CN111709549B - 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 - Google Patents
一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 Download PDFInfo
- Publication number
- CN111709549B CN111709549B CN202010361861.8A CN202010361861A CN111709549B CN 111709549 B CN111709549 B CN 111709549B CN 202010361861 A CN202010361861 A CN 202010361861A CN 111709549 B CN111709549 B CN 111709549B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- particle
- value
- training
- lstm model
- 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 60
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 239000003086 colorant Substances 0.000 claims abstract description 4
- 239000002245 particle Substances 0.000 claims description 95
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000008187 granular material Substances 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于SVD‑PSO‑LSTM的短时交通流预测的导航提醒方法,首先训练及优化LSTM模型,然后采集历史交通流数据,并对其进行预处理后输入到训练及优化后的LSTM模型中,由其输出短时交通流的预测结果,最后将短时交通流的预测结果发布在导航软件上,并根据交通流量的大小以不同颜色展示在路段中,展示的信息供司机用于拥堵性参考,并以此合理规划出行,选择导航路线;训练及优化LSTM模型时,先采集历史交通流数据,并对其进行预处理后划分为训练集和测试集,再采用PSO算法和训练集训练并优化LSTM模型;预处理包括采用SVD算法对数据进行降噪操作。本发明的方法预测效果更精确,能够合理地规划导航路线。
Description
技术领域
本发明属于智能交通***技术领域,涉及一种基于SVD-PSO-LSTM的短时交通流预测的导航提醒方法。
背景技术
随着科技的日益进步,汽车行业也取得了突飞猛进的发展,我国汽车保有数量不断上升,给人们带来了便利的生活。但与此同时,城市汽车数量的增加也带来了一系列复杂的交通拥堵等问题。当人们在选择出行路径时,难以预知未来道路的拥堵情况,给人们选择导航路径造成了极大困扰。因此迫切需要一种提醒方法,在对交通流进行预测的基础上,将预测结果发布在导航软件上,供司机参考,并合理选择出行路线。
目前的导航提醒方法是以当前时间道路交通流为参考,提醒司机在所选择的出行路线上拥堵或是畅通。这种方法显然具有很大缺陷,当车主在未来时间内进入某条道路时,道路可能在那一时间段中并不拥堵或是畅通,给车主带来很大困扰。因此,基于车流量预测的导航提醒方法具有很大优势。在交通流预测中,传统的方式有统计学方法。但是这种单纯以历史数据为预测值的方法是不适用于当前复杂多变的交通环境的。对于采用差分自回归滑动平均 (ARIMA)模型对交通流进行预测的方法,虽然模型比较简单,但其要求时序数据是稳定的,并且难以捕捉到交通流预测中的非线性关系。近年来,随着神经网络技术的出现,出现了各种使用神经网络算法对城市交通流的预测方法,取得了一定的效果。然而神经网络在建立模型时需要大量的数据进行训练,其具有仅通过历史数据训练并建立模型的特点,这就对采集的数据精准度提出了很高的要求。交通流数据在采集过程中会产生随机误差,而在已有的预测方法中均没有对采集到的交通流数据进行降噪处理,这在一定程度上影响了模型的预测精度。因此,为了更好地实现基于交通流预测的导航提醒方法,需要在采用合适的方法对交通流数据进行降噪处理的基础上,再使用神经网络模型进行交通流预测,从而将更为精确的预测结果应用在导航提醒中。
