CN110516846A - 基于lstm神经网络的道路交叉口转向比预测方法 - Google Patents
基于lstm神经网络的道路交叉口转向比预测方法 Download PDFInfo
- Publication number
- CN110516846A CN110516846A CN201910680264.9A CN201910680264A CN110516846A CN 110516846 A CN110516846 A CN 110516846A CN 201910680264 A CN201910680264 A CN 201910680264A CN 110516846 A CN110516846 A CN 110516846A
- Authority
- CN
- China
- Prior art keywords
- prediction
- intersection
- data
- neural network
- input
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 230000004913 activation Effects 0.000 claims abstract description 20
- 230000002123 temporal effect Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000001537 neural effect Effects 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012956 testing procedure Methods 0.000 claims description 3
- 238000004880 explosion Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 238000013461 design Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000031091 Amnestic disease Diseases 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000006986 amnesia Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006403 short-term memory 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
- G06N3/044—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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Traffic Control Systems (AREA)
Abstract
基于LSTM神经网络的道路交叉口转向比预测方法,首先统计道路交叉口各个进口道不同流向的交通流量,并进行数据预处理;接着,计算道路交叉口所有进口道各个流向的转向比,并拆分训练集和测试集;随后,设计基于LSTM神经网络的预测模型,选择合适的激活函数和损失函数;最后,依次选择不同进口道的训练集和测试集,训练并测试相应的预测模型,完成预测模型的建立,从而应用于道路交叉口转向比的预测。本发明能充分利用交通流的时序特性,有效提高了道路交叉口转向比的预测精度,同时,合理的神经网络结构和良好的激活函数特性,避免了梯度***和梯度弥散问题,提高了预测方法的适用性。
Description
技术领域
本发明涉及智能交通的道路交叉口转向比预测,道路交叉口转向比预测用于交通信号控制调整、交通设计和交通规划。
背景技术
在智能交通领域,交通流参数的预测是一个很重要的研究方向。如果能比较准确地预测相关的交通流参数,如路段速度、交通流量、旅行时间、道路交叉口转向比等,城市交通管理者就可以提前进行交通信号控制调整,或进行合理的交通设计和规划,从而缓解城市交通拥堵,提高通行效率。在智能交通***中,道路交叉口转向比表示在一定时间段内道路交叉口某进口道各个流向车辆数的比例,是描述交通流特性的一个基本参数,能够呈现该时间段内道路交叉口车流转向的非线性变化现象。道路交叉口转向比的研究与预测,对交通信号控制、交通设计和交通规划都有非常大的帮助。
