CN112085947B - 一种基于深度学习和模糊聚类的交通拥堵预测方法 - Google Patents
一种基于深度学习和模糊聚类的交通拥堵预测方法 Download PDFInfo
- Publication number
- CN112085947B CN112085947B CN202010755333.0A CN202010755333A CN112085947B CN 112085947 B CN112085947 B CN 112085947B CN 202010755333 A CN202010755333 A CN 202010755333A CN 112085947 B CN112085947 B CN 112085947B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- time
- flow
- matrix
- 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 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000000295 complement effect Effects 0.000 claims abstract description 3
- 238000007418 data mining Methods 0.000 claims abstract description 3
- 238000010606 normalization Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 230000010534 mechanism of action Effects 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000011144 upstream manufacturing Methods 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
一种深度学***均法替换异常数据和补全缺失数据,得到完整的交通时序数据;对数据进行聚合得到合适时间间隔,最后对聚合后的数据进行归一化处理;(3)依据历史数据挖掘时空相关性,利用CNN和GRU进行训练提取交通流时空特征,利用训练完成后的网络进行未来时刻参数预测;(4)利用步骤(2)中的历史数据进行模糊聚类,计算隶属度,得到聚类中心;将步骤(3)预测出的交通数据根据隶属度大小判断该预测时段的交通状态,达到预测交通拥堵的目的。本发明能够更加准确地预测交通拥堵。
Description
技术领域
本发明涉及智能交通领域,尤其是一种基于深度学习和模糊聚类的交通拥堵预测方法。
技术背景
随着城市交通状况越来越复杂,道路拥堵也变得越来越严重,对已经发生或未来时刻即将发生的交通状态进行准确的预测和评估,既可以让出行者对交通状况有所了解而规划好自己的路线,对交通管理部门而言也可以提前制定相应的管控措施减少交通拥堵所带来的影响。
通过预测交通流参数,然后对预测出的交通流参数划分为不同交通状态是一种有效的交通拥堵预测方法。现有的交通流参数预测通常是提取单个路段交通时序数据本身的时间特征进行预测,而忽略了多个路段之间的相互影响和时空相关性,导致在多个路段交通参数预测时精度不高;同时在利用交通流参数进行交通状态划分时,由于交通状态具有模糊性和不确定性,不同参数所包含的交通状态信息量也有所不同,直接利用参数值进行划分会导致分类效果不佳。
发明内容
为了克服现有技术的不足,本发明提供了一种基于深度学习和模糊聚类的交通拥堵预测方法,从路段之间存在的时间和空间的相关性出发,利用CNN和GRU挖掘交通预测数据的时空相关性,预测交通流三参数:流量,速度和占有率,再根据预测的交通流三参数,利用模糊聚类结合信息熵来判断交通状态,以提高交通拥堵预测的准确性。
本发明解决其技术问题所采用的技术方案是:
一种深度学习和模糊聚类的交通拥堵预测方法,包括以下步骤:
(1)获得检测器所检测到道路交通流三参数原始数据;
(2)对步骤(1)中所述的数据进行预处理,利用阈值法去除异常数据,然后利用滑动平均法替换异常数据和补全缺失数据,得到完整的交通时序数据;然后对数据进行聚合得到合适时间间隔,最后对聚合后的数据进行归一化处理;
