CN110378531A - 一种融合时空特征的交通流预测方法 - Google Patents
一种融合时空特征的交通流预测方法 Download PDFInfo
- Publication number
- CN110378531A CN110378531A CN201910652102.4A CN201910652102A CN110378531A CN 110378531 A CN110378531 A CN 110378531A CN 201910652102 A CN201910652102 A CN 201910652102A CN 110378531 A CN110378531 A CN 110378531A
- Authority
- CN
- China
- Prior art keywords
- model
- saes
- layer
- lstm
- data
- 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.)
- Pending
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000002123 temporal effect Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000001275 scanning Auger electron spectroscopy Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009412 basement excavation Methods 0.000 claims description 2
- 239000013604 expression vector Substances 0.000 claims 1
- 230000006870 function Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007600 charging Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
一种融合时空特征的交通流预测方法，包括以下步骤：步骤1，先对数据进行预处理；步骤2，引入自动编码器得到数据特征；步骤3，引入SAEs模型，获取空间特征；步骤4，引入LSTM模型，获取时间特征；步骤5，将SAEs模型与LSTM模型综合起来得到理想的混合模型，建立一种混合深度学习模型SAEs‑LSTM来预测城市高速公路的交通流。本发明模型综合利用了时间与空间信息，对已收集到的数据库的信息分析利用得更充分，从而预测结果能更精准。
Description
技术领域
本发明属于交通预测技术领域，特别涉及一种融合时空特征的交通流预测方法。
背景技术
随着科学技术的发展，准确可靠的交通预测已成为旅游者、交通运输机构和公众的高度期望。然而，由于各种情况下的干扰因素十分复杂，所以交通流量的变化是很难准确预测的。交通信息的成功预测首先依赖于现场获取的交通数据的质量。感应回路检测器(ILD)是高速公路上最常见的捕捉车流量信息的装置，但是越来越多的报告表明，从当前ILD捕获的数据偏离了实际情况。因此，可以在不干扰交通的情况下，进一步开发非侵入式交通检测器，如远程交通微波传感器(RTMS)和交通视频检测器设备(TVDE)等。就这三种设备而言，感应回路检测器(ILD)的特点是不精确且需要经常维护；微波车辆检测器(MVD)的特点是具有高精度但价格很高；交通视频检测设备(TVDE)也具有高精度，但偶尔故障。研究证实，MVD与TVDE能够比ILD记录得更详细。与实测交通数据相比，收费数据也是一个可靠的数据源。特别是在我国这样已在封闭的大面积公路联网上全面建立了收费制度的国家，经营高速公路已经有了大量的收费数据，积累了具有时间/地点的车辆的信息。并且，在高速公路上行驶的每一辆车的准确来源和目的地信息与每个路段内的交通流量趋势密切相关。
神经网络和回归模型在交通流和行程时间的预测中有着广泛的应用。快速发展的基于深度学习的算法与通过ILD/RTMS/计费等方式获取的大量数据积累相结合。在高速公路的日常运营中可以得到更准确的预测结果。然而，由于每种数据源都有其自身的特点，将多个来源数据融合起来并不是一件容易的事情。
发明内容
本发明的目的在于提供一种融合时空特征的交通流预测方法，以解决上述问题。
为实现上述目的，本发明采用以下技术方案：
一种融合时空特征的交通流预测方法，包括以下步骤：
步骤1，先对数据进行预处理，将原始数据处理成直接输入模型的候选数据；
步骤2，引入自动编码器得到数据特征，编码器部分是从输入向量x到隐藏表示向量h的映射，解码器部分将隐藏向量h映射到重构向量r；
步骤3，引入SAEs模型：多层自动编码器构造了一种堆叠式自动编码器SAEs模型，用于从海量数据中获取重要特征，用于将高维数据转换为低维数据；