智能交通领域存在着许多道路交叉口转向比预测的方法,这些方法可以分为两类。第一类方法是基于动态OD(Origin-Destination)矩阵的方法,如递归估计、卡尔曼滤波、Bell车队扩散法等,此外,采用Fratar和Furness等应用模型的预测方法也属于这类方法。这类方法都是采用线性模型进行推导,并由此计算OD矩阵和预测道路交叉口转向比。这类方法对交通流的平滑性有一定要求,适合长时间经过平滑处理的道路交叉口转向比预测,但在实际的交通环境中,由于道路交叉口的交通流是非线性变化,这类采用线性模型的道路交叉口预测方法很难进行有效预测和高精度预测。第二类方法是基于卡尔曼滤波、BP(Back Propagation)神经网络等的预测方法,这类方法虽然在算法效率和预测精度上有所提高,但不能有效利用道路交叉口转向比在时间维度上的相关性和周期性,存在较大的局限性。
目前,现有的道路交叉口转向比预测方法存在以下主要问题:1)大多数方法都采用线性模型来推导和预测道路交叉口转向比,这类方法要求交通流具有较好的平滑性,无法适应非线性变化的实际交通流,不符合实际的交通需求;2)其它基于卡尔曼滤波和BP神经网络等的预测方法,虽然在算法效率和预测精度有所提高,但这类方法却完全忽略了转向比在时间上的相关性和周期性,其预测精度受到较大的限制。
发明内容
本发明要克服现有技术的上述不足之处,提供一种基于LSTM(Long Short-TermMemory,长短期记忆网络)神经网络的道路交叉口转向比预测方法。
本发明首先统计道路交叉口各个进口道的交通流量,经数据预处理后计算所有进口道各流向的转向比,并拆分为训练集与测试集;然后,设计基于LSTM神经网络的时间序列预测模型,确定整个网络的详细结构,并选择激活函数和损失函数;最后,采用训练集训练该预测模型,并采用测试集测试该预测模型,从而完成预测模型的建立,可以用于道路交叉口转向比的预测。本发明充分利用了交通流量的时序特性,有效地提高了道路交叉口转向比的预测精度;同时,神经网络的设计和激活函数的选择,有效地避免了梯度***和梯度弥散问题,提高了预测方法的适用性。
本发明是通过以下技术方案达到上述目的,即基于LSTM神经网络的道路交叉口转向比预测方法,具体的实施步骤如下:
(1)统计道路交叉口各个进口道的交通流量。根据道路交叉口安装的各种流量检测器,统计得到单位时间内各个进口道不同流向的交通流量,包括左转、直行和右转等三个流向,单位为pcu/h(pcu,passenger car unit,标准小客车单位,也即标准车当量数)。
(2)对步骤(1)采集的交通流量数据进行数据预处理,消除各种数据异常现象。在实际的交通环境中,由于数据传输、天气或设备本身等原因,采集获得的交通流量数据存在缺失值、重复值或异常值等现象,因此,需要进行数据预处理,检测并修正这些异常数据。具体的数据修正方法,可以采用一段时期的历史均值来修正异常数据,也可以采用其它修正方法。
(3)基于步骤(2)所得到的数据,计算道路交叉口的转向比,并拆分数据集。根据预处理后的交通流量数据,计算道路交叉口所有进口道各个流向交通流量的占比,包括左转、直行和右转等三个流向的占比,并根据进口道把交通流量数据拆分为训练集和测试集。通常,一个十字道路交叉口有四个进口道,那数据集就需要拆分为四个训练集和测试集,用于训练和测试不同进口道的转向比预测模型。
(4)设计基于LSTM神经网络的预测模型,并选择激活函数和损失函数。本发明设计的LSTM神经网络共有五层,包括输入层、LSTM层、Dropout层、全连接层和输出层。输入层为单周期内道路交叉口某个进口道的转向比,并依次经过LSTM层、Dropout层、全连接层,最后从输出层得到预测结果;LSTM层使用LSTM神经单元对输入数据进行计算,可以提取和记忆输入数据的时序特性;Dropout层是为了防止训练所得模型过拟合,用于提升模型的泛化能力;全连接层是用于连接Dropout层的输出至输出层;输出层则采用ReLU激活函数将结果限制在正数区间,并作为最终的预测结果。整个预测模型的损失函数采用均方误差,基于此误差进行反向传播更新神经网络的权重。
LSTM层LSTM神经单元的内部状态变化为:
ft=σ(Wf·[ht-1,Xt]+bf) (1)
it=σ(Wi·[ht-1,Xt]+bi) (2)
ot=σ(Wo·[ht-1,Xt]+bo) (3)
ct=ft⊙ct-1+it⊙tanh(Wc[ht-1,Xt]+bc) (4)
ht=ot⊙tanh(ct) (5)
其中,Xt表示当前时刻的输入,ft、it、ot分别表示LSTM神经单元的遗忘门、输入门和输出门,Wf、Wi、Wo、Wc分别表示遗忘门的权重矩阵、输入门的权重矩阵、输出门的权重矩阵和当前输入单元状态的权重矩阵,bf、bi、bo、bc分别表示遗忘门的偏置、输入门的偏置、输出门的偏置和当前输入单元状态的偏置;ht-1、ht分别为上一时刻和当前时刻的隐藏层状态,也即上一时刻和当前时刻的隐藏层输出,ct-1、ct分别为上一时刻和当前时刻的细胞状态,[ht-1,Xt]表示将上一时刻的隐藏层状态与当前时刻的输入拼接为各单元的实际输入;σ(·)表示sigmoid函数变换,tanh(·)表示双曲正切函数变换,⊙表示点积运算。
全连接层的运算为:
y'=Wht+b (6)
其中,ht为当前时刻的隐藏层输出,W为全连接层权重矩阵,b为全连接层偏置,y'为全连接层的输出。