(3)依据历史数据挖掘时空相关性,利用CNN和GRU进行训练提取交通流时空特征,利用训练完成后的网络进行未来时刻参数预测;
(4)利用步骤(2)中的历史数据进行模糊聚类,计算隶属度,得到聚类中心;将步骤(3)预测出的交通数据根据隶属度大小判断该预测时段的交通状态,达到预测交通拥堵的目的。
进一步,所述步骤(2)中,交通数据预处理包括以下步骤:
(2a)对原始数据中的异常数据进行识别,采用阈值法进行判别,由于交通流量受到道路最大通行能力的限制,道路通行能力计算为:Qmax=fcCT/60,其中fc为交通流量修正系数,C为道路通行能力(veh/h),T为检测时间间隔;对于占有率Od应该满足条件:0≤Od≤100%或0≤Od≤60Tν,其中ν为检测器的扫描频率,T为检测时间间隔;对于速度参数Vd,取值范围一般区间为:0≤Vd≤fvv1,其中fv为速度修正系数,v1为路段规定的限制速度;将不再此区间内的数据进行剔除;
(2b)由于交通数据在短时间内不能突变,对于在范围内的异常数据,采用统计判别,检测数据的整体是服从正太分布,有:
P(|x-μ|>3σ)≤0.003
测量误差大于3σ可判断数据中存在突变值,针对采集时间段的大小选取一段数据序列,计算其数学期望:
再计算出残差:然后计算出标准差,判断如果某个值误差大于3σ则认为为异常数据进行剔除;
(2c)将步骤(2a)和(2b)中的剔除的数据进行补全,采用加权平均法进行缺失数据的补全:
其中Xi为缺失数据的修复值,xi-1,xi-2…xi-n为缺失数据前n个检测值,ηi-n为和为1的权重系数,当数据时间间隔较小时数据波动较大,权值取值相对均等;当数据时间间隔较大时时序数据表现出趋势性,检测值离修复值越近权重越大;
(2d)将上述步骤所得到的完备的交通进行数据聚合,将数据间隔聚合到合适时间间隔,对于一个时间间隔内的流量数据进行求和后作为聚合后的流量数据,对速度数据进行求和再求平均作为聚合后的数据,对时间占有率数据进行求和作为聚合后的占有率数据;按照交通流每一周所具有的周期性,选取若干周一到周五的数据,将数据划分为训练数据和验证数据;
(2e)通过上述步骤得到聚合后的完备的交通数据,在将数据输入模型训练之前,对数据进行归一化处理以便更好的训练:
其中xmax和xmin为别为交通数据的最大值和最小值,x'为原始数据归一化后的数据。
再进一步,所述步骤(3)中,挖掘时空信息进行交通参数预测过程如下:
(3a)对于某一路段来说,采用道路上下相邻若干个道路检测器的数据,利用经步骤(2)归一化的数据建立一种包含时间和空间信息的二维特征矩阵:
其中列向量分别代表p个上下游检测器的交通流序列数据,行向量代表不同检测器的n个时刻的交通流历史数据,qp(t-n)为第p个检测器在当前时刻前第n个时刻的历史数据;对流量、速度、占有率历史数据依次建立时空特征矩阵;
(3b)利用三个CNN分别对流量、速度和占有率分别进行特征提取,得到流量、速度和占有率特征向量,CNN为卷积层,卷积核为m×2,池化层对多个卷积输出的特征进行采样,得到长度为n的一维特征向量;卷积的计算过程如下:
st=f(Wp*pt+bp)
其中,Wp表示权重矩阵,bp表示偏置项,*表示卷积运算,f表示激活函数,st表示卷积运算结果;
(3c)将CNN提取的空间特征输入GRU网络进一步提取数据的时间特征,进行训练学习后确定网络参数,进行预测得到未来时刻的流量s、速度v和占有率o;GRU网络神经单元中包含两个门:重置门和更新门,其作用机制表示为以下方程式:
r=σ(Wr·[ht-1,xt])+br
zt=σ(Wz·[ht-1,xt]+bz)
其中,Wr=[Wxr,Whr]表示输入数据到重置门;上一时刻激活状态到重置门的权重矩阵;xt即t时刻的输入时刻;ht-1是上一时刻的激活值;σ表示激活函数,Wz=[Wxz,Whz]表示当前时刻输入数据到更新门、上一时刻激活状态到更新门的权重矩阵;表示一个候选激活值,ht表示当前时刻激活值,两者数值的大小与重置门和更新门有关,其中/>
更进一步,所述步骤(4)中,交通状态判别包括以下步骤:
(4a)先利用步骤(2d)中聚合后的数据进行模糊聚类,将三个指标作为一个数据样本集:
X={X1,X2...,Xn}
每个样本中有含有流量、速度和占有率三个评价指标:
Xn=(sn,vn,on)
其中sn,vn,on分别为样本Xn的交流流量、速度和占有率数据;
(4b)根据目标道路所在地区的道路交通规范确定不同交通状态的阈值标准,确定交通状态识别***的评价标准矩阵:
其中c为需要识别的交通状态种类,sc,vc,oc为流量、速度和占有率评价指标阈值;
(4c)对评价矩阵X进行归一化处理,进行计算不同交通状态类别关于各个属性指标的信息熵值,然后计算指标偏差度,最后计算出各指标权重,计算过程如下:
di=1-Ei
其中xin为一个状态的三个评价指标,rin为不同指标归一化后的值,k为常数,取k=1/lnm,ri为评价矩阵中第i个评价指标的值,Ei为第i个评价指标的熵值,di为第i评价指标的偏差度,wi为第i个评价指标的权重大小;
(4d)将步骤(2d)中得到的完备数据模糊聚类,取FCM目标函数为:
其中各个数据样本与相应聚类中心构成的隶属度矩阵为U,聚类中心矩阵为X,第j个数据样本的第i个聚类中心隶属度为uij;q是模糊指数表示样本的轻缓程度;第i个聚类中心到j个收据样本的加权欧式距离为
将权重和判断矩阵结合形成带权重的交通指标阈值矩阵,计算误差的平方和来确定每个样本数据和类中心间距最小的隶属度矩阵,计算基于权重的欧式距离公式如下:
更新聚类中心V,公式如下:
计算并更新模糊分类矩阵U,公式如下:
(4e)进行迭代,当||VN+1-VN||≤ε时停止迭代,否则继续进行迭代计算,直到满足要求为止;
(4f)将步骤(3)中预测出的未来时刻的流量s、速度v和占有率o进行加权的距离计算,然后计算出该预测时刻的交通状态与各个交通状态的隶属度,最后该时刻交通状态划分到隶属度最大的一类。
本发明的有益效果表现在:能够挖掘出预测地区或道路相邻检测点之间的时空关系,先通过CNN初步提取空间特征,然后利用GRU对时间特征进行进一步挖掘,解决了相邻地点交通的状况相互关系难以挖掘的问题;采用易于采集的交通流三参数进行状态判断的指标,且针对不同参数所表示的信息量不同,采用信息熵加权更加准确地表示不同指标在交通状态判别中的重要性,能够更加准确地预测交通拥堵。
附图说明
图1是方法整体流程图;
图2是交通指标预测流程图;
图3是交通状态判别流程图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述:
参照图1~图3,一种基于深度学习和模糊聚类的交通拥堵预测方法,包括以下步骤;
(1)获取预测目标周围区域的半个月的交通数据,包含采集时间、流量、平均速度和占有率等信息,采集时间间隔为1min。
(2)对步骤(1)中所述的数据进行预处理,利用阈值法去除异常数据,然后利用滑动平均法替换异常数据和补全缺失数据,得到完整的交通时序数据;然后对数据进行聚合得到合适时间间隔,最后对聚合后的数据进行归一化处理;
所述步骤(2)中,交通数据预处理包括以下步骤:
(2a)对步骤(1)中的原始数据用阈值法依次将流量、速度和占有率超过限定范围的值进行去除。
(2b)对步骤(2a)剔除异常值的流量、速度和占有率序列,利用加权平均法将缺失数据进行补全。
(2c)对步骤(2b)得到的完备序列数据进行数据聚合成5min时间间隔的时序数据,将5min内的流量进行求和,对速度进行求和再平均,对占有率进行求和得到新的交通参数序列数据,并将数据分为训练集和测试集,比例为7:3;
(2d)对步骤(2c)中得到的新的序列数据进行归一化处理;
(3)根据步骤(1)与步骤(2)中得到的归一化后的序列数据。选取相邻的n个检测器数据,建立流量、速度和占有率三个时空矩阵,分别利用CNN提取特征,得到特征向量,输入GRU进行训练和验证;
进一步,所述步骤(3)步骤如下
(3a)选取m个检测器的n个历史流量数据,建立流量时空矩阵S:
速度和占有率矩阵和流量建立时空矩阵方式类似,分别建立速度时空矩阵V和占有率时空矩阵O;
(3b)利用三个CNN分别对流量、速度和占有率分别进行特征提取,得到流量、速度和占有率特征向量,CNN为卷积层,卷积核为m×2,卷积核数为10,激励函数选择Relu,经过池化层后得到长度为n的一维特征向量;
(3c)将步骤(3b)中提取的3个特征向量输入GRU网络中进行训练,训练完成后确定模型参数,预测得到未来时刻的流量s、速度v和占有率o;
(4)利用步骤(2)中的历史数据进行模糊聚类,计算隶属度,得到聚类中心;将步骤(3)预测出的交通数据根据隶属度大小判断该预测时段的交通状态,达到预测交通拥堵的目的;
所述步骤(4)中,利用模糊聚类的交通状态判别包括以下步骤:
(4a)先利用步骤(2d)中聚合后的完备数据,将三个指标作为一个数据样本集:
X={X1,X2...,Xn}
