CN109492814B - 一种城市交通流量预测方法、***及电子设备 - Google Patents
一种城市交通流量预测方法、***及电子设备 Download PDFInfo
- Publication number
- CN109492814B CN109492814B CN201811357538.2A CN201811357538A CN109492814B CN 109492814 B CN109492814 B CN 109492814B CN 201811357538 A CN201811357538 A CN 201811357538A CN 109492814 B CN109492814 B CN 109492814B
- Authority
- CN
- China
- Prior art keywords
- lstm
- neural network
- rnn neural
- cso
- traffic flow
- 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 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 160
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 230000002441 reversible effect Effects 0.000 claims description 11
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical group [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 abstract description 4
- 230000007787 long-term memory Effects 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 230000002860 competitive effect Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种城市交通流量预测方法、***及电子设备。所述方法包括:步骤a:构建LSTM‑RNN神经网络;步骤b:通过CSO算法对所述LSTM‑RNN神经网络进行参数优化,得到所述LSTM‑RNN神经网络的初始参数值;步骤c:将所述初始参数值加入LSTM‑RNN神经网络,得到CSO‑LSTM‑RNN神经网络;步骤d:将交通流量数据输入所述CSO‑LSTM‑RNN神经网络,并通过所述CSO‑LSTM‑RNN神经网络输出交通流量预测结果。本申请基于竞争群算法结合长短期记忆递归深度神经网络模型进行交通流量的预测学习,能够有效提高深度神经网络预测精度,从而显著提升交通流量预测性能。
Description
技术领域
本申请属于智能交通技术领域,特别涉及一种城市交通流量预测方法、***及电子设备。
背景技术
实时交通流量预测是智能交通***(Intelligent Transportation System,ITS)的实施基础,准确的预测结果能为出行者提供有效的路径规划服务,并提供高效安全的道路通行状况,对智能交通***实时调度和有效运行具有重要意义。
目前已有的交通流量预测模型可分为参数化和非参数化两类。上个世纪八十年代,Iwao Okutani等通过对模型进行参数动态调整构建了基于卡尔曼滤波理论的短时交通流量模型。此后,有研究者基于时间序列分析的参数化模型来预测流量。A.G.Hobeika等基于回归分析建立短时交通流量预测模型;2003年Billy M.Williams等提出了基于周期性的差分自回归移动平均(Autoregressive Integrated Moving Average,ARIMA)预测模型,有效降低了平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)。尽管ARIMA能够取得较紧凑的预测模型和良好的逼近性能,然而复杂且庞大的交通流量数据具有高度随机性和非线性,使用ARIMA等线性模型或参数化模型很难准确实现模型描述。
随着深度学习理论和计算机硬件技术的发展,具备着极强的自适应性和自组织性质的人工神经网络为复杂***预测模型提供了有效工具。近年来,学者们提出多种基于人工神经网络的模型算法,其中相比较于传统神经网络以及普通的递归神经网络(RecurrentNeural Network,RNN),一些学者采用长短期记忆型模型(Long Short Term Memory,LSTM)和门控循环单元(Gate Recurrent Unit,GRU)在短期实时交通流上预测取得了更好的预测效果,而基于此种方法的模型对模型输入和结构参数具有很高的要求,如何选择或构建合适的深度神经网络对提升短时交通流量预测的准确度和鲁棒性具有重要意义。
相比较于各个参数化模型以及传统人工神经网络非参数化模型,LSTM-RNN深度神经网络结构的时序预测性能更为优异,已成为最为流行的模型预测工具。然而,由于LSTM-RNN网络结构层数较深,且大量交通流量数据输入和初始值设定关系紧密,采用非合理初始参数值的LSTM-RNN网络模型,模型准确度显著降低。
发明内容
本申请提供了一种城市交通流量预测方法、***及电子设备,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本申请提供了如下技术方案:
一种城市交通流量预测方法,包括以下步骤:
步骤a:构建LSTM-RNN神经网络;
步骤b:通过CSO算法对所述LSTM-RNN神经网络进行参数优化,得到所述LSTM-RNN神经网络的初始参数值;
步骤c:将所述初始参数值加入LSTM-RNN神经网络,得到CSO-LSTM-RNN神经网络;
步骤d:将交通流量数据输入所述CSO-LSTM-RNN神经网络,并通过所述CSO-LSTM-RNN神经网络输出交通流量预测结果。
本申请实施例采取的技术方案还包括:所述步骤a前还包括:获取目标节点的历史交通流数据,根据所述历史交通流数据构建二维矩阵,并加上时间维度生成三维张量;对所述二维矩阵进行处理,得到LSTM–RNN神经网络的输入向量。