步骤4，引入LSTM模型；采用LSTM模型以解决传统RNN中的梯度消失或梯度***的问题；
步骤5，将SAEs模型与LSTM模型综合起来得到理想的混合模型，建立一种混合深度学习模型SAEs-LSTM来预测城市高速公路的交通流。
进一步的，步骤1中具体包括：第一步是根据出口时间和入口时间之间的间隔过滤出孤立点；第二步是在入口处从原始的统计记录中计算出交通量；并采用RTMS和TVDE对交通流量数据进行校准；同时，对每个收费站进行相同的预处理。
进一步的，步骤2中，输入向量x与重构向量r具有相同的数目单位；经过自动编码器的非线性运算，在隐藏层中得到输入数据之间的特征；非线性变换如下：
h(x)＝f(w1x+b1) (1)
r(x)＝f(w2h(x)+b2) (2)
其中x表示输入向量，w1和w2分别表示编码权值矩阵和译码权值矩阵；b1和b2分别是编码偏置向量和解码偏置向量，h(x)是编码层的输出，r(x)是解码层的输出。
进一步的，步骤3中，构造SAEs模型为：确定第一层后，将第k个自动编码器作为第k个隐层的输入；根据该方法，分层构造SAEs模型，同时，在SAEs模型的训练中包括了两个步骤：预训练阶段和完善阶段；SAES模型中的预训练部分，利用贪婪分层无监督学习算法对每个自动编码器AE进行预训练，优化各层的权重，同时微调调整SAEs模型中的所有参数。
进一步的，步骤4中，LSTM的数学模型由下列方程表示：
It＝δ(WtXt+RtHt-4+bt) (3)
Ft＝δ(WfXt+RfHt-1+bf) (4)
Ot＝δ(WoXr+RoHt-1+bo) (5)
Ht＝Ot⊙tanh(Ct) (8)
其中，It、Ft和Ot分别是输入门、隐藏门和输出门的输出；Wi、Wf、Wo、Wz、Ri、Rf、Ro、Rz是连接输入端和三个门的系数矩阵；表示输入状态；Ct代表更新的状态或单元输出；Ht是隐层输出；δ()和tanh()是激活函数；两个向量或矩阵的标量乘积表示为⊙。
进一步的，步骤5中，假设SAEs模型学习空间特征，LSTM捕捉到时间特征；基于这一假设，建立一种新的混合深度学习模型SAEs-LSTM来预测城市高速公路的交通流；为此，利用SAEs模型对收费数据进行降维和空间特征提取，并利用LSTM模型对由无线视频检测设备和微波车辆检测校正后的数据进行时间相关性挖掘；合并层接受所有相同形状的张量列表作为输入，并返回与输入张量具有相同形状的单个张量；在回归层的输入层中，添加了一层合并层，它将SAEs的输出添加到LSTM输出中，实现时间特征与空间特征的融合；回归层由三个完全连接的层组成，用于预测交通流；合并层表述为：
在SAEso和LSTMo是SAEs和LSTM的输出层；表示添加两个模型结果的Add合并函数；ir回归层的合并层或输入层；在第i个隐藏层的输出写为：
Hrt＝reht(WrtIri+bri) (10)
Hrt、Wrt、Iri、bri是第i个隐藏层的输出、权重矩阵、输入和偏差；relu()是激活函数，定义如下：
f(x)＝max(0，x) (11)
与现有技术相比，本发明有以下技术效果：
本发明提出了一种新的基于深度学习算法的交通流预测混合模型，该模型融合了时空交通信息，提出了一种基于数据融合的堆叠式自动编码器(SAEs)与长期记忆(LSTM)相结合的混合模型，综合利用时空特征对交通流量进行预测。
其具有如下优点，
第一：本发明模型综合利用了时间与空间信息，对已收集到的数据库的信息分析利用得更充分，从而预测结果能更精准；
第二：多层自动编码器构造了一种堆叠式自动编码器(SAEs)模型，用于从海量数据中获取重要特征，用于将高维数据转换为低维数据。而SAEs模型中的预训练部分，利用贪婪分层无监督学习算法对每个自动编码器(AE)进行预训练，优化各层的权重，同时微调调整SAEs模型中的所有参数，提高模型精确度；
第三：由于LSTM集成存储单元能够消除传统RNN中的梯度消失和梯度***，因此采用含有LSTM模型的混合模型解决了传统RNN在时间延迟较大时会受到消失或***梯度的影响的问题，保证了网络的稳定；
第四：高速公路突发事件发生时，快速有效的交通控制对救援工作至关重要，而避免拥堵是救援最重要的任务之一。本发明可以根据预测得到的交通流对应急点的预测模型制定策略，有助于制定更有效的减少拥堵时间的策略。
进一步的，通过多种数据源，建立包含待预测交通流的路段的车辆信息的数据库。
进一步的，通过数据库对模型进行训练，并通过每次训练结果得到的平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)这三个指标来在训练过程中不断调整参数，以达到调优的目的。
进一步的，通过对训练集的调优，得到一个最适合该区域交通流的预测的模型，收集该区域近期车辆信息数据，即可将其应用到该区域交通流的预测模型中，得到最可靠的交通流预测结果。
进一步的，统一实现对路段交通流的预测，达到避免拥堵等目的，有助于高速公路突发事件的应急工作等。
附图说明
图1为本发明流程图。
