CN112634608B - 一种区域交通流量预测方法及*** - Google Patents

一种区域交通流量预测方法及*** Download PDF

Info

Publication number
CN112634608B
CN112634608B CN202011446242.5A CN202011446242A CN112634608B CN 112634608 B CN112634608 B CN 112634608B CN 202011446242 A CN202011446242 A CN 202011446242A CN 112634608 B CN112634608 B CN 112634608B
Authority
CN
China
Prior art keywords
traffic flow
data
prediction model
prediction
weight
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
Application number
CN202011446242.5A
Other languages
English (en)
Other versions
CN112634608A (zh
Inventor
张昕
张莹
周超然
马太
薛晓田
戴瑞雪
何敏
赖斯莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changchun University of Science and Technology
Original Assignee
Changchun University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changchun University of Science and Technology filed Critical Changchun University of Science and Technology
Priority to CN202011446242.5A priority Critical patent/CN112634608B/zh
Publication of CN112634608A publication Critical patent/CN112634608A/zh
Application granted granted Critical
Publication of CN112634608B publication Critical patent/CN112634608B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G08G1/065—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)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种区域交通流量预测方法及***。所述方法，包括：获取车辆在目标区域的历史交通流量数据，将所述目标区域的历史交通流量数据按照时间周期进行划分，得到多个周期历史交通流量数据；选取其中一个所述周期历史交通数据输入第一交通流量预测模型，得到长短期交通流量预测数据，将各所述周期历史交通数据分别输入第二交通流量预测模型，得到多个最小二乘交通流量预测数据，并将多个所述最小二乘交通流量预测数据进行叠加重构得到向量机预测数据，将所述长短期交通流量预测数据和所述向量机预测数据输入加权平均值预测模型得到区域交通流量预测数据。本发明提高了区域交通流量的预测精度。

Description

一种区域交通流量预测方法及***
技术领域
本发明涉及时空网络流量预测技术领域，特别是涉及一种区域交通流量预测方法及***。
背景技术
时空网络的流量预测问题是智能交通***中一个十分具有挑战性的问题。时空网络中的节点间根据地理拓扑结构具有空间相关性，节点流量在不同时间间隔内具有时间相关性。传统神经网络模型在时空网络流量预测方面，因为网络结构和数值计算方法的影响，导致预测结果存在误差，且在数据规模较大时模型训练的时间成本较大，导致训练效率较低。
发明内容
本发明的目的是提供一种区域交通流量预测方法及***，本发明提高了区域交通流量的预测精度。
为实现上述目的，本发明提供了如下方案：
一种区域交通流量预测方法，包括：
获取车辆在目标区域的历史交通流量数据，所述历史交通流量数据为周期性的交通流量数据；
将所述目标区域的历史交通流量数据按照时间周期进行划分，得到多个周期历史交通流量数据；
选取其中一个所述周期历史交通数据输入第一交通流量预测模型，得到长短期交通流量预测数据，所述第一交通流量预测模型为以待训练区域的历史交通流量数据为输入对长短期记忆网络预测模型进行训练得到的；
将各所述周期历史交通数据分别输入第二交通流量预测模型，得到多个最小二乘交通流量预测数据，并将多个所述最小二乘交通流量预测数据进行叠加重构得到向量机预测数据，所述第二交通流量预测模型为以待训练区域的历史交通流量数据为输入对最小二乘支持向量机预测模型进行训练得到的；
