CN111210633B - 一种基于深度学习的短时交通流预测方法 - Google Patents
一种基于深度学习的短时交通流预测方法 Download PDFInfo
- Publication number
- CN111210633B CN111210633B CN202010083361.2A CN202010083361A CN111210633B CN 111210633 B CN111210633 B CN 111210633B CN 202010083361 A CN202010083361 A CN 202010083361A CN 111210633 B CN111210633 B CN 111210633B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- time
- representing
- moment
- periodic
- 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 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 230000000737 periodic effect Effects 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于深度学习的短时交通流预测方法属于交通预测领域。本发明首先使用卷积神经网络提取交通流的空间特征;然后使用引入注意力机制的门控循环单元提取时间特征,通过注意力机制计算不同时刻交通流特征的重要性,使模型更关注重要性大的特征;接着利用交通流数据的周期特性提取周期特征;最后融合所有特征进行预测。该方法解决了现有预测方法无法充分利用交通流数据时空特征的缺点,提高了交通流的预测精度,可以更好地解决短时交通流预测问题。
Description
技术领域
本发明属于交通预测领域,具体涉及一种基于深度学习的短时交通流预测方法。
背景技术
随着全国机动车保有量的不断增加,城市交通拥堵问题越来越严重。交通拥堵不仅耽误人们出行,减少社会活动效率,还会浪费大量资源,造成城市空气污染。为了解决交通拥堵问题,智能交通***(Intelligent Transport System,ITS)应运而生。ITS通过综合运用大数据、人工智能等技术手段,对道路交通数据进行收集和分析,提高现有交通设施的运行效率,缓解城市交通压力。交通流预测是ITS的核心功能之一。
由于交通流具有时变性,所以一般采用短时预测来对交通***进行诱导。短时交通流预测是指利用地磁、传感线圈等设备实时获取的交通流数据去预测未来半小时内的交通流量。通过预测交通流不仅可以为公众出行提供服务,改善导航***,还可以为交通管理部门提供有效技术支持,提高道路资源的利用率。因此,利用交通大数据进行短时交通流预测已成为智能交通领域的研究热点。
国内外学者针对短时交通流预测提出的方法主要分为三类,一是统计理论模型,主要包括历史平均模型、卡尔曼滤波模型和自回归差分移动平均模型(ARIMA);二是以支持向量回归(SVR)为代表的机器学习模型;三是新兴的深度学习模型。道路交通***是一个典型的复杂***,周末节假日、交通出行早晚高峰、天气状况等因素以非线性方式相互作用,导致传统的浅层预测模型在实际应用中往往失效。近年来,深度学习在图像识别、自然语言处理等研究领域取得了一系列突破,交通流数据与深度学习常用领域中的研究数据类似,具有丰富的时空特征,结合深度学习进行短时交通流预测具有很大的研究价值。
交通流数据具有时空特征。在时间上,由于道路上车辆的聚集和发散是一个渐进过程,所以之前时刻的交通流量会影响下一时刻的交通流量;在空间上,相邻观测点之间的交通流量是密切相关的,单个道路上下游观测点的交通流量存在时延关系,分叉道路不同观测点的交通流量存在和差关系。门控循环单元(GRU)只关注交通流数据的时间特征,忽略了空间特征,而卷积神经网络(CNN)更关注空间特征,将两者结合可以充分提取交通流数据的时空特征。
本发明将卷积神经网络、门控循环单元以及注意力机制技术应用到交通流预测领域,提出了一种新颖的短时交通流预测方法。通过结合卷积神经网络和门控循环单元提取交通流数据的时空特征,并利用注意力机制优化网络结构。与现有预测方法相比,本发明具有更高的预测精度,可以更好地解决短时交通流预测问题。
发明内容
