CN110070713B - 一种基于双向嵌套lstm神经网络的交通流预测方法 - Google Patents
一种基于双向嵌套lstm神经网络的交通流预测方法 Download PDFInfo
- Publication number
- CN110070713B CN110070713B CN201910298059.6A CN201910298059A CN110070713B CN 110070713 B CN110070713 B CN 110070713B CN 201910298059 A CN201910298059 A CN 201910298059A CN 110070713 B CN110070713 B CN 110070713B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- data
- road
- model
- prediction
- 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 38
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 23
- 238000010276 construction Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract 1
- 238000000605 extraction Methods 0.000 abstract 1
- 230000001965 increasing effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于双向嵌套LSTM神经网络的交通流预测方法,该方法基于道路交通流相关性矩阵获取预测路段及K个最相关路段的交通流数据,构建道路交通流时空矩阵数据集并进行数据序列化处理;然后构建双向嵌套LSTM神经网络预测模型,定义预测模型损失函数,结合训练集数据,完成模型训练;最后以测试集数据作为训练后模型的输入,实现测试集交通流状态的实时预测并定义模型评价标准,进行误差分析。本发明通过改善LSTM单元时间层级效应和考虑未来、历史交通流状态与现有状态的联系,提高了道路交通流数据的时间特征提取能力,从而提高了道路交通流的预测精度。
Description
技术领域
本发明属于交通预测领域,涉及一种基于双向嵌套LSTM神经网络的交通流预测方法。
背景技术
随着城市现代化进程地不断推进,人们生活水平不断提高,人均车辆占有量不断增长,现有的城市道路交通网络建设难以满足日益增长的道路交通出行需求,人们开始构建智能交通***来缓解在有限道路交通建设下的道路拥堵问题。作为智能交通***重要组成部分的道路交通流预测,其不仅可以辅助道路交通管理部门对道路交通流进行控制与诱导,还可以为人们做出更为合理的出行决策提供依据。
现有的道路交通流预测方法主要可以分为三类:第一类是基于数理统计的传统预测模型,如线性回归模型、卡尔曼滤波模型等,这类模型构建模型便捷,但非线性捕捉能力不强,适应能力较差,预测精度不高。第二类是基于机器学习的预测模型,如支持向量机模型、神经网络模型等,这类模型中传统的机器学习预测模型虽然具有较好的非线性捕捉能力,但不适用于大数据;而深度学习预测模型虽然具有较好的数据特征捕捉能力,适用于大数据,但存在一定的模型过拟合问题且模型构建较为复杂。第三类是组合模型,相比于单一模型,这类模型虽然有更好的预测精度,但是模型的复杂度也随之增加。
发明内容
为了克服现有的交通流预测方法的预测精度较低的不足,本发明的目的在于提供一种基于双向嵌套LSTM神经网络的交通流预测方法。该方法通过增加LSTM神经网络的有效时间层级和考虑历史、未来交通流状态与当前交通流状态的潜在影响进行建模,充分挖掘道路交通状态数据中的时间特性变化,从而进一步提高现有LSTM的预测精度。
本发明解决其技术问题所采用的技术方案是:
一种基于双向嵌套LSTM神经网络的交通流预测方法,包括以下步骤:
(1)选取道路交通网络某一区域作为研究对象,获取道路交通流数据,进行路段交通流相关性分析,形成道路交通相关性矩阵;
(2)根据交通流相关性分析结果,获取相关路段交通流数据进行数据预处理;构建道路交通流时空矩阵数据集,划分训练集与测试集的步骤;对数据集进行序列化;
(3)构建双向嵌套LSTM神经网络,将交通流时空数据训练集作为模型输入,定义预测模型损失函数,完成模型训练;
(4)将交通流时空数据测试集作为预测模型输入,实现交通流未来状态预测;定义模型评价指标并对模型预测结果进行误差分析。
进一步,所述步骤(1)的过程为:
1.1选取道路交通网络某一区域作为研究对象,获取道路交通流数据;
1.2计算道路交通流相关性矩阵
