CN110223510B - 一种基于神经网络lstm的多因素短期车流量预测方法 - Google Patents

一种基于神经网络lstm的多因素短期车流量预测方法 Download PDF

Info

Publication number
CN110223510B
CN110223510B CN201910334053.XA CN201910334053A CN110223510B CN 110223510 B CN110223510 B CN 110223510B CN 201910334053 A CN201910334053 A CN 201910334053A CN 110223510 B CN110223510 B CN 110223510B
Authority
CN
China
Prior art keywords
traffic flow
data
weather
holiday
neural network
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
Application number
CN201910334053.XA
Other languages
English (en)
Other versions
CN110223510A (zh
Inventor
赵祥模
程鑫
王钰
周洲
赵怀鑫
周经美
张立成
郝茹茹
尚旭明
韩睿之
陈宇轩
常惠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN201910334053.XA priority Critical patent/CN110223510B/zh
Publication of CN110223510A publication Critical patent/CN110223510A/zh
Application granted granted Critical
Publication of CN110223510B publication Critical patent/CN110223510B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于交通工程领域，公开了一种基于神经网络LSTM的多因素短期车流量预测方法，步骤1：获取一段时间内的车流量数据，并对车流量数据进行预处理，得到短时交通流数据；步骤2：对短时交通流数据根据天气记录和节假日记录进行筛选，划分数据集；步骤3：进行数据清洗、数据重构和归一化；步骤4：建立LSTM神经网络模型，根据待预测日期的天气状况和节假日状况选择数据集，利用选择的数据集训练LSTM神经网络模型并调整LSTM参数，根据建立好的LSTM神经网络模型获得预测日期的车流量。本发明提出了更加细致化的思想，排除了其他因素，如天气因素、节假日因素等对交通流的影响，相对的提高了预测精度，使得对未来某时段的交通流预测更为准确有效。