为了解决现有短时交通流预测方法未能充分利用交通流数据的时空特征以实现准确预测的问题,本发明提出一种基于深度学习的短时交通流预测方法。首先使用卷积神经网络提取交通流的空间特征,然后使用引入注意力机制的门控循环单元提取时间特征,同时利用交通流数据的周期特性提取周期特征,最后融合所有特征进行预测。注意力机制可以自适应地捕获不同时刻输入特征的影响,从而提升交通流的预测精度。
为实现上述发明目的,本发明采用以下技术方案:
步骤1.交通流数据预处理。对观测点所有时刻的交通流数据进行最大最小归一化处理,计算公式为:
其中,xmax和xmin分别表示观测点所有时刻交通流数据的最大值和最小值,x为观测点某个时刻的交通流,f为x最大最小归一化之后的交通流。
对于归一化后的交通流数据,为了充分提取时空特征,需要将一维的交通流数据转换为二维的交通流量矩阵,矩阵的两个维度分别为时间维度和空间维度。构建交通流量输入矩阵如下所示:
其中,横向表示所有观测点在一个时刻的交通流数据,s表示观测点的个数,纵向表示一个观测点对应的所有时刻数据,t表示时刻的个数,矩阵中的元素xts表示第s个观测点在第t个时刻的交通流量。
步骤2.构建卷积神经网络提取空间特征。卷积神经网络主要包括卷积层和池化层。为了充分保留特征,不使用池化层对特征矩阵进行压缩,只使用卷积层提取特征。使用一维卷积处理交通流量输入矩阵中的每一行元素,通过滑动一维卷积的卷积核获取相邻观测点的空间特征。使用以下公式表示卷积操作:
ci=f(Wcxi+bc) (3)
其中,ci表示第i个卷积核在滑动过程中提取的局部特征,Wc表示卷积核处理输入的权重,bc为偏置项,xi表示第i个卷积核对应的输入,f表示Leaky Relu激活函数。
步骤3.构建引入注意力机制的门控循环单元提取时间特征。将步骤2提取的空间特征输入到引入注意力机制的门控循环单元中进行处理,从而提取时间特征。引入注意力机制的门控循环单元的构建过程如下:
步骤3.1构建门控循环单元。门控循环单元的计算过程如公式(4)~(7)所示。其中,zt和rt分别表示更新门和重置门,ht表示门控循环单元在t时刻的隐藏状态,表示ht的候选状态,xt表示t时刻输入的特征向量,ht-1表示t-1时刻的隐藏状态,σ表示Sigmoid激活函数,tanh表示双曲正切激活函数,⊙代表矩阵乘法,Wz,Wr,Wh,Uz,Ur,Uh,bz,br,bh为需要学习的参数。
zt=σ(Wzxt+Uzht-1+bz) (4)
rt=σ(Wrxt+Urht-1+br) (5)
步骤3.2针对门控循环单元引入注意力机制。对于门控循环单元输出的t时刻的隐藏状态ht,采用以下注意力机制公式进行处理:
et=vetanh(Weht+be) (8)
其中,ve,We,be为需要学习的参数,et为第t个时刻隐藏状态ht对应的注意力评分值,tanh为激活函数,T表示时刻总个数,αt为et进行Softmax归一化后得到的权重系数,c对门控循环单元输出的各个时刻隐藏状态进行了加权,表示含有注意力概率分布的交通流特征。
步骤4.利用交通流数据的周期特性提取周期特征。人们每天的工作时间通常是固定的,因此出行产生的交通流量存在以日、周为单位的相似规律。分别以日、周为周期单位构建周期流量输入矩阵如下所示:
其中,d表示预测时刻在前一天的对应时刻,w表示预测时刻在前一周的对应时刻,n为周期时间步长,s表示需要预测的观测点总数量,x(d+n)s表示第s个观测点在第d+n个时刻的交通流量,x(w+n)s表示第s个观测点在第w+n个时刻的交通流量。对于周期流量输入矩阵,不同观测点之间的空间影响较小,仅需提取时间特征,因此将其输入到引入注意力机制的门控循环单元中进行处理,以获取交通流数据的周期特征。
步骤5.融合所有特征进行预测。将步骤2和步骤3提取的时空特征和步骤4提取的周期特征进行拼接融合,输入到全连接层中进行处理,最后输出所有观测点的预测流量。使用均方误差函数作为模型训练的损失函数,该函数具体定义如下:
其中,Pst表示第s个观测点在第t个时刻的交通流预测值,Fst表示第s个观测点在第t个时刻的交通流真实值,N是预测值的总个数。根据上述损失函数,通过反向传播算法不断更新模型参数。训练好模型之后,将之前时刻的交通流数据输入到模型中,模型最后输出所有观测点在下一时刻的交通流预测值。
与现有技术相比,本发明的有益效果为:针对现有短时交通流预测方法无法充分利用交通流的时空特征以实现准确预测的问题,本发明结合卷积神经网络和门控循环单元提取交通流的时空特征,同时使用单独的门控循环单元提取周期特征。本发明还使用注意力机制优化门控循环单元结构,使模型更关注重要性大的特征,从而提升交通流的预测效果。
附图说明
图1为本发明的执行流程图。
图2为预测模型整体结构图。
图3为引入注意力机制的门控循环单元结构图。
