CN110299005B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110299005B CN110299005B CN201910496746.9A CN201910496746A CN110299005B CN 110299005 B CN110299005 B CN 110299005B CN 201910496746 A CN201910496746 A CN 201910496746A CN 110299005 B CN110299005 B CN 110299005B
- Authority
- CN
- China
- Prior art keywords
- speed
- road network
- time
- detector
- 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 23
- 230000006870 function Effects 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000010354 integration Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (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)
Abstract
本发明涉及一种基于深度集成学***稳速度时间序列分解为多个具有更强周期性的子序列，在实现城市大规模路网交通速度一次性多步预测的同时，提高了预测精度和预测效率，具有良好的空间拓展性。
Description
技术领域
本发明涉及路网交通速度预测领域，具体是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。
背景技术
城市道路交通***中，速度是反映道路使用者对道路条件感知的最直观的指标。准确的速度预测有助于出行服务提供商进行更加精确的旅行时间预测，帮助出行者进行更加合理的出行路径选择，帮助政府提高交通管理效率。随着GPS、摄像头、微波、地磁等检测设备的布设，城市每天都会产生海量的交通数据，这些数据如何被挖掘和利用成为一个重要的研究课题。在互联网时代迅速发展的今天，大数据与深度学习等相关技术的应用范围越来越广。深度学习在特征提取与图像识别方面有着巨大的潜力和优势，近年来其在交通预测领域的应用研究受到了越来越多的关注。
然而，现存的交通速度预测方法存在以下问题：(1)交通速度经常受到随机因素的干扰，从而产生较强的波动性，比如交通事故、恶劣天气、临时***通管制等造成的交通拥堵，相较于交通流量，交通速度具有更高的预测不确定性；(2)每一个模型都有自己的优势和劣势，尽管有时选择一个最优模型能够产生良好的效果，但如果能够集成众多模型的优势，可能会产生最佳的预测结果；(3)大多数机器学习方法虽然能够捕捉到交通速度的非线性复杂关系，但容易出现过拟合问题；(4)现存的交通速度预测方法多集中于高速公路、主干道和干线走廊，大规模城市路网层面的速度预测缺乏相关研究。
发明内容
本发明为克服上述不足之处，设计了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。本发明首先获取路网中所有检测点的交通流检测数据；然后将速度时间序列用集成经验模态分解方法分解成多个本征模态函数和残差序列；加入外部变量构建三维时空深度输入张量，第一维度为时间维度，第二维度为空间维度，将检测器堆叠至第三维深度维上；通过优化目标函数(如所有检测点预测速度的均方根误差)，对卷积神经网络模型参数进行标定，利用标定好的模型对由本征模态函数和残差序列构成的矩阵进行预测；对预测后的速度时间子序列进行重建，恢复为路网层面所有检测点的预测速度时间序列。本发明方法简便有效，便于操作，克服了交通速度时间序列噪声对预测结果产生的影响，解决了现有交通预测方法适用范围的局限性问题，具有良好的空间可拓展性。
本发明采用如下技术方案：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，包括步骤如下：
(1)获取一段时间内道路网所有检测点数据，包括目标检测器速度和除了目标检测器速度以外的外部变量数据。
(2)将采集的速度时间序列用集成经验模态分解的方法分解成残差序列和多个本征模态函数。
其中x(t)为速度时间序列，cd(t)表示第d个本征模态函数，r(t)表示残差序列，D是分解的本征模态函数个数。
(3)加入外部变量构建三维时空深度输入张量
n3表示总的目标检测器的个数，Xk表示第k个检测器；ft-(i-1),m,k，i＝1,2,...,n1，m＝1,2,...,M，表示第k个检测器在t-(i-1)时的第m个外部变量，n1历史时间窗口长度；rt-(i-1),1,k表示第k个检测器在t-(i-1)时的残差；ct-(i-1),d,k,d＝1,2,...,D，表示第k个检测器在t-(i-1)时的第d个本征模态函数。
(4)在步骤(3)基于长度为n1的历史时间窗口的三维时空深度输入张量的基础上，利用卷积神经网络对由本征模态函数和残差构成的矩阵进行预测，预测窗口长度为H。
(5)在步骤(4)的基础上，对预测后的速度时间子序列进行重建，获取最终结果。
其中，
表示第k个检测器在t+h时的预测速度；H表示预测窗口长度；
表示第k个检测器在t+h时的第d个本征模态函数预测值；
表示第k个检测器在t+h时的残差预测值。将以上预测结果进行整理，获得路网中所有检测器的速度预测矩阵：
本发明的有益效果是：采用分解预测重构的思想，将一个复杂的城市大规模路网交通速度时间序列预测问题分解为多个简单的容易解决的子序列问题。由于分解后的时间子序列周期性更强，因此提升了交通速度的预测精度。同时本发明的有益之处在于，构建了一个三维的时空深度张量，将检测器堆叠到第三维深度维上，可以实现路网层面交通速度的一次性多步预测，并且该方法具有良好的空间可拓展性。
