CN113240182A - 复杂路网下的短时交通流量预测方法、存储介质和*** - Google Patents
复杂路网下的短时交通流量预测方法、存储介质和*** Download PDFInfo
- Publication number
- CN113240182A CN113240182A CN202110548100.8A CN202110548100A CN113240182A CN 113240182 A CN113240182 A CN 113240182A CN 202110548100 A CN202110548100 A CN 202110548100A CN 113240182 A CN113240182 A CN 113240182A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- short
- data
- term
- prediction
- 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 46
- 238000012549 training Methods 0.000 claims abstract description 43
- 230000015654 memory Effects 0.000 claims abstract description 29
- 230000000694 effects Effects 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000006403 short-term memory Effects 0.000 claims description 16
- 230000007787 long-term memory Effects 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000006698 induction Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims 1
- 238000011144 upstream manufacturing Methods 0.000 abstract description 5
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/08—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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Algebra (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种复杂路网下的短时交通流量预测方法、存储介质和***,方法包括多路段交通流量数据采集、对多路段交通流量进行数据清洗和时间切片以获得多维车流量数据、基于短时交通流量模型训练采用长短期记忆网络对交通流量数据进行训练、基于训练好的短时交通流量模型采用长短期记忆网络对复杂路网下的多个路段进行短时交通流量预测。本方案可以对复杂路网的情况下,通过长短期记忆网络分类器直接对N个预测路段进行短时交通流量预测,不限于上下游单一路段的交通流量预测,处理方法简单有效;短时交通流量训练和预测具有强大的学习、记忆能力、预测效果好且算法鲁棒性较强,可以达到实时性,具有较强的实用性。
Description
技术领域
本发明属于智慧城市及智能安全领域,涉及智能交通技术,具体为一种复杂路网下的短时交通流量预测方法、存储介质和***。
背景技术
智能交通***(Intelligent Transportation System,简称ITS)是有效地集成运用于整个地面交通管理***而建立的一种在大范围内、全方位发挥作用的,实时、准确、高效的综合交通运输管理***。构建ITS中的交通流诱导子***,是解决城市交通拥堵和提高路网通行效率的最有效方式之一,而ITS要实现实时的交通控制和诱导,就必须要有及时、准确的短时交通流预测为其提供支持,因此短时交通流预测已经成为智能交通***的研究热点。短期交通流量预测是一种微观意义上的预测,是智能交通***的核心内容之一,具有高度非线性和不确定性等特点,并且与时间和空间都有相关性。研究表明,城市交流路网中交通路段上某时刻的交通量与本路段前几个时段的交通流量有关,交通流量具有准周期的特性,另外,在复杂路网中还与汇入的路网交通流量有关。
比较常用的短期交通流量预测方法包括隐马尔可夫预测、BP神经网络模型预测、CNN神经网络预测等。
基于隐马尔可夫的短期交通流量预测方法:
该方法使用预测路段交通流量信息,基于当前的交通流量信息和历史交通流量信息,采用隐马尔可夫算法预测下一时间段该区域的交通流量信息。