本申请实施例采取的技术方案还包括:所述步骤a前还包括:将所述历史交通流数据按照设定时间间隔进行聚合;在聚合后的历史交通流数据中计算样本数据的最小值min和最大值max,并使用min-max方法对样本数据进行归一化,将归一化后的样本数据分为训练集和测试集。
本申请实施例采取的技术方案还包括:在所述步骤b中,所述通过CSO算法对LSTM-RNN神经网络进行参数优化,得到所述LSTM-RNN神经网络的初始参数值具体为:构建LSTM-RNN神经网络,随机生成一个种群Wi,用Wi作为LSTM-RNN神经网络的初始值,且Wi=(ωi1,ωi2,...ωis)T,其中的s为种群中个体数;CSO算法采用的更新策略为:
Xl,k(t+1)=Xl,k(t)+Vl,k(t+1)
上述公式中,Xi,k(t)和Vi,k(t)分别表示第i个个体在第t代种群第k维的位置和速度;Xw,k(t)表示第t代种群第k维度的优胜个体,Xl,k(t)表示t代种群第k维度的劣势个体;R1(k,t),R2(k,t),R3(k,t)∈[0,1]n分别是三个随机数;表示种群所有个体在第k维第t代的平均位置,是的控制权重参数,将经过CSO训练后的权重作为所述LSTM-RNN神经网络的初始参数值。
本申请实施例采取的技术方案还包括:在所述步骤c中,所述将初始参数值加入LSTM-RNN神经网络,得到CSO-LSTM-RNN神经网络还包括:将所述归一化处理后的样本数据输入CSO-LSTM-RNN神经网络,进行前向计算;并结合反向传播算法和梯度下降更新参数对CSO-LSTM-RNN神经网络进行训练,得到最小误差的CSO-LSTM-RNN神经网络。
本申请实施例采取的另一技术方案为:一种城市交通流量预测***,包括:
第一模型构建模块:用于构建LSTM-RNN神经网络;
模型初始化模块:用于通过CSO算法对所述LSTM-RNN神经网络进行参数优化,得到所述LSTM-RNN神经网络的初始参数值;
第二模型构建模块:用于将所述初始参数值加入LSTM-RNN神经网络,得到CSO-LSTM-RNN神经网络;
结果输出模块:用于将交通流量数据输入所述CSO-LSTM-RNN神经网络,并通过所述CSO-LSTM-RNN神经网络输出交通流量预测结果。
本申请实施例采取的技术方案还包括:
数据获取模块:用于获取目标节点的历史交通流数据,根据所述历史交通流数据构建二维矩阵,并加上时间维度生成三维张量;
数据处理模块:用于对所述二维矩阵进行处理,得到LSTM–RNN神经网络的输入向量。
本申请实施例采取的技术方案还包括:
归一化模块:用于将所述历史交通流数据按照设定时间间隔进行聚合;
数据聚合模块:用于在聚合后的历史交通流数据中计算样本数据的最小值min和最大值max,并使用min-max方法对样本数据进行归一化,将归一化后的样本数据分为训练集和测试集。
本申请实施例采取的技术方案还包括:所述模型初始化模块通过CSO算法对LSTM-RNN神经网络进行参数优化,得到所述LSTM-RNN神经网络的初始参数值具体为:构建LSTM-RNN神经网络,随机生成一个种群Wi,用Wi作为LSTM-RNN神经网络的初始值,且Wi=(ωi1,ωi2,...ωis)T,其中的s为种群中个体数;CSO算法采用的更新策略为:
Xl,k(t+1)=Xl,k(t)+Vl,k(t+1)
上述公式中,Xi,k(t)和Vi,k(t)分别表示第i个个体在第t代种群第k维的位置和速度;Xw,k(t)表示第t代种群第k维度的优胜个体,Xl,k(t)表示t代种群第k维度的劣势个体;R1(k,t),R2(k,t),R3(k,t)∈[0,1]n分别是三个随机数;表示种群所有个体在第k维第t代的平均位置,是的控制权重参数,将经过CSO训练后的权重作为所述LSTM-RNN神经网络的初始参数值。
本申请实施例采取的技术方案还包括反向计算模块;
所述第二模型构建模块还用于将所述归一化处理后的样本数据输入CSO-LSTM-RNN神经网络,进行前向计算;所述反向计算模块用于结合反向传播算法和梯度下降更新参数对所述CSO-LSTM-RNN神经网络进行训练,得到最小误差的CSO-LSTM-RNN神经网络。
本申请实施例采取的又一技术方案为:一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的城市交通流量预测方法的以下操作:
步骤a:构建LSTM-RNN神经网络;
步骤b:通过CSO算法对所述LSTM-RNN神经网络进行参数优化,得到所述LSTM-RNN神经网络的初始参数值;
步骤c:将所述初始参数值加入LSTM-RNN神经网络,得到CSO-LSTM-RNN神经网络;
步骤d:将交通流量数据输入所述CSO-LSTM-RNN神经网络,并通过所述CSO-LSTM-RNN神经网络输出交通流量预测结果。
相对于现有技术,本申请实施例产生的有益效果在于:本申请实施例的城市交通流量预测方法、***及电子设备通过建立CSO-LSTM-RNN神经网络,将实时采集的交通流量数据输入CSO-LSTM-RNN神经网络,使用竞争群启发式算法训练得到输入初始参数后再进行反向传播训练,得到训练集输出模型结果并做误差评估,相对于现有技术,本申请至少具有以下优点:
1、基于竞争群算法结合长短期记忆递归深度神经网络模型进行交通流量的预测学习,能够有效提高深度神经网络预测精度,从而显著提升交通流量预测性能。
2、相比于一般的LSTM预测模型,本申请能快速收敛至接近最优的初始参数值,且不会陷入局部缺陷。
3、本申请属于人工智能在智能交通***领域的应用,在对交通路网下交通流量变化具有一定的自我感知和学习能力,得到的预测结果能有效地服务交通管制和行人路径诱导***。
附图说明
图1是本申请实施例的城市交通流量预测方法的流程图;
图2是本申请实施例的LSTM-RNN神经网络结构示意图;
图3是本申请实施例的城市交通流量预测***的结构示意图;
图4是本申请实施例提供的城市交通流量预测方法的硬件设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
请参阅图1,是本申请实施例的城市交通流量预测方法的流程图。本申请实施例的城市交通流量预测方法包括以下步骤:
步骤100:获取目标节点的历史交通流数据,根据历史交通流数据构建二维矩阵,并加上时间维度生成三维张量;