附图说明
图1是路段拓扑结构和检测器布设位置示意图；
图2是集成经验模态分解举例示意图；
图3是三维张量的构建示意图。
具体实施方式
本发明是基于国家重点研发项目(2018YFB1600904)，国家自然科学基金项目(71771198，71961137005)和浙江省自然科学基金杰出青年项目(LR17E080002)的研究，涉及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，下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此。
以北京市二、三、四环路及其放射线道路为例，其中共有检测器308个，道路网络覆盖面积约为300平方千米，道路总长度约为360千米。路段拓扑结构和检测器布设位置如图1所示。通过以下方法对该路网的交通速度进行短时预测。
(1)获取道路网所有检测点的交通流检测数据，包括流量、密度和速度等交通流参数。其中，除了目标检测器速度以外的数据统称为外部变量数据。
(2)将原始速度时间序列用集成经验模态分解的方法分解成多个本征模态函数和残差序列。
其中x(t)为速度时间序列，cd(t)表示第d个本征模态函数，r(t)表示残差序列，D是分解的本征模态函数个数，具体如下：
(2.1)设置高斯白噪声标准差和添加噪声次数的初始值；
(2.2)向原始时间序列中添加白噪声；
(2.3)使用经验模态分解的方法，对添加噪声后的时间序列进行分解；
(2.4)重复步骤(2.2)和(2.3)，注意每次向原始序列中添加不同的白噪声。
(2.5)达到迭代结束条件后，获得多个本征模态函数和一个残差。
(3)加入相关的外部变量构建三维时空深度输入张量：第一维度为时间维度，表示回看的历史步长；第二维度为空间维度，表示考虑与目标检测器最相关的若干检测器；将检测器堆叠至第三维深度维上。如图2所示，其中n1表示回看历史的步长；n2表示外部变量的个数和分解后的本征模态函数的个数和一个残差的总数量；n3表示路网中检测器的数量。
其中，ft-(i-1),m,k，i＝1,2,...,n1，m＝1,2,...,M，表示第k个检测器在时间步长i时的第m个外部变量；rt-(i-1),1,k表示第k个检测器在时间步长i时的残差；ct-(i-1),d,k,d＝1,2,...,D，表示第k个检测器在时间步长i时的第d个本征模态函数。
所考虑的外部因素有：(a)相关的交通流参数，例如交通流量和时间占有率；(b)时间特征，例如上周同一时刻的速度；(c)空间特征，例如相关系数较高的速度时间序列；(d)其他特征，例如处于一天中的第几个时间段，或处于星期几。
(4)步骤(3)的输入张量的基础上，利用卷积神经网络对由本征模态函数和残差构成的矩阵进行预测。
(5)在步骤(4)的基础上，对预测后的速度时间子序列进行重建，获取最终结果。
其中，
表示第k个检测器在t+h时的预测速度；H表示预测窗口长度；
表示第k个检测器在t+h时的第d个本征模态函数预测值；
表示第k个检测器在t+h时的残差预测值。将以上预测结果进行整理，获得路网中所有检测器的速度预测矩阵：
采用长度为2小时的历史时间窗口的数据，对长度为1小时对预测窗口的数据进行预测，传统的历史平均算法、差分整合移动平均自回归模型、随机森林算法、极端梯度提升和卷积神经网络与本发明提出的深度集成模型的预测结果对比如表1所示。
表1深度集成与其他模型算法预测结果对比
从表1可以看出，深度集成算法的均方根误差(RMSE)、标准均方根误差(NRMSE)对称绝对百分比误差(SMAPE)均低于基准模型算法，从而验证了深度集成算法优于一般的传统的交通流预测方法。
Claims (1)
1.一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，其特征在于，包括步骤如下：
(1)获取一段时间内道路网所有检测点数据，包括目标检测器速度和除了目标检测器速度以外的外部变量数据；
(2)将采集的速度时间序列用集成经验模态分解的方法分解成残差序列和多个本征模态函数；
其中x(t)为速度时间序列，cd(t)表示第d个本征模态函数，r(t)表示残差序列，D是分解的本征模态函数个数；
(3)加入外部变量构建三维时空深度输入张量
n3表示总的目标检测器的个数，Xk表示第k个检测器；ft-(i-1),m,k，i＝1,2,...,n1，m＝1,2,...,M，表示第k个检测器在t-(i-1)时的第m个外部变量，n1历史时间窗口长度；rt-(i-1),1,k表示第k个检测器在t-(i-1)时的残差；ct-(i-1),d,k,d＝1,2,...,D，表示第k个检测器在t-(i-1)时的第d个本征模态函数；
(4)在步骤(3)基于长度为n1的历史时间窗口的三维时空深度输入张量基础上，利用卷积神经网络对由本征模态函数和残差构成的矩阵进行预测，预测窗口长度为H；
(5)在步骤(4)的基础上，对预测后的速度时间子序列进行重建，获取最终结果；
其中，
表示第k个检测器在t+h时的预测速度；H表示预测窗口长度；
表示第k个检测器在t+h时的第d个本征模态函数预测值；
表示第k个检测器在t+h时的残差预测值，将以上预测结果进行整理，获得路网中所有检测器的速度预测矩阵：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910496746.9A CN110299005B (zh) | 2019-06-10 | 2019-06-10 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910496746.9A CN110299005B (zh) | 2019-06-10 | 2019-06-10 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110299005A CN110299005A (zh) | 2019-10-01 |