基于BP神经网络的短期交通流量预测方法:
该方法使用预测路段交通流量信息,基于当前的交通流量信息和历史交通流量信息,采用BP神经网络算法预测下一时间段该区域的交通流量信息。
基于卷积神经网络的短期交通流量预测方法:
该方法使用数据集中预测路段及其上下游路段的历史流量数据构成输入矩阵,将上游路段的流量数据作为输入矩阵的上半部分,下游路段的流量数据作为输入矩阵的下半部分,预测路段的流量数据放在中间,采用卷积神经网络算法预测交通流量。
影响交通流量预测结果的因素主要有时间因素和空间因素。目前已有的交通流量预测方法,考虑较多的是时间因素,在空间因素方面考虑的较少,影响了交通流量预测准确率。
其次,在城市复杂路网下,只考虑一条路段的短时交通流量,并预测下一时间段的交通流量,存在信息利用不完整而影响预测准确率的问题。现有的短时交通流量预测方法主要有BP等传统神经网络预测算法,在深度学习算法方面引入较少,算法对数据的表达能力有限。
发明内容
为了克服现有技术的不足,本发明提供了一种复杂路网下的短时交通流量预测方法、存储介质和***,其能解决目前已有的交通流量预测方法在空间内在因素考虑不足的问题。
设计原理:由于短时交通流量预测受两方面影响:时间因素,空间因素。故本方案提出采用N个预测路段的历史流量数据,采用长短期记忆网络对交通流量数据进行预测。
设计方案:为解决前述问题,本发明的具体方案如下。
一种复杂路网下的短时交通流量预测方法,方法包括:
S1、多路段交通流量数据采集;
S2、对步骤S1获得的多路段交通流量进行数据清洗和时间切片,获得多维车流量数据;
S3、短时交通流量模型训练,采用长短期记忆网络对交通流量数据进行训练;
S4、短时交通流量模型预测,基于训练好的短时交通流量模型,采用长短期记忆网络对复杂路网下的多个路段进行短时交通流量预测。
进一步的,步骤S1包括:S11、选取N个路段,N为≥2的正整数,所述路段包括路口和/或路段点位;S12、对选取的路段通过地感线圈触发、视频触发或GPS数据采集所述N个路段的交通流量数据。
进一步的,步骤S2包括:S21、对步骤1采集的交通流量数据进行数据清洗;S22、以设定的时间间隔t对数据清洗后的数据进行时间切片,每个路段的数据切割成M个时间段,以此生成N*M车流量数据矩阵。
进一步的,步骤S3包括:
S31、交通流量数据预处理,对步骤S2获得的交通流量数据进行归一化处理,归一化后的当前时刻的交通流量x′i为:
式中,x′i为归一化后的当前时刻的交通流量,xmax为历史时刻的交通流量最大值,xmin为历史时刻的交通流量最小值;
S32、将归一化后的N*M车流量数据矩阵作为训练样本输入长短期记忆网络模型进行训练。
进一步的,步骤S32包括:
S321、矩阵通过卷积层提取高级特征;
S322、池化层处理,以减少参数的数量和控制过拟合;
S323、激活函数处理,采用ReLU激活函数处理,以避免模式崩溃;
S324、Dropout层处理,以缓解过拟合的发生;
S325、基于注意力机制,通过长短期记忆网络LSTM层的学习时间序列数据的关联信息,以提升模型训练效果;
S326、数据经损失函数评定模型训练的预测效果。
进一步的,步骤S325的基于注意力机制的长短期记忆网络LSTM层处理包括:
将长短期记忆网络LSTM的输出o与层权重W加权求和,并通过softmax得到注意力系数a,通过全连接层将a映射到输出值:
a=soft max(wTsigmoid(o))………………………………………式2
output=sigmoid(wT(oaT))………………………………………式3
式中,o为LSTM的输出,W为第一层权重。
进一步的,步骤S326的损失函数采用均方方差损失,该统计参数是预测数据和原始数据对应点误差的平方和的均值,计算公式为:
式中,yi表示第i个样本的真实值;
f(xi)表示第i个样本的预测值;
n为样本个数。
进一步的,步骤S4的短时交通流量模型预测包括:
S41、采集前M个时间段的车流量数据,并进行数据归一化处理;
S42、将归一化后车流量数据矩阵输入长短期记忆网络模型进行多路段的短时交通流量预测。
本发明还提供了一种计算机可读存储介质,其上存储有计算机可执行程序指令,通过处理器和存储器执行所述指令,用于实现前述方法。
本发明还提供了一种复杂路网下的短时交通流量预测***,***包括电讯连接的数据采集模块、数据预处理模块、短时交通流量训练预测模块、预测效果评估模块和交通流量显示模块;
所述数据采集模块包括数据采集单元和计时器;所述数据采集单元包括地感线圈、视频监测器或GPS组件,在计时器的控制下所述采集单元等时段间隔的同步采集多个路段的交通流量数据;
所述数据预处理模块接收数据采集模块的交通流量数据,并进行数据清洗和时间切片,以获得车流量数据矩阵;