Description

一种基于神经网络LSTM的多因素短期车流量预测方法
技术领域
本发明属于交通工程领域，具体涉及一种基于神经网络LSTM的多因素短期车流量预测方法。
背景技术
交通管理以及智能交通控制等上层应用都是以交通流作为基础，基于时间序列的短时交通流预测模型的研究也一直是国内外学者的研究热点，因此交通控制与诱导***是ITS研究的热门核心课程。而实现交通诱导的关键就是准确地预测交通流，即就是利用现有车道的实时和历史交通流数据通过建立合适的模型对下一时段的交通流情况进行预测。交通流的预测可分为长期预测、中期预测和短期预测，它们可服务于不同的研究领域。而短时预测可以预测在未来较短的一个时间内的车流量状况，可以满***通控制***对实时性和准确性的要求，从而可以得出正确的控制策略，对缓解交通的堵塞，减少机动车的废气排放和降低交通事故的发生率等有着重要的现实意义。
在短时交通流的预测中，有两类不同的数据驱动预测方法被频繁使用：一类是基于传统的统计理论的方法，另一类是基于神经网络的方法。基于统计的方法主要有卡尔曼滤波模型、时间序列模型、贝叶斯网络和马尔可夫链。它们假设未来的预测数据与过去的数据有相同的特性，其方法理论简单、容易理解。但是，基于统计方法大部分都是基于线性的，而交通流量的变化是非线性而且随机的，这就使得基于统计方法的模型性能变差。伴随着深度学习在语音、图像和自然语言处理等的研究领域的广泛应用，基于神经网络的方法在交通大数据挖掘方面体现出越来越强大的应用价值。
研究者们提出了基于深度信念网络模型的短时交通流预测模型、卷积神经网络和长短期记忆网络相结合的混合深度学习框架、卷积神经网络和支持向量回归分类器的交通预测模型等等。
一种LSTM的短时交通流预测模型，不仅能更有效地处理交通流的非线性和随机性，而且在解释时间序列预测的长时间一类问题中展现了优越的能力。LSTM能“记住”距当前时间点较远的历史信息，而且能自动决定时间序列数据的最优时间间隔，在预测上取得了不错效果。但是，交通流量还受天气状况、节假日等素多种影响，在用LSTM模型预测时，忽略了多种因素对交通流量的影响，这样就导致以LSTM模型进行短期预测得效果很难达到最佳。
发明内容
本发明的目的在于提供一种基于神经网络LSTM模型多因素车流量预测的方法，用以解决现有技术中的LSTM预测模型预测效果不佳的问题。
为了实现上述任务，本发明采用以下技术方案：
一种基于神经网络LSTM的多因素短期车流量预测方法，包括以下步骤：
步骤1：获取一段时间内的车流量数据，并对车流量数据进行预处理，得到短时交通流数据；
步骤2：对步骤1得到的短时交通流数据根据天气记录和节假日记录进行筛选，将仅为异常天气时段的短时交通流数据作为第一数据集，将仅为节假日时段的短时交通流数据作为第二数据集，将非异常天气和节假日时段的短时交通流数据作为第三数据集，将同时满足异常天气和节假日时段的短时交通流数据作为第四数据集；
步骤3：对步骤2得到的第一数据集、第二数据集、第三数据集和第四数据集进行数据清洗、数据重构和归一化；
步骤4：建立LSTM神经网络模型，根据待预测日期的天气状况和节假日状况选择步骤3得到的归一化的第一数据集、第二数据集、第三数据集和第四数据集其中之一，利用选择的数据集训练LSTM神经网络模型并调整LSTM参数，根据建立好的LSTM神经网络模型获得预测日期的车流量。
进一步的，步骤1包括如下子步骤：
从公路收费站的数据库中获取车流量数据，并对车流量数据进行预处理，每隔15min统计一次车辆数，得到短时交通流数据，所述车流量数据包括收费亭开机时间、入口网络编号、入口班次、入口车型、车辆进出日期及时间。
进一步的，步骤2中对步骤1得到的短时交通流数据根据天气记录和节假日记录进行筛选包括以下步骤：
(1)查询天气记录，对步骤1得到的短时交通流数据根据天气记录进行筛选，根据式Ⅰ得到不同天气的天气影响强度因子，将天气影响强度因子大于天气阈值的时间段划为异常天气时间段，
Figure BDA0002038588780000031
其中，Vi表示不同天气情况下的车流量，T表示当月的总车流量，i代表不同天气，Ci表示不同天气的天气影响系数，θi代表天气影响强度因子，所述天气阈值为晴天时θi的取值；
(2)查询节假日记录，对步骤1得到的短时交通流数据根据节假日记录进行筛选，根据式Ⅱ得到节假日影响系数，将节假日影响系数大于节假日阈值的时间段划为节假日时间段，
Figure BDA0002038588780000041
其中，Ej表示不同节假日情况下的车流量，βj表示节假日影响系数，j表示不同节假日，所述节假日阈值为非节假日时βj的取值。
进一步的，步骤3中采用MInMaxScaler的方法进行数据清洗和数据重构。
进一步的，步骤4中利用选择的数据集训练LSTM神经网络模型并调整LSTM参数，根据建立好的LSTM神经网络模型获得预测日期的车流量具体为：
