CN108648457B - 一种速度预测的方法、装置和计算机可读存储介质 - Google Patents
一种速度预测的方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN108648457B CN108648457B CN201810690697.8A CN201810690697A CN108648457B CN 108648457 B CN108648457 B CN 108648457B CN 201810690697 A CN201810690697 A CN 201810690697A CN 108648457 B CN108648457 B CN 108648457B
- Authority
- CN
- China
- Prior art keywords
- target
- network
- matrix
- speed
- road
- 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
Images
Classifications
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种速度预测的方法、装置和计算机可读存储介质,依据预设时间段内的轨迹数据,计算出目标路网的初始速度向量;利用预先训练好的基于路网的卷积神经网络,对初始速度向量和邻接路段矩阵进行卷积处理,得到相应的特征矩阵;其中,特征矩阵中包括有每个路段各自对应的特征向量;将每个特征向量转化成时间序列,并利用预先训练好的长短期记忆网络,对时间序列进行处理,得到目标路网对应的目标速度矩阵。由于特征向量是在考虑了路网拓扑结构情况下得到的向量,有效避免了错误的空间动态演化特征对其精度的影响。使得根据该特征向量预测出的目标速度向量更加准确,有效提升了速度预测的精度。
Description
技术领域
本发明涉及城市交通技术领域,特别是涉及一种速度预测的方法、装置和计算机可读存储介质。
背景技术
随着社会经济的发展,私人小汽车的拥有量逐年递增,某些大城市的道路改扩建速度已无法满足机动车的增长的要求,由此导致的城市交通拥堵、交通事故等问题已成为困扰城市发展和居民出行的重要问题。为此,智能交通***(Intelligent TransportSystems,ITS)作为一种有效解决手段已经成为研究的热点。而交通***是一个有人参与的、时变的、巨大且复杂的***,时刻变化着的城市道路交通速度状态怎样能够精准的预测,这是ITS的核心问题之一。
ITS的各种子***,比如及时调整交通管理控制方案,控制交通拥堵;为出行者发布出行信息,提供最优路径选择方案;进行准确的到达时间估计,从而推荐用户合理的出发时间等,都需要准确的城市交通速度预测作为基础。
在近些年交通速度预测被学术界和工业界广泛研究,相关方法主要分为传统预测方法和深度学***均模型通过对过去交通速度的线性组合来预测单个路段上的交通速度。同时为了描述周期性趋势如早晚高峰等,季节性差分自回归移动平均模型被提出。除此之外,一些传统的机器学习方法如线性回归和支持向量回归也被用来进行单个路段的时间序列模式学习。
近些年随着深度学习的不断发展,越来越多的研究者开始使用深度学习技术进行交通速度预测。其中,长短期记忆网络(Long Short-Term Memory,LSTM)善于捕捉较长序列的时间依赖,从而被用于单路段的交通速度预测。
但是以上方法都主要对单个路段进行预测,而忽略了周围路段的影响,未考虑城市交通速度预测在空间上的演化关系。对此,善于捕捉空间关系的卷积神经网络(Convolutional Neural Network,CNN)被用于城市交通速度预测。
在空间演化的过程中,由于城市的交通路网是一个拓扑结构,因此在空间上的演化会受路网的拓扑结构的影响,也就是说一个路段会直接影响周围的邻接路段。而传统的CNN只能对矩阵中的临近单元进行学习,但是城市级别的时空速度矩阵并不能保证临近路段在相邻行中,上述使用CNN对城市进行交通速度预测的方法没有考虑这一点,因此会学到一些错误的空间动态演化特征而影响其预测精度。
可见,如何提升速度预测的精度,是本领域技术人员亟待解决的问题。
发明内容
本发明实施例的目的是提供一种速度预测的方法、装置和计算机可读存储介质,可以提升速度预测的精度。
为解决上述技术问题,本发明实施例提供一种速度预测的方法,包括:
依据预设时间段内的轨迹数据,计算出目标路网中各路段相对应的初始速度;所有所述路段对应的初始速度构成所述目标路网的初始速度向量;
利用预先训练好的基于路网的卷积神经网络,对所述目标路网对应的初始速度向量和邻接路段矩阵进行卷积处理,得到相应的特征矩阵;其中,所述特征矩阵中包括有每个所述路段各自对应的特征向量;
将目标路段的特征向量转化成时间序列,并利用预先训练好的长短期记忆网络,对所述时间序列进行处理,得到所述目标路段对应的目标速度向量;其中,所述目标路段为所述目标路网中包括的所有路段中的任意一个路段,所有所述目标路段对应的目标速度向量构成所述目标路网的目标速度矩阵。
可选的,所述基于路网的卷积神经网络和所述长短期记忆网络的训练过程包括:
依据训练集轨迹数据,计算出所述目标路网中各路段相对应的历史速度;所有所述路段对应的历史速度构成所述目标路网的历史速度向量;
利用基于路网的卷积神经网络,对所述目标路网对应的历史速度向量和邻接路段矩阵进行卷积处理,得到相应的历史特征矩阵;其中,所述历史特征矩阵中包括有每个所述路段各自对应的历史特征向量;
将目标路段的所述历史特征向量转化成历史时间序列,并利用长短期记忆网络,对所述历史时间序列进行处理,得到所述目标路段对应的预测速度向量;所有所述目标路段对应的预测速度向量构成所述目标路网的预测速度矩阵;