将所述长短期交通流量预测数据和所述向量机预测数据输入加权平均值预测模型得到区域交通流量预测数据，所述加权平均值预测模型是由所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值确定的。
可选的，所述加权平均值预测模型的确定方法为；
获取车辆在待训练区域的历史交通流量数据；
将所述待训练区域的历史交通流量数据按照时间周期进行划分，得到多个训练数据片段；
选取其中一个训练数据片段输入长短期记忆网络预测模型，得到训练长短期预测数据；
将各所述训练数据片段分别输入最小二乘支持向量机预测模型，得到多个训练最小二乘预测数据，并将多个所述训练最小二乘预测数据进行叠加重构得到训练向量机预测数据；
根据训练长短期预测数据、与所述训练长短期预测数据对应的真实值、训练向量机预测数据和与所述训练向量机预测数据对应的真实值求取均方根误差值，所述均方根误差值包括：长短期记忆网络预测模型的均方根误差值和最小二乘支持向量机预测模型的均方根误差值；
根据所述均方根误差值计算所述长短期记忆网络预测模型的权值和所述最小二乘支持向量机预测模型的权值，并将所述长短期记忆网络预测模型的权值确定为所述第一交通流量预测模型的权值，将所述最小二乘支持向量机预测模型的权值确定为所述第二交通流量预测模型的权值；
根据所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值得到所述加权平均值预测模型。
可选的，所述根据所述均方根误差值计算所述长短期记忆网络预测模型的权值和所述最小二乘支持向量机预测模型的权值，并将所述长短期记忆网络预测模型的权值确定为所述第一交通流量预测模型的权值，将所述最小二乘支持向量机预测模型的权值确定为所述第二交通流量预测模型的权值，具体为：
根据
Figure BDA0002824787470000021
计算所述第一交通流量预测模型的权值和第二交通流量预测模型的的权值，其中λi为第i个模型的权值，Ri为第i个模型的均方根误差值，i＝1,2，当i取1时，λ1表示第一交通流量预测模型的权值，R1为第二交通流量预测模型的均方根误差值，当i取2时，λ2表示第一交通流量预测模型的权值，R2为第二交通流量预测模型的均方根误差值。
可选的，所述加权平均值预测模型，具体为：
M＝λ1M1+λ2M2，其中，M为区域交通流量预测数据，M1为长短期预测数据，M2为向量机预测数据，λ1为第一交通流量预测模型的权值，λ2为第二交通流量预测模型的权值。
可选的，在所述对所述目标区域的历史交通流量数据按照时间周期进行划分，得到多个周期历史交通流量数据，之前还包括：
对所述历史交通流量进行归一化处理，得到归一化后的历史交通流量。
一种区域交通流量预测***，包括：
第一数据获取模块，用于获取车辆在目标区域的历史交通流量数据，所述历史交通流量数据为周期性的交通流量数据；
第一交通流量数据转换模块，用于将所述目标区域的历史交通流量数据按照时间周期进行划分，得到多个周期历史交通流量数据；
第一预测模块，用于选取其中一个所述周期历史交通数据输入第一交通流量预测模型，得到长短期交通流量预测数据，所述第一交通流量预测模型为以待训练区域的历史交通流量数据为输入对长短期记忆网络预测模型进行训练得到的；
第二预测模块，用于将各所述周期历史交通数据分别输入第二交通流量预测模型，得到多个最小二乘交通流量预测数据，并将多个所述最小二乘交通流量预测数据进行叠加重构得到向量机预测数据，所述第二交通流量预测模型为以待训练区域的历史交通流量数据为输入对最小二乘支持向量机预测模型进行训练得到的；
交通流量预测模块，用于将所述长短期交通流量预测数据和所述向量机预测数据输入加权平均值预测模型得到区域交通流量预测数据，所述加权平均值预测模型是由所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值确定的。
可选的，所述区域交通流量预测***，还包括：
第二数据获取模块，用于获取车辆在待训练区域的历史交通流量数据；
第二交通流量数据转换模块，用于将所述待训练区域的历史交通流量数据按照时间周期进行划分，得到多个训练数据片段；
长短期预测数据确定模块，用于选取其中一个训练数据片段输入长短期记忆网络预测模型，得到训练长短期预测数据；
向量机预测数据确定模块，用于将各所述训练数据片段分别输入最小二乘支持向量机预测模型，得到多个训练最小二乘预测数据，并将多个所述训练最小二乘预测数据进行叠加重构得到训练向量机预测数据；
均方根误差确定模块，用于根据训练长短期预测数据、与所述训练长短期预测数据对应的真实值、训练向量机预测数据和与所述训练向量机预测数据对应的真实值求取均方根误差值，所述均方根误差值包括：长短期记忆网络预测模型的均方根误差值和最小二乘支持向量机预测模型的均方根误差值；
权值确定模块，用于根据所述均方根误差值计算所述长短期记忆网络预测模型的权值和所述最小二乘支持向量机预测模型的权值，并将所述长短期记忆网络预测模型的权值确定为所述第一交通流量预测模型的权值，将所述最小二乘支持向量机预测模型的权值确定为所述第二交通流量预测模型的权值；
加权平均值预测模型确定模块，用于根据所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值得到所述加权平均值预测模型。
可选的，所述权值确定模块包括：
权值确定单元，用于根据
Figure BDA0002824787470000041