图2为现有技术中参考的可提取空间特征的SAEs模型示意图。
图3为现有技术中参考的可提取时间特征的LSTM模型示意图。
图4为现有技术综合了时间特征与空间特征的SAEs+LSTM混合模型。
图5为本发明实例中对于西安绕城高速的交通流预测结果与误差分析数据。
图6为本发明实例中对于西安绕城高速的交通流预测结果与误差分析箱型图。
图7为本发明实例中分别引入不同数据源情况下误差分析数据。
图8为本发明实例中分别引入不同数据源情况下误差分析箱型图。
图9为本发明实例中综合不同模型与不同数据源两个因素绘制的误差分析示意图。
具体实施方式
以下结合附图对本发明进一步说明：
请参阅图1至图9，融合多种空间收费数据和遥感微波传感器数据的混合交通预测模型，包括如下步骤，
步骤1，先对数据进行预处理，将原始数据处理成可以直接输入模型的候选数据。第一步是根据出口时间和入口时间之间的间隔过滤出孤立点。第二步是在入口处从原始的统计记录中计算出交通量。并采用RTMS和TVDE对交通流量数据进行校准。同时，对每个收费站进行相同的预处理。例如以应用在西安绕城高速的一段时间交通流预测为例，从2018年4月至5月作为本实验的抽样数据集。数据分为两个子集：用于培训的前六周数据和大约两周的剩余数据；
步骤2，引入自动编码器以得到数据特征。自动编码器(AE)是一种神经网络(NN)，它可以试图提取输入数据中最突出的特征，即可以用较少的特征重构其输入。编码器部分是从输入向量x到隐藏表示向量h的映射，解码器部分将隐藏向量h映射到重构向量r。输入向量x与重构向量r具有相同的数目单位。经过自动编码器的非线性运算，可以在隐藏层中得到输入数据之间的特征。非线性变换如下：
h(x)＝f(w1x+b1) (1)
r(x)＝f(w2h(x)+b2) (2)
其中x表示输入向量，w1和w2分别表示编码权值矩阵和译码权值矩阵。b1和b2分别是编码偏置向量和解码偏置向量，h(x)是编码层的输出，r(x)是解码层的输出；
步骤3，引入SAEs模型。多层自动编码器构造了一种堆叠式自动编码器(SAEs)模型，用于从海量数据中获取重要特征，用于将高维数据转换为低维数据。确定第一层后，将第k个自动编码器作为第k个隐层的输入。根据该方法，可以分层构造SAEs模型。同时，在SAEs模型的训练中包括了两个步骤。同时，在SAEs模型的训练中包括了两个步骤：预训练阶段和完善阶段。而SAES模型中的预训练部分，利用贪婪分层无监督学习算法对每个自动编码器(AE)进行预训练，优化各层的权重，同时微调调整SAEs模型中的所有参数；
步骤4，引入LSTM模型。采用LSTM模型以解决传统RNN中的梯度消失或梯度***的问题。LSTM的数学模型可由下列方程表示：
It＝δ(WiXt+RtHt-1+bt) (3)
Ft＝δ(WfXt+RfHt-1+bf) (4)
Ot＝δ(WoXr+RoHt-1+bo) (5)
Ht＝Ot⊙tanh(Ct) (8)
其中，It、Ft和Ot分别是输入门、隐藏门和输出门的输出；Wi、Wf、Wo、Wz、Ri、Rf、Ro、Rz是连接输入端和三个门的系数矩阵；表示输入状态；Ct代表更新的状态或单元输出；Ht是隐层输出；δ()和tanh()是激活函数；两个向量或矩阵的标量乘积表示为⊙。
步骤5，将SAEs模型与LSTM模型综合起来得到理想的混合模型。假设SAEs模型可以学习空间特征，LSTM可以捕捉到时间特征。基于这一假设，建立一种新的混合深度学习模型SAEs-LSTM来预测城市高速公路的交通流。为此，利用SAEs模型对收费数据进行降维和空间特征提取，并利用LSTM模型对由无线视频检测设备和微波车辆检测校正后的数据进行时间相关性挖掘。合并层接受所有相同形状的张量列表作为输入，并返回与输入张量具有相同形状的单个张量。在回归层的输入层中，添加了一层合并层，它将SAEs的输出添加到LSTM输出中，实现时间特征与空间特征的融合。回归层由三个完全连接的层组成，用于预测交通流。例如将两个张量合并成一个张量。合并层可以表述为：
在SAEso和LSTMo是SAEs和LSTM的输出层；表示添加两个模型结果的Add合并函数；ir回归层的合并层或输入层。在第i个隐藏层的输出可以写为：
Hri＝rehu(WriIri+bri) (10)
Hri、Wri、Iri、bri是第i个隐藏层的输出、权重矩阵、输入和偏差；relu()是激活函数，定义如下：
f(x)＝max(0，x) (11)
本发明提出了一种基于包含空间信息和时间信息的多源原始交通数据实现交通流量预测的混合模型。该混合模型结合了两种模型，并分别考虑了两种模型的优缺点，利用综合时空特征对交通流量进行预测，从而得到一个误差更小，预测结果更精准的交通流预测模型。模型结构具体如下：
1、SAEs模型
SAEs模型主要获取空间信息，如图2所示，该模型由三部分组成：
(A)网络输入为上行收费站的数据；
(B)每一层网络都采用贪婪分层无监督学习算法进行预训练；
(C)网络的输出是提取的空间特征。
2、LSTM模型