在LSTM神经网络模型中建立遗忘门和输入门，利用遗忘门控制选择的数据集被遗忘的程度，利用输入门控制预测日期的信息，通过梯度下降的方法向后传播梯度值，经过多次迭代之后，得到最优LSTM参数进而得到最优LSTM神经网络模型，通过最优LSTM神经网络模型得到预测日期的车流量。
进一步的，步骤1中获取一段时间内的车流量数据为一个月内的车流量数据。
本发明与现有技术相比具有以下技术特点:
1、本发明区别于现有的LSTM模型预测交通流，提出了更加细致化的思想，排除了其他因素，如天气因素、节假日因素等对交通流的影响，相对的提高了预测精度，使得对未来某时段的交通流预测更为准确有效。
2、本发明提出了一种使数据更加纯洁的数据处理方法，将特殊天气和节假日对应的时间段进行分类。
3、本发明对数据集进行分类，在对各类情况进行预测时选择更为准确的数据集，提升了预测的精度。
附图说明
图1为本发明的程序流程图；
图2(a)为实施例1中车流量折线图数据
图2(b)为实施例1中训练后得到的预测日期的评价效果图；
图3(a)为排除天气因素后实施例1中车流量折线图数据
图3(b)为排除天气因素后实施例1中训练后得到的预测日期的评价效果图；
图4(a)为实施例2中车流量折线图数据
图4(b)为实施例2中训练后得到的预测日期的评价效果图；
下面结合附图对本发明做进一步的详细说明。
具体实施方式
在本实施例中公开了，一种基于神经网络LSTM的多因素预测方法，如图1所示，具体包括以下步骤：
步骤1：获取一段时间内的车流量数据，并对车流量数据进行预处理，得到短时交通流数据；
步骤2：对步骤1得到的短时交通流数据根据天气记录和节假日记录进行筛选，将仅为异常天气时段的短时交通流数据作为第一数据集，将仅为节假日时段的短时交通流数据作为第二数据集，将非异常天气和节假日时段的短时交通流数据作为第三数据集，将同时满足异常天气和节假日时段的短时交通流数据作为第四数据集；
步骤3：对步骤2得到的第一数据集、第二数据集、第三数据集和第四数据集进行数据清洗、数据重构和归一化；
步骤4：建立LSTM神经网络模型，根据待预测日期的天气状况和节假日状况选择步骤3得到的归一化的第一数据集、第二数据集、第三数据集和第四数据集其中之一，利用选择的数据集训练LSTM神经网络模型并调整LSTM参数，根据建立好的LSTM神经网络模型获得预测日期的车流量。
具体的，步骤1包括如下子步骤：
从公路收费站的数据库中获取车流量数据，并对车流量数据进行预处理，每隔15min统计一次车辆数，得到短时交通流数据，所述车流量数据包括收费亭开机时间、入口网络编号、入口班次、入口车型、车辆进出日期及时间。
优选的，从公路收费站的数据库中获取车流量数据时采用select语句，预处理后得到的车流量数据为有用信息，即日期及时间，它代表一辆车进入收费站的时间，用data1.resample(period).sum()按照每隔15min对数据进行降采样统计车辆数，此时经过预处理获得每隔15min的短时交通流数据。
具体的，步骤2中对步骤1得到的短时交通流数据根据天气记录和节假日记录进行筛选包括以下步骤：
(1)查询天气记录，对步骤1得到的短时交通流数据根据天气记录进行筛选，根据式Ⅰ得到不同天气的天气影响强度因子，将天气影响强度因子大于天气阈值的时间段划为异常天气时间段，
Figure BDA0002038588780000061
其中，Vi表示不同天气情况下的车流量，T表示当月的总车流量，i代表不同天气例如晴天、阴天、小雨、大雨、中雨、雾天等，Ci表示不同天气的天气影响系数，θi代表天气影响强度因子，所述天气阈值为晴天时θi的取值；
通过分析，比如大雨天气车流量明显减少，此时Ci(i代表大雨天)的取值与正常天气情况下取值相比较小，故Ci的取值越小，说明对应的天气情况对车流量的影响较大。
θi越大，说明其对应天气情况对车流量的影响越大。例如，以2018年6月收费站出口的部分数据为例，六月份总车流量T为855418辆，表如下：
Figure BDA0002038588780000071
通过上表，知道每天的日交通量Vi、天气情况以及当月总车流量为T＝855418辆,于是由
Figure BDA0002038588780000072
分别求出影响系数Ci，分别为0.032606281、0.032351435、0.029995862、0.030846908，考虑到天气情况，分析得出天气越不好(如小雨转中雨)，影响系数Ci就越小。然后再由
Figure BDA0002038588780000073
分别求出强度因子θi，其值分别为30.66893768、30.91052993、33.33793175、32.41816003，此时可以分析得出影响系数Ci越小，强度因子θi越大。最终按照强度因子的大小，将天气划分为不同影响等级。如小雨天气下强度因子为30.91052993，可将其影响等级化为1；小雨转中雨天气下强度因子为33.33793175，可将其影响等级化为2。
故通过θi的取值大小将i天气(i可取晴天、阴天、雨天、雾天等)对短时交通车流量的影响划分为4个等级：
(1)0代表无影响；
(2)1代表稍有影响；