选取研究区域内不同路段在同一历史阶段的交通流数据,计算基于交通流数据的区域路段相关性矩阵;定义路段i在a-b时段内的交通流数据为Xi={xia,xia+1,…,xib},路段j在a-b时段内的交通流数据为Xj={xja,xja+1,…,xjb},计算路段i与j的相关性系数ρ(Xi,Xj),其数学表达式如下所示:
那么当研究区域内有n条路段时,则研究区域内路段交通流相关性矩阵如下所示:
再进一步,所述步骤(2)的过程为:
2.1道路交通流数据预处理
根据交通流相关性矩阵,按照相关性从大到小,选取每个路段K个最相关路段;
获取相应路段及K最相关路段交通流数据,进行数据归一化处理,数据归一化数学表达式如下所示:
其中,xit为t时刻路段i的原始流量数据,minxi为路段i原始流量数据中的最小值,maxxi为路段i原始流量数据中的最大值,xi′t为归一化后的路段i流量数据;
2.2构建道路交通流时空矩阵数据集
获取相应路段及K最相关路段归一化后的交通流数据,构建道路交通流时空矩阵数据集,数据集构建形式如下所示:
其中,数据集的行向量表示不同路段同一时刻的交通流数据,列向量表示同一路段不同时刻的交通流数据,m为数据集中每个路段的数据长度;
选取一定比例将上述数据集划分为训练集和测试集;
2.3数据序列化
为满足预测模型输入数据大小的需求,对训练集和测试集进行数据序列化处理,训练集数据序列化处理结果如下所示:
其中,s为时间窗口大小,p为预测步长,q为训练集数据长度,Train′为训练集序列化处理后的结果;
测试集采用相同序列化方法进行数据序列化。
更进一步,所述步骤(3)的过程为:
3.1构建双向嵌套LSTM神经网络
首先构建嵌套LSTM神经单元,神经单元处理信息过程数学表达式如下所示:
it=σ(xtWxi+ht-1Whi+bi)
ft=σ(xtWxf+ht-1Whf+bf)
ot=σ(xtWxo+ht-1Who+bo)
ht=ot⊙σ(ct)
其中,⊙表示点乘,σ(·)表示sigmoid函数,Wxf、Wxi、Wxo表示外部遗忘门、输入门、输出门的输入权重矩阵,Whf、Whi、Who表示外部遗忘门、输入门、输出门的前一时刻输出权重矩阵,bf、bi、bo表示外部遗忘门、输入门、输出门的偏置矩阵,表示内部遗忘门、输入门、状态单元、输出门的输入权重矩阵, 表示内部遗忘门、输入门、状态单元、输出门的前一时刻输出权重矩阵,表示内部遗忘门、输入门、状态单元、输出门的偏置矩阵。it、ft、ct、ot、ht表示外部输入门、遗忘门、单元状态、输出门、记忆单元的输出,表示内部输入门、遗忘门、单元状态、输出门、记忆单元的输出;
然后在嵌套LSTM单元基础上构建双向嵌套LSTM神经网络,其中Mi为嵌套LSTM单元,那么,基于双向嵌套LSTM神经网络的交通流预测过程描述为如下过程:
zt=f(Wxzxt+Whzzt-1)
其中,xt为t时刻的交通流状态,zt为模型t-1时刻隐藏层的正向输出,为模型t+1时刻隐藏层的反向输出,yt为t时刻预测的交通流状态,f为嵌套LSTM单元函数,g为relu函数,W为各部分对应的正向权重矩阵,为各部分对应的反向权重矩阵;
3.2定义预测模型损失函数
为使模型的预测值能更接近于实际值,本发明采用均方差作为预测模型的损失函数,其数学表达式如下:
其中,j为训练样本数量,yi为第i个样本的预测值,yi′为第i个样本的实际值;
3.3将训练集作为模型输入,完成模型训练
将训练集作为模型输入,根据定义的模型损失函数,基于反向传播算法采用Adam优化器对模型进行训练,选取相对最优参数下的模型训练结果作为最终结果,完成模型训练。
所述步骤(4)的过程为:
4.1:实现交通流未来状态预测
将测试集作为训练后模型的输入,对测试集交通流未来状态进行预测;
4.2:定义模型评价指标并进行误差分析
利用绝对均差MAE、相对百分绝对均差MAPE以及均方根误差RMSE来检验模型的性能并对测试集预测结果进行误差分析;
其中,yi′为交通流标签数据,yi为交通流的预测值。
本发明的有益效果:本发明提供了一种基于双向嵌套LSTM神经网络的交通流预测方法。与现有技术相比,本发明能够深入挖掘交通流数据中非线性特征和时空特征。此外,与传统的LSTM交通流预测方法相比,本发明不仅具有更为有效的时间层级关系,可以处理更长时间规模的信息,还在模型训练时考虑了未来状态对于当前状态的影响。
附图说明
图1是嵌套LSTM神经单元结构示意图;
图2是双向嵌套LSTM神经网络结构示意图;
图3是基于双向嵌套LSTM神经网络模型的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作进一步说明。
参照图1~图3,一种基于双向嵌套LSTM神经网络的交通流预测方法,包括以下步骤:
(1)基于道路交通流状态相关性,获取道路交通相关性矩阵,过程为;