根据所述预测速度矩阵和所述目标路网相对应的实际速度矩阵,调整所述基于路网的卷积神经网络和所述长短期记忆网络的各模型参数的取值,直至各所述模型参数满足预设要求。
可选的,所述依据预设时间段内的轨迹数据,计算出目标路网中各路段相对应的初始速度包括:
式中,T表示所述轨迹数据中在周期时间t内通过所述目标路段r的所有轨迹集合;traj表示所述轨迹集合T中的一条轨迹;f(traj,t,r)用于表示通过所述目标路段r的轨迹traj在周期时间t内的速度值;r.length表示目标路段r的总长度;startTime表示轨迹traj在周期时间t内进入所述目标路段r的开始时间;endTime表示轨迹traj在周期时间t内离开所述目标路段r的离开时间。
可选的,还包括:
利用卷积神经网络的全连接层,从历史轨迹数据中提取所述目标路段对应的参考矩阵;
对所述目标速度矩阵和所述参考矩阵进行融合处理,将得到的融合结果作为所述目标路网最新的目标速度矩阵。
可选的,还包括:
获取与所述目标速度矩阵相对应的实际速度矩阵;
根据融合处理后得到的所述目标速度矩阵和所述实际速度矩阵,调整网络模型中各模型参数的取值。
本发明实施例还提供了一种速度预测的装置,包括计算单元、处理单元和预测单元;
所述计算单元,用于依据预设时间段内的轨迹数据,计算出目标路网中各路段相对应的初始速度;所有所述路段对应的初始速度构成所述目标路网的初始速度向量;
所述处理单元,用于利用预先训练好的基于路网的卷积神经网络,对所述目标路网对应的初始速度向量和邻接路段矩阵进行卷积处理,得到相应的特征矩阵;其中,所述特征矩阵中包括有每个所述路段各自对应的特征向量;
所述预测单元,用于将目标路段的特征向量转化成时间序列,并利用预先训练好的长短期记忆网络,对所述时间序列进行处理,得到所述目标路段对应的目标速度向量;其中,所述目标路段为所述目标路网中包括的所有路段中的任意一个路段,所有所述目标路段对应的目标速度向量构成所述目标路网的目标速度矩阵。
可选的,针对于所述基于路网的卷积神经网络和所述长短期记忆网络的训练过程,所述装置还包括调整单元;
所述计算单元还用于依据训练集轨迹数据,计算出所述目标路网中各路段相对应的历史速度;所有所述路段对应的历史速度构成所述目标路网的历史速度向量;
所述处理单元还用于利用基于路网的卷积神经网络,对所述目标路网对应的历史速度向量和邻接路段矩阵进行卷积处理,得到相应的历史特征矩阵;其中,所述历史特征矩阵中包括有每个所述路段各自对应的历史特征向量;
所述预测单元还用于将目标路段的所述历史特征向量转化成历史时间序列,并利用长短期记忆网络,对所述历史时间序列进行处理,得到所述目标路段对应的预测速度向量;所有所述目标路段对应的预测速度向量构成所述目标路网的预测速度矩阵;
所述调整单元,用于根据所述预测速度矩阵和所述目标路网相对应的实际速度矩阵,调整所述基于路网的卷积神经网络和所述长短期记忆网络的各模型参数的取值,直至各所述模型参数满足预设要求。
式中,T表示所述轨迹数据中在周期时间t内通过所述目标路段r的所有轨迹集合;traj表示所述轨迹集合T中的一条轨迹;f(traj,t,r)用于表示通过所述目标路段r的轨迹traj在周期时间t内的速度值;r.length表示目标路段r的总长度;startTime表示轨迹traj在周期时间t内进入所述目标路段r的开始时间;endTime表示轨迹traj在周期时间t内离开所述目标路段r的离开时间。
可选的,还包括提取单元和融合单元;
所述提取单元,用于利用卷积神经网络的全连接层,从历史轨迹数据中提取所述目标路段对应的参考矩阵;
所述融合单元,用于对所述目标速度矩阵和所述参考矩阵进行融合处理,将得到的融合结果作为所述目标路网最新的目标速度矩阵。
可选的,还包括获取单元和调整单元;
所述获取单元,用于获取与所述目标速度矩阵相对应的实际速度矩阵;
所述调整单元,用于根据融合处理后得到的所述目标速度矩阵和所述实际速度矩阵,调整网络模型中各模型参数的取值。
本发明实施例还提供了一种速度预测的装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现如上所述速度预测的方法的步骤。
本发明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上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述速度预测的方法的步骤。
由上述技术方案可以看出,依据预设时间段内的轨迹数据,计算出目标路网中各路段相对应的初始速度;所有所述路段对应的初始速度构成所述目标路网的初始速度向量;利用预先训练好的基于路网的卷积神经网络,对所述目标路网对应的初始速度向量和邻接路段矩阵进行卷积处理,得到相应的特征矩阵;其中,所述特征矩阵中包括有每个所述路段各自对应的特征向量;将该特征向量转化成时间序列,并利用预先训练好的长短期记忆网络,对所述时间序列进行处理,得到所述目标路段对应的目标速度向量;其中,目标路段为目标路网中包括的所有路段中的任意一个路段,所有所述目标路段对应的目标速度向量构成所述目标路网的目标速度矩阵。由于特征向量是在考虑了路网拓扑结构情况下得到的向量,有效避免了错误的空间动态演化特征对其精度的影响。使得根据该特征向量预测出的目标速度向量更加准确,有效提升了速度预测的精度。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,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为本发明实施例提供的一种速度预测的方法的流程图;
图2a为本发明实施例提供的一种简单的路网的结构示意图;