发明内容
本发明的目的是解决现有技术中存在的问题,提出一种基于SVD-PSO-LSTM的短时交通流预测的导航提醒方法。本发明利用奇异值分解法(SVD)对交通流数据进行降噪处理,构建交通流长短时记忆网络(LSTM)预测模型,并使用粒子群算法(PSO)对LSTM网络超参数进行寻优。
为达到上述目的,本发明采用的技术方案如下:
一种基于SVD-PSO-LSTM的短时交通流预测的导航提醒方法,首先训练及优化LSTM模型,然后采集历史交通流数据,并对其进行预处理后输入到训练及优化后的LSTM模型中,由其输出短时交通流的预测结果,最后将短时交通流的预测结果发布在导航软件上,并根据交通流量的大小以不同颜色展示在路段中,展示的信息供司机用于拥堵性参考,并以此合理规划出行,选择导航路线;
训练及优化LSTM模型的步骤如下:
(1)采集历史交通流数据,并对其进行预处理后划分为训练集(用于建立模型)和测试集(用于检验建立的模型最终的预测效果);
(2)采用PSO算法和训练集训练并优化LSTM模型,即首先设置超参数(LSTM模型有两类参数,一类由人为设定,称为超参数,在训练前就要确定的;另一类由模型在训练中自动调整;超参数的选择是否合适,会影响模型预测精度,所以超参数的确定至关重要;一般超参数是根据经验设定,或者通过试凑的方法确定,而本文中是用的PSO算法进行搜索,是根据模型输出误差进行有针对性的搜索。),然后训练LSTM模型,之后根据LSTM模型输出误差再次调整超参数,再重新训练LSTM模型,如此循环往复,直到最后选出使输出误差最小的LSTM模型;
预处理包括采用SVD算法对数据进行降噪操作,过程如下:
首先构建道路历史交通流数据矩阵A∈Rm×n,m为采样数据小时数,n为一小时内采样次数;
然后按下式对道路历史交通流数据矩阵A进行奇异值分解:
A=UΛVT;
式中,U为m×m的正交矩阵,VT为V的转置矩阵,V为n×n的正交矩阵,U和V的列分别是AAT和ATA的特征向量,AT为A的转置矩阵,Λ为m×n的对角矩阵,由奇异值组成对角线元素;
最后选取合适的奇异值占比,对应的Λ为k阶,选取U的m×k子矩阵和VT的k×n子矩阵,对道路交通流数据矩阵A进行数据重构。
LSTM模型是由历史交通流数据进行训练的,因此对数据精准度有着较高的要求。而在交通流数据采集过程中会存在随机误差,产生对LSTM模型的预测效果有较大影响的无效值、尖峰值等误差数据,因此,很有必要对历史交通流数据进行降噪处理。使用SVD算法处理后,会使历史交通流数据序列更为平滑,优化极端的数据值,达到去除噪声点和优化数据的效果,因此,SVD算法的降噪功能非常适用于对历史交通流数据的预处理。
作为优选的技术方案:
如上所述的一种基于SVD-PSO-LSTM的短时交通流预测的导航提醒方法,LSTM模型由以下公式构建而成:
ft=σ(Wf·[ht-1,xt]+bf);
it=σ(Wi·[ht-1,xt]+bi);
ot=σ(Wo·[ht-1,xt]+bo);
ht=ot*tanh(Ct);
式中,ft为遗忘门输出值,σ为sigmoid激活函数,Wf为遗忘门权重矩阵,ht-1为t-1时刻的输入,xt为当前输入,[ht-1,xt]表示把两个向量连接成一个向量,bf为遗忘门偏置项,it为σ层的输出,Wi为输入门权重矩阵,bi为输入门偏置项,为当前输入的单元状态,tanh为tanh激活函数,Wc为tanh层权值矩阵,bC为tanh层偏置项,Ct为t时刻单元状态,Ct-1为t-1时刻单元状态,*表示按元素相乘,ot为输出门输出,Wo为输出门权重矩阵,bo为输出门偏置项,ht为当前输出。
如上所述的一种基于SVD-PSO-LSTM的短时交通流预测的导航提醒方法,采集历史交通流数据采用电磁线圈传感器。
如上所述的一种基于SVD-PSO-LSTM的短时交通流预测的导航提醒方法,LSTM模型的超参数为LSTM模型的隐藏层单元数目、时间窗大小、训练次数和学习率。
如上所述的一种基于SVD-PSO-LSTM的短时交通流预测的导航提醒方法,步骤(2)具体如下:
(2.1)初始化粒子群参数,设置种群数量为20~30,粒子种群迭代次数为20~50,学习因子c1、c2取值相等,为2~4,随机设置20~30组由LSTM模型的隐藏层单元数目、时间窗大小、训练次数和学习率组成的粒子向量,构成初始粒子群;
(2.2)采用反向传播和梯度下降法使用粒子向量对应的超参数以及训练集对LSTM模型进行训练,达到设定的训练次数后训练结束;
(2.3)计算粒子的适应度值并更新粒子极值;
将训练集输入到在上一步骤中训练得到的LSTM模型,计算各粒子的适应度值f,公式如下:
更新粒子极值具体为更新单个粒子最优位置和粒子群群体最优位置,在更新过程中,判断单个粒子的适应度值是否为该粒子在搜索过程中的最优值,如果是,将该粒子位置选定为Pi,即第i个粒子在搜索过程中经过的最优位置;反之,不做处理;比较种群中各个粒子对应的适应度值最优值,选出最大值,将最大值对应的粒子位置作为搜索过程中粒子群群体中的最优位置Pg,用于下一步粒子更新过程的计算;
(2.4)判断粒子种群迭代次数是否达到设定值,如果是,则结束;反之,则进入下一步;
(2.5)粒子的更新,用迭代公式对每一个粒子的速度和位置进行更新,公式如下:
vid(t+1)=w×vid(t)+c1×rand()×[Pid(t)-xid(t)] +c2×rand()×[Pgd(t)-xid(t)];
xid(t+1)=xid(t)+vid(t+1);
式中,d为粒子所在空间维度,vid(t+1)为第i个粒子在第t+1时刻在第d维度上的速度更新,w为惯性因子,vid(t)为第i个粒子在t时刻的速度在第d维度上的数值,c1、c2为学习因子,rand()为[0,1]之间的随机数,Pid(t)为在t时刻时第i个粒子最优位置在d维上的数值,xid(t)为t时刻时第i个粒子的当前位置在d维上的数值,Pgd(t)为t时刻时粒子群体中的最优位置在d维上的数值,xid(t+1)为t+1时刻时第i个粒子更新后在d维上的数值;
粒子更新后返回到步骤(2.2)。
如上所述的一种基于SVD-PSO-LSTM的短时交通流预测的导航提醒方法,训练及优化 LSTM模型的步骤还包括(3)检验预测效果,具体为:选取使输出误差最小的LSTM模型,将测试集输入其中,得到预测值后,将预测值与真实值进行比较,以平均绝对百分比误差(MAPE)为衡量标准,计算预测误差百分比。
如上所述的一种基于SVD-PSO-LSTM的短时交通流预测的导航提醒方法,预处理还包括位于采用SVD算法对数据进行降噪操作之前的缺失数据处理操作,缺失数据处理采用相邻数据取平均值的方法,由于交通流一般情况下不会发生太大变化,即当前时刻与相邻两个15 分钟内的采样数据点比较接近,因此采用相邻数据取平均值的方法进行缺失数据处理。
如上所述的一种基于SVD-PSO-LSTM的短时交通流预测的导航提醒方法,预处理还包括位于采用SVD算法对数据进行降噪操作之后的归一化处理操作,归一化处理的公式如下:
式中,x*为归一化处理后的数据,x为归一化处理前的数据,max为最大值,min为最小值。
有益效果:
(1)本发明将交通流预测应用在导航提醒中,相对传统的基于当前车流量的导航提醒有着明显的优势,司机可以在出行前以所提供的未来道路交通流量的预测值为参考,合理规划出行路径,选择较为畅通的导航路线;
(2)本发明采用电磁线圈传感器对交通流数据进行检测,相对视频图像处理获取交通流数据的方式有着更为精确的结果,且获取速度快,此外,由于训练数据会影响神经网络模型预测精度,而数据在采集过程中会产生随机误差,出现一些无效值、尖峰值,因此引入SVD 算法对交通流数据进行降噪,降噪后数据序列更为平滑,极端的数据值能够被优化,SVD 算法非常适合用于对城市路口短时交通流数据的降噪处理中,数据降噪处理后可以提升神经网络模型对交通流预测的精度;
(3)LSTM模型的特殊结构能够有效学习到数据长期依赖关系,避免传统RNN产生的梯度消失和梯度***问题,能够反映出交通流与历史时刻之间的内在关系,因此适用于对短时交通流进行预测,此外,加入PSO寻优算法对LSTM网络超参数进行优化,PSO算法的对LSTM模型超参数的全局寻优功能有助于进一步提升模型预测精度,与传统的交通流预测方法相比,本发明提出的加入SVD算法对数据降噪处理后的交通流预测模型有着更精确的预测效果。
附图说明