(3)2代表有影响；
(4)3代表有较大影响；
保证车流量正常天气状况下的纯洁度，对只要有影响的天气下的数据进行筛选操作，并分类存储。
天气状况 是否有影响 是否进行筛选 影响等级
晴天 无 否 0
阴天 无 否 0
小雨(阴转小雨) 有 是 1
中雨(小雨转中雨) 有 是 2
大雨(中雨转大雨) 有 是 3
大雾 有 是 3
雾霾 有 是 3
若出现除此之外的恶劣天气，包括中雪、大雪、沙尘暴、暴雨、台风等等也可将其考虑进去，对这些天气下的数据进行删除处理，保证数据的纯净。
(2)查询节假日记录，对步骤1得到的短时交通流数据根据节假日记录进行筛选，根据式Ⅱ得到节假日影响系数，将节假日影响系数大于节假日阈值的时间段划为节假日时间段，
Figure BDA0002038588780000081
其中，Ej表示不同节假日情况下的车流量，βj表示节假日影响系数，j表示不同节假日，所述节假日阈值为非节假日时βj的取值。
通过分析，比如十一黄金周车流量在十月明显增加，此时Ej(此时j代表十一假期)的取值与非节假日取值相比较大，而当月总的车流量T一定，故Ej的取值越大，则输出βj越大，说明此时的节假日对车流量的影响较大。根据法定节假日的放假天数及其节日所在的季节及βj，可将影响等级划分为3级：
(1)等级1代表稍有影响；
(2)等级2代表有影响；
(3)等级3代表有较大影响；
为了使对车流量的预测更为准确，如若我们的数据中包含了节假日的数据，就将其进行筛选操作。
Figure BDA0002038588780000091
进一步的，步骤3中采用MInMaxScaler的方法进行数据清洗和数据重构。
进一步的，步骤4中利用选择的数据集训练LSTM神经网络模型并调整LSTM参数，根据建立好的LSTM神经网络模型获得预测日期的车流量具体为：
在LSTM神经网络模型中建立遗忘门和输入门，利用遗忘门控制选择的数据集被遗忘的程度，利用输入门控制预测日期的信息，通过梯度下降的方法向后传播梯度值，经过多次迭代之后，得到最优LSTM参数进而得到最优LSTM神经网络模型，通过最优LSTM神经网络模型得到预测日期的车流量。
本发明还采用多个模型评价指标对比来评价预测结果的好坏，包括平方百分比误差(MAPE)、平方绝对误差(MAE)、均方误差(MSE)和R平方。
其中，R平方：
Figure BDA0002038588780000101
表示预测数据与原始数据均值之差的平方和，
Figure BDA0002038588780000102
表示原始数据和均值之差的平方和。
对于平方百分比误差、平方绝对误差、均方误差这几个误差来说，误差越小拟预测效果越好。R平方是多元回归平方和占总平方和的比例，它是度量多元回归方程中拟合度的一个统计量，反映了在因变量的变差中被估计的回归方程所解释的比例。R平方越接近于1，表明回归的拟合程度就越好。本发明中主要以R的平方为主要依据，其余评价指标作为参考。
实施例1：
在本实例中，因实例所需数据都有西安收费站提供，西安属于温带半湿润大陆性季风气候，四季分明，气候温和，雨量适中，雨季大部分集中于春夏两季，所以在实例中取2018年六月份的数据，以15Min统计一次。观察数据，在6月16号到6月18号，连续三天都是小雨转阴。这时以6月1号到18号的数据为训练集，以6月19号为测试集去预测6月19号的车流量情况，通过以往天气数据得知6月19号也是以多云为主，天气状况与前三天不同，测试效果如图2所示。再将6月16号到6月18号的数据删除掉，排除连续三天的小雨转阴的情况，再将排除天气之后的数据作为训练集，以6月19号的数据为测试集，预测19号的交通流量情况，预测效果如图3(a)、图3(b)所示。通过图2(a)、图2(b)和图3(a)、图3(b)的比较可以看出来评价指标mse,rmes，mae在图2(b)中明显大于图3(b)，且图3(b)中R平方约大于图2(b)中R平方1％，而R平方越接近1，表明回归的拟合度程度越好。通过图2(a)、图2(b)和图3(a)、图3(b)预测效果的比较可以得出，天气因素会对交通车流量的预测产生影响，而当排除数据中的天气影响因素之后，会使预测效果更好。
实例2：
在本实例中，为了考虑节假日对交通流量预测的影响，选取2018年春节2月份的数据为训练集，因为根据当地气候条件，冬季寒冷少雨雪，这样使得天气因素影响最小。因为2月份有春节是一年最为重要的日子，而且春节的前后15天左右是春运往返的高峰期，所以选择2月份春节的数据充分说明了节假日对车流量的影响。以2月份的数据作为训练集在LSTM模型中训练，以3月1号的数据作为测试集，进行预测，结果如图4(a)、图4(b)所示，mse,rmse较大，且R平方小于0.92，由神经网络LSTM模型知此模型预测效果较好，R平方一般都会大于0.93。出现这种状况的原因是因为整个2月份是春运最为忙碌的时期，而3月份春运已经结束，所以用节假日2月份的数据去预测3月1号的数据，预测效果变差。通过本实例说明节假日因素会对LSTM模型预测车流量产生影响。

