更抽象的空间特性，增加框架识别的鲁棒性。

步骤S2：用LSTM递归神经网络来处理时间序列数据，分析不同时间交通流空间特性变化，将时间特征和空间特征融合，获取交通流数据变化趋势。

在本实例中，在研究区域内有很多点，我们需要分析区域内的各点之间的空间相关性，并且综合时间考虑，各点之间的交通流变化趋势和相互影响趋势，车的流量走势，将不同时刻所提取的交通数据空间特性汇聚成一个时间序列，将时间序列输入到两层LSTM之中，将卷积所提取的空间特征与时间特征融合，产生交通流数据的时空特征向量；

步骤S3：考虑交通流数据的周期性特征

在本实例中，收集预测点前一天同一时刻的交通流数据，和前一周同一时刻的交通流数据，将数据分别输入到双向LSTM之中，提取天周期特征和周周期特征。

步骤S4：综合考虑交通流数据的时空特征和周期性特征

在本实例中，需要将所提取的时空特征和周期性特征进行融合，进一步的使用融合特征进行回归，具体使用神经网络中的全连接网络将收集到的交通流数据时空特性和周期性特征进行融合。

步骤S5：根据本发明所提出算法的交通流量预测结果与实际交通流量值之间进行比较，计算损失值，不断优化框架。

本实例中采用均方误差为损失函数，计算框架输出的预测值和实际交通流数据之间的特征，然后使用反向传播算法对框架的参数进行不断优化，反向传播算法中不断计算参数梯度，并使用RMSprop不断自适应学***方的平均值，根据这个变量来自适应学习率，不断优化参数，使结构达到最优解。

均方误差函数(MSE)：

RMSprop公式：

为变量W在t时刻的梯度值

相较于现有技术，本发明具有以下有益效果：本发明提出的一种基于深度学习的短时交通流预测方法，利用城市道路交通流时空关联信息及周期性信息进行预测，可克服现有方法不能充分利用时空特征的不足和时空相关性结合不充分的缺点，同时利用深度学习端对端的特点，减去了人工提取数据特征的步骤，极少的减少了人力消耗，从而提高短时交通流预测的准确性增加了***的可移植性。

为了让本领域技术人员进一步了解本发明所提出的一种基于深度学习的短时交通流预测方法，下面结合具体实施例作详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程。

如图1所示，为目标检测点交通流时空特征提取示意图。

本实施例包括如下具体步骤：

步骤一：收集同一时刻预测点和预测点临近点之间的交通流状态，并使用卷积层和池化层提取该时刻的空间特征。

步骤二：将不同时刻的空间特征汇聚成一个时间序列，将时间序列输入到双层LSTM之中提取交通流数据的时空特征。

如图2所示，是周期性特征提取示意图。

收集预测点前一天同一时刻的交通流数据，和前一周同一时刻的交通流数据，将所收集到的数据输入到双向LSTM之中提取空间特性。

如图3所示，为将时空特性和周期性特征融合并得出预测结果。

本实施例包括如下具体步骤：

步骤一：将所提取的时空特性和周期性特征进行融合。

步骤二：将所融合的混合特征输入到全连接网络之中，进行最后的回归，得出交通流预测结果。

如图4所示，为利用本发明所提出方法预测生成的目标检测点短时交通流预测结果与实际值对比

本实施例包括如下具体步骤：

步骤一：使用均方误差损失函数计算框架输出的预测值与实际交通流数据之间的差距。

步骤二：从损失函数开始对模型框架进行反向传播优化，并使用RMSprop不断自适应学***方的平均值，根据这个变量来自适应学习率，不断优化参数，使结构达到最优解。

均方误差函数(MSE)：

RMSprop公式：

为变量W在t时刻的梯度值.