图1为一种基于SVD-PSO-LSTM的短时交通流预测的导航提醒方法的流程图;
图2为LSTM模型的结构示意图。
具体实施方式
下面结合具体实施方式,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
一种基于SVD-PSO-LSTM的短时交通流预测的导航提醒方法,如图1所示,步骤如下:
(1)训练及优化LSTM模型;
LSTM模型的结构如图2所示,LSTM模型由以下公式构建而成:
ft=σ(Wf·[ht-1,xt]+bf);
it=σ(Wi·[ht-1,xt]+bi);
ot=σ(Wo·[ht-1,xt]+bo);
ht=ot*tanh(Ct);
式中,ft为遗忘门输出值,σ为sigmoid激活函数,Wf为遗忘门权重矩阵,ht-1为t-1时刻的输入,xt为当前输入,[ht-1,xt]表示把两个向量连接成一个向量,bf为遗忘门偏置项,it为σ层的输出,Wi为输入门权重矩阵,bi为输入门偏置项,为当前输入的单元状态,tanh为tanh激活函数,Wc为tanh层权值矩阵,bC为tanh层偏置项,Ct为t时刻单元状态,Ct-1为t-1时刻单元状态,*表示按元素相乘,ot为输出门输出,Wo为输出门权重矩阵,bo为输出门偏置项,ht为当前输出;
训练及优化LSTM模型的步骤如下:
(1.1)采用电磁线圈传感器采集历史交通流数据(在距离路口10米处使用电磁线圈传感器获取车辆经过信息,用于交通流预测的数据为路口预测前一天的检测点的过车数量,统计间隔为15分钟),并对其进行预处理后划分为训练集(用于建立模型)和测试集(用于检验建立的模型最终的预测效果);
预处理包括采用SVD算法对数据进行降噪操作,过程如下:
首先构建道路历史交通流数据矩阵A∈Rm×n,m为采样数据小时数,n为一小时内采样次数;
然后按下式对道路历史交通流数据矩阵A进行奇异值分解:
A=UAVT;
式中,U为m×m的正交矩阵,VT为V的转置矩阵,V为n×n的正交矩阵,U和V的列分别是AAT和ATA的特征向量,AT为A的转置矩阵,Λ为m×n的对角矩阵,由奇异值组成对角线元素;
最后选取合适的奇异值占比,对应的Λ为k阶,选取U的m×k子矩阵和VT的k×n子矩阵,对道路交通流数据矩阵A进行数据重构;
预处理还包括位于采用SVD算法对数据进行降噪操作之前的缺失数据处理操作,缺失数据处理采用相邻数据取平均值的方法,由于交通流一般情况下不会发生太大变化,即当前时刻与相邻两个15分钟内的采样数据点比较接近,因此采用相邻数据取平均值的方法进行缺失数据处理;
预处理还包括位于采用SVD算法对数据进行降噪操作之后的归一化处理操作,归一化处理的公式如下:
式中,x*为归一化处理后的数据,x为归一化处理前的数据,max为最大值,min为最小值;
(1.2)采用PSO算法和训练集训练并优化LSTM模型,即首先设置超参数,然后训练LSTM模型,之后根据LSTM模型输出误差再次调整超参数,再重新训练LSTM模型,如此循环往复,直到最后选出使输出误差最小的LSTM模型;LSTM模型的超参数为LSTM模型的隐藏层单元数目、时间窗大小、训练次数和学习率;具体过程如下:
(1.2.1)初始化粒子群参数,设置种群数量为20~30,粒子种群迭代次数为20~50,学习因子c1、c2取值相等,为2~4,随机设置20~30组由LSTM模型的隐藏层单元数目、时间窗大小、训练次数和学习率组成的粒子向量,构成初始粒子群;
(1.2.2)采用反向传播和梯度下降法使用粒子向量对应的超参数以及训练集对LSTM模型进行训练,达到设定的训练次数后训练结束;
(1.2.3)计算粒子的适应度值并更新粒子极值;
将训练集输入到在上一步骤中训练得到的LSTM模型,计算各粒子的适应度值f,公式如下:
更新粒子极值具体为更新单个粒子最优位置和粒子群群体最优位置,在更新过程中,判断单个粒子的适应度值是否为该粒子在搜索过程中的最优值,如果是,将该粒子位置选定为Pi,即第i个粒子在搜索过程中经过的最优位置;反之,不做处理;比较种群中各个粒子对应的适应度值最优值,选出最大值,将最大值对应的粒子位置作为搜索过程中粒子群群体中的最优位置Pg,用于下一步粒子更新过程的计算;
(1.2.4)判断粒子种群迭代次数是否达到设定值,如果是,则结束;反之,则进入下一步;
(1.2.5)粒子的更新,用迭代公式对每一个粒子的速度和位置进行更新,公式如下:
vid(t+1)=w×vid(t)+c1×rand()×[Pid(t)-xid(t)] +c2×rand()×[Pgd(t)-xid(t)];
xid(t+1)=xid(t)+vid(t+1);
式中,d为粒子所在空间维度,vid(t+1)为第i个粒子在第t+1时刻在第d维度上的速度更新,w为惯性因子,vid(t)为第i个粒子在t时刻的速度在第d维度上的数值,c1、c2为学习因子,rand()为[0,1]之间的随机数,Pid(t)为在t时刻时第i个粒子最优位置在d维上的数值,xid(t)为t时刻时第i个粒子的当前位置在d维上的数值,Pgd(t)为t时刻时粒子群体中的最优位置在d维上的数值,xid(t+1)为t+1时刻时第i个粒子更新后在d维上的数值;
粒子更新后返回到步骤(1.2.2);
(1.3)检验预测效果;
选取使输出误差最小的LSTM模型,将测试集输入其中,得到预测值后,将预测值与真实值进行比较,以平均绝对百分比误差(MAPE)为衡量标准,计算预测误差百分比;
(2)采用电磁线圈传感器采集历史交通流数据,并对其进行预处理(同(1.1))后输入到训练及优化后的LSTM模型中,由其输出短时交通流的预测结果;
(3)将短时交通流的预测结果发布在导航软件上,并根据交通流量的大小以不同颜色展示在路段中,展示的信息供司机用于拥堵性参考,并以此合理规划出行,选择导航路线。
Claims (7)
1.一种基于SVD-PSO-LSTM的短时交通流预测的导航提醒方法,其特征是:首先训练及优化LSTM模型,然后采集历史交通流数据,并对其进行预处理后输入到训练及优化后的LSTM模型中,由其输出短时交通流的预测结果,最后将短时交通流的预测结果发布在导航软件上,并根据交通流量的大小以不同颜色展示在路段中,展示的信息供司机用于拥堵性参考,并以此合理规划出行,选择导航路线;
训练及优化LSTM模型的步骤如下:
(1)采集历史交通流数据,并对其进行预处理后划分为训练集和测试集;
(2)采用PSO算法和训练集训练并优化LSTM模型,即首先设置超参数,然后训练LSTM模型,之后根据LSTM模型输出误差再次调整超参数,再重新训练LSTM模型,如此循环往复,直到最后选出使输出误差最小的LSTM模型;
预处理包括采用SVD算法对数据进行降噪操作,过程如下:
首先构建道路历史交通流数据矩阵A∈Rm×n,m为采样数据小时数,n为一小时内采样次数;
然后按下式对道路历史交通流数据矩阵A进行奇异值分解:
A=UΛVT;
式中,U为m×m的正交矩阵,VT为V的转置矩阵,V为n×n的正交矩阵,U和V的列分别是AAT和ATA的特征向量,AT为A的转置矩阵,Λ为m×n的对角矩阵,由奇异值组成对角线元素;
最后选取合适的奇异值占比,对应的Λ为k阶,选取U的m×k子矩阵和VT的k×n子矩阵,对道路交通流数据矩阵A进行数据重构;
预处理还包括位于采用SVD算法对数据进行降噪操作之前的缺失数据处理操作,缺失数据处理采用相邻数据取平均值的方法。
2.根据权利要求1所述的一种基于SVD-PSO-LSTM的短时交通流预测的导航提醒方法,其特征在于,LSTM模型由以下公式构建而成:
ft=σ(Wf·[ht-1,xt]+bf);
it=σ(Wi·[ht-1,xt]+bi);
ot=σ(Wo·[ht-1,xt]+bo);
ht=ot*tanh(Ct);
3.根据权利要求1所述的一种基于SVD-PSO-LSTM的短时交通流预测的导航提醒方法,其特征在于,采集历史交通流数据采用电磁线圈传感器。
4.根据权利要求1所述的一种基于SVD-PSO-LSTM的短时交通流预测的导航提醒方法,其特征在于,LSTM模型的超参数为LSTM模型的隐藏层单元数目、时间窗大小、训练次数和学习率。
5.根据权利要求4所述的一种基于SVD-PSO-LSTM的短时交通流预测的导航提醒方法,其特征在于,步骤(2)具体如下:
(2.1)初始化粒子群参数,设置种群数量为20~30,粒子种群迭代次数为20~50,学习因子c1、c2取值相等,为2~4,随机设置20~30组由LSTM模型的隐藏层单元数目、时间窗大小、训练次数和学习率组成的粒子向量,构成初始粒子群;
(2.2)采用反向传播和梯度下降法使用粒子向量对应的超参数以及训练集对LSTM模型进行训练,达到设定的训练次数后训练结束;
(2.3)计算粒子的适应度值并更新粒子极值;