具体实施方式
下面结合附图对本发明进行详细步骤说明。
步骤1.交通流数据预处理。
首先获取观测点在所有时刻的交通流数据,然后对全部交通流数据进行最大最小归一化处理,计算公式为:
其中,xmax和xmin分别表示观测点所有时刻交通流数据的最大值和最小值,x为观测点某个时刻的交通流,f为x最大最小归一化之后的交通流。
交通流数据具有时空特征。在时间上,一个观测点可以在各个时刻持续收集交通流数据,形成一个随时间变化的交通流量序列;在空间上,不同路段可以设置多个观测点,各个观测点的流量彼此影响。因此对于归一化后的交通流数据,为了充分提取时空特征,需要将其转换为二维流量矩阵,矩阵的两个维度分别为时间维度和空间维度。构建交通流量输入矩阵如下所示:
其中,横向表示所有观测点在一个时刻的交通流数据,s表示需要预测的观测点个数,纵向表示一个观测点对应的所有时刻数据,t表示输入时刻的个数,矩阵中的元素xts表示第s个观测点在第t个时刻的交通流量。预测模型需要依据该输入矩阵输出所有观测点在下一时刻的交通流量。
步骤2.构建卷积神经网络提取空间特征。
道路上某个观测点的交通流量不仅与自身历史交通流量有关,还与相邻观测点上的交通流量有关,因此选用卷积神经网络挖掘交通流数据的空间特征。卷积神经网络主要包括卷积层和池化层,具有局部连接和权值共享等特性。这些特性可以大大减少网络的参数数量,加速训练速度,降低特征提取的复杂度。为了充分保留特征,不使用池化层对特征矩阵进行压缩,只使用卷积层提取特征。卷积层主要是使用不同的卷积核对输入数据进行卷积运算从而提取不同的局部特征。使用一维卷积处理交通流量输入矩阵中的每一行元素,通过滑动一维卷积的卷积核获取相邻观测点的空间特征。使用以下公式表示卷积操作:
ci=f(Wcxi+bc)
其中,ci表示第i个卷积核在滑动过程中提取的局部特征,Wc表示卷积核处理输入的权重,bc为偏置项,xi表示第i个卷积核对应的输入,f表示Leaky Relu激活函数。
步骤3.构建引入注意力机制的门控循环单元提取时间特征。
将步骤2提取的空间特征输入到引入注意力机制的门控循环单元中进行处理,从而提取交通流数据的时间特征。下面结合图3详细介绍引入注意力机制的门控循环单元的构建过程。
步骤3.1构建门控循环单元。门控循环单元的计算过程如下所示:
zt=σ(Wzxt+Uzht-1+bz)
rt=σ(Wrxt+Urht-1+br)
其中,zt和rt分别表示更新门和重置门,ht表示门控循环单元输出的第t个时刻隐藏状态,表示ht的候选状态,xt表示t时刻输入的特征向量,ht-1表示t-1时刻的隐藏状态,σ表示Sigmoid激活函数,tanh表示双曲正切激活函数,⊙代表矩阵乘法,Wz,Wr,Wh,Uz,Ur,Uh,bz,br,bh为需要学习的参数。更新门控制前一时刻有多少状态信息被带入到当前状态,重置门控制前一时刻状态信息的忽略程度。门控循环单元不会随着时间清除之前时刻的信息,更新门和重置门实现了信息的长时间传递,使之前时刻的信息可以一直参与网络训练。
步骤3.2针对门控循环单元引入注意力机制。注意力机制通过模拟人脑注意力的特点,对重要的信息给予更多的关注。由于各个时刻的交通流特征对预测时刻流量的影响程度不同,所以需要在传统的门控循环单元后面,引入注意力机制层。注意力机制可以自动计算各个时刻输入特征的重要性,使模型关注重要性大的特征。对于门控循环单元输出的t时刻的隐藏状态ht,采用以下注意力机制公式进行处理:
et=vetanh(Weht+be)
其中,ve,We,be为需要学习的参数,et为第t个时刻隐藏状态ht对应的注意力评分值,tanh为激活函数,T表示时刻总个数,αt为et进行Softmax归一化后得到的权重系数,c对门控循环单元输出的各个时刻隐藏状态进行了加权,表示含有注意力概率分布的交通流特征。通过使用注意力机制加强了重要特征的影响,优化了网络结构,使模型预测的交通流量更为准确。
步骤4.利用交通流数据的周期特性提取周期特征。
人们每天的工作时间通常是固定的,因此出行产生的交通流量存在以日、周为单位的相似规律。如周三早上8点的交通流量和本周二早上8点以及上周三早上8点的交通流量都有相似性。对于预测时刻的流量,前一天和前一周相同时刻以及前后时刻的交通流量都可以提供有用信息。因此分别以日、周为周期单位构建周期流量输入矩阵如下所示:
其中,d表示预测时刻在前一天的对应时刻,w表示预测时刻在前一周的对应时刻,n为周期时间步长,s表示需要预测的观测点总数量,x(d+n)s表示第s个观测点在第d+n个时刻的交通流量,x(w+n)s表示第s个观测点在第w+n个时刻的交通流量。对于周期流量输入矩阵,不同观测点之间的空间影响较小,不需要使用卷积层提取空间特征,只需要提取时间特征。因此将周期流量输入矩阵输入到引入注意力机制的门控循环单元中进行处理,以获取交通流数据的周期特征。