图2b为本发明实施例提供的一种基于图2a所示的路网中各路段在预设时间段内的初始速度的示意图;
图3为本发明实施例提供的一种速度预测模型的结构示意图;
图4为本发明实施例提供的一种速度预测的装置的结构示意图;
图5为本发明实施例提供的一种速度预测的装置的硬件结构示意图。
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,都属于本发明保护范围。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
接下来,详细介绍本发明实施例所提供的一种速度预测的方法。图1为本发明实施例提供的一种速度预测的方法的流程图,该方法包括:
S101:依据预设时间段内的轨迹数据,计算出目标路网中各路段相对应的初始速度;所有路段对应的初始速度构成目标路网的初始速度向量。
随着全球定位***、无线通信和移动互联网技术的快速发展,轨迹数据越来越容易获取,大量的轨迹数据可以映射出整个城市的交通速度状况。在本发明实施例中,可以利用轨迹数据计算各路段的速度值。
目标路网可以是需要对其进行路段速度预测的路段集合,也即目标路网中包括有多个路段。
在本发明实施例中,可以预先设定周期时间。例如,周期时间可以设置为20分钟。每经过一个周期时间获取一次目标路网的轨迹数据。
在实际应用中,当需要对下一个周期时间内目标路网中各路段的速度进行预测时,可以获取与该周期时间紧相邻的前几个周期时间的轨迹数据作为参考值,也即预设时间段可以包括一个或多个周期时间。
在本发明实施例中,对于预设时间段的具体取值不做限定。为后续介绍方便,均以3个周期时间内的轨迹数据作为参考值,来预测下一个周期时间内目标路网中各路段的速度值为例展开介绍。其中,这3个周期时间为与待预测的下一个周期时间紧相邻的前3个周期时间。
以预设时间段包括3个周期时间为例,假设周期时间为20分钟,要预测上午10点整至上午10点20分目标路网的速度值,则可以以上午9点整至上午9点20分,上午9点20分至上午9点40分以及上午9点40分至上午10点整这3个周期时间内的轨迹数据作为参考值。
式中,T表示轨迹数据中在周期时间t内通过目标路段r的所有轨迹集合;traj表示轨迹集合T中的一条轨迹;f(traj,t,r)用于表示通过目标路段r的轨迹traj在周期时间t内的速度值;r.length表示目标路段r的总长度;startTime表示轨迹traj在周期时间t内进入目标路段r的开始时间;endTime表示轨迹traj在周期时间t内离开目标路段r的离开时间。
参照目标路段的初始速度的计算过程,可以计算出在周期时间t内整个目标路网的所有路段上的初始速度,这里用初始速度向量Xt表示,
其中,|E|表示目标路网中路段的数量。
参见图2a所示的一个简单的路网的结构示意图,图2a中所示的路网中包括有7条路段,依次为r0-r6,假设预设时间段为20分钟,该路网在早上8点至8点20分的初始速度如图2b所示,每个路段对应的初始速度的单位为km/h,相应的,该路网对应的初始速度向量Xt=[40,38.6,23.5,11.6,21.7,35.7,25.2]。
S102:利用预先训练好的基于路网的卷积神经网络,对目标路网对应的初始速度向量和邻接路段矩阵进行卷积处理,得到相应的特征矩阵。
其中,特征矩阵中包括有每个路段各自对应的特征向量。
由于传统的CNN无法直接应用在路网这样具有拓扑结构的数据上,因此,在本发明实施例中,利用查找卷积层(Look-up Convolutional,LC)来将路网的拓扑结构嵌入到卷积操作中,可以将引入LC层的卷积神经网络称作基于路网的卷积神经网络。
在具体实现中,首先定义一个邻接路段矩阵M去记录所有路段的邻接路段。
对于一个路段r,可以用邻接集合Sr表示该路段的邻接路段,具体的:
Sr={r,r'∈E|r'.s=r.e or r'.e=r.s};
其中,r.s表示路段r的起点,r.e表示路段r的终点,r'.s=r.e表示以r的终点作为起点的所有路段,r'.e=r.s表示以r的起点作为终点的所有路段。因此Sr记录了路段r本身以及以r的终点作为起点的所有路段和以r的起点作为终点的所有路段。
对于图2a所示的路网的示意图来说,第三个路段r3的邻接路段集合为S={0,2,3,6},其中,0表示路段r0,2表示路段r2,3表示路段r3,6表示路段r6。因而M[:,3]=[0,2,3,6]T,M[:,3]表示路段r3的所有邻接路段矩阵。
由于每个路段的邻接路段不尽相同,在本发明实施例中,可以用路段本身的标识信息例如id来填充缺少的值直到A。
在用M表达路网的拓扑结构之后,需要将其嵌入到卷积操作中来抽取空间动态演化的特征。
以任意1层为例,将M和前一层的输出Xl-1作为输入,来得到当前层的输出Xl,其中l表示LC层的个数。
其中,第一层的输入可以由当前周期时间的速度向量和前p个周期时间的速度向量组成,即X0=[Xt,Xt-1,…,Xt-p]T。
其中,p的取值可以根据实际需求进行设定,只要保证p的取值与模型训练时每条训练数据中包括的周期时间的个数相匹配即可。假设在模型训练时,每条训练数据为依据前3个周期时间目标路网的速度来预测第4个周期时间目标路网的速度,则在执行速度预测时,减去当前周期时间对应的一个速度向量,p的取值为3-1=2。
与传统的卷积操作一样,为了获取更多样化的特征,可以使用多个卷积核进行卷积。
以第k个卷积核为例,经过查找卷积操作后可以得到第k个特征矩阵,其公式如下:
其中,第k个特征矩阵实际是由|E|个路段的特征向量组成,而第i个路段的特征向量可以由以下公式获得,
在这个公式中,L(P,Q)用于表示look-up操作,它将根据Q中的数值作为P中第二维度的索引来返回一个向量或者矩阵。