计算所述第一交通流量预测模型的权值和第二交通流量预测模型的的权值，其中λi为第i个模型的权值，Ri为第i个模型的均方根误差值，i＝1,2，当i取1时，λ1表示第一交通流量预测模型的权值，R1为第二交通流量预测模型的均方根误差值，当i取2时，λ2表示第一交通流量预测模型的权值，R2为第二交通流量预测模型的均方根误差值。
可选的，所述加权平均值预测模型，具体为：
M＝λ1M1+λ2M2，其中，M为区域交通流量预测数据，M1为长短期预测数据，M2为向量机预测数据，λ1为第一交通流量预测模型的权值，λ2为第二交通流量预测模型的权值。
可选的，所述区域交通流量预测***，还包括：
归一化模块，用于对所述历史交通流量进行归一化处理，得到归一化后的历史交通流量。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明在预测时结合了两种不同的流量预测模型，将两种模型的预测结果输入加权平均值预测模型得到区域交通流量预测数据，通过加权平均值预测模型调整两种模型的预测结果在最终预测结果中的占比，从而降低预测误差，提高了区域交通流量的预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的区域交通流量预测方法的流程图；
图2为本发明实施例提供的区域交通流量预测***的结构示意图；
图3为本发明实施例提供的更加具体的区域交通流量预测方法的流程图；
图4为本发明将预处理后的轨迹数据导入到统计分析软件，生成区域流量数据的结果图；
图5为本发明实施例提供的模型A的预测流程图；
图6为本发明实施例提供的模型B的预测流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本实施例提供了一种区域交通流量预测方法所述方法，包括：
201：获取车辆在目标区域的历史交通流量数据。所述历史交通流量数据为周期性的交通流量数据。
202：将所述目标区域的历史交通流量数据按照时间周期进行划分，得到多个周期历史交通流量数据。
203：选取其中一个所述周期历史交通数据输入第一交通流量预测模型，得到长短期交通流量预测数据。所述第一交通流量预测模型为以待训练区域的历史交通流量数据为输入对长短期记忆网络预测模型进行训练得到的。
204：将各所述周期历史交通数据分别输入第二交通流量预测模型，得到多个最小二乘交通流量预测数据，并将多个所述最小二乘交通流量预测数据进行叠加重构得到向量机预测数据。所述第二交通流量预测模型为以待训练区域的历史交通流量数据为输入对最小二乘支持向量机预测模型进行训练得到的。
205：将所述长短期交通流量预测数据和所述向量机预测数据输入加权平均值预测模型得到区域交通流量预测数据。所述加权平均值预测模型是由所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值确定的。
其中，所述加权平均值预测模型的确定方法可以为：
获取车辆在待训练区域的历史交通流量数据。
将所述待训练区域的历史交通流量数据按照时间周期进行划分，得到多个训练数据片段。
选取其中一个训练数据片段输入长短期记忆网络预测模型，得到训练长短期预测数据。
将各所述训练数据片段分别输入最小二乘支持向量机预测模型，得到多个训练最小二乘预测数据，并将多个所述训练最小二乘预测数据进行叠加重构得到训练向量机预测数据。
根据训练长短期预测数据、与所述训练长短期预测数据对应的真实值、训练向量机预测数据和与所述训练向量机预测数据对应的真实值求取均方根误差值，所述均方根误差值包括：长短期记忆网络预测模型的均方根误差值和最小二乘支持向量机预测模型的均方根误差值。
根据所述均方根误差值计算所述长短期记忆网络预测模型的权值和所述最小二乘支持向量机预测模型的权值，并将所述长短期记忆网络预测模型的权值确定为所述第一交通流量预测模型的权值，将所述最小二乘支持向量机预测模型的权值确定为所述第二交通流量预测模型的权值。
根据所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值得到所述加权平均值预测模型。
其中，根据所述均方根误差值计算所述长短期记忆网络预测模型的权值和所述最小二乘支持向量机预测模型的权值，并将所述长短期记忆网络预测模型的权值确定为所述第一交通流量预测模型的权值，将所述最小二乘支持向量机预测模型的权值确定为所述第二交通流量预测模型的权值，具体为：
根据
Figure BDA0002824787470000071
计算所述第一交通流量预测模型的权值和第二交通流量预测模型的的权值，其中λi为第i个模型的权值，Ri为第i个模型的均方根误差值，i＝1,2，当i取1时，λ1表示第一交通流量预测模型的权值，R1为第二交通流量预测模型的均方根误差值，当i取2时，λ2表示第一交通流量预测模型的权值，R2为第二交通流量预测模型的均方根误差值。
其中，加权平均值预测模型，具体为：
M＝λ1M1+λ2M2，其中，M为区域交通流量预测数据，M1为长短期预测数据，M2为向量机预测数据，λ1为第一交通流量预测模型的权值，λ2为第二交通流量预测模型的权值。
其中，在所述对所述目标区域的历史交通流量数据按照时间周期进行划分，得到多个周期历史交通流量数据，之前还包括：
对所述历史交通流量进行归一化处理，得到归一化后的历史交通流量。