1.1选取道路交通网络某一区域作为研究对象,获取道路交通流数据;
1.2计算道路交通流相关性矩阵
选取研究区域内不同路段在同一历史阶段的交通流数据,计算基于交通流数据的区域路段相关性矩阵。定义路段i在a-b时段内的交通流数据为Xi={xia,xia+1,…,xib},路段j在a-b时段内的交通流数据为Xj={xja,xja+1,…,xjb},计算路段i与j的相关性系数ρ(Xi,Xj),其数学表达式如下所示:
那么当研究区域内有n条路段时,则研究区域内路段交通流相关性矩阵如下所示:
(2)基于数据预处理的道路交通流时空矩阵数据集构建及数据序列化;过程为:
2.1道路交通流数据预处理
根据交通流相关性矩阵,按照相关性从大到小,选取每个路段K个最相关路段(K值可根据实际需求进行设置)。
获取相应路段及K最相关路段交通流数据,进行数据归一化处理。数据归一化数学表达式如下所示:
其中,xit为t时刻路段i的原始流量数据,minxi为路段i原始流量数据中的最小值,maxxi为路段i原始流量数据中的最大值,xi′t为归一化后的路段i流量数据。
2.2构建道路交通流时空矩阵数据集
获取相应路段及K最相关路段归一化后的交通流数据,构建道路交通流时空矩阵数据集。数据集构建形式如下所示:
其中,数据集的行向量表示不同路段同一时刻的交通流数据,列向量表示同一路段不同时刻的交通流数据,m为数据集中每个路段的数据长度。
选取一定比例将上述数据集划分为训练集和测试集。
2.3数据序列化
为满足预测模型输入数据大小的需求,对训练集和测试集进行数据序列化处理。训练集数据序列化处理结果如下所示:
其中,s为时间窗口大小,p为预测步长,q为训练集数据长度,Train′为训练集序列化处理后的结果。
测试集采用相同序列化方法进行数据序列化。
(3)将交通流时空矩阵训练集输入双向嵌套LSTM神经网络完成模型训练;过程为:
3.1构建双向嵌套LSTM神经网络
首先构建嵌套LSTM神经单元,其单元结构如图1所示。神经单元处理信息过程数学表达式如下所示:
it=σ(xtWxi+ht-1Whi+bi)
ft=σ(xtWxf+ht-1Whf+bf)
ot=σ(xtWxo+ht-1Who+bo)
ht=ot⊙σ(ct)
其中,⊙表示点乘,σ(·)表示sigmoid函数,Wxf、Wxi、Wxo表示外部遗忘门、输入门、输出门的输入权重矩阵,Whf、Whi、Who表示外部遗忘门、输入门、输出门的前一时刻输出权重矩阵,bf、bi、bo表示外部遗忘门、输入门、输出门的偏置矩阵, 表示内部遗忘门、输入门、状态单元、输出门的输入权重矩阵,表示内部遗忘门、输入门、状态单元、输出门的前一时刻输出权重矩阵,表示内部遗忘门、输入门、状态单元、输出门的偏置矩阵。it、ft、ct、ot、ht表示外部输入门、遗忘门、单元状态、输出门、记忆单元的输出,表示内部输入门、遗忘门、单元状态、输出门、记忆单元的输出。
然后在嵌套LSTM单元基础上构建双向嵌套LSTM神经网络,网络结构示意图如图2所示,其中Mi为嵌套LSTM单元。那么,基于双向嵌套LSTM神经网络的交通流预测过程可以描述为如下过程:
zt=f(Wxzxt+Whzzt-1)
其中,xt为t时刻的交通流状态,zt为模型t-1时刻隐藏层的正向输出,为模型t+1时刻隐藏层的反向输出,yt为t时刻预测的交通流状态,f为嵌套LSTM单元函数,g为relu函数,W为各部分对应的正向权重矩阵,为各部分对应的反向权重矩阵。
3.2定义预测模型损失函数
为使模型的预测值能更接近于实际值,本发明采用均方差作为预测模型的损失函数,其数学表达式如下:
其中,j为训练样本数量,yi为第i个样本的预测值,yi′为第i个样本的实际值。
3.3将训练集作为模型输入,完成模型训练
将训练集作为模型输入,根据定义的模型损失函数,基于反向传播算法采用Adam优化器对模型进行训练。选取相对最优参数下的模型训练结果作为最终结果,完成模型训练。
(4)进行交通流状态预测并进行误差分析,过程为:
4.1:实现交通流未来状态预测
将测试集作为训练后模型的输入,对测试集交通流未来状态进行预测。
4.2:定义模型评价指标并进行误差分析
利用绝对均差MAE、相对百分绝对均差MAPE以及均方根误差RMSE来检验模型的性能并对测试集预测结果进行误差分析。
其中,yi′为交通流标签数据,yi为交通流的预测值。
依照实际实验中的数据,实施过程如下:
1)选取实验数据
原始交通流数据集包含北京市二环部分路段连续29天的车流量数据,数据采样间隔T为2min。
本发明中前25天数据为训练集,进行预测模型的训练。剩余数据为测试集,验证本发明的有效性。
2)参数确定
本发明涉及的主要参数有最相关近邻数量k、时间窗口大小s、预测步长p、
隐藏层单元数hidden_num、输出层单元数output_num。经过试验比较,最终参数确定为k=3、s=5、p=1、hidden_num=64、output_num=1。