其中,relu为修正线性激活函数,取输入值和0的最大值,具体为relu(x)=max(0,x)。
此外,为了防止梯度消失和快速训练过程,在本发明实施例中,可以在每个LC后接上一个批量规范化层(batch normalization,BN)。
其中,BN层为现有技术中卷积神经网络常用的加快网络处理速度的层,对其工作原理不再赘述。
S103:将特征向量转化成时间序列,并利用预先训练好的长短期记忆网络,对时间序列进行处理,得到目标路段对应的目标速度向量。
其中,目标路段为目标路网中包括的所有路段中的任意一个路段,所有目标路段对应的目标速度向量可以构成目标路网的目标速度矩阵。
在经过多个LC层之后,我们可以获得整个路网上的空间动态特征图,假设我们最后一个LC层的输出为
其中,kn为最后一个LC层所用的卷积核个数。
将每个路段对应的时间序列作为LSTM的输入。利用LSTM可以迭代地获取隐藏序列[h0,…,ht,…,hp]。
基于最后的隐藏状态我们可以用z个单元去预测之后z个周期时间的交通速度,具体计算如下:
yi=[yi,t+1,yi,t+2,…,yi,t+z];
最后连接所有路段的预测输出组成目标速度矩阵YST,
YST=[y0,y1,…,y|E|-1]T。
在本发明实施例中,利用基于路网的卷积神经网络和长短期记忆网络对目标路网进行速度的预测,实现了对时空特性的结合。并且在基于路网的卷积神经网络中引入了LC层,从而将路网的拓扑结构嵌入到卷积操作中,使得预测出的速度值更加准确。
在利用基于路网的卷积神经网络和长短期记忆网络对目标路网进行速度的预测之前,需要调整基于路网的卷积神经网络和长短期记忆网络中的各模型参数,其中,模型参数即为执行相应功能时所使用的参数。
为便于介绍,可以将基于路网的卷积神经网络和长短期记忆网络的组合看作是一个网络模型。在本发明实施例中,可以利用目标路网中各路段在一段时间内所对应的历史轨迹数据,对该网络模型进行训练,从而调整相应的模型参数。
具体的,可以依据训练集轨迹数据,计算出目标路网中各路段相对应的历史速度;所有路段对应的历史速度构成目标路网的历史速度向量。然后利用基于路网的卷积神经网络,对目标路网对应的历史速度向量和邻接路段矩阵进行卷积处理,得到相应的历史特征矩阵;其中,历史特征矩阵中包括有每个路段各自对应的历史特征向量;将历史特征向量转化成历史时间序列,并利用长短期记忆网络,对历史时间序列进行处理,得到目标路段对应的预测速度向量;所有目标路段对应的历史速度向量构成目标路网的预测速度矩阵。
利用基于路网的卷积神经网络和长短期记忆网络,对训练集轨迹数据进行处理,从而确定出目标路网的预测速度矩阵的工作过程与上述S101-S103的步骤类似,在此不再赘述。
在本发明实施例中,可以选取当前时间之前的一天、一周或者是一个月的轨迹数据作为训练语料。
以一天为例,可以将当前时间之前的一天时间内目标路网的轨迹数据作为训练语料,结合上述介绍中假定周期时间为20分钟,则可以获取到72个轨迹数据作为训练语料。
与现有技术中利用历史数据调整模型参数的方式类似,对模型进行训练时,可以将训练语料划分为训练集轨迹数据和验证集轨迹数据。利用训练集轨迹数据,调整网络模型的模型参数。依据验证集轨迹数据对网络模型中各模型参数是否达到要求进行验证。
由于训练语料中各路段的实际速度值为已知量,因此,在本发明实施例中,可以将依据预测速度矩阵和目标路网的实际速度矩阵,调整基于路网的卷积神经网络和长短期记忆网络的各模型参数的取值,直至各模型参数满足预设要求。
在调整模型参数时,可以将预测出的速度值与实际速度值进行均方误差计算,然后通过反向传播算法来调整模型参数的取值。
在验证模型参数时,可以依据验证集轨迹数据,计算预测速度矩阵和实际速度矩阵的均方误差,并将该均方误差作为判定网络模型的模型参数是否满足预设要求的依据。
当该均方误差值与上一次均方误差值相比,均方误差变小时,则说明网络模型的模型参数有进一步调整的空间,则可以依据训练集轨迹数据对模型参数进行进一步的调整。
当该均方误差值与上一次均方误差值相比,均方误差不变时,则说明网络模型的模型参数已经调整到最优,此时可以结束对网络模型的训练。
当该均方误差值与上一次均方误差值相比,均方误差变大时,则说明上一次调整后的模型参数已经达到最优,则可以将上一次调整的模型参数作为网络模型的模型参数,并结束对网络模型的训练。
由上述技术方案可以看出,依据预设时间段内的轨迹数据,计算出目标路网中各路段相对应的初始速度;所有路段对应的初始速度构成目标路网的初始速度向量;利用预先训练好的基于路网的卷积神经网络,对目标路网对应的初始速度向量和邻接路段矩阵进行卷积处理,得到相应的特征矩阵;其中,特征矩阵中包括有每个路段各自对应的特征向量;将该特征向量转化成时间序列,并利用预先训练好的长短期记忆网络,对时间序列进行处理,得到目标路段对应的目标速度向量;其中,目标路段为目标路网中包括的所有路段中的任意一个路段,所有目标路段对应的目标速度向量构成目标路网的目标速度矩阵。由于特征向量是在考虑了路网拓扑结构情况下得到的向量,有效避免了错误的空间动态演化特征对其精度的影响。使得根据该特征向量预测出的目标速度向量更加准确,有效提升了速度预测的精度。
在实际应用中,进行路网的速度预测时除了空间演化和时间序列的变化模式外,各路段速度的周期性变化规律以及交通情景对于路段速度值的预测也具有一定的影响。在本发明实施例中,为了进一步提升路段速度预测的准确性,可以利用卷积神经网络的全连接层,从历史轨迹数据中提取目标路段对应的参考矩阵;对目标速度向量和参考矩阵进行融合处理,将得到的融合结果作为目标路段最新的目标速度向量。
其中,参考矩阵可以包括基于交通速度周期性变化规律提取出的速度向量和基于不同交通场景因素影响下提取出的速度向量。