步骤100中,获取目标节点的历史交通流数据,根据历史交通流数据构建二维矩阵,并加上时间维度生成三维张量具体为:通过车辆实时导航卫星数据库获取目标地域范围(region,R)内实时上传的车辆信息,记录地域R内期望预测交通流量的地点位置,用节点集合Node={n1,n2,n3,n4…nq}表示每个需要预测的地点;构建一个N*N的网格矩阵,记作Y;每个矩阵元yij表示从节点i到节点j的的交通流量;并加上时间维度T,得到(N,N,T)的三维张量S;每个张量元stij表示在t时刻从节点i到节点j的交通流量,其中T为所有的时刻总数。依照技术人员设定的具体要观察的T针对性地获取地点和地点之间的车流量数据,然后将车流量数据输入生成的矩阵Y,再根据上述操作生成最终的三维张量S。
步骤200:对二维矩阵进行处理,得到LSTM–RNN神经网络的输入向量;
步骤200中,对二维输入矩阵进行处理具体为:对于矩阵Y,使其列数保持不动,将其所有行相加,得到T*N的新二维网格矩阵,记作X。在时间维度上,每一行向量Xt的元表示为xkj(k=1+2+3+…+N,j属于1到N),含义是在t时刻从所有节点出发经过节点j的交通流量总量。由于所以元的k值表示相同含义,故记xj=xkj。目标是基于一系列历史数据集(Xt-1,Xt-2,Xt-3...Xt-T,T是总时间间隔)预测Xt(hat)。为简化表达,可以假设T=t-1,则得到历史数据集(Xt-1,Xt-2,Xt-3...X0)。
步骤300:将历史交通流数据按照设定时间间隔进行聚合;
步骤300中,将历史交通流数据按照设定时间间隔进行聚合具体为:在某特定节点于一定时间(指定时间)间隔内经过的车辆数,指定算法表达式中的t为1h,即LSTM-RNN在时间维度上每次输入所对应的时刻间隔都为1h,具体可根据实际应用进行设定。
步骤400:在聚合后的历史交通流数据中计算样本数据的最小值min和最大值max,使用min-max方法对样本数据进行归一化,并将归一化后的样本数据分为训练集和测试集;
步骤400中,聚合后的历史交通流数据中用于训练和测试的所有数据即为样本数据。对样本数据进行归一化具体为:通过min-max方法将累加后的历史交通流数据进行处理,使得归一化处理后的样本数据值域区间为[0,1];具体的归一化处理公式为:
公式(1)中,xt kj代表t时刻从所有节点出发经过节点j的交通流量总量;max是所有xt kj中的最大值;min是所有xt kj中的最小值。
本申请实施例中,根据数据规模确定训练集和测试集占比原数据比例为99%和1%,可以理解,训练集和测试集的比例可根据实际原始数据规模进行调整。
步骤500:构建LSTM-RNN神经网络;
步骤500中,LSTM结构图是LSTM-RNN神经网络的具体结构示意原图。如图2所示,为本申请实施例的LSTM-RNN神经网络结构示意图。LSTM-RNN神经网络包括一个输入层、一个隐含层和一个输出层,并且隐含层包含递归全连接LSTM节点,其中包含着LSTM特有的记忆模块。记忆模块包含一个或者多个自连接的记忆单元以及门控制,分别是输入门(inputgate)、输出门(output gate)和遗忘门(forget gate)。通过这三个门控制记忆模块以实现写入、读取和重置的功能。
本申请实施例中,根据输入的特征向量的维数和最后输出的车流量状态,确定LSTM-RNN神经网络输入和输出层的神经元个数,并设定隐含层神经元个数。通过调超参过程确定隐含层神经元个数。例如采用学习速率0.05,竞争群算法种群规模为200,迭代竞争进化次数为150次等。可以理解的是,本领域技术人员可以根据需要采用的节点数和对应数据集进行选择和设置超参。
步骤600:通过CSO(Competitive Swarm Optimizer,竞争群)算法对LSTM-RNN神经网络进行参数优化,得到LSTM-RNN神经网络的初始参数值;
步骤600中,优化参数具体包括:初始化CSO算法中种群的规模、迭代的次数以及权值和阈值。构建LSTM-RNN神经网络,随机生成一个种群Wi,用Wi作为神经网络的初始值。且Wi=(ωi1,ωi2,...ωis)T,其中的s为种群中个体数。
竞争群算法是基于粒子群算法产生灵感,但实施效果比粒子群算法更好、应用数据维度和数据量更高的算法。在CSO中,整个种群被随机分为P/2对个体(P为种群规模),每对个体根据其适应度和目标函数值大小分为优胜个体和劣势个体,优胜个体和劣势个体之间竞争,即劣势个体在某种策略下向优胜个体学习并更新速度和位置,更新后的个体传递到下一代;优胜个体直接传递到下一代。CSO采用的更新策略可以用以下公式表示:
Xl,k(t+1)=Xl,k(t)+Vl,k(t+1)
公式(4)中,Xi,k(t)和Vi,k(t)分别表示第i个个体在第t代种群第k维的位置和速度;Xw,k(t)表示第t代种群第k维度的优胜个体,Xl,k(t)表示t代种群第k维度的劣势个体;R1(k,t),R2(k,t),R3(k,t)∈[0,1]n分别是三个随机数;表示种群所有个体在第k维第t代的平均位置,是的控制权重参数,将经过CSO训练后的权重作为LSTM-RNN神经网络的初始参数值。
在CSO优化初始输入权重时,由于优化过程采用计算种群所有个体平均位置,可能导致个体更新位置后局部搜索精度降低,因此,技术人员可以采用合适的自适应策略加入调节参数进一步优化CSO算法。可以理解,本领域技术人员还可以采用自行设置每次参与竞争的种群个体占种群的比例等方式来维持竞争群算法更新过程中种群的多样性。本申请通过将竞争群算法在大规模函数求解中具有的良好全局搜索能力和LSTM保存短期波动信息的能力相结合,动态确定预测模型的历史长度,并且在参数初始化阶段避免陷入局部最小或振荡效应引起的缺陷,从而提高对交通流量的预测精度、鲁棒性和收敛速度。
步骤700:将CSO算法得到的初始参数值加入LSTM-RNN神经网络,得到竞争群长短期记忆深度神经网络(CSO-LSTM-RNN),并将归一化处理过的训练集数据输入CSO-LSTM-RNN神经网络,进行前向计算;
步骤700中,CSO-LSTM-RNN神经网络使用梯度下降的方式训练数据。其前向传播公式如下:
Γf=σ(ωf[a(t-1),x(t)]+bf)
Γi=σ(ωi[a(t-1),x(t)]+bi)
Γo=σ(ωo[a(t-1),x(t)]+bo)
a(t)=Γo*tanh C(t) (2)
公式(2)中,x(t)为t时刻的输入序列,*表示矩阵元素相乘,ω表示隐藏层的权重,b表示偏置量。训练过程的目标函数,即损失函数表达为:
公式(3)中,表示t时刻j节点输入的真实观测值;表示t时刻j节点输出的预测值;n表示训练集包含的实例个数。通过公知的反向历时梯度下降算法(Back PropagationThrough Time,BPTT)更新CSO-LSTM-RNN神经网络中的参数w以及参数b,使得目标函数最小化,达到最小损失,进而实现最大精度。
步骤800:结合反向传播算法和梯度下降更新参数对CSO-LSTM-RNN神经网络进行训练,得到最小误差的CSO-LSTM-RNN神经网络;
步骤800中,由于本申请中车流量选择的地理位置节点数非常多,而输入数据在时间维度上的变量数与节点数正相关,为了避免可能存在的复杂数据引起的过拟合(overfitting)现象,因此在具体实施过程中采取对损失函数作L2正则化(regularization)处理。损失函数L将更新为:
公式(4)中,:=符号表示将该符号右边表达式赋值给该符号左边的表达式。
在做随机梯度下降时权值和偏置量更新为:
步骤900:计算最小误差的CSO-LSTM-RNN神经网络在测试集上的平均误差(MeanSquare Error,MSE),选择测试集上误差最小的CSO-LSTM-RNN神经网络对交通流量进行预测,并输出交通流量预测结果;
步骤900中,该CSO-LSTM-RNN神经网络输出好处是,当问题由监督学习转化为时间序列预测时,可以具体预测某一节点在下一时刻的交通流量。可以理解,本领域技术人员同样可以根据实际情况选择多变量(多节点)输出。
步骤1000:将输出的交通流量预测结果进行反归一化处理,得到符合现实描述下的预测值数据。
本申请中的CSO-LSTM-RNN神经网络在交通流量上的预测已经过大量实验,结果证明可行且有效,由实验证明,结合的用于优化初始参数的算法也优于一般的经典PSO(Particle Swarm Optimization,粒子群优化算法)以及PSO变种算法。本申请在具体结合CSO和LSTM-RNN结构以后,基于tensorflow与keras等算法开发环境和工具包,使用python语言改写CSO算法,结合LSTM-RNN结构,已经得出初步结果,验证了所提算法的有效性。
请参阅图3,是本申请实施例的城市交通流量预测***的结构示意图。本申请实施例的城市交通流量预测***包括数据获取模块、数据处理模块、数据聚合模块、归一化模块、第一模型构建模块、模型初始化模块、第二模型构建模块、反向计算模块、结果输出模块和反归一化模块。
数据获取模块:用于获取目标节点的历史交通流数据,根据历史交通流数据构建二维矩阵,并加上时间维度生成三维张量;其中,获取目标节点的历史交通流数据,根据历史交通流数据构建二维矩阵,并加上时间维度生成三维张量具体为:通过车辆实时导航卫星数据库获取目标地域范围(region,R)内实时上传的车辆信息,记录地域R内期望预测交通流量的地点位置,用节点集合Node={n1,n2,n3,n4…nq}表示每个需要预测的地点;构建一个N*N的网格矩阵,记作Y;每个矩阵元yij表示从节点i到节点j的的交通流量;并加上时间维度T,得到(N,N,T)的三维张量S;每个张量元stij表示在t时刻从节点i到节点j的交通流量,其中T为所有的时刻总数。依照技术人员设定的具体要观察的T针对性地获取地点和地点之间的车流量数据,然后将车流量数据输入生成的矩阵Y,再根据上述操作生成最终的三维张量S。
数据处理模块:用于对二维矩阵进行处理,得到LSTM–RNN神经网络的输入向量;其中,对二维输入矩阵进行处理具体为:对于矩阵Y,使其列数保持不动,将其所有行相加,得到T*N的新二维网格矩阵,记作X。在时间维度上,每一行向量Xt的元表示为xkj(k=1+2+3+…+N,j属于1到N),含义是在t时刻从所有节点出发经过节点j的交通流量总量。由于所以元的k值表示相同含义,故记xj=xkj。目标是基于一系列历史数据集(Xt-1,Xt-2,Xt-3...Xt-T,T是总时间间隔)预测Xt(hat)。为简化表达,可以假设T=t-1,则得到历史数据集(Xt-1,Xt-2,Xt-3...X0)。
数据聚合模块:用于将历史交通流数据按照设定时间间隔进行聚合;其中,将历史交通流数据按照设定时间间隔进行聚合具体为:在某特定节点于一定时间(指定时间)间隔内经过的车辆数,指定算法表达式中的t为1h,即LSTM-RNN在时间维度上每次输入所对应的时刻间隔都为1h。
归一化模块:用于在聚合后的历史交通流数据中计算样本数据的最小值min和最大值max,使用min-max方法对样本数据进行归一化,并将归一化后的样本数据分为训练集和测试集;其中,聚合后的历史交通流数据中用于训练和测试的所有数据即为样本数据。对样本数据进行归一化具体为:通过min-max方法将累加后的历史交通流数据进行处理,使得归一化处理后的样本数据值域区间为[0,1];具体的归一化处理公式为:
公式(1)中,xt kj代表t时刻从所有节点出发经过节点j的交通流量总量;max是所有xt kj中的最大值;min是所有xt kj中的最小值。
本申请实施例中,根据数据规模确定训练集和测试集占比原数据比例为99%和1%,可以理解,训练集和测试集的比例可根据实际原始数据规模进行调整。
第一模型构建模块:用于构建LSTM-RNN神经网络;其中,LSTM-RNN神经网络包括一个输入层、一个隐含层和一个输出层,并且隐含层包含递归全连接LSTM节点,其中包含着LSTM特有的记忆模块。记忆模块包含一个或者多个自连接的记忆单元以及门控制,分别是输入门(input gate)、输出门(output gate)和遗忘门(forget gate)。通过这三个门控制记忆模块以实现写入、读取和重置的功能。
本申请实施例中,根据输入的特征向量的维数和最后输出的车流量状态,确定LSTM-RNN神经网络输入和输出层的神经元个数,并设定隐含层神经元个数。通过调超参过程确定隐含层神经元个数。例如采用学习速率0.05,竞争群算法种群规模为200,迭代竞争进化次数为150次等。可以理解的是,本领域技术人员可以根据需要采用的节点数和对应数据集进行选择和设置超参。
模型初始化模块:用于通过CSO算法对LSTM-RNN神经网络进行参数优化,得到LSTM-RNN神经网络的初始参数值;其中,优化参数具体包括:初始化CSO算法中种群的规模、迭代的次数以及权值和阈值。构建LSTM-RNN神经网络,随机生成一个种群Wi,用Wi作为神经网络的初始值。且Wi=(ωi1,ωi2,...ωis)T,其中的s为种群中个体数。