输出层的激活函数为ReLU函数,具体如下:
其中,x为输出层的输入,也即全连接层的输出,通过ReLU激活函数可以将输出层的输出限制在正数区间。
损失函数采用均方误差(MSE:Mean Square Error),具体如下:
其中,N是训练样本数,yt为t时刻的真实值,为t时刻的预测值,整个预测模型基于该均方误差进行反向传播更新神经网络的权重。
(5)采用基于步骤(3)所得到的数据集,训练并测试步骤(4)的预测模型,从而完成预测模型的建立,可以用于道路交叉口转向比的预测。通过训练集数据的训练,可以计算基于LSTM神经网络预测模型的所有参数,包括各类权重矩阵和偏置项。训练完成后,可以用测试集数据测试该模型预测道路交叉口转向比的准确性。不同进口道转向比的训练和测试,需要采用对应进口道的训练集和测试集。
本发明的有益效果在于:(1)本发明根据交通流的时序特性,设计了基于LSTM神经网络的道路交叉口转向比预测模型,LSTM神经单元具有较好地记忆,可以提取交通流量的时序特性,如非突变性、周期性等,有效地提高了预测精度;(2)本发明建立的预测模型,采用了遗忘门等门控单元和ReLU激活函数,有效地避免了梯度***和梯度弥散问题,加快了网络的收敛速度,提高了预测方法的适用性。
附图说明
图1是本发明方法的总体流程图。
图2是本发明方法的LSTM神经网络总体结构图。
图3是本发明方法的LSTM神经单元的内部结构图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
本发明的基于LSTM神经网络的道路交叉口转向比预测方法,具体的实施步骤如下:
(1)统计道路交叉口各个进口道的交通流量。根据道路交叉口安装的各种流量检测器,统计得到单位时间内各个进口道不同流向的交通流量,包括左转、直行和右转等三个流向,单位为pcu/h(pcu,passenger car unit,标准小客车单位,也即标准车当量数)。
(2)对步骤(1)采集的交通流量数据进行数据预处理,消除各种数据异常现象。在实际的交通环境中,由于数据传输、天气或设备本身等原因,采集获得的交通流量数据存在缺失值、重复值或异常值等现象,因此,需要进行数据预处理,检测并修正这些异常数据。具体的数据修正方法,可以采用一段时期的历史均值来修正异常数据,也可以采用其它修正方法。
(3)基于步骤(2)所得到的数据,计算道路交叉口的转向比,并拆分数据集。根据预处理后的交通流量数据,计算道路交叉口所有进口道各个流向交通流量的占比,包括左转、直行和右转等三个流向的占比,并根据进口道把交通流量数据拆分为训练集和测试集。通常,一个十字道路交叉口有四个进口道,那数据集就需要拆分为四个训练集和测试集,用于训练和测试不同进口道的转向比预测模型。
(4)设计基于LSTM神经网络的预测模型,并选择激活函数和损失函数。本发明设计的LSTM神经网络共有五层,包括输入层、LSTM层、Dropout层、全连接层和输出层。输入层为单周期内道路交叉口某个进口道的转向比,并依次经过LSTM层、Dropout层、全连接层,最后从输出层得到预测结果;LSTM层使用LSTM神经单元对输入数据进行计算,可以提取和记忆输入数据的时序特性;Dropout层是为了防止训练所得模型过拟合,用于提升模型的泛化能力;全连接层是用于连接Dropout层的输出至输出层;输出层则采用ReLU激活函数将结果限制在正数区间,并作为最终的预测结果。整个预测模型的损失函数采用均方误差,基于此误差进行反向传播更新神经网络的权重。
LSTM层LSTM神经单元的内部状态变化为:
ft=σ(Wf·[ht-1,Xt]+bf) (1)
it=σ(Wi·[ht-1,Xt]+bi) (2)
ot=σ(Wo·[ht-1,Xt]+bo) (3)
ct=ft⊙ct-1+it⊙tanh(Wc[ht-1,Xt]+bc) (4)
ht=ot⊙tanh(ct) (5)
其中,Xt表示当前时刻的输入,ft、it、ot分别表示LSTM神经单元的遗忘门、输入门和输出门,Wf、Wi、Wo、Wc分别表示遗忘门的权重矩阵、输入门的权重矩阵、输出门的权重矩阵和当前输入单元状态的权重矩阵,bf、bi、bo、bc分别表示遗忘门的偏置、输入门的偏置、输出门的偏置和当前输入单元状态的偏置;ht-1、ht分别为上一时刻和当前时刻的隐藏层状态,也即上一时刻和当前时刻的隐藏层输出,ct-1、ct分别为上一时刻和当前时刻的细胞状态,[ht-1,Xt]表示将上一时刻的隐藏层状态与当前时刻的输入拼接为各单元的实际输入;σ(·)表示sigmoid函数变换,tanh(·)表示双曲正切函数变换,⊙表示点积运算。
全连接层的运算为:
y'=Wht+b (6)
其中,ht为当前时刻的隐藏层输出,W为全连接层权重矩阵,b为全连接层偏置,y'为全连接层的输出。
输出层的激活函数为ReLU函数,具体如下:
其中,x为输出层的输入,也即全连接层的输出,通过ReLU激活函数可以将输出层的输出限制在正数区间。