在目标路网的一些路段上,交通速度每天在相同的时间间隔会呈现相似性,每周在相同的时间间隔还会呈现出一定的趋势性。为了抽取这部分信息,在本发明实施例中可以使用一个全连接层来抽取前d天的平均速度以及使用另一个全连接层去抽取前w周的趋势性信息,最后结合它们得到速度向量YP。
其中,d和w的具体取值可以依据目标路网中各路段速度的周期变化规律确定。
交通情景数据可以包括有节假日、天气状况和一些元数据例如,周末、非周末,星期几,第几小时,高峰、非高峰等。在本发明实施例中可以使用一个全连接层去抽取这些信息,然后再用另一个全连接层去将低纬特征映射到高维得到速度向量YC。
其中,WST为YST所对应的模型参数,WE为YE所对应的模型参数。
在本发明实施例中,可以将基于路网的卷积神经网络、长短期记忆网络以及卷积神经网络的全连接层的组合作为一个完整的网络模型,该网络模型的结构示意图如图3所示,基于路网的卷积神经网络可以包括有多个LC层,为了防止梯度消失和加快训练过程,在每个LC层可以连接一个BN层,BN层属于现有技术中常用技术,对其具体工作原理不再赘述。经过多个LC层和BN层的处理后,可以得到目标路网对应的特征矩阵,将该特征矩阵中包含的各特征向量均转化成时间序列后,利用长短期记忆网络可以对每个时间序列进行处理,得到目标路网所对应的目标速度矩阵YST。通过全连接层FCS 1可以提取出速度向量YP;通过全连接层FCS 2可以提取出速度向量Yc;对YP和Yc进行求和得到参考矩阵YE。图3的Fusion中包括有相应的模型参数WST和WE,利用双曲函数tanh对YST和YE进行融合处理,得到最终的目标速度矩阵
依据图3所示的网络模型,可以对目标路网中各路段的速度值进行预测。在模型训练阶段,可以获取与目标速度矩阵相对应的实际速度矩阵Yt;根据融合处理后得到的目标速度矩阵和实际速度矩阵Yt,调整网络模型中各模型参数的取值。具体的,可以通过损失函数(Loss)计算目标速度矩阵和实际速度矩阵Yt的均方误差,即依据该均方误差通过反向传播算法来更新网络模型中各模型参数。
图4为本发明实施例提供的一种速度预测的装置的结构示意图,包括计算单元41、处理单元42和预测单元43;
计算单元41,用于依据预设时间段内的轨迹数据,计算出目标路网中各路段相对应的初始速度;所有路段对应的初始速度构成目标路网的初始速度向量;
处理单元42,用于利用预先训练好的基于路网的卷积神经网络,对目标路网对应的初始速度向量和邻接路段矩阵进行卷积处理,得到相应的特征矩阵;其中,特征矩阵中包括有每个路段各自对应的特征向量;
预测单元43,用于将特征向量转化成时间序列,并利用预先训练好的长短期记忆网络,对时间序列进行处理,得到目标路段对应的目标速度向量;其中,目标路段为目标路网中包括的所有路段中的任意一个路段,所有目标路段对应的目标速度向量构成目标路网的目标速度矩阵。
可选的,针对于基于路网的卷积神经网络和长短期记忆网络的训练过程,装置还包括调整单元;
计算单元还用于依据训练集轨迹数据,计算出目标路网中各路段相对应的历史速度;所有路段对应的历史速度构成目标路网的历史速度向量;
处理单元还用于利用基于路网的卷积神经网络,对目标路网对应的历史速度向量和邻接路段矩阵进行卷积处理,得到相应的历史特征矩阵;其中,历史特征矩阵中包括有每个路段各自对应的历史特征向量;
预测单元还用于将历史特征向量转化成历史时间序列,并利用长短期记忆网络,对历史时间序列进行处理,得到目标路段对应的预测速度向量;所有目标路段对应的历史速度向量构成目标路网的预测速度矩阵;
调整单元,用于根据预测速度矩阵和目标路网的实际速度矩阵,调整基于路网的卷积神经网络和长短期记忆网络的各模型参数的取值,直至各模型参数满足预设要求。
式中,T表示轨迹数据中在周期时间t内通过目标路段r的所有轨迹集合;traj表示轨迹集合T中的一条轨迹;f(traj,t,r)用于表示通过目标路段r的轨迹traj在周期时间t内的速度值;r.length表示目标路段r的总长度;startTime表示轨迹traj在周期时间t内进入目标路段r的开始时间;endTime表示轨迹traj在周期时间t内离开目标路段r的离开时间。
可选的,还包括提取单元和融合单元;
提取单元,用于利用卷积神经网络的全连接层,从历史轨迹数据中提取目标路段对应的参考矩阵;
融合单元,用于对目标速度向量和参考矩阵进行融合处理,将得到的融合结果作为目标路段最新的目标速度向量。
可选的,还包括获取单元和调整单元;
获取单元,用于获取与目标速度矩阵相对应的实际速度矩阵;
调整单元,用于根据融合处理后得到的目标速度矩阵和实际速度矩阵,调整网络模型中各模型参数的取值。
图4所对应实施例中特征的说明可以参见图1所对应实施例的相关说明,这里不再一一赘述。
由上述技术方案可以看出,依据预设时间段内的轨迹数据,计算出目标路网中各路段相对应的初始速度;所有路段对应的初始速度构成目标路网的初始速度向量;利用预先训练好的基于路网的卷积神经网络,对目标路网对应的初始速度向量和邻接路段矩阵进行卷积处理,得到相应的特征矩阵;其中,特征矩阵中包括有每个路段各自对应的特征向量;将该特征向量转化成时间序列,并利用预先训练好的长短期记忆网络,对时间序列进行处理,得到目标路段对应的目标速度向量;其中,目标路段为目标路网中包括的所有路段中的任意一个路段,所有目标路段对应的目标速度向量构成目标路网的目标速度矩阵。由于特征向量是在考虑了路网拓扑结构情况下得到的向量,有效避免了错误的空间动态演化特征对其精度的影响。使得根据该特征向量预测出的目标速度向量更加准确,有效提升了速度预测的精度。
图5为本发明实施例提供的一种速度预测的装置50的结构示意图,包括:
存储器51,用于存储计算机程序;
处理器52,用于执行计算机程序以实现如上述速度预测的方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述速度预测的方法的步骤。