竞争群算法是基于粒子群算法产生灵感,但实施效果比粒子群算法更好、应用数据维度和数据量更高的算法。在CSO中,整个种群被随机分为P/2对个体(P为种群规模),每对个体根据其适应度和目标函数值大小分为优胜个体和劣势个体,优胜个体和劣势个体之间竞争,即劣势个体在某种策略下向优胜个体学习并更新速度和位置,更新后的个体传递到下一代;优胜个体直接传递到下一代。CSO采用的更新策略可以用以下公式表示:
Xl,k(t+1)=Xl,k(t)+Vl,k(t+1)
公式(4)中,Xi,k(t)和Vi,k(t)分别表示第i个个体在第t代种群第k维的位置和速度;Xw,k(t)表示第t代种群第k维度的优胜个体,Xl,k(t)表示t代种群第k维度的劣势个体;R1(k,t),R2(k,t),R3(k,t)∈[0,1]n分别是三个随机数;表示种群所有个体在第k维第t代的平均位置,是的控制权重参数,将经过CSO训练后的权重作为LSTM-RNN神经网络的初始参数值。
在CSO优化初始输入权重时,由于优化过程采用计算种群所有个体平均位置,可能导致个体更新位置后局部搜索精度降低,因此,技术人员可以采用合适的自适应策略加入调节参数进一步优化CSO算法。可以理解,本领域技术人员还可以采用自行设置每次参与竞争的种群个体占种群的比例等方式来维持竞争群算法更新过程中种群的多样性。本申请通过将竞争群算法在大规模函数求解中具有的良好全局搜索能力和LSTM保存短期波动信息的能力相结合,动态确定预测模型的历史长度,并且在参数初始化阶段避免陷入局部最小或振荡效应引起的缺陷,从而提高对交通流量的预测精度、鲁棒性和收敛速度。
第二模型构建模块:用于将CSO算法得到的初始参数值加入LSTM-RNN神经网络,得到CSO-LSTM-RNN神经网络,并将归一化处理过的训练集数据输入CSO-LSTM-RNN神经网络,进行前向计算;其中,CSO-LSTM-RNN神经网络使用梯度下降的方式训练数据。其前向传播公式如下:
Γf=σ(ωf[a(t-1),x(t)]+bf)
Γi=σ(ωi[a(t-1),x(t)]+bi)
Γo=σ(ω0[a(t-1),x(t)]+bo)
a(t)=Γo*tanh C(t) (2)
公式(2)中,x(t)为t时刻的输入序列,*表示矩阵元素相乘,ω表示隐藏层的权重,b表示偏置量。训练过程的目标函数,即损失函数表达为:
公式(3)中,表示t时刻j节点输入的真实观测值;表示t时刻j节点输出的预测值;n表示训练集包含的实例个数。通过公知的反向历时梯度下降算法更新CSO-LSTM-RNN神经网络中的参数w以及参数b,使得目标函数最小化,达到最小损失,进而实现最大精度。
反向计算模块:用于利用反向传播算法和梯度下降更新参数对CSO-LSTM-RNN神经网络进行训练,得到最小误差的CSO-LSTM-RNN神经网络,并计算最小误差的CSO-LSTM-RNN神经网络在测试集上的平均误差;其中,由于本申请中车流量选择的地理位置节点数非常多,而输入数据在时间维度上的变量数与节点数正相关,为了避免可能存在的复杂数据引起的过拟合(overfitting)现象,因此在具体实施过程中采取对损失函数作L2正则化(regularization)处理。损失函数L将更新为:
公式(4)中,:=符号表示将该符号右边表达式赋值给该符号左边的表达式。
在做随机梯度下降时权值和偏置量更新为:
结果输出模块:用于选择测试集上误差最小的CSO-LSTM-RNN神经网络对交通流量进行预测,并输出交通流量预测结果;其中,该CSO-LSTM-RNN神经网络输出好处是,当问题由监督学习转化为时间序列预测时,可以具体预测某一节点在下一时刻的交通流量。可以理解,本领域技术人员同样可以根据实际情况选择多变量(多节点)输出。
反归一化模块:用于将输出的交通流量预测结果进行反归一化处理,得到符合现实描述下的预测值数据。
图4是本申请实施例提供的城市交通流量预测方法的硬件设备结构示意图。如图4所示,该设备包括一个或多个处理器以及存储器。以一个处理器为例,该设备还可以包括:输入***和输出***。
处理器、存储器、输入***和输出***可以通过总线或者其他方式连接,图4中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述方法实施例的处理方法。
存储器可以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***、至少一个功能所需要的应用程序;存储数据区可存储数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理***。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入***可接收输入的数字或字符信息,以及产生信号输入。输出***可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个处理器执行时,执行上述任一方法实施例的以下操作:
步骤a:构建LSTM-RNN神经网络;
步骤b:通过CSO算法对所述LSTM-RNN神经网络进行参数优化,得到所述LSTM-RNN神经网络的初始参数值;
步骤c:将所述初始参数值加入LSTM-RNN神经网络,得到CSO-LSTM-RNN神经网络;
步骤d:将交通流量数据输入所述CSO-LSTM-RNN神经网络,并通过所述CSO-LSTM-RNN神经网络输出交通流量预测结果。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例提供的方法。
本申请实施例提供了一种非暂态(非易失性)计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行以下操作:
步骤a:构建LSTM-RNN神经网络;
步骤b:通过CSO算法对所述LSTM-RNN神经网络进行参数优化,得到所述LSTM-RNN神经网络的初始参数值;
步骤c:将所述初始参数值加入LSTM-RNN神经网络,得到CSO-LSTM-RNN神经网络;
步骤d:将交通流量数据输入所述CSO-LSTM-RNN神经网络,并通过所述CSO-LSTM-RNN神经网络输出交通流量预测结果。
本申请实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行以下操作:
步骤a:构建LSTM-RNN神经网络;
步骤b:通过CSO算法对所述LSTM-RNN神经网络进行参数优化,得到所述LSTM-RNN神经网络的初始参数值;