3)实验结果
为检验本发明的可行性及有效性,本发明以HI2075a路段为例进行预测精度检验,衡量指标为绝对值均方差(MAE)、相对百分绝对均差(MAPE)、均方根误差(RMSE)。实际预测结果如图3所示,实际预测结果评价分析如表1所示。
MAE | MAPE(%) | RMSE |
12.97 | 9.13 | 168.24 |
表1。
Claims (1)
1.一种基于双向嵌套LSTM神经网络的交通流预测方法,其特征在于,所述方法包括以下步骤:
(1)选取道路交通网络某一区域作为研究对象,获取道路交通流数据,进行路段交通流相关性分析,形成道路交通相关性矩阵;
(2)根据交通流相关性分析结果,获取相关路段交通流数据进行数据预处理;构建道路交通流时空矩阵数据集,划分训练集与测试集的步骤;对数据集进行序列化;
(3)构建双向嵌套LSTM神经网络,将交通流时空数据训练集作为模型输入,定义预测模型损失函数,完成模型训练;
(4)将交通流时空数据测试集作为预测模型输入,实现交通流未来状态预测;定义模型评价指标并对模型预测结果进行误差分析;
所述步骤(1)的过程为:
1.1选取道路交通网络某一区域作为研究对象,获取道路交通流数据;
1.2计算道路交通流相关性矩阵
选取研究区域内不同路段在同一历史阶段的交通流数据,计算基于交通流数据的区域路段相关性矩阵;定义路段i在a-b时段内的交通流数据为Xi={xia,xia+1,…,xib},路段j在a-b时段内的交通流数据为Xj={xja,xja+1,…,xjb},计算路段i与j的相关性系数ρ(Xi,Xj),其数学表达式如下所示:
那么当研究区域内有n条路段时,则研究区域内路段交通流相关性矩阵如下所示:
所述步骤(2)的过程为:
2.1道路交通流数据预处理
根据交通流相关性矩阵,按照相关性从大到小,选取每个路段K个最相关路段;
获取相应路段及K最相关路段交通流数据,进行数据归一化处理,数据归一化数学表达式如下所示:
其中,xit为t时刻路段i的原始流量数据,minxi为路段i原始流量数据中的最小值,maxxi为路段i原始流量数据中的最大值,x′it为归一化后的路段i流量数据;
2.2构建道路交通流时空矩阵数据集
获取相应路段及K最相关路段归一化后的交通流数据,构建道路交通流时空矩阵数据集,数据集构建形式如下所示:
其中,数据集的行向量表示不同路段同一时刻的交通流数据,列向量表示同一路段不同时刻的交通流数据,m为数据集中每个路段的数据长度;
选取一定比例将上述数据集划分为训练集和测试集;
2.3数据序列化
为满足预测模型输入数据大小的需求,对训练集和测试集进行数据序列化处理,训练集数据序列化处理结果如下所示:
其中,s为时间窗口大小,p为预测步长,q为训练集数据长度,Train′为训练集序列化处理后的结果;
测试集采用相同序列化方法进行数据序列化;
所述步骤(3)的过程为:
3.1构建双向嵌套LSTM神经网络
首先构建嵌套LSTM神经单元,神经单元处理信息过程数学表达式如下所示:
it=σ(xtWxi+ht-1Whi+bi)
ft=σ(xtWxf+ht-1Whf+bf)
ot=σ(xtWxo+ht-1Who+bo)
ht=ot⊙σ(ct)
其中,xt、ct-1、ht-1、分别表示内部记忆单元输入、外部记忆单元输入、前一时刻外部单元状态、前一时刻内部单元状态、外部记忆单元前一时刻的输出、内部记忆单元前一时刻的输出;⊙表示点乘,σ(·)表示sigmoid函数,Wxf、Wxi、Wxo表示外部遗忘门、输入门、输出门的输入权重矩阵,Whf、Whi、Who表示外部遗忘门、输入门、输出门的前一时刻输出权重矩阵,bf、bi、bo表示外部遗忘门、输入门、输出门的偏置矩阵,表示内部遗忘门、输入门、状态单元、输出门的输入权重矩阵,表示内部遗忘门、输入门、状态单元、输出门的前一时刻输出权重矩阵,表示内部遗忘门、输入门、状态单元、输出门的偏置矩阵,it、ft、ct、ot、ht表示外部输入门、遗忘门、单元状态、输出门、记忆单元的输出,表示内部输入门、遗忘门、单元状态、输出门、记忆单元的输出;
然后在嵌套LSTM单元基础上构建双向嵌套LSTM神经网络,其中Mi为嵌套LSTM单元,那么,基于双向嵌套LSTM神经网络的交通流预测过程描述为如下过程:
zt=f(Wxzxt+Whzzt-1)
其中,xt为t时刻的交通流状态,zt为模型t-1时刻隐藏层的正向输出,为模型t+1时刻隐藏层的反向输出,yt为t时刻预测的交通流状态,f为嵌套LSTM单元函数,g为relu函数,W为各部分对应的正向权重矩阵,为各部分对应的反向权重矩阵;
3.2定义预测模型损失函数
为使模型的预测值能更接近于实际值,本发明采用均方差作为预测模型的损失函数,其数学表达式如下:
其中,u′为训练样本数量,yi为第i个样本的预测值,y′i为第i个样本的实际值;