将训练集输入到在上一步骤中训练得到的LSTM模型,计算各粒子的适应度值f,公式如下:
更新粒子极值具体为更新单个粒子最优位置和粒子群群体最优位置,在更新过程中,判断单个粒子的适应度值是否为该粒子在搜索过程中的最优值,如果是,将该粒子位置选定为Pi,即第i个粒子在搜索过程中经过的最优位置;反之,不做处理;比较种群中各个粒子对应的适应度值最优值,选出最大值,将最大值对应的粒子位置作为搜索过程中粒子群群体中的最优位置Pg,用于下一步粒子更新过程的计算;
(2.4)判断粒子种群迭代次数是否达到设定值,如果是,则结束;反之,则进入下一步;
(2.5)粒子的更新,用迭代公式对每一个粒子的速度和位置进行更新,公式如下:
vid(t+1)=w×vid(t)+c1×rand()×[Pid(t)-xid(t)]+c2×rand()×[Pgd(t)-xid(t)];
xid(t+1)=xid(t)+vid(t+1);
式中,d为粒子所在空间维度,vid(t+1)为第i个粒子在第t+1时刻在第d维度上的速度更新,w为惯性因子,vid(t)为第i个粒子在t时刻的速度在第d维度上的数值,c1、c2为学习因子,rand()为[0,1]之间的随机数,Pid(t)为在t时刻时第i个粒子最优位置在d维上的数值,xid(t)为t时刻时第i个粒子的当前位置在d维上的数值,Pgd(t)为t时刻时粒子群体中的最优位置在d维上的数值,xid(t+1)为t+1时刻时第i个粒子更新后在d维上的数值;
粒子更新后返回到步骤(2.2)。
6.根据权利要求1所述的一种基于SVD-PSO-LSTM的短时交通流预测的导航提醒方法,其特征在于,训练及优化LSTM模型的步骤还包括(3)检验预测效果,具体为:选取使输出误差最小的LSTM模型,将测试集输入其中,得到预测值后,将预测值与真实值进行比较,以平均绝对百分比误差为衡量标准,计算预测误差百分比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010361861.8A CN111709549B (zh) | 2020-04-30 | 2020-04-30 | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010361861.8A CN111709549B (zh) | 2020-04-30 | 2020-04-30 | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709549A CN111709549A (zh) | 2020-09-25 |
CN111709549B true CN111709549B (zh) | 2022-10-21 |
Family
ID=72536630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010361861.8A Active CN111709549B (zh) | 2020-04-30 | 2020-04-30 | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709549B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418406B (zh) * | 2020-12-09 | 2022-06-07 | 甘肃靖远航天风力发电有限公司 | 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法 |
CN112614346B (zh) * | 2020-12-17 | 2022-02-15 | 东南大学 | 基于奇异谱分析和回声状态网络的短时交通流预测方法 |
CN112967495B (zh) * | 2021-01-29 | 2023-05-09 | 贵州民族大学 | 一种基于移动轨迹大数据的短时交通流量预测方法及*** |
CN113033878B (zh) * | 2021-03-05 | 2023-07-25 | 西北大学 | 基于多拓扑分级协同粒子群lstm的滑坡位移预测方法 |