Claims (5)

1.一种基于神经网络LSTM的多因素短期车流量预测方法，其特征在于，包括以下步骤：
步骤1：获取一段时间内的车流量数据，并对车流量数据进行预处理，得到短时交通流数据；
步骤2：对步骤1得到的短时交通流数据根据天气记录和节假日记录进行筛选，将仅为异常天气时段的短时交通流数据作为第一数据集，将仅为节假日时段的短时交通流数据作为第二数据集，将非异常天气和节假日时段的短时交通流数据作为第三数据集，将同时满足异常天气和节假日时段的短时交通流数据作为第四数据集；
步骤2中对步骤1得到的短时交通流数据根据天气记录和节假日记录进行筛选包括以下步骤：
(1)查询天气记录，对步骤1得到的短时交通流数据根据天气记录进行筛选，根据式Ⅰ得到不同天气的天气影响强度因子，将天气影响强度因子大于天气阈值的时间段划为异常天气时间段，
Figure FDA0002916555800000011
其中，Vi表示不同天气情况下的车流量，T表示当月的总车流量，i代表不同天气，Ci表示不同天气的天气影响系数，θi代表天气影响强度因子，所述天气阈值为晴天时θi的取值；
(2)查询节假日记录，对步骤1得到的短时交通流数据根据节假日记录进行筛选，根据式Ⅱ得到节假日影响系数，将节假日影响系数大于节假日阈值的时间段划为节假日时间段，
Figure FDA0002916555800000021
其中，Ej表示不同节假日情况下的车流量，βj表示节假日影响系数，j表示不同节假日，所述节假日阈值为非节假日时βj的取值；
步骤3：对步骤2得到的第一数据集、第二数据集、第三数据集和第四数据集进行数据清洗、数据重构和归一化；
步骤4：建立LSTM神经网络模型，根据待预测日期的天气状况和节假日状况选择步骤3得到的归一化的第一数据集、第二数据集、第三数据集和第四数据集其中之一，利用选择的数据集训练LSTM神经网络模型并调整LSTM参数，根据建立好的LSTM神经网络模型获得预测日期的车流量。
2.如权利要求1所述的基于神经网络LSTM的多因素短期车流量预测方法，其特征在于，步骤1包括如下子步骤：
从公路收费站的数据库中获取车流量数据，并对车流量数据进行预处理，每隔15min统计一次车辆数，得到短时交通流数据，所述车流量数据包括收费亭开机时间、入口网络编号、入口班次、入口车型、车辆进出日期及时间。
3.如权利要求1所述的基于神经网络LSTM的多因素短期车流量预测方法，其特征在于，步骤3中采用MInMaxScaler的方法进行数据清洗和数据重构。
4.如权利要求1所述的基于神经网络LSTM的多因素短期车流量预测方法，其特征在于，步骤4中利用选择的数据集训练LSTM神经网络模型并调整LSTM参数，根据建立好的LSTM神经网络模型获得预测日期的车流量具体为：
在LSTM神经网络模型中建立遗忘门和输入门，利用遗忘门控制选择的数据集被遗忘的程度，利用输入门控制预测日期的信息，通过梯度下降的方法向后传播梯度值，经过多次迭代之后，得到最优LSTM参数进而得到最优LSTM神经网络模型，通过最优LSTM神经网络模型得到预测日期的车流量。
5.如权利要求1所述的基于神经网络LSTM的多因素短期车流量预测方法，其特征在于，步骤1中获取一段时间内的车流量数据为一个月内的车流量数据。
CN201910334053.XA 2019-04-24 2019-04-24 一种基于神经网络lstm的多因素短期车流量预测方法 Active CN110223510B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910334053.XA CN110223510B (zh) 2019-04-24 2019-04-24 一种基于神经网络lstm的多因素短期车流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910334053.XA CN110223510B (zh) 2019-04-24 2019-04-24 一种基于神经网络lstm的多因素短期车流量预测方法