3.3将训练集作为模型输入,完成模型训练
将训练集作为模型输入,根据定义的模型损失函数,基于反向传播算法采用Adam优化器对模型进行训练,选取相对最优参数下的模型训练结果作为最终结果,完成模型训练;
所述步骤(4)的过程为:
4.1:实现交通流未来状态预测
将测试集作为训练后模型的输入,对测试集交通流未来状态进行预测;
4.2:定义模型评价指标并进行误差分析
利用绝对均差MAE、相对百分绝对均差MAPE以及均方根误差RMSE来检验模型的性能并对测试集预测结果进行误差分析;
其中,y′i为交通流标签数据,yi为交通流的预测值,u为测试集预测样本数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910298059.6A CN110070713B (zh) | 2019-04-15 | 2019-04-15 | 一种基于双向嵌套lstm神经网络的交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910298059.6A CN110070713B (zh) | 2019-04-15 | 2019-04-15 | 一种基于双向嵌套lstm神经网络的交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110070713A CN110070713A (zh) | 2019-07-30 |
CN110070713B true CN110070713B (zh) | 2021-01-01 |
Family
ID=67367668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910298059.6A Active CN110070713B (zh) | 2019-04-15 | 2019-04-15 | 一种基于双向嵌套lstm神经网络的交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070713B (zh) |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446516A (zh) * | 2019-08-27 | 2021-03-05 | 北京理工大学 | 一种出行预测方法及装置 |
CN110569591B (zh) * | 2019-09-03 | 2022-10-28 | 西北工业大学 | 基于Bi-LSTM的敏捷开发需求变更预测方法 |
CN110837888A (zh) * | 2019-11-13 | 2020-02-25 | 大连理工大学 | 一种基于双向循环神经网络的交通缺失数据补全方法 |
CN110889347B (zh) * | 2019-11-15 | 2022-07-12 | 山东大学 | 基于时空计数特征的密度交通流计数方法及*** |
CN112989548A (zh) * | 2019-12-17 | 2021-06-18 | 南京理工大学 | 基于多模型组合的城市道路交通流仿真推演方法 |
CN111241744B (zh) * | 2020-01-07 | 2022-08-09 | 浙江大学 | 一种基于双向lstm的低压铸造机时间序列数据异常检测方法 |
CN111241243B (zh) * | 2020-01-13 | 2023-05-26 | 华中师范大学 | 面向知识测量的试题、知识、能力张量构建与标注方法 |
CN111291924B (zh) * | 2020-01-17 | 2023-06-06 | 同济大学 | 面向长时交通速度预测的几何代数深度神经网络模型方法 |
CN111275971A (zh) * | 2020-02-18 | 2020-06-12 | 山西交通控股集团有限公司 | 一种高速公路交通流量预测方法 |
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 |
CN111598325A (zh) * | 2020-05-11 | 2020-08-28 | 浙江工业大学 | 基于层次聚类和分层注意力机制的交通速度预测方法 |
CN111833173A (zh) * | 2020-06-03 | 2020-10-27 | 百维金科(上海)信息科技有限公司 | 基于lstm的第三方平台支付欺诈行为在线检测方法 |
CN111895923B (zh) * | 2020-07-07 | 2021-09-21 | 上海辰慧源科技发展有限公司 | 一种拟合测量薄膜厚度的方法 |