所述短时交通流量训练预测模块包括基于注意力机制的长短期记忆网络训练单元和预测单元,所述训练单元用于将历史车流量数据矩阵进行训练,所述预测单元接收当前车流量数据矩阵预测下一时段的车流量数据;
所述预测效果评估模块通过损失函数评估所述短时交通流量训练预测模块的准确性;
所述交通流量显示模块可视化显示多路段的历史数据、当前真实数据、预测数据和预测效果。
相比现有技术,本发明的有益效果在于:
1、提出加入相交路网的N个路段的交通流量数据,包括多个交通路口的数据,充分考虑了交通流量不但与上下游道路上流量值的变化有关,还与其相连的其他道路交通流量数据,较好的解决了城市复杂路网下的短时交通流量预测空间因素方面考虑较少的问题,对交通流量预测具有积极的作用。
2、采用基于注意力机制的长短期记忆网络算法对采集的交通流量数据进行模型训练和预测,提升了预测模型的表达能力和模型预测的效果。
附图说明
图1为本发明复杂路网下的短时交通流量预测方法总体流程图;
图2为城市复杂路网下的短时交通流量数据采集图;
图3为长短期记忆网络模型训练流程图;
图4为基于注意力机制的长短期记忆网络模型预测流程图;
图5为复杂路网下的短时交通流量预测***的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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的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。
应当理解,本说明书中所使用的“***”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
第一实施例
一种复杂路网下的短时交通流量预测方法,参见图1,方法包括以下步骤。
S1、多路段交通流量数据采集。步骤S1包括:
S11、选取N个路段,N为≥2的正整数,所述路段包括路口和/或路段点位;
S12、对选取的路段通过地感线圈触发、视频触发或GPS数据采集所述N个路段的交通流量数据。
交通流量数据采集的方法有:地感线圈触发采集、视频触发采集和GPS数据采集等方法。由于城市路网复杂、监控场景广阔、参与交通的主体多样,较难采用传统的方法对车流量进行较准确的采集,考虑到当前交通路况实时视频监控的基础设施比较成熟,本方法采用视频触发采集的方法采集监控路网中的交通流量数据。
S2、对步骤S1获得的多路段交通流量进行数据清洗和时间切片,获得多维车流量数据。参见图2,步骤S2包括:
S21、对步骤1采集的交通流量数据进行数据清洗。其中,数据清洗包括:对数据中的车辆数量、时间信息、采集点位是否有效等进行分析,去除数据集中的无效数据。
S22、以设定的时间间隔t对数据清洗后的数据进行时间切片,每个路段的数据切割成M个时间段,以此生成N*M车流量数据矩阵。
具体的,以5秒为一个间隔对监控的N个路段进行数据采集;最后,数据预处理得到N维交通流量数据。
S3、短时交通流量模型训练,采用长短期记忆网络对交通流量数据进行训练;步骤S3包括:
S31、交通流量数据预处理,对步骤S2获得的交通流量数据进行归一化处理,归一化后的当前时刻的交通流量x′i为:
式中,x′i为归一化后的当前时刻的交通流量,xmax为历史时刻的交通流量最大值,xmin为历史时刻的交通流量最小值;
S32、将归一化后的N*M车流量数据矩阵作为训练样本输入长短期记忆网络模型进行训练,具体为采用前M个时刻和N个路段的交通流量数据,得到N*M数据矩阵作为训练样本输入;通过卷积层提取高级特征,池化层减少参数的数量和控制过拟合,ReLU激活函数避免模式崩溃,Dropout缓解过拟合的发生,长短期记忆网络(LSTM)较好的学习时间序列数据的关联信息,经过一个均方损失函数评定模型训练的预测效果。参见图3,步骤S32的训练步骤包括:
S321、矩阵通过卷积层提取高级特征;
S322、池化层处理,以减少参数的数量和控制过拟合;
S323、激活函数处理,采用ReLU激活函数处理,以避免模式崩溃;
S324、Dropout层处理,以缓解过拟合的发生;
S325、基于注意力机制,通过长短期记忆网络LSTM层的学习时间序列数据的关联信息,以提升模型训练效果。这是因为在交通流量预测中,考虑到长序列时,依赖关系就会陷入瓶颈,因此需要引进注意力机制后的模型。具体的,步骤S325的基于注意力机制的长短期记忆网络LSTM层处理包括:
将长短期记忆网络LSTM的输出o与层权重W加权求和,并通过softmax得到注意力系数a,通过全连接层将a映射到输出值:
a=soft max(wTsigmoid(o))………………………………………式2
output=sigmoid(wT(oaT))………………………………………式3
式中,o为LSTM的输出,W为第一层权重。
S326、数据经损失函数评定模型训练的预测效果。步骤S326的损失函数采用均方方差损失,该统计参数是预测数据和原始数据对应点误差的平方和的均值,计算公式为:
式中,yi表示第i个样本的真实值;
f(xi)表示第i个样本的预测值;
n为样本个数。
S4、短时交通流量模型预测,基于训练好的短时交通流量模型,采用长短期记忆网络对复杂路网下的多个路段进行短时交通流量预测。将训练好的模型作为预测模型,参见图4,步骤S4的短时交通流量模型预测包括:
S41、采集前M个时间段的车流量数据,并进行数据归一化处理;
S42、将归一化后车流量数据矩阵输入长短期记忆网络模型进行多路段的短时交通流量预测。
本方法可以对复杂路网的情况下,通过长短期记忆网络分类器直接对N个预测路段进行短时交通流量预测,不限于上下游单一路段的交通流量预测,处理方法简单有效。本方案提出的方法对复杂路网下预测路段的短时交通流量训练和预测具有强大的学习、记忆能力和预测效果。方案中提出的复杂路网下的短时交通流量预测方法,算法鲁棒性较强,可以达到实时性,具有较强的实用性。
第二实施例
本发明还提供了一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令运行时执行前述方法的步骤。其中,所述方法请参见前述部分的详细介绍,此处不再赘述。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于计算机可读存储介质中,计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
第三实施例
本发明还提供了一种复杂路网下的短时交通流量预测***,参见图5,***包括电讯连接的数据采集模块1、数据预处理模块2、短时交通流量训练预测模块3、预测效果评估模块4和交通流量显示模块5。其中:
所述数据采集模块包括数据采集单元和计时器。所述数据采集单元包括地感线圈、视频监测器或GPS组件,在计时器的控制下所述采集单元等时段间隔的同步采集多个路段的交通流量数据。
所述数据预处理模块接收数据采集模块的交通流量数据,并进行数据清洗和时间切片,以获得车流量数据矩阵。
所述短时交通流量训练预测模块包括基于注意力机制的长短期记忆网络训练单元和预测单元,所述训练单元用于将历史车流量数据矩阵进行训练,所述预测单元接收当前车流量数据矩阵预测下一时段的车流量数据。
所述预测效果评估模块通过损失函数评估所述短时交通流量训练预测模块的准确性。
所述交通流量显示模块可视化显示多路段的历史数据、当前真实数据、预测数据和预测效果。
综上,本发明的设计要点为:
1.提出N个预测路段的N维交通流量数据采集;
2.提出基于长短期记忆网络的短时交通流量预测;
3.提出采用基于注意力机制的长短期记忆网络的短时交通流量预测;
4.其中N个预测路段的N维交通流量数据采集的方法和基于注意力机制的长短期记忆网络算法的短时交通流量预测方法相结合,充分利用了长短期记忆网络算法在时间和空间上对数据的强大学习能力,提升了预测效果,实现简单且有效,具有较强的实用性。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种复杂路网下的短时交通流量预测方法,其特征在于,方法包括:
S1、多路段交通流量数据采集;
S2、对步骤S1获得的多路段交通流量进行数据清洗和时间切片,获得多维车流量数据;
S3、短时交通流量模型训练,采用长短期记忆网络对交通流量数据进行训练;
S4、短时交通流量模型预测,基于训练好的短时交通流量模型,采用长短期记忆网络对复杂路网下的多个路段进行短时交通流量预测。
2.根据权利要求1所述的短时交通流量预测方法,其特征在于,步骤S1包括:
S11、选取N个路段,N为≥2的正整数,所述路段包括路口和/或路段点位;
S12、对选取的路段通过地感线圈触发、视频触发或GPS数据采集所述N个路段的交通流量数据。
3.根据权利要求2所述的短时交通流量预测方法,其特征在于,步骤S2包括:
S21、对步骤1采集的交通流量数据进行数据清洗;
S22、以设定的时间间隔t对数据清洗后的数据进行时间切片,每个路段的数据切割成M个时间段,以此生成N*M车流量数据矩阵。
5.根据权利要求4所述的短时交通流量预测方法,其特征在于,步骤S32包括:
S321、矩阵通过卷积层提取高级特征;
S322、池化层处理,以减少参数的数量和控制过拟合;
S323、激活函数处理,采用ReLU激活函数处理,以避免模式崩溃;
S324、Dropout层处理,以缓解过拟合的发生;
S325、基于注意力机制,通过长短期记忆网络LSTM层的学习时间序列数据的关联信息,以提升模型训练效果;
S326、数据经损失函数评定模型训练的预测效果。
6.根据权利要求5所述的短时交通流量预测方法,其特征在于,步骤S325的基于注意力机制的长短期记忆网络LSTM层处理包括:
将长短期记忆网络LSTM的输出o与层权重W加权求和,并通过softmax得到注意力系数a,通过全连接层将a映射到输出值:
a=softmax(wTsigmoid(o))......................式2
output=sigmoid(wT(oaT))......................式3
式中,o为LSTM的输出,W为第一层权重。
8.根据权利要求7所述的短时交通流量预测方法,其特征在于,步骤S4的短时交通流量模型预测包括:
S41、采集前M个时间段的车流量数据,并进行数据归一化处理;
S42、将归一化后车流量数据矩阵输入长短期记忆网络模型进行多路段的短时交通流量预测。
9.一种计算机可读存储介质,其上存储有计算机可执行程序指令,其特征在于:通过处理器和存储器执行所述指令,用于实现权利要求1~8任一项所述的方法。
10.一种复杂路网下的短时交通流量预测***,其特征在于:***包括电讯连接的数据采集模块、数据预处理模块、短时交通流量训练预测模块、预测效果评估模块和交通流量显示模块,其中,
所述数据采集模块包括数据采集单元和计时器;所述数据采集单元包括地感线圈、视频监测器或GPS组件,在计时器的控制下所述采集单元等时段间隔的同步采集多个路段的交通流量数据;
所述数据预处理模块接收数据采集模块的交通流量数据,并进行数据清洗和时间切片,以获得车流量数据矩阵;
所述短时交通流量训练预测模块包括基于注意力机制的长短期记忆网络训练单元和预测单元,所述训练单元用于将历史车流量数据矩阵进行训练,所述预测单元接收当前车流量数据矩阵预测下一时段的车流量数据;
所述预测效果评估模块通过损失函数评估所述短时交通流量训练预测模块的准确性;
所述交通流量显示模块可视化显示多路段的历史数据、当前真实数据、预测数据和预测效果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110548100.8A CN113240182A (zh) | 2021-05-19 | 2021-05-19 | 复杂路网下的短时交通流量预测方法、存储介质和*** |
PCT/CN2021/095955 WO2022241802A1 (zh) | 2021-05-19 | 2021-05-26 | 复杂路网下的短时交通流量预测方法、存储介质和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110548100.8A CN113240182A (zh) | 2021-05-19 | 2021-05-19 | 复杂路网下的短时交通流量预测方法、存储介质和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113240182A true CN113240182A (zh) | 2021-08-10 |
Family
ID=77137789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110548100.8A Pending CN113240182A (zh) | 2021-05-19 | 2021-05-19 | 复杂路网下的短时交通流量预测方法、存储介质和*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113240182A (zh) |
WO (1) | WO2022241802A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570867A (zh) * | 2021-09-26 | 2021-10-29 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
CN114283584A (zh) * | 2021-12-31 | 2022-04-05 | 云控智行(上海)汽车科技有限公司 | 一种智能网联环境下高速公路路况预测方法及计算机可读存储介质 |
CN114566046A (zh) * | 2022-03-01 | 2022-05-31 | 海南大学 | 一种短时交通状况预测***及其方法 |
CN115037642A (zh) * | 2022-03-30 | 2022-09-09 | 武汉烽火技术服务有限公司 | 一种识别流量瓶颈的方法和装置 |
CN116244281A (zh) * | 2022-09-28 | 2023-06-09 | 北京百度网讯科技有限公司 | 车道交通流量数据补全及其模型训练方法、装置 |
CN117804490A (zh) * | 2024-02-28 | 2024-04-02 | 四川交通职业技术学院 | 一种车辆运行路线的综合规划方法及装置 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116153112B (zh) * | 2023-03-10 | 2023-09-29 | 淮阴工学院 | 一种智慧交通与柔性车道调控方法及设备 |