Publications (2)

Publication Number Publication Date
CN110223510A CN110223510A (zh) 2019-09-10
CN110223510B true CN110223510B (zh) 2021-03-26

Family

ID=67819971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910334053.XA Active CN110223510B (zh) 2019-04-24 2019-04-24 一种基于神经网络lstm的多因素短期车流量预测方法

Country Status (1)

Country Link
CN (1) CN110223510B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110847272B (zh) * 2019-11-21 2021-08-03 中交疏浚技术装备国家工程研究中心有限公司 一种绞吸挖泥船智能疏浚控制方法
CN111027461B (zh) * 2019-12-06 2022-04-29 长安大学 基于多维单步lstm网络的车辆轨迹预测方法
CN111144648B (zh) * 2019-12-25 2023-11-24 中国联合网络通信集团有限公司 人流量预测设备及方法
CN111239014B (zh) * 2020-01-09 2022-10-21 河北工业大学 一种空气中pm2.5的检测方法、装置、设备及介质
CN111260122A (zh) * 2020-01-13 2020-06-09 重庆首讯科技股份有限公司 一种高速公路上车流量预测方法及装置
CN111445694B (zh) * 2020-03-04 2022-02-01 青岛海信网络科技股份有限公司 一种基于交通流量预测的节假日交通调度方法及装置
CN111524348A (zh) * 2020-04-14 2020-08-11 长安大学 一种长短期交通流预测模型及方法
CN111768622A (zh) * 2020-06-23 2020-10-13 南通大学 一种基于改进灰狼算法的短时交通量预测方法
CN111882878B (zh) * 2020-09-02 2021-07-02 烟台大学 一种基于交通流预测的最大化关键道路通行能力的方法
CN112116140B (zh) * 2020-09-10 2022-09-20 同济大学 一种基于孪生模型的建筑能耗预测方法
CN112382087B (zh) * 2020-11-05 2021-10-08 杭州易上科技有限公司 交通堵塞预测方法
CN112949893A (zh) * 2020-11-18 2021-06-11 安徽师范大学 一种基于改进rnn的大豆储备预警方法
CN112820103B (zh) * 2020-12-31 2022-09-06 山东奥邦交通设施工程有限公司 一种一体化动静结合标志管控方法及***
CN112862177B (zh) * 2021-02-02 2024-01-19 湖南大学 一种基于深度神经网络的城市区域聚集度预测方法、设备及介质
CN113674524A (zh) * 2021-07-28 2021-11-19 长安大学 基于lstm-gasvr的多尺度短时交通流预测建模、预测方法及***
CN113971479A (zh) * 2021-10-01 2022-01-25 浙江省机电设计研究院有限公司 一种融合节假日影响的日交通流参数预测方法
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
CN115063975B (zh) * 2022-06-09 2023-07-11 长安大学 短时交通流数据预测方法、***、计算机设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101620781A (zh) * 2008-06-30 2010-01-06 株式会社查纳位资讯情报 预测乘客信息的***和搜索乘客信息的***及其方法
CN103956043A (zh) * 2014-04-29 2014-07-30 南京理工大学 基于移动终端的车辆出行路径辅助***
JP2017220000A (ja) * 2016-06-07 2017-12-14 日本電信電話株式会社 流量予測装置、パターン推定装置、流量予測方法、パターン推定方法、及びプログラム
CN107610469A (zh) * 2017-10-13 2018-01-19 北京工业大学 一种考虑多因素影响的日维度区域交通指数预测方法
CN108417034A (zh) * 2018-03-23 2018-08-17 四川高路交通信息工程有限公司 一种基于多变量灰色模型的高速公路节假日车流量预测方法
CN109658695A (zh) * 2019-01-02 2019-04-19 华南理工大学 一种多因素的短时交通流预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4175312B2 (ja) * 2004-09-17 2008-11-05 株式会社日立製作所 交通情報予測装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101620781A (zh) * 2008-06-30 2010-01-06 株式会社查纳位资讯情报 预测乘客信息的***和搜索乘客信息的***及其方法
CN103956043A (zh) * 2014-04-29 2014-07-30 南京理工大学 基于移动终端的车辆出行路径辅助***
JP2017220000A (ja) * 2016-06-07 2017-12-14 日本電信電話株式会社 流量予測装置、パターン推定装置、流量予測方法、パターン推定方法、及びプログラム
CN107610469A (zh) * 2017-10-13 2018-01-19 北京工业大学 一种考虑多因素影响的日维度区域交通指数预测方法
CN108417034A (zh) * 2018-03-23 2018-08-17 四川高路交通信息工程有限公司 一种基于多变量灰色模型的高速公路节假日车流量预测方法
CN109658695A (zh) * 2019-01-02 2019-04-19 华南理工大学 一种多因素的短时交通流预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Long Short-Term Memory Recurrent Neural Network for Urban Traffic Prediction: A Case Study of Seoul;Yong-Ju Lee等;《IEEE》;20181231;全文 *
基于深度学习的交通流量预测研究;邓烜堃等;《计算机工程与应用》;20180516;全文 *