损失函数采用均方误差(MSE:Mean Square Error),具体如下:
其中,N是训练样本数,yt为t时刻的真实值,为t时刻的预测值,整个预测模型基于该均方误差进行反向传播更新神经网络的权重。
(5)采用基于步骤(3)所得到的数据集,训练并测试步骤(4)的预测模型,从而完成预测模型的建立,可以用于道路交叉口转向比的预测。通过训练集数据的训练,可以计算基于LSTM神经网络预测模型的所有参数,包括各类权重矩阵和偏置项。训练完成后,可以用测试集数据测试该模型预测道路交叉口转向比的准确性。不同进口道转向比的训练和测试,需要采用对应进口道的训练集和测试集。
如附图1,本发明方法首先通过各种流量检测器,统计获得道路交叉口各个进口道不同流向的交通流量;然后,对交通流量数据进行数据预处理,消除各种数据异常现象,包括缺失值、重复值或异常值等;接着,计算道路交叉口所有进口道各个流向的转向比,包括左转、直行和右转,并把数据集拆分为不同进口道的训练集和测试集;随后,设计基于LSTM神经网络的预测模型,确定该模型的详细网络结构,并选择合适的激活函数和损失函数;最后,依次选择不同进口道的训练集和测试集,训练并测试相应的预测模型,完成预测模型的建立并用于道路交叉口转向比的预测。在训练和测试的过程中,首先设置预测模型的超参数,包括隐藏层神经单元个数、学习率、批尺寸(batch size)、Epoch次数和优化算法等;然后,选择某进口道的训练集和测试集,初始化预测模型的参数,包括权重矩阵和偏置项等;接着,采用训练集数据进行训练;训练完成后,采用相应的测试集数据进行测试;分析测试结果,如果预测精度不满足要求,则需要重新调整超参数,重新训练预测模型;最终,完成所有进口道预测模型的训练和测试,可以用于实际道路交叉口转向比的预测。
如附图2,本发明方法设计的基于LSTM神经网络的预测模型共有五层神经网络,包括输入层、LSTM层、Dropout层、全连接层和输出层。输入层为单周期内道路交叉口某个进口道的转向比,并依次经过LSTM层、Dropout层、全连接层,最后从输出层得到预测结果;LSTM层使用LSTM神经单元对输入数据进行计算,可以提取和记忆输入数据的时序特性;Dropout层是为了防止训练所得模型过拟合,用于提升模型的泛化能力;全连接层是用于连接Dropout层的输出至输出层;输出层则采用激活函数将结果限制在正数区间,并作为最终的预测结果。
如附图3,本方法的LSTM层LSTM神经单元的内部变化状态如下:
ft=σ(Wf·[ht-1,Xt]+bf) (1)
it=σ(Wi·[ht-1,Xt]+bi) (2)
ot=σ(Wo·[ht-1,Xt]+bo) (3)
ct=ft⊙ct-1+it⊙tanh(Wc[ht-1,Xt]+bc) (4)
ht=ot⊙tanh(ct) (5)
其中,Xt表示当前时刻的输入,ft、it、ot分别表示LSTM神经单元的遗忘门、输入门和输出门,Wf、Wi、Wo、Wc分别表示遗忘门的权重矩阵、输入门的权重矩阵、输出门的权重矩阵和当前输入单元状态的权重矩阵,bf、bi、bo、bc分别表示遗忘门的偏置、输入门的偏置、输出门的偏置和当前输入单元状态的偏置;ht-1、ht分别为上一时刻和当前时刻的隐藏层状态,也即上一时刻和当前时刻的隐藏层输出,ct-1、ct分别为上一时刻和当前时刻的细胞状态,[ht-1,Xt]表示将上一时刻的隐藏层状态与当前时刻的输入拼接为各单元的实际输入,如附图3中采用表示;σ(·)表示sigmoid函数变换,tanh(·)表示双曲正切函数变换,⊙表示点积运算,如附图3中采用表示。
由于采用时序输入,且LSTM每个神经单元的状态均保留了当前输入与前向状态,因此LSTM神经网络能够较好地捕捉输入数据的时序特性。同时,由于遗忘门等门控单元的存在,使得LSTM神经网络能够解决传统循环神经网络中长期记忆缺失的问题。
实验结果表明,本发明提出的基于LSTM神经网络的道路交叉口转向比预测方法是有效的,相对于其它预测方法,LSTM神经网络对历史数据有较好地记忆,可以捕捉交通流量数据的时序特性,从而有效地提高预测精度,同时由于遗忘门等门控单元和ReLU激活函数的良好特性,可以有效地避免梯度弥散与梯度***问题,加快整个神经网络的收敛速度。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.基于LSTM神经网络的道路交叉口转向比预测方法,包括如下步骤:
(1)统计道路交叉口各个进口道的交通流量;根据道路交叉口安装的各种流量检测器,统计得到单位时间内各个进口道不同流向的交通流量,包括左转、直行和右转等三个流向;
(2)对步骤(1)采集的交通流量数据进行数据预处理,消除各种数据异常现象;在实际的交通环境中,由于数据传输、天气或设备本身等原因,采集获得的交通流量数据存在缺失值、重复值或异常值等现象,因此,需要进行数据预处理,检测并修正这些异常数据;
