CN110070715A - 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法 - Google Patents

Abstract

一种基于Conv1D‑NLSTMs神经网络结构的道路交通流预测方法，包括以下步骤：1)、构建关联道路的交通流数据矩阵，并对数据进行预处理；2)、基于交通流数据矩阵提取道路交通流时空特征；3)、基于道路交通流时空特征构建道路交通流预测模型：采用全连接层对得到的道路交通流时空特征作回归预测，得到未来时刻未经过反归一化的道路交通流的预测结果，并根据均方误差的结果利用反向传播算法不断优化模型参数，最终通过反归一化将结果映射为实际交通流量值；4)、验证道路交通流预测模型：使用训练完成的模型对测试集中的道路交通流数据进行预测，对比预测结果和实际值从而测试模型性能。由实验结果可知本发明预测结果更准确。

Description

一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测 方法

技术领域

本发明属于交通预测领域，涉及一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法。

背景技术

随着社会经济的高速发展，国内的汽车保有量大幅增加，但是随之而来的交通堵塞问题也给人们的出行带来了极大的不便。而智能交通***的出现，对各种交通数据进行分析，从而实现对地面交通进行实时、准确、高效地管理调控，在一定程度上缓解了地面交通压力。而道路交通流预测作为智能交通***的一部分，可以预知未来一段时间内的交通状态，对实现交通的实时管理起到了重要作用。

现有的道路交通流预测方法主要是基于数理统计、机器学习的预测模型，或者对几类模型进行单一组合，虽然能够取得一定的预测效果，但是仍存在一些局限性，往往会忽略交通流数据中的某些特性。

发明内容

为了克服现有道路交通预测方法的精度较低的不足，本发明提供一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法，该方法使用了多条关联道路的交通流数据，从中提取了道路交通流的空间特征，同时，较长时间以前的交通流数据也会对未来时刻的交通流量产生一定影响，本方法中的NLSTMs神经网络能够增强这方面的特征提取。

本发明解决其技术问题所采用的技术方案是：

一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法，包括以下步骤：

1)、构建关联道路的交通流数据矩阵，并对数据进行预处理：选择预测道路及其相关联道路的交通流数据，构建交通流数据矩阵，并对其进行归一化处理；

2)、基于交通流数据矩阵提取道路交通流时空特征：采用一维卷积网络对交通流数据矩阵中同一时刻不同路段的交通流数据提取空间特征，得到具有空间特征的序列数据，再使用NLSTMs神经网络提取该序列数据中的时序特征，从而得到道路交通流时空特征；

3)、基于道路交通流时空特征构建道路交通流预测模型：采用全连接层对得到的道路交通流时空特征作回归预测，得到未来时刻未经过反归一化的道路交通流的预测结果，并根据均方误差的结果利用反向传播算法不断优化模型参数，最终通过反归一化将结果映射为实际交通流量值；

4)、验证道路交通流预测模型：使用训练完成的模型对测试集中的道路交通流数据进行预测，对比预测结果和实际值从而测试模型性能。

本发明的技术构思为：主要利用一维卷积网络(Conv1D)和Nested LSTMs(NLSTMs)神经网络，从道路交通流的空间关系和交通数据的时间序列两个方面提取特征，Conv1D提取了道路交通流数据的空间特征，而NLSTMs神经网络类似于在LSTM神经网络结构内部嵌入一个或多个LSTM神经网络，能够比LSTM神经网络更有效的提取时间序列特征，从而提高了道路交通流的预测精度

本发明的有益效果：一维卷积神经网络能从多条关联道路的交通流数据中有效提取空间特征，而且NLSTMs神经网络加强考虑了更长时间以前的交通流对未来时刻交通流的影响，从多个角度挖掘道路交通流的变化趋势，使得预测结果更准确。

附图说明

图1是NLSTMs神经网络结构图；

图2是Conv1D-NLSTMs神经网络模型结构图；

图3是基于Conv1D-NLSTMs神经网络模型的交通流预测结果。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图3，一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法，包括以下步骤：

1)、构建关联道路的交通流数据矩阵，并对数据进行预处理，过程如下：

首先，假设对道路k的交通流量进行预测，则选取该道路及其相关联道路的交通流量数据，用于构建交通流数据矩阵X′，形式如下：

其中，列向量分别代表m条不同路段的交通流序列数据，行向量代表不同道路n个时刻的交通流数据，则x′_it为t时刻道路i的原始交通流数据；

按照道路交通流的时间序列，将数据分为训练数据和测试数据，划分比例为8：2。

然后采用最大最小标准化方法对道路交通流数据进行归一化处理，过程如下：

其中，x′_max，x′_min分别为原始交通流数据中的最大最小值，x_it为预处理后t时刻道路i的交通流量，令P_t＝[x_1t,x_2t,…,x_mt]，表示t时刻不同道路的交通流状态，则经过预处理后的交通流数据矩阵X为：

2)基于交通流数据矩阵提取道路交通流时空特征；

对每一时刻的P_t作一维卷积操作，提取道路交通流数据的空间特征，其计算过程如下：

s_t＝f(W_p*P_t+b_p) (4)