每个样本中有含有流量、速度和占有率三个评价指标:
Xn=(sn,vn,on)
其中sn,vn,on分别为样本Xn的交流流量、速度和占有率数据;
(4b)根据目标道路所在地区的道路交通规范确定不同交通状态的范围标准,确定交通状态识别***的评价标准矩阵,如将交通状态化为五个状态:畅通、一般、轻度拥堵、中度拥堵、重度拥堵,则评价矩阵n=5:
(4c)对评价矩阵X进行归一化处理,进行计算不同交通状态类别关于各个属性指标的信息熵值,然后计算指标偏差度,最后计算出各指标权重ws,wv,wo;
(4d)将权重和判断矩阵结合形成带权重的交通指标阈值矩阵,计算误差的平方和来确定每个样本数据和类中心间距最小的隶属度矩阵,计算基于权重的欧式距离更新聚类中心V,一般选取模糊指数q=2,计算并更新模糊分类矩阵U;
(4e)进行迭代,当||VN+1-VN||≤ε时停止迭代,选取迭代中止阈值ε=0.01将VN+1看作为最终的聚类中心,否则继续进行迭代计算,直到满足要求为止;
(4f)将步骤(3)中预测出的未来时刻的流量s、速度v和占有率o流量、速度和占有率进行加权的距离计算,然后计算出该预测时刻的交通状态与各个交通状态聚类中心的隶属度,最后将该时刻交通状态划分到隶属度最大的一类,完成通过预测交通参数的进而预测交通拥堵的目的。
Claims (3)
1.一种深度学习和模糊聚类的交通拥堵预测方法,其特征在于,所述方法包括以下步骤:
(1)获得检测器所检测到道路交通流三参数原始数据;
(2)对步骤(1)中所述的数据进行预处理,利用阈值法去除异常数据,然后利用滑动平均法替换异常数据和补全缺失数据,得到完整的交通时序数据;然后对数据进行聚合得到合适时间间隔,最后对聚合后的数据进行归一化处理;
(3)依据历史数据挖掘时空相关性,利用CNN和GRU进行训练提取交通流时空特征,利用训练完成后的网络进行未来时刻参数预测;
(4)利用步骤(2)中的历史数据进行模糊聚类,计算隶属度,得到聚类中心;将步骤(3)预测出的交通数据根据隶属度大小判断该预测时段的交通状态,达到预测交通拥堵的目的;
所述步骤(4)中,交通状态判别包括以下步骤:
(4a)先利用步骤(2)中聚合后的数据进行模糊聚类,将三个指标作为一个数据样本集:
X={X1,X2...,Xn}
每个样本中有含有流量、速度和占有率三个评价指标:
Xn=(sn,vn,on)
其中sn,vn,on分别为样本Xn的交流流量、速度和占有率数据;
(4b)根据目标道路所在地区的道路交通规范确定不同交通状态的阈值标准,确定交通状态识别***的评价标准矩阵:
其中c为需要识别的交通状态种类,sc,vc,oc为流量、速度和占有率评价指标阈值;
(4c)对评价矩阵X进行归一化处理,进行计算不同交通状态类别关于各个属性指标的信息熵值,然后计算指标偏差度,最后计算出各指标权重,计算过程如下:
di=1-Ei
其中xin为一个状态的三个评价指标,rin为不同指标归一化后的值,K为常数,取K=1/lnm,ri为评价矩阵中第i个评价指标的值,Ei为第i个评价指标的熵值,di为第i评价指标的偏差度,wi为第i个评价指标的权重大小;
(4d)将步骤(2)中得到的完备数据模糊聚类,取FCM目标函数为:
其中各个数据样本与相应聚类中心构成的隶属度矩阵为U,聚类中心矩阵为X,第j个数据样本的第i个聚类中心隶属度为uij;q是模糊指数表示样本的轻缓程度;第i个聚类中心到j个收据样本的加权欧式距离为
将权重和判断矩阵结合形成带权重的交通指标阈值矩阵,计算误差的平方和来确定每个样本数据和类中心间距最小的隶属度矩阵,计算基于权重的欧式距离公式如下:
更新聚类中心V,公式如下:
计算并更新模糊分类矩阵U,公式如下:
(4e)进行迭代,当||VN+1-VN||≤ε时停止迭代,否则继续进行迭代计算,直到满足要求为止;
(4f)将步骤(3)中预测出的未来时刻的流量s、速度v和占有率o进行加权的距离计算,然后计算出该预测时刻的交通状态与各个交通状态的隶属度,最后该时刻交通状态划分到隶属度最大的一类。
2.如权利要求1所述的一种深度学习和模糊聚类的交通拥堵预测方法,其特征在于,所述步骤(2)中,交通数据预处理包括以下步骤:
(2a)对原始数据中的异常数据进行识别,采用阈值法进行判别,由于交通流量受到道路最大通行能力的限制,道路通行能力计算为:Qmax=fcCT/60,其中fc为交通流量修正系数,C为道路通行能力,T为检测时间间隔;对于占有率Od应该满足条件:0≤Od≤100%或0≤Od≤60Tν,其中ν为检测器的扫描频率,T为检测时间间隔;对于速度参数Vd,取值范围一般区间为:0≤Vd≤fvv1,其中fv为速度修正系数,v1为路段规定的限制速度;将不再此区间内的数据进行剔除;