(3)基于步骤(2)所得到的数据,计算道路交叉口的转向比,并拆分数据集;根据预处理后的交通流量数据,计算道路交叉口所有进口道各个流向交通流量的占比,包括左转、直行和右转等三个流向的占比,并根据进口道把交通流量数据拆分为训练集和测试集;
(4)设计基于LSTM神经网络的预测模型,并选择激活函数和损失函数;本发明设计的LSTM神经网络共有五层,包括输入层、LSTM层、Dropout层、全连接层和输出层;输入层为单周期内道路交叉口某个进口道的转向比,并依次经过LSTM层、Dropout层、全连接层,最后从输出层得到预测结果;LSTM层使用LSTM神经单元对输入数据进行计算,可以提取和记忆输入数据的时序特性;Dropout层是为了防止训练所得模型过拟合,用于提升模型的泛化能力;全连接层是用于连接Dropout层的输出至输出层;输出层则采用ReLU激活函数将结果限制在正数区间,并作为最终的预测结果;整个预测模型的损失函数采用均方误差,基于此误差进行反向传播更新神经网络的权重;
LSTM层LSTM神经单元的内部状态变化为:
ft=σ(Wf·[ht-1,Xt]+bf) (1)
it=σ(Wi·[ht-1,Xt]+bi) (2)
ot=σ(Wo·[ht-1,Xt]+bo) (3)
ct=ft⊙ct-1+it⊙tanh(Wc[ht-1,Xt]+bc) (4)
ht=ot⊙tanh(ct) (5)
其中,Xt表示当前时刻的输入,ft、it、ot分别表示LSTM神经单元的遗忘门、输入门和输出门,Wf、Wi、Wo、Wc分别表示遗忘门的权重矩阵、输入门的权重矩阵、输出门的权重矩阵和当前输入单元状态的权重矩阵,bf、bi、bo、bc分别表示遗忘门的偏置、输入门的偏置、输出门的偏置和当前输入单元状态的偏置;ht-1、ht分别为上一时刻和当前时刻的隐藏层状态,也即上一时刻和当前时刻的隐藏层输出,ct-1、ct分别为上一时刻和当前时刻的细胞状态,[ht-1,Xt]表示将上一时刻的隐藏层状态与当前时刻的输入拼接为各单元的实际输入;σ(·)表示sigmoid函数变换,tanh(·)表示双曲正切函数变换,⊙表示点积运算;
全连接层的运算为:
y'=Wht+b (6)
其中,ht为当前时刻的隐藏层输出,W为全连接层权重矩阵,b为全连接层偏置,y'为全连接层的输出;
输出层的激活函数为ReLU函数,具体如下:
其中,x为输出层的输入,也即全连接层的输出,通过ReLU激活函数可以将输出层的输出限制在正数区间;
损失函数采用均方误差,具体如下:
其中,N是训练样本数,yt为t时刻的真实值,为t时刻的预测值,整个预测模型基于该均方误差进行反向传播更新神经网络的权重;
(5)采用基于步骤(3)所得到的数据集,训练并测试步骤(4)的预测模型,从而完成预测模型的建立,可以用于道路交叉口转向比的预测;通过训练集数据的训练,可以计算基于LSTM神经网络预测模型的所有参数,包括各类权重矩阵和偏置项;训练完成后,可以用测试集数据测试该模型预测道路交叉口转向比的准确性;不同进口道转向比的训练和测试,需要采用对应进口道的训练集和测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910680264.9A CN110516846A (zh) | 2019-07-26 | 2019-07-26 | 基于lstm神经网络的道路交叉口转向比预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910680264.9A CN110516846A (zh) | 2019-07-26 | 2019-07-26 | 基于lstm神经网络的道路交叉口转向比预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110516846A true CN110516846A (zh) | 2019-11-29 |
Family
ID=68623618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910680264.9A Pending CN110516846A (zh) | 2019-07-26 | 2019-07-26 | 基于lstm神经网络的道路交叉口转向比预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516846A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179596A (zh) * | 2020-01-06 | 2020-05-19 | 南京邮电大学 | 基于组归一化和网格化协同的交通流预测方法 |
CN111275975A (zh) * | 2020-02-28 | 2020-06-12 | 清华大学 | 一种交叉口转向流量数据的获取方法、装置和存储介质 |
CN111461413A (zh) * | 2020-03-20 | 2020-07-28 | 淮阴工学院 | 一种公路路面使用性能检测*** |