步骤三：为说明本发明所提出方法的可行性和普适性，将框架预测值进一步与现有方法如支持向量机(SVM)、后向传播神经网络(BPNN)、自编码神经网络(SAE)、LSTM递归神经网络的预测结果进行比较，得到如表1所示的预测性能评价指标。

表1现有算法交通流预测结果对比

其中，误差函数分别为绝对平均误差(MAE),均方根误差(RMSE),平均绝对百分误差(MAPE),具体公式如下：

上述分析说明，本发明所提出的一种基于深度学习的短时交通流预测方法，能获得比现有方法更低的误差精度，很好地改善了短时交通流的预测准确度，具有一定的参考价值和实际经济效益。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (6)

1.一种基于深度学习的短时交通流预测方法，其特征在于：包括如下步骤，

步骤S1：提取同一时刻预测点与临近点之间的交通流状态，计算短时交通流的空间相关性特征；

步骤S2：处理时间序列内不同时刻的各点的交通流状态，计算交通流变化趋势和时空特征；

步骤S3：提取预测点前一天同一时刻和一周前同一时刻时的交通流数据，提取交通流的周期性特征；

步骤S4：将时空特征和周期性特征融合；

步骤S5：使用交通流实际值与框架预测值进行比较，计算损失值，不断优化框架。

2.根据权利要求1所述的一种基于深度学习的短时交通流预测方法，其特征在于：在所述步骤S1中，短时交通流的空间相关性特征通过如下方式获取：

步骤S11：收集目标检测点和其临近点的交通流数据集，通将同一时刻该区域内点的交通流数据映射到一维向量，以预测点为基准点，将预测点的交通流数据放在向量的中心，以南北为衡量标准，设置数据点在向量中是预测点之前还是之后，北在前，南在后，并且按照与基准点之间的距离远近来填充向量；

步骤S12：对向量进行卷积处理，采用卷积核尺寸为3，滑动步长为1，提取相同时刻的区域内的交通流相关性，产生交通流数据卷积特征向量，卷积可理解为局部的加权求和，公式为

g(i)＝f(Aw+B)

其中A表示卷积核的输入，W表示卷积核对输入处理的权重，B表示偏置项，i表示卷积滑动的步数，也就是生成卷积特征向量中的第i个元素；

步骤S13：对上一步所产生的卷积特征向量进行平均池化处理。

3.根据权利要求1所述的一种基于深度学习的短时交通流预测方法，其特征在于：在所述步骤S2中，利用长短期记忆网络(LSTM)来处理时间序列数据，分析不同时间交通流的空间相关性特征变化，将时间特征和空间特征融合，获取交通流变化趋势和时空特征，具体即：

交通流的空间相关特性特征。

4.根据权利要求2所述的一种基于深度学习的短时交通流预测方法，其特征在于：在所述步骤S3中，交通流的周期性特征通过收集预测点前一天同一时刻的交通流数据，和前一周同一时刻的交通流数据，将数据分别输入到双向LSTM之中，提取天周期特征和周周期特征。

5.根据权利要求4所述的一种基于深度学习的短时交通流预测方法，其特征在于：在所述步骤S4中，使用神经网络中的全连接网络将收集到的交通流的时空特征和周期性特征进行融合。

6.根据权利要求1所述的一种基于深度学***方的平均值，根据这个变量来自适应学习率，不断优化参数，使结构达到最优解：其中，

均方误差函数：

<mrow> <mi>M</mi> <mi>S</mi> <mi>E</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mrow> <mo>(</mo> <mi>p</mi> <mi>r</mi> <mi>e</mi> <mi>d</mi> <mi>i</mi> <mi>c</mi> <mi>t</mi> <mi>e</mi> <mi>d</mi> <mo>-</mo> <mi>o</mi> <mi>b</mi> <mi>s</mi> <mi>e</mi> <mi>r</mi> <mi>v</mi> <mi>e</mi> <mi>d</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>

RMSprop公式：

<mrow> <mi>M</mi> <mi>e</mi> <mi>a</mi> <mi>n</mi> <mi>S</mi> <mi>q</mi> <mi>u</mi> <mi>a</mi> <mi>r</mi> <mi>e</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mn>0.9</mn> <mi>M</mi> <mi>e</mi> <mi>a</mi> <mi>n</mi> <mi>S</mi> <mi>q</mi> <mi>u</mi> <mi>a</mi> <mi>r</mi> <mi>e</mi> <mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>t</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <mn>0.1</mn> <msup> <mrow> <mo>(</mo> <mo>&amp;part;</mo> <mi>E</mi> <mo>/</mo> <mo>&amp;part;</mo> <msup> <mi>w</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>

为变量W在t时刻的梯度值。