CN116542438B (zh) * | 2023-03-28 | 2024-01-30 | 大连海事大学 | 一种基于无基准真相的公交乘客起止点估计修补方法 |
CN116978222B (zh) * | 2023-07-24 | 2024-04-16 | 重庆邮电大学 | 一种基于时空数据的短时交通流预测方法 |
CN117133116B (zh) * | 2023-08-07 | 2024-04-19 | 南京邮电大学 | 一种基于时空关联网络的交通流预测方法及*** |
CN117058888B (zh) * | 2023-10-13 | 2023-12-22 | 华信纵横科技有限公司 | 一种交通大数据处理方法及其*** |
CN117096875B (zh) * | 2023-10-19 | 2024-03-12 | 国网江西省电力有限公司经济技术研究院 | 一种基于Spatio-Temporal Transformer模型的短期负荷预测方法及*** |
CN117111540B (zh) * | 2023-10-25 | 2023-12-29 | 南京德克威尔自动化有限公司 | 一种用于io远程控制总线模块的环境监测预警方法及*** |
CN117152692B (zh) * | 2023-10-30 | 2024-02-23 | 中国市政工程西南设计研究总院有限公司 | 基于视频监控的交通目标检测方法及*** |
CN117454767A (zh) * | 2023-11-07 | 2024-01-26 | 中国地震台网中心 | 基于地震监测台网的城市出行强度评估方法及*** |
CN117533356B (zh) * | 2024-01-09 | 2024-03-29 | 北京市北太机电设备工贸有限公司 | 一种智能驾驶辅助***及方法 |
CN117688453B (zh) * | 2024-02-02 | 2024-04-30 | 山东科技大学 | 一种基于时空嵌入注意力网络的交通流量预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242140A (zh) * | 2018-07-24 | 2019-01-18 | 浙江工业大学 | 一种基于LSTM_Attention网络的交通流预测方法 |
CN110675623A (zh) * | 2019-09-06 | 2020-01-10 | 中国科学院自动化研究所 | 基于混合深度学习的短时交通流量预测方法、***、装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510741B (zh) * | 2018-05-24 | 2020-10-30 | 浙江工业大学 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
GB2574224B (en) * | 2018-05-31 | 2022-06-29 | Vivacity Labs Ltd | Traffic management system |
CN110516833A (zh) * | 2019-07-03 | 2019-11-29 | 浙江工业大学 | 一种基于特征提取的Bi-LSTM预测道路交通状态的方法 |
CN111275971A (zh) * | 2020-02-18 | 2020-06-12 | 山西交通控股集团有限公司 | 一种高速公路交通流量预测方法 |
-
2021
- 2021-05-19 CN CN202110548100.8A patent/CN113240182A/zh active Pending
- 2021-05-26 WO PCT/CN2021/095955 patent/WO2022241802A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242140A (zh) * | 2018-07-24 | 2019-01-18 | 浙江工业大学 | 一种基于LSTM_Attention网络的交通流预测方法 |
CN110675623A (zh) * | 2019-09-06 | 2020-01-10 | 中国科学院自动化研究所 | 基于混合深度学习的短时交通流量预测方法、***、装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570867A (zh) * | 2021-09-26 | 2021-10-29 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
CN113570867B (zh) * | 2021-09-26 | 2021-12-07 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