步骤5.融合所有特征进行预测。
将步骤2和步骤3提取的时空特征和步骤4提取的周期特征进行拼接融合,输入到全连接层中进行处理,最后输出所有观测点的预测流量。使用均方误差函数作为模型训练的损失函数,该函数具体定义如下:
其中,Pst表示第s个观测点在第t个时刻的交通流预测值,Fst表示第s个观测点在第t个时刻的交通流真实值,N是预测值的总个数。根据上述损失函数,通过反向传播算法不断更新模型参数。训练好模型之后,将之前时刻的交通流数据输入到模型中,模型最后输出所有观测点在下一时刻的交通流预测值。
下面,通过一个具体实施例来对本发明的预测方法以及其效果进行说明。
本实施例所用的交通流数据的时间间隔为5分钟,选取位于一条高速公路上的连续16个观测点作为本实施例的预测站点。以2018年6月到7月两个月的交通流量作为实验数据,并选取前54天的数据作为训练集,后7天的数据作为测试集。将交通流量输入矩阵的时刻个数设置为12,即使用预测时刻之前60分钟的数据去预测未来5分钟的交通流量。将两个周期流量输入矩阵的时刻个数设置为13。模型训练阶段,将批大小设为64,训练轮数设为100,采用Adam优化器,学习率设为0.001,使用早停法防止过拟合。
使用训练数据训练好模型之后,将测试数据输入到模型中得到预测结果。本实施例使用回归问题最常用的三个评价指标来对模型进行评价,三个指标分别是平均绝对值误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)。
三个指标分别定义为:
其中,Pst表示第s个观测点在第t个时刻的交通流预测值,Fst表示第s个观测点在第t个时刻的交通流真实值,N是预测值的总个数。MAE、RMSE和MAPE的值越小,表明方法的预测效果越好。依据上述评价指标,将本发明提出的方法和线性回归算法(LASSO)、非线性回归算法(SVR)、栈式自编码神经网络(SAE)、卷积神经网络(CNN)和门控循环单元(GRU)进行比较。各个方法的对比结果如表1所示。
表1各个方法预测性能对比
上述分析说明,本发明提出的一种基于深度学习的短时交通流预测方法,相比现有预测方法具有更低的预测误差,可以提升短时交通流的预测精度,其预测结果可以缓解城市交通压力。
Claims (1)
1.一种基于深度学习的短时交通流预测方法,其特征在于,包括以下步骤:
步骤1.交通流数据预处理;对观测点所有时刻的交通流数据进行最大最小归一化处理,计算公式为:
其中,xmax和xmin分别表示观测点所有时刻交通流数据的最大值和最小值,x为观测点某个时刻的交通流,f为x最大最小归一化之后的交通流;
将归一化后的交通流数据转换为二维的交通流量输入矩阵,矩阵的两个维度分别为时间维度和空间维度;构建交通流量输入矩阵如下所示:
其中,横向表示所有观测点在一个时刻的交通流数据,s表示观测点的个数,纵向表示一个观测点对应的所有时刻数据,t表示时刻的个数,矩阵中的元素xts表示第s个观测点在第t个时刻的交通流量;
步骤2.构建卷积神经网络提取空间特征;为了充分保留特征,不使用池化层对特征矩阵进行压缩,只使用卷积层提取特征;使用一维卷积处理交通流量输入矩阵中的每一行元素,通过滑动一维卷积的卷积核获取相邻观测点的空间特征;使用以下公式表示卷积操作:
ci=f(Wcxi+bc) (3)
其中,ci表示第i个卷积核在滑动过程中提取的局部特征,Wc表示卷积核处理输入的权重,bc为偏置项,xi表示第i个卷积核对应的输入,f表示Leaky Relu激活函数;
步骤3.构建引入注意力机制的门控循环单元提取时间特征;将步骤2提取的空间特征输入到引入注意力机制的门控循环单元中进行处理,从而提取时间特征;引入注意力机制的门控循环单元的构建过程如下:
步骤3.1构建门控循环单元;门控循环单元的计算过程如公式(4)~(7)所示;其中,zt和rt分别表示更新门和重置门,ht表示门控循环单元在t时刻的隐藏状态,表示ht的候选状态,xt表示t时刻输入的特征向量,ht-1表示t-1时刻的隐藏状态,σ表示Sigmoid激活函数,tanh表示双曲正切激活函数,⊙代表矩阵乘法,Wz,Wr,Wh,Uz,Ur,Uh,bz,br,bh为需要学习的参数;
zt=σ(Wzxt+Uzht-1+bz) (4)
rt=σ(Wrxt+Urht-1+br) (5)