CN113205698A (zh) * | 2021-03-24 | 2021-08-03 | 上海吞山智能科技有限公司 | 一种基于igwo-lstm的短时交通流预测的导航提醒方法 |
CN113268913B (zh) * | 2021-06-24 | 2022-02-11 | 广州鼎泰智慧能源科技有限公司 | 一种基于pso-elm算法的智能建筑空调冷机***运行优化方法 |
CN113420835A (zh) * | 2021-07-21 | 2021-09-21 | 中睿信数字技术有限公司 | 一种基于cpso-lstm的短期交通拥堵指数预测方法 |
CN114120652A (zh) * | 2021-12-21 | 2022-03-01 | 重庆邮电大学 | 一种基于动态图神经网络的交通流量预测方法 |
CN115951755A (zh) * | 2023-02-06 | 2023-04-11 | 广芯微电子(广州)股份有限公司 | 基于pso-lstm的光伏最大功率点追踪方法及装置 |
CN116242368B (zh) * | 2023-05-11 | 2023-07-25 | 北京航空航天大学 | 一种基于偏振光场信息预测的偏振/惯性容错导航方法 |
CN117198071B (zh) * | 2023-11-03 | 2024-01-09 | 合肥工业大学 | 一种交通信号相位自适应调整方法、***、设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062561A (zh) * | 2017-12-05 | 2018-05-22 | 华南理工大学 | 一种基于长短时记忆网络模型的短时数据流预测方法 |
CN108931249A (zh) * | 2018-07-18 | 2018-12-04 | 兰州交通大学 | 基于svd简化的卡尔曼滤波模型的导航方法及*** |
CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
CN109492814A (zh) * | 2018-11-15 | 2019-03-19 | 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 |
CN110070713A (zh) * | 2019-04-15 | 2019-07-30 | 浙江工业大学 | 一种基于双向嵌套lstm神经网络的交通流预测方法 |
CN110599766A (zh) * | 2019-08-22 | 2019-12-20 | 浙江工业大学 | 一种基于sae-lstm-sad的道路交通拥堵传播预测方法 |
-
2020
- 2020-04-30 CN CN202010361861.8A patent/CN111709549B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062561A (zh) * | 2017-12-05 | 2018-05-22 | 华南理工大学 | 一种基于长短时记忆网络模型的短时数据流预测方法 |
CN108931249A (zh) * | 2018-07-18 | 2018-12-04 | 兰州交通大学 | 基于svd简化的卡尔曼滤波模型的导航方法及*** |
CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
CN109492814A (zh) * | 2018-11-15 | 2019-03-19 | 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 |
CN110070713A (zh) * | 2019-04-15 | 2019-07-30 | 浙江工业大学 | 一种基于双向嵌套lstm神经网络的交通流预测方法 |
CN110599766A (zh) * | 2019-08-22 | 2019-12-20 | 浙江工业大学 | 一种基于sae-lstm-sad的道路交通拥堵传播预测方法 |
Non-Patent Citations (3)
Title |
---|
一种基于SVD的交通流量数据补全算;李通,舒勤;《数字技术与应用》;20160115;第129-130页 * |