以上对本发明实施例所提供的一种速度预测的方法、装置和计算机可读存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (10)
1.一种速度预测的方法,其特征在于,包括:
依据预设时间段内的轨迹数据,计算出目标路网中各路段相对应的初始速度;所有所述路段对应的初始速度构成所述目标路网的初始速度向量;
利用预先训练好的基于路网的卷积神经网络,对所述目标路网对应的初始速度向量和邻接路段矩阵进行卷积处理,得到相应的特征矩阵;其中,所述特征矩阵中包括有每个所述路段各自对应的特征向量;
将目标路段的特征向量转化成时间序列,并利用预先训练好的长短期记忆网络,对所述时间序列进行处理,得到所述目标路段对应的目标速度向量;其中,所述目标路段为所述目标路网中包括的所有路段中的任意一个路段,所有所述目标路段对应的目标速度向量构成所述目标路网的目标速度矩阵;
利用查找卷积层来将路网的拓扑结构嵌入到卷积操作中,将引入查找卷积层的卷积神经网络称作基于路网的卷积神经网络;所述邻接路段矩阵记录所有路段的邻接路段;
基于路网的卷积神经网络包括有多个查找卷积层,每个查找卷积层连接一个批量规范化层;经过多个查找卷积层和批量规范化层的处理后,得到目标路网对应的特征矩阵。
2.根据权利要求1所述的方法,其特征在于,所述基于路网的卷积神经网络和所述长短期记忆网络的训练过程包括:
依据训练集轨迹数据,计算出所述目标路网中各路段相对应的历史速度;所有所述路段对应的历史速度构成所述目标路网的历史速度向量;
利用基于路网的卷积神经网络,对所述目标路网对应的历史速度向量和邻接路段矩阵进行卷积处理,得到相应的历史特征矩阵;其中,所述历史特征矩阵中包括有每个所述路段各自对应的历史特征向量;
将目标路段的所述历史特征向量转化成历史时间序列,并利用长短期记忆网络,对所述历史时间序列进行处理,得到所述目标路段对应的预测速度向量;所有所述目标路段对应的预测速度向量构成所述目标路网的预测速度矩阵;
根据所述预测速度矩阵和所述目标路网相对应的实际速度矩阵,调整所述基于路网的卷积神经网络和所述长短期记忆网络的各模型参数的取值,直至各所述模型参数满足预设要求。
4.根据权利要求1-3任意一项所述的方法,其特征在于,还包括:
利用卷积神经网络的全连接层,从历史轨迹数据中提取所述目标路段对应的参考矩阵;
对所述目标速度矩阵和所述参考矩阵进行融合处理,将得到的融合结果作为所述目标路网最新的目标速度矩阵。
5.根据权利要求4所述的方法,其特征在于,还包括:
获取与所述目标速度矩阵相对应的实际速度矩阵;
根据融合处理后得到的所述目标速度矩阵和所述实际速度矩阵,调整网络模型中各模型参数的取值。
6.一种速度预测的装置,其特征在于,包括计算单元、处理单元和预测单元;
所述计算单元,用于依据预设时间段内的轨迹数据,计算出目标路网中各路段相对应的初始速度;所有所述路段对应的初始速度构成所述目标路网的初始速度向量;
所述处理单元,用于利用预先训练好的基于路网的卷积神经网络,对所述目标路网对应的初始速度向量和邻接路段矩阵进行卷积处理,得到相应的特征矩阵;其中,所述特征矩阵中包括有每个所述路段各自对应的特征向量;
所述预测单元,用于将目标路段的特征向量转化成时间序列,并利用预先训练好的长短期记忆网络,对所述时间序列进行处理,得到所述目标路段对应的目标速度向量;其中,所述目标路段为所述目标路网中包括的所有路段中的任意一个路段,所有所述目标路段对应的目标速度向量构成所述目标路网的目标速度矩阵;
利用查找卷积层来将路网的拓扑结构嵌入到卷积操作中,将引入查找卷积层的卷积神经网络称作基于路网的卷积神经网络;所述邻接路段矩阵记录所有路段的邻接路段;
基于路网的卷积神经网络包括有多个查找卷积层,每个查找卷积层连接一个批量规范化层;经过多个查找卷积层和批量规范化层的处理后,得到目标路网对应的特征矩阵。
7.根据权利要求6所述的装置,其特征在于,针对于所述基于路网的卷积神经网络和所述长短期记忆网络的训练过程,所述装置还包括调整单元;
所述计算单元还用于依据训练集轨迹数据,计算出所述目标路网中各路段相对应的历史速度;所有所述路段对应的历史速度构成所述目标路网的历史速度向量;
所述处理单元还用于利用基于路网的卷积神经网络,对所述目标路网对应的历史速度向量和邻接路段矩阵进行卷积处理,得到相应的历史特征矩阵;其中,所述历史特征矩阵中包括有每个所述路段各自对应的历史特征向量;
所述预测单元还用于将目标路段的所述历史特征向量转化成历史时间序列,并利用长短期记忆网络,对所述历史时间序列进行处理,得到所述目标路段对应的预测速度向量;所有所述目标路段对应的预测速度向量构成所述目标路网的预测速度矩阵;
所述调整单元,用于根据所述预测速度矩阵和所述目标路网相对应的实际速度矩阵,调整所述基于路网的卷积神经网络和所述长短期记忆网络的各模型参数的取值,直至各所述模型参数满足预设要求。
8.根据权利要求6或7所述的装置,其特征在于,还包括提取单元和融合单元;
所述提取单元,用于利用卷积神经网络的全连接层,从历史轨迹数据中提取所述目标路段对应的参考矩阵;
所述融合单元,用于对所述目标速度矩阵和所述参考矩阵进行融合处理,将得到的融合结果作为所述目标路网最新的目标速度矩阵。
9.一种速度预测的装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现如权利要求1至5任意一项所述速度预测的方法的步骤。