(2b)由于交通数据在短时间内不能突变,对于在范围内的异常数据,采用统计判别,检测数据的整体是服从正太分布,有:
P(|x-μ|>3σ)≤0.003
测量误差大于3σ判断数据中存在突变值,针对采集时间段的大小选取一段数据序列,计算其数学期望:
再计算出残差:然后计算出标准差,判断如果某个值误差大于3σ则认为为异常数据进行剔除;
(2c)将步骤(2a)和(2b)中的剔除的数据进行补全,采用加权平均法进行缺失数据的补全:
其中Xj为缺失数据的修复值,xj-1,xj-2…xj-n为缺失数据前n个检测值,ηj-n为和为1的权重系数,当数据时间间隔较小时数据波动较大,权值取值相对均等;当数据时间间隔较大时时序数据表现出趋势性,检测值离修复值越近权重越大;
(2d)将上述步骤所得到的完备的交通进行数据聚合,将数据间隔聚合到合适时间间隔,对于一个时间间隔内的流量数据进行求和后作为聚合后的流量数据,对速度数据进行求和再求平均作为聚合后的数据,对时间占有率数据进行求和作为聚合后的占有率数据;按照交通流每一周所具有的周期性,选取若干周一到周五的数据,将数据划分为训练数据和验证数据;
(2e)通过上述步骤得到聚合后的完备的交通数据,在将数据输入模型训练之前,对数据进行归一化处理以便更好的训练:
其中xmax和xmin为别为交通数据的最大值和最小值,x'为原始数据归一化后的数据。
3.如权利要求1或2所述的一种深度学习和模糊聚类的交通拥堵预测方法,其特征在于,所述步骤(3)中,挖掘时空信息进行交通参数预测过程如下:
(3a)对于某一路段来说,采用道路上下相邻若干个道路检测器的数据,利用经步骤(2)归一化的数据建立一种包含时间和空间信息的二维特征矩阵:
其中列向量分别代表p个上下游检测器的交通流序列数据,行向量代表不同检测器的n个时刻的交通流历史数据,qp(t-n)为第p个检测器在当前时刻前第n个时刻的历史数据;对流量、速度、占有率历史数据依次建立时空特征矩阵;
(3b)利用三个CNN分别对流量、速度和占有率分别进行特征提取,得到流量、速度和占有率特征向量,CNN为卷积层,卷积核为m×2,池化层对多个卷积输出的特征进行采样,得到长度为n的一维特征向量;卷积的计算过程如下:
st=f(Wp*pt+bp)
其中,Wp表示权重矩阵,bp表示偏置项,*表示卷积运算,f表示激活函数,st表示卷积运算结果;
(3c)将CNN提取的空间特征输入GRU网络进一步提取数据的时间特征,进行训练学习后确定网络参数,进行预测得到未来时刻的流量s、速度v和占有率o;GRU网络神经单元中包含两个门:重置门和更新门,其作用机制表示为以下方程式:
r=σ(Wr·[ht-1,xt])+br
zt=σ(Wz·[ht-1,xt]+bz)
其中,Wr=[Wxr,Whr]表示输入数据到重置门;上一时刻激活状态到重置门的权重矩阵;xt即t时刻的输入时刻;ht-1是上一时刻的激活值;σ表示激活函数,Wz=[Wxz,Whz]表示当前时刻输入数据到更新门、上一时刻激活状态到更新门的权重矩阵;表示一个候选激活值,ht表示当前时刻激活值,两者数值的大小与重置门和更新门有关,其中/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010755333.0A CN112085947B (zh) | 2020-07-31 | 2020-07-31 | 一种基于深度学习和模糊聚类的交通拥堵预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010755333.0A CN112085947B (zh) | 2020-07-31 | 2020-07-31 | 一种基于深度学习和模糊聚类的交通拥堵预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085947A CN112085947A (zh) | 2020-12-15 |
CN112085947B true CN112085947B (zh) | 2023-10-24 |
Family