步骤c:将所述初始参数值加入LSTM-RNN神经网络,得到CSO-LSTM-RNN神经网络;
步骤d:将交通流量数据输入所述CSO-LSTM-RNN神经网络,并通过所述CSO-LSTM-RNN神经网络输出交通流量预测结果。
本申请实施例的城市交通流量预测方法、***及电子设备通过建立CSO-LSTM-RNN神经网络,将实时采集的交通流量数据输入CSO-LSTM-RNN神经网络,使用竞争群启发式算法训练得到输入初始参数后再进行反向传播训练,得到训练集输出模型结果并做误差评估,相对于现有技术,本申请至少具有以下优点:
1、基于竞争群算法结合长短期记忆递归深度神经网络模型进行交通流量的预测学习,能够有效提高深度神经网络预测精度,从而显著提升交通流量预测性能。
2、相比于一般的LSTM预测模型,本申请能快速收敛至接近最优的初始参数值,且不会陷入局部缺陷。
3、本申请属于人工智能在智能交通***领域的应用,在对交通路网下交通流量变化具有一定的自我感知和学习能力,得到的预测结果能有效地服务交通管制和行人路径诱导***。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本申请所示的这些实施例,而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种城市交通流量预测方法,其特征在于,包括以下步骤:
步骤a:构建LSTM-RNN神经网络;
步骤b:通过CSO算法对所述LSTM-RNN神经网络进行参数优化,得到所述LSTM-RNN神经网络的初始参数值;
步骤c:将所述初始参数值加入LSTM-RNN神经网络,得到CSO-LSTM-RNN神经网络;
步骤d:将交通流量数据输入所述CSO-LSTM-RNN神经网络,并通过所述CSO-LSTM-RNN神经网络输出交通流量预测结果;
所述步骤a前还包括:获取目标节点的历史交通流数据,根据所述历史交通流数据构建二维矩阵,并加上时间维度生成三维张量;对所述二维矩阵进行处理,得到LSTM-RNN神经网络的输入向量;
所述步骤a前还包括:将所述历史交通流数据按照设定时间间隔进行聚合;在聚合后的历史交通流数据中计算样本数据的最小值min和最大值max,并使用min-max方法对样本数据进行归一化,将归一化后的样本数据分为训练集和测试集;
在所述步骤a中,LSTM-RNN神经网络包括一个输入层、一个隐含层和一个输出层,并且隐含层包含递归全连接LSTM节点,其中包含着LSTM特有的记忆模块,记忆模块包含一个或者多个自连接的记忆单元以及门控制,分别是输入门、输出门和遗忘门,通过这三个门控制记忆模块以实现写入、读取和重置的功能;
在所述步骤c中,将所述初始参数值加入LSTM-RNN神经网络,得到CSO-LSTM-RNN神经网络还包括:将所述归一化处理后的样本 数据输入CSO-LSTM-RNN神经网络,进行前向计算;并结合反向传播算法和梯度下降更新参数对CSO-LSTM-RNN神经网络进行训练,得到最小误差的CSO-LSTM-RNN神经网络,
其前向传播公式如下:
Γf=σ(ωf[a(t-1),x(t)]+bf)
Γi=σ(ωi[a(t-1),x(t)]+bi)
Γo=σ(ωo[a(t-1),x(t)]+bo)
a(t)=Γo*tanhC(t)
公式中,x(t)为t时刻的输入序列,*表示矩阵元素相乘,ω表示隐藏层的权重,b表示偏置量,训练过程的目标函数,即损失函数表达为:
2.根据权利要求1所述的城市交通流量预测方法,其特征在于,在所述步骤b中,所述通过CSO算法对LSTM-RNN神经网络进行参数优化,得到所述LSTM-RNN神经网络的初始参数值具体为:构建LSTM-RNN神经网络,随机生成一个种群Wi,用Wi作为LSTM-RNN神经网络的初始值,且Wi=(ωi1,ωi2,...ωis)T,其中的s为种群中个体数;CSO算法采用的更新策略为:
Xl,k(t+1)=Xl,k(t)+Vl,k(t+1)
3.一种城市交通流量预测***,其特征在于,包括:
第一模型构建模块:用于构建LSTM-RNN神经网络;
模型初始化模块:用于通过CSO算法对所述LSTM-RNN神经网络进行参数优化,得到所述LSTM-RNN神经网络的初始参数值;
第二模型构建模块:用于将所述初始参数值加入LSTM-RNN神经网络,得到CSO-LSTM-RNN神经网络;
结果输出模块:用于将交通流量数据输入所述CSO-LSTM-RNN神经网络,并通过所述CSO-LSTM-RNN神经网络输出交通流量预测结果;
还包括:
数据获取模块:用于获取目标节点的历史交通流数据,根据所述历史交通流数据构建二维矩阵,并加上时间维度生成三维张量;
数据处理模块:用于对所述二维矩阵进行处理,得到LSTM-RNN神经网络的输入向量;
还包括:
归一化模块:用于将所述历史交通流数据按照设定时间间隔进行聚合;
数据聚合模块:用于在聚合后的历史交通流数据中计算样本数据的最小值min和最大值max,并使用min-max方法对样本数据进行归一化,将归一化后的样本数据分为训练集和测试集;
还包括反向计算模块;
所述第二模型构建模块还用于将所述归一化处理后的样本数据输入CSO-LSTM-RNN神经网络,进行前向计算;所述反向计算模块用于结合反向传播算法和梯度下降更新参数对所述CSO-LSTM-RNN神经网络进行训练,得到最小误差的CSO-LSTM-RNN神经网络,
其前向传播公式如下:
Γf=σ(ωf[a(t-1),x(t)]+bf)
Γi=σ(ωi[a(t-1),x(t)]+bi)
Гo=σ(ωo[a(t-1),x(t)]+bo)
a(t)=Γo*tanh C(t) (2)
公式(2)中,x(t)为t时刻的输入序列,*表示矩阵元素相乘,ω表示隐藏层的权重,b表示偏置量,训练过程的目标函数,即损失函数表达为:
4.根据权利要求3所述的城市交通流量预测***,其特征在于,所述模型初始化模块通过CSO算法对LSTM-RNN神经网络进行参数优化,得到所述LSTM-RNN神经网络的初始参数值具体为:构建LSTM-RNN神经网络,随机生成一个种群Wi,用Wi作为LSTM-RNN神经网络的初始值,且Wi=(ωi1,ωi2,...ωis)T,其中的s为种群中个体数;CSO算法采用的更新策略为:
Xl,k(t+1)=Xl,k(t)+Vl,k(t+1)