步骤3.2针对门控循环单元引入注意力机制;对于门控循环单元输出的t时刻的隐藏状态ht,采用以下注意力机制公式进行处理:
et=vetanh(Weht+be) (8)
其中,ve,We,be为需要学习的参数,et为第t个时刻隐藏状态ht对应的注意力评分值,tanh为激活函数,T表示时刻总个数,αt为et进行Softmax归一化后得到的权重系数,c对门控循环单元输出的各个时刻隐藏状态进行了加权,表示含有注意力概率分布的交通流特征;
步骤4.利用交通流数据的周期特性提取周期特征;交通流量存在以日、周为单位的相似规律,分别以日、周为周期单位构建周期流量输入矩阵如下所示:
其中,d表示预测时刻在前一天的对应时刻,w表示预测时刻在前一周的对应时刻,n为周期时间步长,s表示需要预测的观测点总数量,x(d+n)s表示第s个观测点在第d+n个时刻的交通流量,x(w+n)s表示第s个观测点在第w+n个时刻的交通流量;将周期流量输入矩阵输入到引入注意力机制的门控循环单元中进行处理,以获取交通流数据的周期特征;
步骤5.融合所有特征进行预测;将步骤2和步骤3提取的时空特征和步骤4提取的周期特征进行拼接融合,输入到全连接层中,最后输出所有观测点的预测流量;使用均方误差函数作为模型训练的损失函数,该函数定义如下:
其中,Pst表示第s个观测点在第t个时刻的交通流预测值,Fst表示第s个观测点在第t个时刻的交通流真实值,N是预测值的总个数;根据上述损失函数,通过反向传播算法不断更新模型参数;训练好模型之后,将之前时刻的交通流数据输入到模型中,模型最后输出所有观测点在下一时刻的交通流预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010083361.2A CN111210633B (zh) | 2020-02-09 | 2020-02-09 | 一种基于深度学习的短时交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010083361.2A CN111210633B (zh) | 2020-02-09 | 2020-02-09 | 一种基于深度学习的短时交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111210633A CN111210633A (zh) | 2020-05-29 |
CN111210633B true CN111210633B (zh) | 2021-01-05 |
Family
ID=70788563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010083361.2A Active CN111210633B (zh) | 2020-02-09 | 2020-02-09 | 一种基于深度学习的短时交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111210633B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833605B (zh) * | 2020-07-10 | 2022-04-26 | 北京嘀嘀无限科技发展有限公司 | 路况预测方法、路况预测模型训练方法、装置及存储介质 |
CN111899510B (zh) * | 2020-07-28 | 2021-08-20 | 南京工程学院 | 基于发散卷积和gat的智能交通***流量短期预测方法及*** |
CN112116080A (zh) * | 2020-09-24 | 2020-12-22 | 中国科学院沈阳计算技术研究所有限公司 | 一种融合了注意力机制的cnn-gru水质预测方法 |
CN112270355B (zh) * | 2020-10-28 | 2023-12-05 | 长沙理工大学 | 基于大数据技术与sae-gru的主动安全预测方法 |
CN112291808B (zh) * | 2020-11-02 | 2022-12-23 | 东南大学 | 基于深度学习的区域网络流量预测方法 |
CN112418547B (zh) * | 2020-12-03 | 2024-04-09 | 北京工业大学 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
CN112766603A (zh) * | 2021-02-01 | 2021-05-07 | 湖南大学 | 一种交通流量预测方法、***、计算机设备及存储介质 |