ID=73735851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010755333.0A Active CN112085947B (zh) | 2020-07-31 | 2020-07-31 | 一种基于深度学习和模糊聚类的交通拥堵预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085947B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767684A (zh) * | 2020-12-22 | 2021-05-07 | 重庆大学 | 一种基于收费数据的高速公路交通拥堵检测方法 |
CN112885085B (zh) * | 2021-01-15 | 2022-04-29 | 北京航空航天大学 | 一种应用于改扩建高速公路施工区的合流控制策略 |
CN112983417B (zh) * | 2021-03-15 | 2023-12-12 | 中国煤炭科工集团太原研究院有限公司 | 一种煤矿采掘装备数据分析预警方法 |
CN113222218B (zh) * | 2021-04-16 | 2022-06-10 | 浙江工业大学 | 基于卷积长短时记忆神经网络的交通事故风险预测方法 |
CN113450562B (zh) * | 2021-05-08 | 2022-05-24 | 浙江工业大学 | 一种基于聚类和图卷积网络的路网交通状态判别方法 |
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 |
CN113345225B (zh) * | 2021-05-24 | 2023-04-11 | 郑州航空工业管理学院 | 基于v2v通信的物流车辆前方道路实时路况的预测方法及*** |
CN113538903B (zh) * | 2021-06-21 | 2022-07-22 | 东南大学 | 一种基于交通流量特征提取与分类的交通拥堵预测方法 |
CN113469425B (zh) * | 2021-06-23 | 2024-02-13 | 北京邮电大学 | 深度交通拥堵预测方法 |
CN113836476B (zh) * | 2021-06-29 | 2024-03-19 | 苏交科集团股份有限公司 | 一种基于智能手机的路面平整度测量方法 |
CN115223365B (zh) * | 2022-07-15 | 2023-09-29 | 北京市智慧交通发展中心(北京市机动车调控管理事务中心) | 一种基于阻尼Holt模型的路网速度预测及异常识别方法 |
CN115457766B (zh) * | 2022-08-31 | 2023-08-08 | 华迪计算机集团有限公司 | 一种用于预测道路拥堵状态的方法及*** |
CN115620524B (zh) * | 2022-12-15 | 2023-03-28 | 中南大学 | 一种交通拥堵预测方法、***、设备及存储介质 |
CN116311930A (zh) * | 2023-03-15 | 2023-06-23 | 河北省交通规划设计研究院有限公司 | 一种交通流状态数据时间汇集方法及*** |
CN116090669A (zh) * | 2023-04-03 | 2023-05-09 | 江西锦路科技开发有限公司 | 基于混合神经网络的交通流预测方法、设备和介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000322682A (ja) * | 1999-05-13 | 2000-11-24 | Toshiba Corp | 交通流予測システム、交通流予測装置及び交通流予測方法 |
CN102081846A (zh) * | 2011-02-22 | 2011-06-01 | 交通运输部公路科学研究所 | 基于高速公路收费数据轨迹匹配的交通状态识别方法 |
EP2590151A1 (en) * | 2011-11-03 | 2013-05-08 | Deutsche Telekom AG | A framework for the systematic study of vehicular mobility and the analysis of city dynamics using public web cameras |