5.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述权利要求1至2任一项所述的城市交通流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811357538.2A CN109492814B (zh) | 2018-11-15 | 2018-11-15 | 一种城市交通流量预测方法、***及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811357538.2A CN109492814B (zh) | 2018-11-15 | 2018-11-15 | 一种城市交通流量预测方法、***及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109492814A CN109492814A (zh) | 2019-03-19 |
CN109492814B true CN109492814B (zh) | 2021-04-20 |
Family
ID=65694914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811357538.2A Active CN109492814B (zh) | 2018-11-15 | 2018-11-15 | 一种城市交通流量预测方法、***及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492814B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097755B (zh) * | 2019-04-29 | 2021-08-17 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
CN110299005B (zh) * | 2019-06-10 | 2020-11-17 | 浙江大学 | 一种基于深度集成学习的城市大规模路网交通速度预测方法 |
CN110335466B (zh) * | 2019-07-11 | 2021-01-26 | 青岛海信网络科技股份有限公司 | 交通流量预测方法和设备 |
CN110517488A (zh) * | 2019-08-19 | 2019-11-29 | 南京理工大学 | 基于时序分解和循环神经网络的短时交通流预测方法 |
CN110580548A (zh) * | 2019-08-30 | 2019-12-17 | 天津大学 | 一种基于类集成学习的多步交通速度预测方法 |
CN110675623B (zh) * | 2019-09-06 | 2020-12-01 | 中国科学院自动化研究所 | 基于混合深度学习的短时交通流量预测方法、***、装置 |
CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
CN110765980A (zh) * | 2019-11-05 | 2020-02-07 | 中国人民解放军国防科技大学 | 一种异常驾驶的检测方法及装置 |
CN111179596B (zh) * | 2020-01-06 | 2021-09-21 | 南京邮电大学 | 基于组归一化和网格化协同的交通流预测方法 |
CN110991775B (zh) * | 2020-03-02 | 2020-06-26 | 北京全路通信信号研究设计院集团有限公司 | 一种基于深度学习的轨道交通客流需求预测方法和装置 |
CN111369049B (zh) * | 2020-03-03 | 2022-08-26 | 新疆大学 | 预测车流量的方法、装置及电子设备 |
CN111507530B (zh) * | 2020-04-17 | 2022-05-31 | 集美大学 | 基于分数阶动量梯度下降的rbf神经网络船舶交通流预测方法 |
US20230164629A1 (en) * | 2020-04-22 | 2023-05-25 | Telefonaktiebolaget Lm Ericsson (Publ) | Managing a node in a communication network |
CN111242394B (zh) * | 2020-04-26 | 2021-03-23 | 北京全路通信信号研究设计院集团有限公司 | 空间关联特征的提取方法及*** |
CN111709549B (zh) * | 2020-04-30 | 2022-10-21 | 东华大学 | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 |
CN111709553B (zh) * | 2020-05-18 | 2023-05-23 | 杭州电子科技大学 | 一种基于张量gru神经网络的地铁流量预测方法 |
CN111950697A (zh) * | 2020-07-01 | 2020-11-17 | 燕山大学 | 一种基于门控循环单元网络的水泥成品比表面积预测方法 |
CN111754775B (zh) * | 2020-07-03 | 2021-05-25 | 浙江大学 | 一种基于特征重构误差的交通流量预测方法 |
CN112036682A (zh) * | 2020-07-10 | 2020-12-04 | 广西电网有限责任公司 | 一种频繁停电的预警方法及装置 |
CN112257918B (zh) * | 2020-10-19 | 2021-06-22 | 中国科学院自动化研究所 | 基于内嵌注意力机制的循环神经网络的交通流量预测方法 |
CN112653894A (zh) * | 2020-12-15 | 2021-04-13 | 深圳万兴软件有限公司 | 帧间预测编码搜索方法、装置、计算机设备及存储介质 |
CN113537566B (zh) * | 2021-06-16 | 2022-05-06 | 广东工业大学 | 一种基于dccso优化深度学习模型的超短期风电功率预测方法 |
CN113689721B (zh) * | 2021-07-30 | 2022-09-20 | 深圳先进技术研究院 | 一种自动驾驶车速控制方法、***、终端以及存储介质 |