CN113112793A (zh) * | 2021-03-29 | 2021-07-13 | 华南理工大学 | 一种基于动态时空相关性的交通流预测方法 |
CN113449905A (zh) * | 2021-05-21 | 2021-09-28 | 浙江工业大学 | 一种基于门控循环单元神经网络的交通拥堵预警方法 |
CN113343566B (zh) * | 2021-05-31 | 2023-09-01 | 北京信息科技大学 | 基于深度学习的镍基合金断裂韧性预测方法及*** |
CN113378477B (zh) * | 2021-06-29 | 2023-05-26 | 西北师范大学 | 一种基于深度学习方法的锅炉过热器区域高低温预测方法 |
CN113657645B (zh) * | 2021-07-15 | 2023-09-26 | 杭州电子科技大学 | 基于注意力机制的时空连接增强3dcnn交通预测方法 |
CN113627676B (zh) * | 2021-08-18 | 2023-09-01 | 湘潭大学 | 一种基于多注意力因果关系的交通预测方法及*** |
CN114495507B (zh) * | 2022-02-25 | 2023-06-16 | 南京工业大学 | 融合时空注意力神经网络和交通模型的交通流预测方法 |
CN115116212A (zh) * | 2022-05-06 | 2022-09-27 | 浙江科技学院 | 一种道路网络的交通预测方法、计算机设备、存储介质和程序产品 |
CN115146842B (zh) * | 2022-06-24 | 2023-07-18 | 沈阳建筑大学 | 基于深度学习的多元时间序列趋势预测方法和*** |
CN115116227B (zh) * | 2022-06-30 | 2024-07-19 | 西安交通大学 | 一种交通流量预测方法、***、装置及可读存储介质 |
CN115348215B (zh) * | 2022-07-25 | 2023-11-24 | 南京信息工程大学 | 一种基于时空注意力机制的加密网络流量分类方法 |
CN116050583B (zh) * | 2022-12-15 | 2024-05-28 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种耦合时空上下文信息的水环境质量深度学习预测方法 |
CN116071932B (zh) * | 2023-03-09 | 2023-06-20 | 华东交通大学 | 交通流量预测方法、***、存储介质及终端设备 |
CN116050672B (zh) * | 2023-03-31 | 2023-06-20 | 山东银河建筑科技有限公司 | 基于人工智能的城市管理方法及*** |
CN116597656A (zh) * | 2023-07-17 | 2023-08-15 | 四川省商投信息技术有限责任公司 | 基于大数据分析下道路交通流预测的方法、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104900063A (zh) * | 2015-06-19 | 2015-09-09 | 中国科学院自动化研究所 | 一种短程行驶时间预测方法 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
KR101974495B1 (ko) * | 2018-08-21 | 2019-05-03 | 한국과학기술정보연구원 | 교통정보를 예측하는 장치, 교통정보를 예측하는 방법, 및 교통정보를 예측하는 프로그램을 저장하는 저장매체 |
CN110415516A (zh) * | 2019-07-15 | 2019-11-05 | 厦门大学 | 基于图卷积神经网络的城市交通流预测方法及介质 |
CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
-
2020
- 2020-02-09 CN CN202010083361.2A patent/CN111210633B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104900063A (zh) * | 2015-06-19 | 2015-09-09 | 中国科学院自动化研究所 | 一种短程行驶时间预测方法 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