Also Published As

Publication number Publication date
CN110223510A (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN110223510B (zh) 一种基于神经网络lstm的多因素短期车流量预测方法
CN109658695B (zh) 一种多因素的短时交通流预测方法
CN110555561B (zh) 一种中长期径流集合预报方法
CN106951976B (zh) 一种基于模式分类的公交客流预测方法
CN110276950B (zh) 一种基于卡口视频数据的城市交通出行链重构方法
CN113096388B (zh) 一种基于梯度提升决策树的短时交通流量预测方法
CN109034449A (zh) 基于深度学习和乘客行为模式的短期公交客流预测方法
CN109191872B (zh) 一种基于号牌数据的路***通流特征参数提取方法
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
CN108417032B (zh) 一种城市中心区路边停车需求分析预测方法
CN113496314B (zh) 一种神经网络模型预测道路交通流量的方法
CN111696369A (zh) 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法
CN107180270A (zh) 客流预测方法及***
CN116384635B (zh) 基于大数据的绿色生态城市信息化管理***
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN113344254A (zh) 一种基于LSTM-LightGBM-KNN的高速公路服务区车流预测方法
CN114399099A (zh) 一种城市轨道交通断面客流的预测方法及装置
Zhang et al. Analysis of rainfall effects on road travel speed in Beijing, China
CN113033976A (zh) 基于事件触发机制的城市道路***的可靠滤波设计方法
CN105678406A (zh) 一种基于云模型的短期负荷预测方法
CN116913088A (zh) 一种用于高速公路的智能流量预测方法
Wang et al. The effects of weather on passenger flow of urban rail transit
CN116227362A (zh) 一种基于图与深度学习的市政排水管网状态预测方法
CN114694382A (zh) 一种基于车联网环境的动态单向交通控制***
CN111985731B (zh) 城市公共交通站点人数的预测方法及***

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