JP2016032202A (ja) * | 2014-07-29 | 2016-03-07 | Kddi株式会社 | 予測装置及び予測方法 |
JP2016133942A (ja) * | 2015-01-19 | 2016-07-25 | 住友電気工業株式会社 | 交通指標算出装置、交通指標算出方法及びコンピュータプログラム |
CN106354995A (zh) * | 2016-08-24 | 2017-01-25 | 华北电力大学(保定) | 一种基于拉格朗日插值与时间序列的预测方法 |
CN109711640A (zh) * | 2019-01-23 | 2019-05-03 | 北京工业大学 | 一种基于模糊c均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法 |
CN110555459A (zh) * | 2019-07-24 | 2019-12-10 | 四川大学 | 基于模糊聚类和支持向量回归的成绩预测方法 |
CN110674858A (zh) * | 2019-09-16 | 2020-01-10 | 长沙理工大学 | 一种基于时空关联与大数据挖掘的交通拥堵检测方法 |
CN111079975A (zh) * | 2019-11-14 | 2020-04-28 | 青岛海信网络科技股份有限公司 | 一种交通数据预测方法、装置及交通工具控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6898528B2 (en) * | 2002-07-23 | 2005-05-24 | Ford Global Technologies, Llc | Collision and injury mitigation system using fuzzy cluster tracking |
-
2020
- 2020-07-31 CN CN202010755333.0A patent/CN112085947B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000322682A (ja) * | 1999-05-13 | 2000-11-24 | Toshiba Corp | 交通流予測システム、交通流予測装置及び交通流予測方法 |
CN102081846A (zh) * | 2011-02-22 | 2011-06-01 | 交通运输部公路科学研究所 | 基于高速公路收费数据轨迹匹配的交通状态识别方法 |
EP2590151A1 (en) * | 2011-11-03 | 2013-05-08 | Deutsche Telekom AG | A framework for the systematic study of vehicular mobility and the analysis of city dynamics using public web cameras |
JP2016032202A (ja) * | 2014-07-29 | 2016-03-07 | Kddi株式会社 | 予測装置及び予測方法 |
JP2016133942A (ja) * | 2015-01-19 | 2016-07-25 | 住友電気工業株式会社 | 交通指標算出装置、交通指標算出方法及びコンピュータプログラム |
CN106354995A (zh) * | 2016-08-24 | 2017-01-25 | 华北电力大学(保定) | 一种基于拉格朗日插值与时间序列的预测方法 |
CN109711640A (zh) * | 2019-01-23 | 2019-05-03 | 北京工业大学 | 一种基于模糊c均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法 |
CN110555459A (zh) * | 2019-07-24 | 2019-12-10 | 四川大学 | 基于模糊聚类和支持向量回归的成绩预测方法 |
CN110674858A (zh) * | 2019-09-16 | 2020-01-10 | 长沙理工大学 | 一种基于时空关联与大数据挖掘的交通拥堵检测方法 |
CN111079975A (zh) * | 2019-11-14 | 2020-04-28 | 青岛海信网络科技股份有限公司 | 一种交通数据预测方法、装置及交通工具控制方法 |