LSTM模型的输入是交通视频检测设备数据和微波车辆检测数据的标定数据，模型的输出是提取的时间特征。LSTM模型结构如图3所示。
3、混合模型
SAEs+LSTM混合模型的结构包括一个用于从校准的序列数据中获取时间特征的LSTM模型和一个用于从上游收费站数据中学习空间特征的SAEs模型，结构如图4所示。
在混合模型中，SAEs可以用于监督微调空间维数据的压缩和分层贪婪训练。LSTM用于处理时间维的数据。SAEs和LSTM的结合比单纯使用其中一种方法更具有高维数据特征。为了评估所提出的混合模型的性能，对多源原始流量数据和两种最先进的模型——LSTM模型和SAEs模型进行了比较研究，结果表明，具有多源原始交通数据的SAEs-LSTM混合模型在精度和鲁棒性上均优于其它不同数据的模型。
本发明已经以西安绕城高速对研究对象来预测交通流，经过训练与调优，已得到如图5所示对比结果，可以明显看到混合模型相对于单个模型在减小误差上的优越性。混合模型与单个模型的对比结果的箱型图如图6所示，可以明显观察到混合模型的准确度更高，预测结果离散程度小，即鲁棒性更高。此外，若将收费站数据、RTMS与TVDE校准数据等多个数据源综合，本发明预测精度将进一步提高，如图7、图8、图9所示。
Claims (6)
1.一种融合时空特征的交通流预测方法，其特征在于，包括以下步骤：
步骤1，先对数据进行预处理，将原始数据处理成直接输入模型的候选数据；
步骤2，引入自动编码器得到数据特征，编码器部分是从输入向量x到隐藏表示向量h的映射，解码器部分将隐藏向量h映射到重构向量r；
步骤3，引入SAEs模型：多层自动编码器构造了一种堆叠式自动编码器SAEs模型，用于从海量数据中获取重要特征，用于将高维数据转换为低维数据；
步骤4，引入LSTM模型；采用LSTM模型以解决传统RNN中的梯度消失或梯度***的问题；
步骤5，将SAEs模型与LSTM模型综合起来得到理想的混合模型，建立一种混合深度学习模型SAEs-LSTM来预测城市高速公路的交通流。
2.根据权利要求1所述的一种融合时空特征的交通流预测方法，其特征在于，步骤1中具体包括：第一步是根据出口时间和入口时间之间的间隔过滤出孤立点；第二步是在入口处从原始的统计记录中计算出交通量；并采用RTMS和TVDE对交通流量数据进行校准；同时，对每个收费站进行相同的预处理。
3.根据权利要求1所述的一种融合时空特征的交通流预测方法，其特征在于，步骤2中，输入向量x与重构向量r具有相同的数目单位；经过自动编码器的非线性运算，在隐藏层中得到输入数据之间的特征；非线性变换如下：
h(x)＝f(w1x+b1) (1)
r(x)-f(w2h(x)+b2) (2)
其中x表示输入向量，w1和w2分别表示编码权值矩阵和译码权值矩阵；b1和b2分别是编码偏置向量和解码偏置向量，h(x)是编码层的输出，r(x)是解码层的输出。
4.根据权利要求1所述的一种融合时空特征的交通流预测方法，其特征在于，步骤3中，构造SAEs模型为：确定第一层后，将第k个自动编码器作为第k个隐层的输入；根据该方法，分层构造SAEs模型，同时，在SAEs模型的训练中包括了两个步骤：预训练阶段和完善阶段；SAES模型中的预训练部分，利用贪婪分层无监督学习算法对每个自动编码器AE进行预训练，优化各层的权重，同时微调调整SAEs模型中的所有参数。
5.根据权利要求1所述的一种融合时空特征的交通流预测方法，其特征在于，步骤4中，LSTM的数学模型由下列方程表示：
It＝δ(WtXt+RiHt-4+bt) (3)
Fi＝δ(WfXt+RfHt-4+bf) (4)
Ot＝δ(WoX1+RoHt-1+bo) (5)
Ht＝Ot⊙tanh(Ct) (8)
其中，It、Ft和Ot分别是输入门、隐藏门和输出门的输出；Wi、Wf、Wo、Wz、Ri、Rf、Ro、Rz是连接输入端和三个门的系数矩阵；表示输入状态；Ct代表更新的状态或单元输出；Ht是隐层输出；δ()和tanh()是激活函数；两个向量或矩阵的标量乘积表示为⊙。
6.根据权利要求1所述的一种融合时空特征的交通流预测方法，其特征在于，步骤5中，假设SAEs模型学习空间特征，LSTM捕捉到时间特征；基于这一假设，建立一种新的混合深度学习模型SAEs-LSTM来预测城市高速公路的交通流；为此，利用SAEs模型对收费数据进行降维和空间特征提取，并利用LSTM模型对由无线视频检测设备和微波车辆检测校正后的数据进行时间相关性挖掘；合并层接受所有相同形状的张量列表作为输入，并返回与输入张量具有相同形状的单个张量；在回归层的输入层中，添加了一层合并层，它将SAEs的输出添加到LSTM输出中，实现时间特征与空间特征的融合；回归层由三个完全连接的层组成，用于预测交通流；合并层表述为：
在SAEso和LSTMo是SAEs和LSTM的输出层；表示添加两个模型结果的Add合并函数；it回归层的合并层或输入层；在第i个隐藏层的输出写为：
Hrt＝relu(WrtIrt+brt) (10)