CN111702754A (zh) * | 2020-05-14 | 2020-09-25 | 国网安徽省电力有限公司检修分公司 | 一种基于模仿学习的机器人避障轨迹规划方法及机器人 |
CN112242060A (zh) * | 2020-10-16 | 2021-01-19 | 深圳先进技术研究院 | 交通流量预测方法及装置、计算机设备及可读存储介质 |
CN113409599A (zh) * | 2021-06-16 | 2021-09-17 | 河南省城乡规划设计研究总院股份有限公司 | 一种基于信息预测的城市公交优先协调控制方法 |
CN114626467A (zh) * | 2022-03-17 | 2022-06-14 | 湖南优湖科技有限公司 | 基于深度学习的特征交叉电梯困人时间序列预测模型构建方法、所得模型及预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927891A (zh) * | 2014-04-29 | 2014-07-16 | 北京建筑大学 | 一种基于双贝叶斯的路口动态转向比例两步预测方法 |
CN106128103A (zh) * | 2016-07-26 | 2016-11-16 | 北京市市政工程设计研究总院有限公司 | 一种基于逐级递归控制的道路交叉口转向交通量分配方法及装置 |
CN109002917A (zh) * | 2018-07-13 | 2018-12-14 | 山东省农业信息中心 | 基于lstm神经网络的粮食总产量多维时间序列预测方法 |
CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
-
2019
- 2019-07-26 CN CN201910680264.9A patent/CN110516846A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927891A (zh) * | 2014-04-29 | 2014-07-16 | 北京建筑大学 | 一种基于双贝叶斯的路口动态转向比例两步预测方法 |
CN106128103A (zh) * | 2016-07-26 | 2016-11-16 | 北京市市政工程设计研究总院有限公司 | 一种基于逐级递归控制的道路交叉口转向交通量分配方法及装置 |
CN109002917A (zh) * | 2018-07-13 | 2018-12-14 | 山东省农业信息中心 | 基于lstm神经网络的粮食总产量多维时间序列预测方法 |
CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
Non-Patent Citations (3)
Title |
---|
JIAWEI WANG ET AL.: "Traffic speed prediction for urban transportation network: A path based deep learning approach", 《TRANSPORTATION RESEARCH: PART C》 * |
ZHAO ZHENG ET AL.: "LSTM network: a deep learning approach for short‐term traffic forecast", 《IET INTELLIGENT TRANSPORT SYSTEMS》 * |
李瑞敏 等: "基于神经网络的路***通流转向比预测", 《西南交通大学学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179596A (zh) * | 2020-01-06 | 2020-05-19 | 南京邮电大学 | 基于组归一化和网格化协同的交通流预测方法 |
CN111275975A (zh) * | 2020-02-28 | 2020-06-12 | 清华大学 | 一种交叉口转向流量数据的获取方法、装置和存储介质 |
CN111275975B (zh) * | 2020-02-28 | 2021-04-02 | 清华大学 | 一种交叉口转向流量数据的获取方法、装置和存储介质 |
CN111461413A (zh) * | 2020-03-20 | 2020-07-28 | 淮阴工学院 | 一种公路路面使用性能检测*** |
CN111461413B (zh) * | 2020-03-20 | 2024-04-19 | 淮阴工学院 | 一种公路路面使用性能检测*** |
CN111702754A (zh) * | 2020-05-14 | 2020-09-25 | 国网安徽省电力有限公司检修分公司 | 一种基于模仿学习的机器人避障轨迹规划方法及机器人 |