如图2所示，本实施例还提供了一种与上述方法对应的区域交通流量预测***，所述***，包括：
第一数据获取模块A1，用于获取车辆在目标区域的历史交通流量数据，所述历史交通流量数据为周期性的交通流量数据。
第一交通流量数据转换模块A2，用于将所述目标区域的历史交通流量数据按照时间周期进行划分，得到多个周期历史交通流量数据。
第一预测模块A3，用于选取其中一个所述周期历史交通数据输入第一交通流量预测模型，得到长短期交通流量预测数据，所述第一交通流量预测模型为以待训练区域的历史交通流量数据为输入对长短期记忆网络预测模型进行训练得到的。
第二预测模块A4，用于将各所述周期历史交通数据分别输入第二交通流量预测模型，得到多个最小二乘交通流量预测数据，并将多个所述最小二乘交通流量预测数据进行叠加重构得到向量机预测数据，所述第二交通流量预测模型为以待训练区域的历史交通流量数据为输入对最小二乘支持向量机预测模型进行训练得到的。
交通流量预测模块A5，用于将所述长短期交通流量预测数据和所述向量机预测数据输入加权平均值预测模型得到区域交通流量预测数据，所述加权平均值预测模型是由所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值确定的。
作为一种可选的实施方式，所述区域交通流量预测***，还包括：
第二数据获取模块，用于获取车辆在待训练区域的历史交通流量数据。
第二交通流量数据转换模块，用于将所述待训练区域的历史交通流量数据按照时间周期进行划分，得到多个训练数据片段。
长短期预测数据确定模块，用于选取其中一个训练数据片段输入长短期记忆网络预测模型，得到训练长短期预测数据。
向量机预测数据确定模块，用于将各所述训练数据片段分别输入最小二乘支持向量机预测模型，得到多个训练最小二乘预测数据，并将多个所述训练最小二乘预测数据进行叠加重构得到训练向量机预测数据。
均方根误差确定模块，用于根据训练长短期预测数据、与所述训练长短期预测数据对应的真实值、训练向量机预测数据和与所述训练向量机预测数据对应的真实值求取均方根误差值，所述均方根误差值包括：长短期记忆网络预测模型的均方根误差值和最小二乘支持向量机预测模型的均方根误差值。
权值确定模块，用于根据所述均方根误差值计算所述长短期记忆网络预测模型的权值和所述最小二乘支持向量机预测模型的权值，并将所述长短期记忆网络预测模型的权值确定为所述第一交通流量预测模型的权值，将所述最小二乘支持向量机预测模型的权值确定为所述第二交通流量预测模型的权值。
加权平均值预测模型确定模块，用于根据所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值得到所述加权平均值预测模型。
作为一种可选的实施方式，所述权值确定模块包括：
权值确定单元，用于根据
Figure BDA0002824787470000091
计算第一交通流量预测模型的权值和第二交通流量预测模型的的权值，其中λi为第i个模型的权值，Ri为第i个模型的均方根误差值，i＝1,2，当i取1时，λ1表示第一交通流量预测模型的权值，R1为第二交通流量预测模型的均方根误差值，当i取2时，λ2表示第一交通流量预测模型的权值，R2为第二交通流量预测模型的均方根误差值。
作为一种可选的实施方式，所述加权平均值预测模型，具体为：
M＝λ1M1+λ2M2，其中，M为区域交通流量预测数据，M1为长短期预测数据，M2为向量机预测数据，λ1为第一交通流量预测模型的权值，λ2为第二交通流量预测模型的权值。
作为一种可选的实施方式，所述区域交通流量预测***，还包括：
归一化模块，用于对所述历史交通流量进行归一化处理，得到归一化后的历史交通流量。
本实施例还提供了一种更加具体的区域交通流量预测方法，如图3所示，具体为：
一、获取目标区域的历史交通流量数据，并对获取的数据进行预处理：
S101：获取浮动车轨迹数据，对数据进行预处理，去除无效数据和与预测无关的数据项，根据预处理后的轨迹数据得到交通流量数据。预处理过程：根据GPS产生的误差，去除轨迹数据中误差较大的数据，原始数据中车辆属性字段共有9个，考虑交通信息提取的过程以及预测需求，选取其中6个字段：车辆标识、GPS时间、GPS经度、GPS纬度、GPS速度、GPS方位作为原始数据集。
(一个区域可以按照区域的大小划分成若干个网格，这里的流量数据指的是网格中的入流和出流，即进入网格的流量和离开网格的流量。轨迹数据是由坐标点和时间戳组成的，通过坐标信息和网格的坐标信息，可以判断这条轨迹是否进入或离开网格。依此方法计算区域内各网格在特定时间段的流量)
二、判断交通流量数据是否存在周期性特征，对存在周期性特征的数据进行周期性分解，如图4所示，将预处理后的轨迹数据导入到统计分析软件，生成区域流量数据的散点图或折线图，观察图形的特征，可以发现在一个较长的时间间隔内，流量数据存在明显的周期性特征，因此可以考虑用其中若干个时间间隔内的数据来表示整体的流量特征。交通流量数据的周期性指的是：同一区域内的交通流量呈现出周期性的涨落，一段时间内的流量数据可以划分为多个近似的片段，每个片段具有相同的涨落特征。
S102：根据时间戳将交通流量数据转换为有时序的张量序列数据样本。
S103：对张量序列数据样本进行周期性数据分解。
三、根据上述过程分解得到的历史交通流量数据对目标区域未来某一时间段的交通流量分别用模型A、B进行预测：