Hri、Wrt、Irt、bri是第i个隐藏层的输出、权重矩阵、输入和偏差；relu()是激活函数，定义如下：
f(x)＝max(0，x) (11)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910652102.4A CN110378531A (zh) | 2019-07-18 | 2019-07-18 | 一种融合时空特征的交通流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910652102.4A CN110378531A (zh) | 2019-07-18 | 2019-07-18 | 一种融合时空特征的交通流预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110378531A true CN110378531A (zh) | 2019-10-25 |
Family
ID=68254032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910652102.4A Pending CN110378531A (zh) | 2019-07-18 | 2019-07-18 | 一种融合时空特征的交通流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378531A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796859A (zh) * | 2019-10-28 | 2020-02-14 | 长安大学 | 基于交通流的实时交通状态辨识及事故风险预警方法 |
| CN110826502A (zh) * | 2019-11-08 | 2020-02-21 | 北京邮电大学 | 基于伪图像序列演化的三维姿态预测方法 |
| CN111275098A (zh) * | 2020-01-17 | 2020-06-12 | 同济大学 | 应用于***欺诈检测的Encoder-LSTM深度学习模型及其方法 |
| CN111553535A (zh) * | 2020-05-06 | 2020-08-18 | 东华大学 | 一种基于ae-lstm-bo车流量预测的导航参考方法 |
| CN115985102A (zh) * | 2023-02-15 | 2023-04-18 | 湖南大学深圳研究院 | 一种基于迁移对比学习的城市交通流量预测方法和设备 |
| CN118313694A (zh) * | 2024-06-05 | 2024-07-09 | 云南建设基础设施投资股份有限公司 | 智慧高速公路协同管控方法、***及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110021165A (zh) * | 2019-03-18 | 2019-07-16 | 浙江工业大学 | 一种基于Autoencoder-LSTM融合模型的交通流预测方法 |
-
2019
- 2019-07-18 CN CN201910652102.4A patent/CN110378531A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110021165A (zh) * | 2019-03-18 | 2019-07-16 | 浙江工业大学 | 一种基于Autoencoder-LSTM融合模型的交通流预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| YINLI JIN ET AL.: "Hybrid Traffic Forecasting Model With Fusion of Multiple Spatial Toll Collection Data and Remote Microwave Sensor Data", 《IEEE ACCESS》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796859A (zh) * | 2019-10-28 | 2020-02-14 | 长安大学 | 基于交通流的实时交通状态辨识及事故风险预警方法 |
| CN110826502A (zh) * | 2019-11-08 | 2020-02-21 | 北京邮电大学 | 基于伪图像序列演化的三维姿态预测方法 |
| CN111275098A (zh) * | 2020-01-17 | 2020-06-12 | 同济大学 | 应用于***欺诈检测的Encoder-LSTM深度学习模型及其方法 |
| CN111553535A (zh) * | 2020-05-06 | 2020-08-18 | 东华大学 | 一种基于ae-lstm-bo车流量预测的导航参考方法 |