KR101974495B1 (ko) * | 2018-08-21 | 2019-05-03 | 한국과학기술정보연구원 | 교통정보를 예측하는 장치, 교통정보를 예측하는 방법, 및 교통정보를 예측하는 프로그램을 저장하는 저장매체 |
CN110415516A (zh) * | 2019-07-15 | 2019-11-05 | 厦门大学 | 基于图卷积神经网络的城市交通流预测方法及介质 |
CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
Non-Patent Citations (1)
Title |
---|
"基于深度学习的短时交通流预测";罗向龙等;《计算机应用研究》;20170131;第34卷(第1期);第91-93、97页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111210633A (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111210633B (zh) | 一种基于深度学习的短时交通流预测方法 | |
CN111860951B (zh) | 一种基于动态超图卷积网络的轨道交通客流预测方法 | |
CN111161535B (zh) | 基于注意力机制的图神经网络交通流量预测方法及*** | |
CN108280551B (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
CN109285346B (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN114626512B (zh) | 一种基于有向图神经网络的高温灾害预报方法 | |
CN110570651A (zh) | 一种基于深度学习的路网交通态势预测方法及*** | |
CN110555990B (zh) | 一种基于lstm神经网络的有效停车时空资源预测方法 | |
CN110322695A (zh) | 一种基于深度学习的短时交通流预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111242292B (zh) | 基于深度时空网络的od数据预测方法及*** | |
CN110503104B (zh) | 一种基于卷积神经网络的短时剩余车位数量预测方法 | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
CN111862592B (zh) | 一种基于rgcn的交通流预测方法 | |
CN115204478A (zh) | 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法 | |
CN113112791A (zh) | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 | |
CN115081717A (zh) | 融合注意力机制和图神经网络的轨道交通客流预测方法 | |
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 | |
CN114120637A (zh) | 一种基于连续监测器的智慧高速交通流量预测方法 | |
Ye et al. | Demand forecasting of online car‐hailing by exhaustively capturing the temporal dependency with TCN and Attention approaches | |
Miao et al. | A queue hybrid neural network with weather weighted factor for traffic flow prediction | |
Lai et al. | Short‐term passenger flow prediction for rail transit based on improved particle swarm optimization algorithm | |
CN115481788B (zh) | 相变储能***负荷预测方法及*** |
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 |