模型A是基于传统的LSTM模型(长短期记忆网络预测模型)，结合数据周期性进行了改进，将数据周期性这一特性加入训练过程，如图5所示。
具体预测过程为：
S114：针对模型A将大规模的输入样本进行周期性分解，形成多个特征相似的张量序列样本，(特征相似的样本指的是一个长的时间段内，数据具有周期性特性，各个周期内的数据具有相似的特征，因此一个周期内的数据可以代替整个长时间段的数据)
将处理好的时间序列样本数据作为输入数据(选取其中一个周期的数据作为输入)输入到LSTM网络模型中，最后输出预测时间的交通流量数据，具体包括：
S115：根据输入数据在LSTM神经网络预测模型中进行预测。
S116：预测结果经过LSTM神经网络的全连接层后整合为模型预测结果。
LSTM神经网络模型中针对包含时序信息的处理，依赖于神经网络重复模块对时序信息的链式处理，其时间特性的依赖计算如公式(1)所示。
隐藏层和输出层的表达式如公式：
Figure BDA0002824787470000101
Figure BDA0002824787470000102
其中，t为时序，x为输入层，s为隐藏层，o为输出层均为网络结构的基本参数。参数U,W为传递函数偏置，
将公式(1-1)带入(1-2)，将函数展开时即可得到RNN(循环神经网络)输出层的完整表达式如公式(1-3)所示，
Figure BDA0002824787470000111
LSTM神经网络分为输入层、输出层和隐藏层三部分，将处理好的时间序列样本数据输入到LSTM网络模型中，由公式(1-3)可见循环神经网络和传统神经网络有着类似的表达式，但在该输出表达式上循环神经网络存在权值和偏置的递归计算过程，这是隐藏层的循环计算过程决定的，而隐藏层为两个LSTM层模型，第一个LSTM隐藏层和第二个LSTM隐藏层都分别包含有5个存储单元的LSTM神经元，该结构决定循环过程，经过两层的LSTM隐藏层训练后，经过一个全连接层，输出层将全连接层整合并输出预测时间的交通流量数据，这里的f函数为激活函数，通常选择为线性激活函数。
S124：如图6所示，针对模型B将张量序列样本进行分片，得到的每个样本都包含多个且等量的张量序列分量，具体包括：
按照不同时间段的交通流量数据具有周期性的特点，将历史交通流量数据分解成个若干张量序列分量，之后针对张量序列分量分别运用LSSVM预测模型(最小二乘支持向量机预测模型)进行预测，之后将各自的预测结果进行叠加重构。
S125：根据输入数据在LSSVM预测模型中进行预测。
S126：多个张量序列分量样本的预测结果进行叠加重构形成模型预测结果。
S206：将叠加重构形成的模型预测结果得到的预测目标输出。
(根据经过处理的轨迹数据得到的区域流量数据(未进行周期性分解之前)为张量序列样本，对其通过周期性进行分片，每个周期的样本为一个分量，分别进行预测，最后将结果叠加重构)
(在实际应用中，LSSVM预测模型的预测算法步骤如下：
归一化交通流量数据。
归一化过程为：
表1样本构造示例表
Figure BDA0002824787470000121
为了实现张量分量的预测，样本构造如表1所示。
为了提高计算速度和预测精度，将样本根据公式3归一化：
Figure BDA0002824787470000122
其中，xmax和xmin分别表示张量序列样本中的最小值和最大值。
2.根据周期性分解归一化的交通流量数据，提取交通流量数据的细节特征和趋势特征，将流量数据分解成不同的张量分量。(特征提取是机器学习模型训练的一部分，模型的输入输出都是向量或张量形式，不同的特征可以对应不同的数值，然后将数值组合在一起即为输入向量。
3.针对不同的张量分量，将不同的张量分量进行组合，分别构建训练样本和测试样本。
4.将不同张量分量的训练样本输入LSSVM模型，进行训练，所述训练过程包括，将建立预测模型。
历史交通流量数据中第t个时间间隔内的交通流量数据为X(t)，LSSVM预测模型可以描述为：
X(t)＝φ[X(t-1),X(t-2),...,X(t-p)] (2)
其中，φ表示非线性函数，p表示预测窗口宽度(本文预测窗口宽度为3，即用前3个时刻的数据预测第4个时刻的数据)。
5.将不同张量分量的测试样本分别输入预测模型，进行预测，并将各自不同预测结果进行叠加求和重构，实现交通流量的预测X(t)。
四、运用两个模型的预测结果与实际值误差进行偏差修正，通过各模型权值，进一步建立最终加权平均值预测模型。
S107：根据预测结果与实际值的误差进行偏差修正。
在已有的两种预测模型中，找出这些模型预测结果与真实值的均方误差的偏差，并根据偏差调整权值λi，然后组合成一个新的加权平均值计算公式，作为新的预测值。
(在实际应用中，偏差修正的处理过程如下：
根据两个预测模型的预测结果误差决定各自的预测结果在最终结果中所占权重，预测结果以数据曲线的形式展示。
1.分别用M1，M2表示两种预测模型。
2.分别用R1，R2表示M1，M2对某个区域预测时间戳之前历史时间序列作为训练数据集的均方根误差(RMSE)值。
3.分配给各模型预测值的权值λi由下面的公式计算
Figure BDA0002824787470000131
其中，i＝1,2，
Figure BDA0002824787470000132
是两个模型训练数据集的平均RMSE值，
Figure BDA0002824787470000133
表示平均值的偏移值，在分配权值时，RMSE值越小得到的权值越大。