10.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述速度预测的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810690697.8A CN108648457B (zh) | 2018-06-28 | 2018-06-28 | 一种速度预测的方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810690697.8A CN108648457B (zh) | 2018-06-28 | 2018-06-28 | 一种速度预测的方法、装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108648457A CN108648457A (zh) | 2018-10-12 |
CN108648457B true CN108648457B (zh) | 2021-07-13 |
Family
ID=63749776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810690697.8A Active CN108648457B (zh) | 2018-06-28 | 2018-06-28 | 一种速度预测的方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108648457B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410575B (zh) * | 2018-10-29 | 2020-05-01 | 北京航空航天大学 | 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法 |
CN109544911B (zh) * | 2018-10-30 | 2021-10-01 | 中山大学 | 一种基于lstm-cnn的城市路网交通状态预测方法 |
CN109740811A (zh) * | 2018-12-28 | 2019-05-10 | 斑马网络技术有限公司 | 通行速度预测方法、装置和存储介质 |
CN111739283B (zh) * | 2019-10-30 | 2022-05-20 | 腾讯科技(深圳)有限公司 | 一种基于聚类的路况计算方法、装置、设备及介质 |
CN111152796B (zh) * | 2020-04-07 | 2020-08-07 | 北京三快在线科技有限公司 | 一种车辆运动状态预测方法及装置 |
CN111862595B (zh) * | 2020-06-08 | 2021-12-31 | 同济大学 | 基于路网拓扑关系的速度预测方法、***、介质及设备 |
CN111833600B (zh) * | 2020-06-10 | 2022-07-08 | 北京嘀嘀无限科技发展有限公司 | 通行时间预测方法、装置及数据处理设备 |
CN113971885B (zh) * | 2020-07-06 | 2023-03-03 | 华为技术有限公司 | 车速预测的方法、装置及*** |
CN111950810B (zh) * | 2020-08-27 | 2023-12-15 | 南京大学 | 一种基于自演化预训练的多变量时间序列预测方法和设备 |
CN112265546B (zh) * | 2020-10-26 | 2021-11-02 | 吉林大学 | 基于时空序列信息的网联汽车车速预测方法 |
CN112863180B (zh) * | 2021-01-11 | 2022-05-06 | 腾讯大地通途(北京)科技有限公司 | 交通速度预测方法、装置、电子设备及计算机可读介质 |
CN113160570A (zh) * | 2021-05-27 | 2021-07-23 | 长春理工大学 | 一种交通拥堵预测方法及*** |
CN115410386B (zh) * | 2022-09-05 | 2024-02-06 | 同盾科技有限公司 | 短时速度预测方法及装置、计算机存储介质、电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886023A (zh) * | 2017-02-27 | 2017-06-23 | 中国人民解放军理工大学 | 一种基于动态卷积神经网络的雷达回波外推方法 |
CN106981198A (zh) * | 2017-05-24 | 2017-07-25 | 北京航空航天大学 | 用于旅行时间预测的深度学习网络模型及其建立方法 |
CN107273782A (zh) * | 2016-04-08 | 2017-10-20 | 微软技术许可有限责任公司 | 使用递归神经网络的在线动作检测 |
CN108196535A (zh) * | 2017-12-12 | 2018-06-22 | 清华大学苏州汽车研究院(吴江) | 基于增强学习和多传感器融合的自动驾驶*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654729B (zh) * | 2016-03-28 | 2018-01-02 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
US10289934B2 (en) * | 2016-11-08 | 2019-05-14 | Nec Corporation | Landmark localization on objects in images using convolutional neural networks |
CN106779050A (zh) * | 2016-11-24 | 2017-05-31 | 厦门中控生物识别信息技术有限公司 | 一种卷积神经网络的优化方法和装置 |