| CN111553535B (zh) * | 2020-05-06 | 2022-07-29 | 东华大学 | 一种基于ae-lstm-bo车流量预测的导航参考方法 |
| CN115985102A (zh) * | 2023-02-15 | 2023-04-18 | 湖南大学深圳研究院 | 一种基于迁移对比学习的城市交通流量预测方法和设备 |
| CN118313694A (zh) * | 2024-06-05 | 2024-07-09 | 云南建设基础设施投资股份有限公司 | 智慧高速公路协同管控方法、***及装置 |
| CN118313694B (zh) * | 2024-06-05 | 2024-08-13 | 云南建设基础设施投资股份有限公司 | 智慧高速公路协同管控方法、***及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378531A (zh) | 一种融合时空特征的交通流预测方法 | |
| CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及*** | |
| CN109410575B (zh) | 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 | |
| CN107230351B (zh) | 一种基于深度学习的短时交通流预测方法 | |
| CN110766942B (zh) | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 | |
| CN108629978A (zh) | 一种基于高维路网和循环神经网络的交通轨迹预测方法 | |
| CN105513359B (zh) | 一种基于智能手机移动检测的城市快速路交通状态估计方法 | |
| CN107180530A (zh) | 一种基于深度时空卷积循环网络的路网状态预测方法 | |
| CN113362598B (zh) | 一种高速公路服务区车流量预测方法 | |
| CN113487066A (zh) | 基于多属性增强图卷积-Informer模型的长时序货运量预测方法 | |
| CN110299011A (zh) | 一种基于收费数据的高速公路任意断面的交通流预测方法 | |
| CN111598325A (zh) | 基于层次聚类和分层注意力机制的交通速度预测方法 | |
| CN116029459B (zh) | 结合图傅里叶变换tmgcn交通流预测模型的提取方法 | |
| CN110310479A (zh) | 一种城市交通流量预测***及方法 | |
| CN110516846A (zh) | 基于lstm神经网络的道路交叉口转向比预测方法 | |
| CN113051811B (zh) | 一种基于gru网络的多模式短期交通拥堵预测方法 | |
| CN106339769A (zh) | 一种面向移动社会网络的用户出行预测方法 | |
| CN113516304A (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
| CN110930693A (zh) | 一种用于道路断面的在线短时交通流预测方法 | |
| Zhang et al. | Forecast daily tourist volumes during the epidemic period using COVID-19 data, search engine data and weather data | |
| Gao et al. | NDVI forecasting model based on the combination of time series decomposition and CNN–LSTM | |
| Li et al. | Underground mine truck travel time prediction based on stacking integrated learning | |
| CN112927507B (zh) | 一种基于LSTM-Attention的交通流量预测方法 | |
| CN116777452B (zh) | 智能电表的预付费***及其方法 | |
| Di et al. | An automatic and integrated self-diagnosing system for the silting disease of drainage pipelines based on SSAE-TSNE and MS-LSTM |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |
|
| RJ01 | Rejection of invention patent application after publication |