4.设由A，B预测值构成的加权平均值由公式(5)计算
M＝λ1M1+λ2M2 (5)
其中，λi称为Mi的权值，i＝1,2)
根据两个预测模型的预测结果误差决定各自的预测结果在最终结果中所占权重，预测结果以数据曲线的形式展示。
本发明具有以下优点：
本发明是一种区域交通流量预测方法及***，根据特定区域的交通流量历史数据，预测目标区域未来一段时间的交通流量趋势。本发明使用目标区域过去一段时间的浮动车轨迹数据作为交通流量数据源，预测模型训练之前先对数据进行清洗，去除无效的和对流量预测无关的数据，之后对数据进行特征分析，得到区域交通流量信息具有周期性的结论，将此特性融入预测模型中，将数据周期性引入神经网络模型的训练相当程度上缓解了传统方法面对大规模数据样本时模型训练的时间长的问题。
本发明进行预测时结合了两种不同的流量预测模型，对两种模型的预测结果进行偏差修正，根据预测误差调整两种模型的预测结果在最终预测结果中的占比，从而降低预测误差。模型A基于LSTM，根据流量数据的周期性进行数据分片，将单一数据片作为输入样本对预测模型进行训练，从而降低模型训练的时间成本和复杂度。模型B基于LSSVM，预测时将历史交通流量数据观测值进行周期性分解，并将其转换为多个张量序列分量，然后针对张量序列分量分别运用LSSVM进行预测，将各自的预测结果进行叠加重构，实现未来交通流量预测，此外周期性数据分解为LSSVM的数据分片提供了一种新的思路，较传统的模态分解方法在预测精度上有较大的提高。基于偏差修正的结果处理方法从预测结果出发，结合不同模型的预测结果进一步降低了预测结果的误差。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种区域交通流量预测方法，其特征在于，包括：
获取车辆在目标区域的历史交通流量数据，所述历史交通流量数据为周期性的交通流量数据；
将所述目标区域的历史交通流量数据按照时间周期进行划分，得到多个周期历史交通流量数据；
选取其中一个所述周期历史交通数据输入第一交通流量预测模型，得到长短期交通流量预测数据，所述第一交通流量预测模型为以待训练区域的历史交通流量数据为输入对长短期记忆网络预测模型进行训练得到的；
将各所述周期历史交通数据分别输入第二交通流量预测模型，得到多个最小二乘交通流量预测数据，并将多个所述最小二乘交通流量预测数据进行叠加重构得到向量机预测数据，所述第二交通流量预测模型为以待训练区域的历史交通流量数据为输入对最小二乘支持向量机预测模型进行训练得到的；
将所述长短期交通流量预测数据和所述向量机预测数据输入加权平均值预测模型得到区域交通流量预测数据，所述加权平均值预测模型是由所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值确定的。
2.根据权利要求1所述的一种区域交通流量预测方法，其特征在于，所述加权平均值预测模型的确定方法为；
获取车辆在待训练区域的历史交通流量数据；
将所述待训练区域的历史交通流量数据按照时间周期进行划分，得到多个训练数据片段；
选取其中一个训练数据片段输入长短期记忆网络预测模型，得到训练长短期预测数据；
将各所述训练数据片段分别输入最小二乘支持向量机预测模型，得到多个训练最小二乘预测数据，并将多个所述训练最小二乘预测数据进行叠加重构得到训练向量机预测数据；
根据训练长短期预测数据、与所述训练长短期预测数据对应的真实值、训练向量机预测数据和与所述训练向量机预测数据对应的真实值求取均方根误差值，所述均方根误差值包括：长短期记忆网络预测模型的均方根误差值和最小二乘支持向量机预测模型的均方根误差值；
根据所述均方根误差值计算所述长短期记忆网络预测模型的权值和所述最小二乘支持向量机预测模型的权值，并将所述长短期记忆网络预测模型的权值确定为所述第一交通流量预测模型的权值，将所述最小二乘支持向量机预测模型的权值确定为所述第二交通流量预测模型的权值；
根据所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值得到所述加权平均值预测模型。
3.根据权利要求2所述的一种区域交通流量预测方法，其特征在于，所述根据所述均方根误差值计算所述长短期记忆网络预测模型的权值和所述最小二乘支持向量机预测模型的权值，并将所述长短期记忆网络预测模型的权值确定为所述第一交通流量预测模型的权值，将所述最小二乘支持向量机预测模型的权值确定为所述第二交通流量预测模型的权值，具体为：
根据
Figure FDA0002824787460000021
计算所述第一交通流量预测模型的权值和第二交通流量预测模型的权值，其中λi为第i个模型的权值，Ri为第i个模型的均方根误差值，i＝1,2，当i取1时，λ1表示第一交通流量预测模型的权值，R1为第一交通流量预测模型的均方根误差值，当i取2时，λ2表示第二交通流量预测模型的权值，R2为第二交通流量预测模型的均方根误差值。
4.根据权利要求1所述的一种区域交通流量预测方法，其特征在于，所述加权平均值预测模型，具体为：
M＝λ1M1+λ2M2，其中，M为区域交通流量预测数据，M1为长短期预测数据，M2为向量机预测数据，λ1为第一交通流量预测模型的权值，λ2为第二交通流量预测模型的权值。
5.根据权利要求1所述的一种区域交通流量预测方法，其特征在于，在所述对所述目标区域的历史交通流量数据按照时间周期进行划分，得到多个周期历史交通流量数据，之前还包括：