其中，W_p表示权重矩阵，b_p表示偏置项，*表示卷积运算，f表示激活函数relu:max{x,0}，s_t表示一维卷积运算得到的结果，则提取到的道路交通流数据的空间特征为S＝[s₁,s₂,…,s_n]^T；

在将空间特征输入到NLSTMs神经网络之前，需要对空间特征S作形式上的转变，其变换形式如下：

其中，d表示取道路交通流前d个连续数据来预测下一时刻的交通流量，S′＝[x_d,x_d+1,…,x_n-1]^T,n≥d，表示空间特征变换后的结果，则NLSTMs神经网络的输入为x_t,d≤t≤n-1，且其样本数为n-d；

NLSTMs神经网络分为内外2个部分，其外部LSTM神经网络单元状态的更新和门控机制表示为以下方程式：

i_t＝σ(x_tW_xi+h_t-1W_hi+b_i) (6)

f_t＝σ(x_tW_xf+h_t-1W_hf+b_f) (7)

o_t＝σ(x_tW_xo+h_t-1W_ho+b_o) (9)

h_t＝o_t·σ(c_t) (10)

其中，·表示点乘，σ()表示sigmoid函数，W_xf、W_xi、W_xo表示外部遗忘门、输入门、输出门的输入权重矩阵，W_hf、W_hi、W_ho表示外部遗忘门、输入门、输出门的前一时刻输出权重矩阵，b_f、b_i、b_o表示外部遗忘门、输入门、输出门的偏置矩阵，i_t、f_t、c_t、o_t、h_t表示外部输入门、遗忘门、单元状态、输出门、记忆单元的输出，则表示内部记忆单元的输出；

其内部嵌入LSTM神经网络单元的计算公式与LSTM神经网络的状态更新和门控机制计算公式相似，表达式如下：

其中，·表示点乘，σ(·)表示sigmoid函数，表示内部输入，W_xc表示内部输入的权重矩阵，W_hc表示内部输入的前一时刻状态单元权重矩阵，b_c表示内部输入的偏置矩阵，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，表示内部输入门、遗忘门、单元状态、输出门、记忆单元的输出。故NLSTMs神经网络的最终输出，即道路交通流时空特征为H＝h_t；

3)基于道路交通流时空特征构建道路交通流预测模型，过程如下：

首先，将道路交通流时空特征H作为全连接层输入，预测基于输入交通流数据的下一时刻交通流量y_t(未经过反归一化)，全连接表达式如下所示：

y_t＝W_h·H (18)

其中，W_h为全连接层的权重矩阵，且y_t对应的真实值Y_t＝x_k，t+1,d≤t≤n-1；

然后定义均方误差为损失函数L：

计算模型的损失函数L，然后利用反向传播算法实现对模型参数的不断优化，反向传播算法中的梯度计算与参数更新均通过Adam优化器实现；

最后，将全连接层的输出y_t作反归一化操作，即可得到实际的交通流量预测值；

4)验证道路交通流预测模型

使用测试数据对模型进行验证，将预测结果和实际值作比较。本实验选取绝对值均方差(MAE)、均方根误差(RMSE)作为道路交通流预测精度的指标，其计算公式分别如下所示：

其中，b为样本数，Y_o为实际交通流量，Y_o′为模型输出的预测流量。

实例：实际实验中的数据，预测过程如下：

1)选取实验数据

原始道路交通流数据包含3条道路29天的交通流量数据，该道路交通流数据为北京市二环部分路段流量数据，采样间隔T为2min。将这3条道路前23天的道路交通流数据作为训练数据，进行模型参数训练，后6天的道路交通流数据作为测试数据，进行模型性能验证。

2)参数确定

本发明的实验是基于tensorflow环境实现的，使用keras完成了整个实验模型框架的搭建，一维卷积过程通过keras中的Conv1D函数实现，NLSTMs神经网络通过NestedLSTM层实现，全连接层通过Dense函数实现。故整个实验参数设定如下：一维卷积的层数为1，输入矩阵大小为10x3(道路总数为3，以前10个时刻的流量数据进行预测，既d＝10，卷积核长度1，卷积核数量3，填充方式为“padding”以及激活函数为relu:max{x,0}；NestedLSTM层输出单元均为64，层数设置为2；全连接层输出单元数量为1，即预测下一时刻的交通流量。

3)实验结果

在实验中，分别对这3条道路的交通流量进行了预测，同时将本方法和LSTM神经网络、NLSTMs神经网络方法进行了比较，结果统计分析如表1所示：

表1。

Claims (5)

1.一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法，其特征在于，所述方法包括以下步骤：

(1)、构建关联道路的交通流数据矩阵，并对数据进行预处理：选择预测道路及其相关联道路的交通流数据，构建交通流数据矩阵，并对其进行归一化处理；

(2)、基于交通流数据矩阵提取道路交通流时空特征：采用一维卷积网络对交通流数据矩阵中同一时刻不同路段的交通流数据提取空间特征，得到具有空间特征的序列数据，再使用NLSTMs神经网络提取该序列数据中的时序特征，从而得到道路交通流时空特征；