CN112070280B (zh) * | 2020-08-19 | 2023-10-31 | 贵州民族大学 | 实时交通流量并行预测方法、***、终端及存储介质 |
CN112270355B (zh) * | 2020-10-28 | 2023-12-05 | 长沙理工大学 | 基于大数据技术与sae-gru的主动安全预测方法 |
CN112382089A (zh) * | 2020-11-11 | 2021-02-19 | 湖南大学 | 一种基于路网有向图和并联长短时记忆网络的交通枢纽节点流量预测方法 |
CN112561146B (zh) * | 2020-12-08 | 2023-04-18 | 哈尔滨工程大学 | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 |
CN112529299B (zh) * | 2020-12-11 | 2022-11-18 | 东南大学 | 基于arima和lstm混合神经网络的短交通流预测方法 |
CN112561174B (zh) * | 2020-12-18 | 2023-05-02 | 西南交通大学 | 基于lstm和mlp的叠加神经网络预测地热产能方法 |
CN112927501B (zh) * | 2021-01-21 | 2022-05-27 | 南京理工大学 | 基于动态因子模型的城市路网时空交通状态协同预测方法 |
CN112946187B (zh) * | 2021-01-22 | 2023-04-07 | 西安科技大学 | 一种基于神经网络的避难硐室实时状态监测方法 |
CN112766603A (zh) * | 2021-02-01 | 2021-05-07 | 湖南大学 | 一种交通流量预测方法、***、计算机设备及存储介质 |
CN112907969B (zh) * | 2021-02-02 | 2022-04-22 | 中国科学院计算技术研究所 | 一种预测道路交通流量的方法及*** |
CN112967498B (zh) * | 2021-02-02 | 2022-05-03 | 重庆首讯科技股份有限公司 | 一种基于动态时空相关特征优化的短时交通流预测方法 |
CN113129585B (zh) * | 2021-03-05 | 2022-03-01 | 浙江工业大学 | 基于重构交通网络的图聚合机制的道路交通流预测方法 |
CN112990598A (zh) * | 2021-03-31 | 2021-06-18 | 浙江禹贡信息科技有限公司 | 一种水库水位时间序列预测方法与*** |
CN113408781A (zh) * | 2021-04-30 | 2021-09-17 | 南通大学 | 基于Encoder-Decoder的长时交通流预测方法 |
CN113487855B (zh) * | 2021-05-25 | 2022-12-20 | 浙江工业大学 | 一种基于emd-gan神经网络结构的交通流预测方法 |
CN113420414B (zh) * | 2021-05-27 | 2022-08-30 | 四川大学 | 一种基于动态时空分析的短时交通流预测模型 |
CN113435124A (zh) * | 2021-06-29 | 2021-09-24 | 北京工业大学 | 一种基于长短时记忆和径向基函数神经网络的水质时空关联预测方法 |
CN114255591A (zh) * | 2021-12-17 | 2022-03-29 | 重庆中信科信息技术有限公司 | 考虑时空相关性的短时交通流预测方法、装置及存储介质 |
CN114283584A (zh) * | 2021-12-31 | 2022-04-05 | 云控智行(上海)汽车科技有限公司 | 一种智能网联环境下高速公路路况预测方法及计算机可读存储介质 |
CN114495507B (zh) * | 2022-02-25 | 2023-06-16 | 南京工业大学 | 融合时空注意力神经网络和交通模型的交通流预测方法 |
CN114944057B (zh) * | 2022-04-21 | 2023-07-25 | 中山大学 | 一种路网交通流量数据的修复方法与*** |
CN115171372B (zh) * | 2022-06-20 | 2023-10-24 | 青岛海信网络科技股份有限公司 | 一种交通异常检测方法、设备及装置 |
CN115394084B (zh) * | 2022-08-29 | 2023-07-25 | 郑州轻工业大学 | 一种基于NMF-BiLSTM的城市路网短时交通流预测方法 |