Non-Patent Citations (2)
Title |
---|
Type-2 fuzzy forecasting of main road traffic flow;Feng zhang et.al;2018 ICCSS;第337-342页 * |
基于混沌理论的区域航路网络交通状态预测;李桂毅 等;航空计算技术;第50卷(第1期);第61-66页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112085947A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085947B (zh) | 一种基于深度学习和模糊聚类的交通拥堵预测方法 | |
CN108269401B (zh) | 一种基于数据驱动的高架桥交通拥堵预测方法 | |
CN110164128B (zh) | 一种城市级智能交通仿真*** | |
Kim et al. | Urban traffic flow prediction system using a multifactor pattern recognition model | |
CN111081016B (zh) | 一种基于复杂网络理论的城市交通异常识别方法 | |
Vlahogianni et al. | Fuzzy‐entropy neural network freeway incident duration modeling with single and competing uncertainties | |
CN111882869B (zh) | 一种考虑不良天气的深度学习交通流预测方法 | |
Ghanim et al. | Estimating turning movements at signalized intersections using artificial neural networks | |
CN104809877B (zh) | 基于特征参数加权gefcm算法的高速公路地点交通状态估计方法 | |
CN108091132B (zh) | 一种交通流量预测方法及装置 | |
CN104778837A (zh) | 一种道路交通运行态势多时间尺度预测方法 | |
CN111292534A (zh) | 一种基于聚类与深度序列学习的交通状态估计方法 | |
CN116721537A (zh) | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 | |
CN111179601B (zh) | 隧道交通运行管控方法 | |
CN109446881B (zh) | 一种基于异构数据的高速公路路段交通状态检测方法 | |
CN111179592B (zh) | 基于时空数据流融合分析的城市交通预测方法和*** | |
CN112542049A (zh) | 智慧交通综合管控平台 | |
CN116957331A (zh) | 风险旅客流量范围预测方法和装置 | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
Doğan | Short-term traffic flow prediction using artificial intelligence with periodic clustering and elected set | |
CN117251722A (zh) | 一种基于大数据的智慧交通管理*** | |
CN111612120A (zh) | 基于模糊聚类算法的群体异常行为检测方法及装置 | |
CN114267170A (zh) | 基于考虑人类流动性的图时空Transformer模型的交通流预测方法 | |
Zhang et al. | An improved Fuzzy C Means clustering algorithm and its application in traffic condition recognition | |
CN112215520B (zh) | 一种多目标融合通行方法、装置、计算机设备及存储介质 |
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 |