(3)、基于道路交通流时空特征构建道路交通流预测模型：采用全连接层对得到的道路交通流时空特征作回归预测，得到未来时刻未经过反归一化的道路交通流的预测结果，并根据均方误差的结果利用反向传播算法不断优化模型参数，最终通过反归一化将结果映射为实际交通流量值；

(4)、验证道路交通流预测模型：使用训练完成的模型对测试集中的道路交通流数据进行预测，对比预测结果和实际值从而测试模型性能。

2.如权利要求1所述的一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法，其特征在于，所述步骤(1)的过程如下：

首先，假设对道路k的交通流量进行预测，则选取该道路及其相关联道路的交通流量数据，用于构建交通流数据矩阵X′，形式如下：

其中，列向量分别代表m条不同路段的交通流序列数据，行向量代表不同道路n个时刻的交通流数据，则x′_it为t时刻道路i的原始交通流数据；

按照道路交通流的时间序列，将数据分为训练数据和测试数据，划分比例为8：2；

然后采用最大最小标准化方法对道路交通流数据进行归一化处理，过程如下：

其中，x′_max，x′_min分别为原始交通流数据中的最大最小值，x_it为预处理后t时刻道路i的交通流量，令P_t＝[x_1t,x_2t,…,x_mt]，表示t时刻不同道路的交通流状态，则经过预处理后的交通流数据矩阵X为：

3.如权利要求1或2所述的一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法，其特征在于，所述步骤(2)中，对每一时刻的P_t作一维卷积操作，提取道路交通流数据的空间特征，其计算过程如下：

s_t＝f(W_p*P_t+b_p) (4)

其中，W_p表示权重矩阵，b_p表示偏置项，*表示卷积运算，f表示激活函数relu:max{x,0}，s_t表示一维卷积运算得到的结果，则提取到的道路交通流数据的空间特征为S＝[s₁,s₂,…,s_n]^T；

在将空间特征输入到NLSTMs神经网络之前，需要对空间特征S作形式上的转变，其变换形式如下：

其中，d表示取道路交通流前d个连续数据来预测下一时刻的交通流量，S′＝[x_d,x_d+1,…,x_n-1]^T,n≥d，表示空间特征变换后的结果，则NLSTMs神经网络的输入为x_t,d≤t≤n-1，且其样本数为n-d；

NLSTMs神经网络分为内外2个部分，其外部LSTM神经网络单元状态的更新和门控机制表示为以下方程式：

i_t＝σ(x_tW_xi+h_t-1W_hi+b_i) (6)

f_t＝σ(x_tW_xf+h_t-1W_hf+b_f) (7)

o_t＝σ(x_tW_xo+h_t-1W_ho+b_o) (9)

h_t＝o_t·σ(c_t) (10)

其中，·表示点乘，σ()表示sigmoid函数，W_xf、W_xi、W_xo表示外部遗忘门、输入门、输出门的输入权重矩阵，W_hf、W_hi、W_ho表示外部遗忘门、输入门、输出门的前一时刻输出权重矩阵，b_f、b_i、b_o表示外部遗忘门、输入门、输出门的偏置矩阵，i_t、f_t、c_t、o_t、h_t表示外部输入门、遗忘门、单元状态、输出门、记忆单元的输出，则表示内部记忆单元的输出；

其内部嵌入LSTM神经网络单元的计算公式与LSTM神经网络的状态更新和门控机制计算公式相似，表达式如下：

其中，·表示点乘，σ(·)表示sigmoid函数，表示内部输入，W_xc表示内部输入的权重矩阵，W_hc表示内部输入的前一时刻状态单元权重矩阵，b_c表示内部输入的偏置矩阵，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，表示内部输入门、遗忘门、单元状态、输出门、记忆单元的输出，故NLSTMs神经网络的最终输出，即道路交通流时空特征为H＝h_t。

4.如权利要求1或2所述的一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法，其特征在于，所述步骤(3)的过程如下：

首先，将道路交通流时空特征H作为全连接层输入，预测基于输入交通流数据的下一时刻交通流量y_t，全连接表达式如下所示：

y_t＝W_h·H (18)

其中，W_h为全连接层的权重矩阵，且y_t对应的真实值Y_t＝x_k，t+1,d≤t≤n-1；

然后定义均方误差为损失函数L：

计算模型的损失函数L，然后利用反向传播算法实现对模型参数的不断优化，反向传播算法中的梯度计算与参数更新均通过Adam优化器实现；

最后，将全连接层的输出y_t作反归一化操作，即可得到实际的交通流量预测值。

5.如权利要求1或2所述的一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法，其特征在于，所述步骤(4)中，选取绝对值均方差MAE、均方根误差RMSE作为道路交通流预测精度的指标，其计算公式分别如下所示：

其中，b为样本数，Y_o为实际交通流量，Y_o′为模型输出的预测流量。