CN111702754B (zh) * | 2020-05-14 | 2022-08-12 | 国网安徽省电力有限公司超高压分公司 | 一种基于模仿学习的机器人避障轨迹规划方法及机器人 |
CN112242060A (zh) * | 2020-10-16 | 2021-01-19 | 深圳先进技术研究院 | 交通流量预测方法及装置、计算机设备及可读存储介质 |
CN112242060B (zh) * | 2020-10-16 | 2022-06-21 | 深圳先进技术研究院 | 交通流量预测方法及装置、计算机设备及可读存储介质 |
CN113409599A (zh) * | 2021-06-16 | 2021-09-17 | 河南省城乡规划设计研究总院股份有限公司 | 一种基于信息预测的城市公交优先协调控制方法 |
CN114626467A (zh) * | 2022-03-17 | 2022-06-14 | 湖南优湖科技有限公司 | 基于深度学习的特征交叉电梯困人时间序列预测模型构建方法、所得模型及预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516846A (zh) | 基于lstm神经网络的道路交叉口转向比预测方法 | |
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及*** | |
CN107967532B (zh) | 融合区域活力的城市交通流量预测方法 | |
US10748421B2 (en) | Method for estimating distribution of urban road travel time in considering operation state of taxi | |
CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
El-Shafie et al. | Dynamic versus static neural network model for rainfall forecasting at Klang River Basin, Malaysia | |
CN103927891B (zh) | 一种基于双贝叶斯的路口动态转向比例两步预测方法 | |
CN110766942A (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 | |
CN105741549B (zh) | 一种基于空间copula理论的交通流量预测方法 | |
CN111709549A (zh) | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 | |
CN113177657B (zh) | 轨道交通客流预测方法及装置 | |
CN110288825B (zh) | 基于多源数据融合和snmf的交通控制子区聚类划分方法 | |
CN111862592B (zh) | 一种基于rgcn的交通流预测方法 | |
CN106373390A (zh) | 基于自适应神经模糊推理***的道路交通状态评价方法 | |
CN109191845A (zh) | 一种公交车辆到站时间预测方法 | |
CN110930693B (zh) | 一种用于道路断面的在线短时交通流预测方法 | |
CN112201037B (zh) | 一种基于抽样轨迹数据的交叉口到达率估计方法 | |
CN110378531A (zh) | 一种融合时空特征的交通流预测方法 | |
Xu et al. | A combined model of random forest and multilayer perceptron to forecast expressway traffic flow | |
CN105303835B (zh) | 一种道路交通流状态的短时预测方法 | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
Zhang et al. | Traffic flow prediction based on cascaded artificial neural network | |
CN113393104B (zh) | 一种轨道交通运行状态对周边公共自行车影响的评价方法 | |
CN111524358B (zh) | 一种区域辐射***通流量预测方法 | |
Lu et al. | Prediction of tourist flow based on multi‐source traffic data in scenic spot |
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: 20191129 |
|
RJ01 | Rejection of invention patent application after publication |