对所述历史交通流量进行归一化处理，得到归一化后的历史交通流量。
6.一种区域交通流量预测***，其特征在于，包括：
第一数据获取模块，用于获取车辆在目标区域的历史交通流量数据，所述历史交通流量数据为周期性的交通流量数据；
第一交通流量数据转换模块，用于将所述目标区域的历史交通流量数据按照时间周期进行划分，得到多个周期历史交通流量数据；
第一预测模块，用于选取其中一个所述周期历史交通数据输入第一交通流量预测模型，得到长短期交通流量预测数据，所述第一交通流量预测模型为以待训练区域的历史交通流量数据为输入对长短期记忆网络预测模型进行训练得到的；
第二预测模块，用于将各所述周期历史交通数据分别输入第二交通流量预测模型，得到多个最小二乘交通流量预测数据，并将多个所述最小二乘交通流量预测数据进行叠加重构得到向量机预测数据，所述第二交通流量预测模型为以待训练区域的历史交通流量数据为输入对最小二乘支持向量机预测模型进行训练得到的；
交通流量预测模块，用于将所述长短期交通流量预测数据和所述向量机预测数据输入加权平均值预测模型得到区域交通流量预测数据，所述加权平均值预测模型是由所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值确定的。
7.根据权利要求6所述的一种区域交通流量预测***，其特征在于，还包括：
第二数据获取模块，用于获取车辆在待训练区域的历史交通流量数据；
第二交通流量数据转换模块，用于将所述待训练区域的历史交通流量数据按照时间周期进行划分，得到多个训练数据片段；
长短期预测数据确定模块，用于选取其中一个训练数据片段输入长短期记忆网络预测模型，得到训练长短期预测数据；
向量机预测数据确定模块，用于将各所述训练数据片段分别输入最小二乘支持向量机预测模型，得到多个训练最小二乘预测数据，并将多个所述训练最小二乘预测数据进行叠加重构得到训练向量机预测数据；
均方根误差确定模块，用于根据训练长短期预测数据、与所述训练长短期预测数据对应的真实值、训练向量机预测数据和与所述训练向量机预测数据对应的真实值求取均方根误差值，所述均方根误差值包括：长短期记忆网络预测模型的均方根误差值和最小二乘支持向量机预测模型的均方根误差值；
权值确定模块，用于根据所述均方根误差值计算所述长短期记忆网络预测模型的权值和所述最小二乘支持向量机预测模型的权值，并将所述长短期记忆网络预测模型的权值确定为所述第一交通流量预测模型的权值，将所述最小二乘支持向量机预测模型的权值确定为所述第二交通流量预测模型的权值；
加权平均值预测模型确定模块，用于根据所述第一交通流量预测模型的权值和所述第二交通流量预测模型的权值得到所述加权平均值预测模型。
8.根据权利要求7所述的一种区域交通流量预测***，其特征在于，所述权值确定模块包括：
权值确定单元，用于根据
Figure FDA0002824787460000041
计算所述第一交通流量预测模型的权值和第二交通流量预测模型的的权值，其中λi为第i个模型的权值，Ri为第i个模型的均方根误差值，i＝1,2，当i取1时，λ1表示第一交通流量预测模型的权值，R1为第二交通流量预测模型的均方根误差值，当i取2时，λ2表示第一交通流量预测模型的权值，R2为第二交通流量预测模型的均方根误差值。
9.根据权利要求6所述的一种区域交通流量预测***，其特征在于，所述加权平均值预测模型，具体为：
M＝λ1M1+λ2M2，其中，M为区域交通流量预测数据，M1为长短期预测数据，M2为向量机预测数据，λ1为第一交通流量预测模型的权值，λ2为第二交通流量预测模型的权值。
10.根据权利要求6所述的一种区域交通流量预测***，其特征在于，还包括：
归一化模块，用于对所述历史交通流量进行归一化处理，得到归一化后的历史交通流量。
CN202011446242.5A 2020-12-09 2020-12-09 一种区域交通流量预测方法及*** Active CN112634608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011446242.5A CN112634608B (zh) 2020-12-09 2020-12-09 一种区域交通流量预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011446242.5A CN112634608B (zh) 2020-12-09 2020-12-09 一种区域交通流量预测方法及***

Publications (2)

Publication Number Publication Date
CN112634608A CN112634608A (zh) 2021-04-09
CN112634608B true CN112634608B (zh) 2021-11-30

Family

ID=75309608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011446242.5A Active CN112634608B (zh) 2020-12-09 2020-12-09 一种区域交通流量预测方法及***

Country Status (1)

Country Link