CN107103754B (zh) * | 2017-05-10 | 2020-05-22 | 华南师范大学 | 一种道路交通状况预测方法及*** |
CN107180530B (zh) * | 2017-05-22 | 2019-09-06 | 北京航空航天大学 | 一种基于深度时空卷积循环网络的路网状态预测方法 |
-
2018
- 2018-06-28 CN CN201810690697.8A patent/CN108648457B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273782A (zh) * | 2016-04-08 | 2017-10-20 | 微软技术许可有限责任公司 | 使用递归神经网络的在线动作检测 |
CN106886023A (zh) * | 2017-02-27 | 2017-06-23 | 中国人民解放军理工大学 | 一种基于动态卷积神经网络的雷达回波外推方法 |
CN106981198A (zh) * | 2017-05-24 | 2017-07-25 | 北京航空航天大学 | 用于旅行时间预测的深度学习网络模型及其建立方法 |
CN108196535A (zh) * | 2017-12-12 | 2018-06-22 | 清华大学苏州汽车研究院(吴江) | 基于增强学习和多传感器融合的自动驾驶*** |
Non-Patent Citations (2)
Title |
---|
Michaël Defferrard.Convolutional Neural Networks on Graphs.《NIPS》.2016, * |
Traffic Flow Prediction With Big Data:;Yisheng Lv;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;20150430;第865-872页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108648457A (zh) | 2018-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648457B (zh) | 一种速度预测的方法、装置和计算机可读存储介质 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN104462190B (zh) | 一种基于海量空间轨迹挖掘的在线的位置预测方法 | |
CN103106280B (zh) | 一种道路网络环境下不确定时空轨迹数据的范围查询方法 | |
CN112289034A (zh) | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 | |
CN111145541B (zh) | 交通流量数据预测方法、存储介质和计算机设备 | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
CN112071062B (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
CN109840660A (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
CN110956807B (zh) | 基于多源数据与滑动窗口组合的高速公路流量预测方法 | |
CN108986453A (zh) | 一种基于情境信息的交通状况预测方法、***及装置 | |
CN107977734A (zh) | 一种时空大数据下基于移动马尔可夫模型的预测方法 | |
CN110570672A (zh) | 一种基于图神经网络的区域交通信号灯控制方法 | |
CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
US20180192245A1 (en) | Extraction and Representation method of State Vector of Sensing Data of Internet of Things | |
CN115907436B (zh) | 基于量质耦合预报的水资源水环境调控方法和*** | |
CN115206092B (zh) | 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法 | |
CN114572229B (zh) | 一种基于图神经网络的车速预测方法、装置、介质及设备 | |
CN113327417A (zh) | 基于3d动态时空残差卷积关联网络的交通流预测方法 | |
CN115691167A (zh) | 一种基于交叉口全息数据的单点交通信号控制方法 | |
CN114694382A (zh) | 一种基于车联网环境的动态单向交通控制*** | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
CN116758767B (zh) | 基于多策略强化学习的交通信号灯控制方法 | |
CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 | |
CN117237475A (zh) | 一种基于扩散生成模型的车辆交通轨迹生成方法及装置 |
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 |