CN116913098B (zh) * | 2023-09-14 | 2023-12-22 | 华东交通大学 | 一种融合空气质量与车流量数据的短时交通流预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530687B (zh) * | 2016-10-13 | 2019-04-12 | 北京交通大学 | 一种基于时空属性的交通网络节点重要度测算方法 |
CN107154150B (zh) * | 2017-07-25 | 2019-07-02 | 北京航空航天大学 | 一种基于道路聚类和双层双向lstm的交通流量预测方法 |
CN108510741B (zh) * | 2018-05-24 | 2020-10-30 | 浙江工业大学 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
CN109243172B (zh) * | 2018-07-25 | 2021-06-08 | 华南理工大学 | 基于遗传算法优化lstm神经网络的交通流预测方法 |
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 |
-
2019
- 2019-04-15 CN CN201910298059.6A patent/CN110070713B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110070713A (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及*** | |
CN108510741B (zh) | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 | |
Bi et al. | Daily tourism volume forecasting for tourist attractions | |
Wang et al. | Long-term traffic prediction based on lstm encoder-decoder architecture | |
CN113362598B (zh) | 一种高速公路服务区车流量预测方法 | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
CN109902880A (zh) | 一种基于Seq2Seq生成对抗网络的城市人流预测方法 | |
CN109215380B (zh) | 一种有效停车泊位的预测方法 | |
Lu et al. | Short-term demand forecasting for online car-hailing using ConvLSTM networks | |
CN111144281B (zh) | 基于机器学习的城市轨道交通od客流估计方法 | |
CN111160622A (zh) | 基于混合神经网络模型的景区客流预测方法和装置 | |
CN107704970A (zh) | 一种基于Spark的需求侧负荷预测方法 | |
CN110310479A (zh) | 一种城市交通流量预测***及方法 | |
CN110889092A (zh) | 一种基于轨道交易数据的短时大型活动周边轨道站点客流量预测方法 | |
Huang et al. | Research on urban modern architectural art based on artificial intelligence and GIS image recognition system | |
CN111862592A (zh) | 一种基于rgcn的交通流预测方法 | |
Awad et al. | Prediction of water demand using artificial neural networks models and statistical model | |
CN116311921A (zh) | 一种基于多空间尺度时空Transformer的交通速度预测方法 | |
CN108073978A (zh) | 一种人工智能超深度学习模型的构成方法 | |
CN109993354A (zh) | 一种针对能源消费量预测的方法 | |
CN112529284A (zh) | 基于神经网络的私家车停留时间预测方法、设备及介质 | |
CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及*** | |
Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
CN114973665A (zh) | 一种结合数据分解和深度学习的短时交通流预测方法 |
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 |