CN113627089B (zh) * | 2021-08-27 | 2022-08-02 | 东南大学 | 一种基于混合密度神经网络的城市车流量仿真方法 |
CN114791571B (zh) * | 2022-04-18 | 2023-03-24 | 东北电力大学 | 一种基于改进cso-lstm网络的锂离子电池寿命预测方法及装置 |
CN115577860B (zh) * | 2022-11-21 | 2023-04-07 | 南京地铁运营咨询科技发展有限公司 | 基于自适应调控的轨道交通智能维保方法及*** |
CN116203432B (zh) * | 2023-03-23 | 2023-10-20 | 广东工业大学 | 基于cso优化的无迹卡尔曼滤波预测电池荷电状态的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372722A (zh) * | 2016-09-18 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 地铁短时流量预测方法及装置 |
-
2018
- 2018-11-15 CN CN201811357538.2A patent/CN109492814B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372722A (zh) * | 2016-09-18 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 地铁短时流量预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109492814A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492814B (zh) | 一种城市交通流量预测方法、***及电子设备 | |
CN112216108B (zh) | 一种基于属性增强的时空图卷积模型的交通预测方法 | |
CN111210633B (zh) | 一种基于深度学习的短时交通流预测方法 | |
Ahmed et al. | A comprehensive comparison of recent developed meta-heuristic algorithms for streamflow time series forecasting problem | |
CN108280551B (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
CN113053115B (zh) | 一种基于多尺度图卷积网络模型的交通预测方法 | |
CN114626512B (zh) | 一种基于有向图神经网络的高温灾害预报方法 | |
Wei et al. | Wind speed forecasting system based on gated recurrent units and convolutional spiking neural networks | |
CN112071065A (zh) | 一种基于全局扩散卷积残差网络的交通流预测方法 | |
CN110794842A (zh) | 基于势场的强化学习路径规划算法 | |
CN111754025B (zh) | 基于cnn+gru的公交短时客流预测方法 | |
Zhang et al. | A novel ensemble method for hourly residential electricity consumption forecasting by imaging time series | |
CN113591380B (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
Yu et al. | Error correction method based on data transformational GM (1, 1) and application on tax forecasting | |
Zhu et al. | Coke price prediction approach based on dense GRU and opposition-based learning salp swarm algorithm | |
CN106529818A (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
CN111860787A (zh) | 一种含有缺失数据的耦合有向图结构流量数据的短期预测方法及装置 | |
CN112766600B (zh) | 一种城市区域人群流量预测方法及*** | |
Massaoudi et al. | Performance evaluation of deep recurrent neural networks architectures: Application to PV power forecasting | |
CN114565187A (zh) | 一种基于图时空自编码网络的交通路网数据预测方法 | |
CN113362637A (zh) | 一种区域性多场点空余停车位预测方法及*** | |
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 | |
Yang et al. | Prediction of equipment performance index based on improved chaotic lion swarm optimization–LSTM | |
Chen et al. | A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification | |
Wu et al. | Combined IXGBoost-KELM short-term photovoltaic power prediction model based on multidimensional similar day clustering and dual decomposition |
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 |