CN (1) CN112634608B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159856A (zh) * 2021-04-30 2021-07-23 山东旗帜信息有限公司 一种收费站出站口流量预测方法及***
CN113888862A (zh) * 2021-09-15 2022-01-04 成都四方伟业软件股份有限公司 一种单个路口的车流量预测方法及装置
CN115440038B (zh) * 2022-08-31 2023-11-03 青岛海信网络科技股份有限公司 一种交通信息确定方法以及电子设备
CN115481808A (zh) * 2022-09-23 2022-12-16 江苏天成科技集团有限公司 一种基于mdt-lssvm模型的蛋鸡产蛋率预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150609B (zh) * 2013-02-18 2017-05-03 健雄职业技术学院 一种短时交通流量预测模型的建模方法
CN103730006B (zh) * 2014-01-26 2015-12-02 吉林大学 一种短时交通流量的组合预测方法
CN109658695B (zh) * 2019-01-02 2020-09-22 华南理工大学 一种多因素的短时交通流预测方法
CN109949577B (zh) * 2019-04-25 2021-07-27 贵州大学 一种道路交通流量预测方法
CN111325976B (zh) * 2020-02-24 2021-02-02 交通运输部水运科学研究所 一种短时交通流预测方法及***

Also Published As

Publication number Publication date
CN112634608A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN112634608B (zh) 一种区域交通流量预测方法及***
CN109492830B (zh) 一种基于时空深度学习的移动污染源排放浓度预测方法
CN108596327B (zh) 一种基于深度学习的地震速度谱人工智能拾取方法
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN111582551B (zh) 风电场短期风速预测方法、***及电子设备
Yu et al. A special event-based K-nearest neighbor model for short-term traffic state prediction
CN110309603A (zh) 一种基于风速特性的短期风速预测方法及***
CN106529721A (zh) 一种深度特征提取的广告点击率预测***及其预测方法
CN109726802B (zh) 一种铁路和风电场环境风速机器学习预测方法
CN113988348A (zh) 一种网格化监测的空气质量预测方法
CN114445252A (zh) 数据补全方法、装置、电子设备及存储介质
CN115689008A (zh) 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其***
CN116311921A (zh) 一种基于多空间尺度时空Transformer的交通速度预测方法
CN116307291B (zh) 一种基于小波分解的分布式光伏发电预测方法及预测终端
CN114694379B (zh) 一种基于自适应动态图卷积的交通流预测方法及***
Tomizawa et al. Combining ensemble Kalman filter and reservoir computing to predict spatiotemporal chaotic systems from imperfect observations and models
CN113609766B (zh) 一种基于深度概率潜隐模型的软测量方法
Tyass et al. Wind speed prediction based on statistical and deep learning models
CN112948462A (zh) 一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法
CN116931129A (zh) 基于多模式集合的短期降水预报方法、装置、设备及介质
Manero et al. Deep Learning is blowing in the wind. Deep models applied to wind prediction at turbine level
CN115296298A (zh) 一种风电场功率预测方法
CN114647987A (zh) 基于时空相关性模型的分布式光伏电站日前出力预测方法
CN114942480A (zh) 基于信息感知注意力动态协同网络的海洋站风速预报方法
CN114782740A (zh) 结合遗传优化与极端梯度提升的遥感水质监测方法

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