| CN110299005B true CN110299005B (zh) | 2020-11-17 |
Family
ID=68027789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910496746.9A Active CN110299005B (zh) | 2019-06-10 | 2019-06-10 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110299005B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110740063B (zh) * | 2019-10-25 | 2021-07-06 | 电子科技大学 | 基于信号分解和周期特性的网络流量特征指标预测方法 |
| 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*** |
| CN112629533B (zh) * | 2020-11-11 | 2023-07-25 | 南京大学 | 基于路网栅格化道路车流预测的精细化路径规划方法 |
| CN112712895B (zh) * | 2021-02-04 | 2024-01-26 | 广州中医药大学第一附属医院 | 针对2型糖尿病并发症的多模态大数据的数据分析方法 |
| CN113554878A (zh) * | 2021-09-18 | 2021-10-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路段阻抗函数确定方法、计算设备及存储介质 |
| CN116824838B (zh) * | 2022-11-07 | 2024-06-18 | 苏州规划设计研究院股份有限公司 | 基于自适应时间序列分解的路网级交通流集成预测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001084479A (ja) * | 1999-09-14 | 2001-03-30 | Matsushita Electric Ind Co Ltd | 交通流データ予測装置及び交通流データ予測方法 |
| CN105046953A (zh) * | 2015-06-18 | 2015-11-11 | 南京信息工程大学 | 一种短时交通流组合预测方法 |
| KR20160036710A (ko) * | 2014-09-25 | 2016-04-05 | 주식회사 유투앤 | 미래 교통 상황 예측 시스템 |
| CN106205126A (zh) * | 2016-08-12 | 2016-12-07 | 北京航空航天大学 | 基于卷积神经网络的大规模交通网络拥堵预测方法及装置 |
| CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
| CN108734958A (zh) * | 2018-04-25 | 2018-11-02 | 江苏大学 | 一种交通速度预测方法 |
| CN108879692A (zh) * | 2018-06-26 | 2018-11-23 | 湘潭大学 | 一种区域综合能源***能流分布预测方法及*** |
| CN109598936A (zh) * | 2018-12-18 | 2019-04-09 | 中国科学院地理科学与资源研究所 | 一种基于动态stknn模型的短时交通预测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11024166B2 (en) * | 2016-12-21 | 2021-06-01 | Here Global B.V. | Method, apparatus, and computer program product for estimating traffic speed through an intersection |
| CN106710222B (zh) * | 2017-03-22 | 2019-07-02 | 广东工业大学 | 一种交通流量预测方法及装置 |
| CN106846818B (zh) * | 2017-04-24 | 2019-12-10 | 河南省城乡规划设计研究总院有限公司 | 基于Simulink仿真的路网动态交通流预测方法 |
| CN109035762B (zh) * | 2018-06-28 | 2020-12-18 | 浙江大学 | 一种基于时空宽度学习的交通速度预测方法 |
| CN109492814B (zh) * | 2018-11-15 | 2021-04-20 | 中国科学院深圳先进技术研究院 | 一种城市交通流量预测方法、***及电子设备 |
-
2019
- 2019-06-10 CN CN201910496746.9A patent/CN110299005B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001084479A (ja) * | 1999-09-14 | 2001-03-30 | Matsushita Electric Ind Co Ltd | 交通流データ予測装置及び交通流データ予測方法 |
| KR20160036710A (ko) * | 2014-09-25 | 2016-04-05 | 주식회사 유투앤 | 미래 교통 상황 예측 시스템 |