基于 SVD 的抗差 UKF 算法在短时交通流状态估计中的应用;许伦辉,王祥雪;《华南理工大学学报(自然科学版)》;20161231;全文 * |
基于PSO-LSTM算法的智能交通流量预测研究;何芸;《青海交通科技》;20190825;第77-78页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111709549A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709549B (zh) | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 | |
CN106781489B (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN111260118B (zh) | 一种基于量子粒子群优化策略的车联网交通流量预测方法 | |
CN111613054B (zh) | 一种协同考虑时空相关性及贡献差异的多步交通速度预测方法 | |
CN113205698A (zh) | 一种基于igwo-lstm的短时交通流预测的导航提醒方法 | |
CN112949828B (zh) | 一种基于图学习的图卷积神经网络交通预测方法及*** | |
CN111832225A (zh) | 一种构建汽车行驶工况的方法 | |
CN111553535B (zh) | 一种基于ae-lstm-bo车流量预测的导航参考方法 | |
CN111862592B (zh) | 一种基于rgcn的交通流预测方法 | |
CN108417029A (zh) | 基于自适应多任务深度学习的城市路网行程时间估计方法 | |
Wang et al. | A learning-based personalized driver model using bounded generalized Gaussian mixture models | |
CN111047078B (zh) | 交通特征预测方法、***及存储介质 | |
CN113362598A (zh) | 一种高速公路服务区车流量预测方法 | |
CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN113449905A (zh) | 一种基于门控循环单元神经网络的交通拥堵预警方法 | |
CN116311921A (zh) | 一种基于多空间尺度时空Transformer的交通速度预测方法 | |
CN110108672B (zh) | 一种基于深度信念网络的气溶胶消光系数反演方法 | |
Bonas et al. | Calibration of SpatioTemporal forecasts from citizen science urban air pollution data with sparse recurrent neural networks | |
CN113658423A (zh) | 基于循环门控单元的车辆轨迹异常检测方法 | |
Wang et al. | Research on air pollution gases recognition method based on lstm recurrent neural network and gas sensors array | |
CN111967308A (zh) | 一种在线路面不平度辨识方法及*** | |
CN114973665A (zh) | 一种结合数据分解和深度学习的短时交通流预测方法 | |
CN114596726A (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
Turki et al. | Study Estimating hourly traffic flow using Artificial Neural Network: A M25 motorway case | |
CN112927507B (zh) | 一种基于LSTM-Attention的交通流量预测方法 |
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 |