| CN105046953A (zh) * | 2015-06-18 | 2015-11-11 | 南京信息工程大学 | 一种短时交通流组合预测方法 |
| CN106205126A (zh) * | 2016-08-12 | 2016-12-07 | 北京航空航天大学 | 基于卷积神经网络的大规模交通网络拥堵预测方法及装置 |
| CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
| CN108734958A (zh) * | 2018-04-25 | 2018-11-02 | 江苏大学 | 一种交通速度预测方法 |
| CN108879692A (zh) * | 2018-06-26 | 2018-11-23 | 湘潭大学 | 一种区域综合能源***能流分布预测方法及*** |
| CN109598936A (zh) * | 2018-12-18 | 2019-04-09 | 中国科学院地理科学与资源研究所 | 一种基于动态stknn模型的短时交通预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 交通流量经验模态分解与神经网络短时预测方法;罗向龙等;《计算机工程与应用》;20101231;第46卷(第26期);第212页-第214页 * |
| 基于深度学习的短时交通流预测方法研究;康丹青;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190131;第25-41、55-58页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110299005A (zh) | 2019-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110299005B (zh) | 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 | |
| CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
| Fouladgar et al. | Scalable deep traffic flow neural networks for urban traffic congestion prediction | |
| Wang et al. | Traffic speed prediction and congestion source exploration: A deep learning method | |
| Ren et al. | Mtrajrec: Map-constrained trajectory recovery via seq2seq multi-task learning | |
| CN113487061A (zh) | 一种基于图卷积-Informer模型的长时序交通流量预测方法 | |
| 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 | |
| CN108346293B (zh) | 一种实时交通流短时预测方法 | |
| CN112905379B (zh) | 基于自我注意力机制的图自编码器的交通大数据修复方法 | |
| CN109583588B (zh) | 一种短期风速预测方法及*** | |
| CN115148019A (zh) | 一种基于节假日拥堵预测算法的预警方法及*** | |
| CN116681176A (zh) | 一种基于聚类和异构图神经网络的交通流预测方法 | |
| Lin et al. | Rainfall prediction using innovative grey model with the dynamic index | |
| Fitters et al. | Enhancing LSTM prediction of vehicle traffic flow data via outlier correlations | |
| CN116108984A (zh) | 基于流量-poi因果关系推理的城市流量预测方法 | |
| CN114742307A (zh) | 一种波浪要素预测方法及*** | |
| CN116311921A (zh) | 一种基于多空间尺度时空Transformer的交通速度预测方法 | |
| CN117332909B (zh) | 基于智能体的多尺度城市内涝道路交通暴露性预测方法 | |
| CN117371571A (zh) | 一种基于多尺度动态同步图机制的区域空气质量预测模型 | |
| CN115311842A (zh) | 车流量预测模型训练和车流量预测方法、装置及电子设备 | |
| CN115482666B (zh) | 基于数据融合的多图卷积神经网络交通预测方法 | |
| Chaudhuri | Predictability of chaos inherent in the occurrence of severe thunderstorms | |
| CN114566048B (zh) | 一种基于多视角自适应时空图网络的交通控制方法 | |
| CN115879051A (zh) | 一种基于vae的轨迹大数据异常检测方法与*** | |
| Abotaleb et al. | Forecasting and modeling on average rainwater and vapor pressure in Chelyabinsk Russia using deep learning models |
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 |