CN114283584A (zh) * | 2021-12-31 | 2022-04-05 | 云控智行(上海)汽车科技有限公司 | 一种智能网联环境下高速公路路况预测方法及计算机可读存储介质 |
CN114566046A (zh) * | 2022-03-01 | 2022-05-31 | 海南大学 | 一种短时交通状况预测***及其方法 |
CN115037642A (zh) * | 2022-03-30 | 2022-09-09 | 武汉烽火技术服务有限公司 | 一种识别流量瓶颈的方法和装置 |
CN115037642B (zh) * | 2022-03-30 | 2023-11-21 | 武汉烽火技术服务有限公司 | 一种识别流量瓶颈的方法和装置 |
CN116244281A (zh) * | 2022-09-28 | 2023-06-09 | 北京百度网讯科技有限公司 | 车道交通流量数据补全及其模型训练方法、装置 |
CN116244281B (zh) * | 2022-09-28 | 2023-11-21 | 北京百度网讯科技有限公司 | 车道交通流量数据补全及其模型训练方法、装置 |
CN117804490A (zh) * | 2024-02-28 | 2024-04-02 | 四川交通职业技术学院 | 一种车辆运行路线的综合规划方法及装置 |
CN117804490B (zh) * | 2024-02-28 | 2024-05-17 | 四川交通职业技术学院 | 一种车辆运行路线的综合规划方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2022241802A1 (zh) | 2022-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113240182A (zh) | 复杂路网下的短时交通流量预测方法、存储介质和*** | |
CN113705880A (zh) | 基于时空注意力图卷积网络的交通速度预测方法和装置 | |
CN109448361B (zh) | 居民交通出行流量预测***及其预测方法 | |
CN112966871B (zh) | 基于卷积长短期记忆神经网络的交通拥堵预测方法及*** | |
CN112418518A (zh) | 基于时间特征权重和线网拓扑的客流预测方法及装置 | |
CN112149887A (zh) | 一种基于数据时空特征的pm2.5浓度预测方法 | |
Zhao et al. | An edge streaming data processing framework for autonomous driving | |
CN108665052A (zh) | 果蝇算法优化广义回归神经网络的方法和装置 | |
CN115273466B (zh) | 一种基于柔性车道管控算法的监控方法与*** | |
WO2023207411A1 (zh) | 一种基于时空数据的流量确定方法、装置、设备和介质 | |
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 | |
CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
Liu et al. | Compression and regularized optimization of modules stacked residual deep fuzzy system with application to time series prediction | |
CN115392554A (zh) | 基于深度图神经网络和环境融合的轨道客流预测方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN111445065A (zh) | 用于数据中心制冷群控的能耗优化方法及*** | |
CN114881286A (zh) | 一种基于深度学习的短时降水预测方法 | |
Lei et al. | Prediction of PM2. 5 concentration considering temporal and spatial features: A case study of Fushun, Liaoning Province | |
Qu et al. | Short-term wind farm cluster power prediction based on dual feature extraction and quadratic decomposition aggregation | |
CN117472511A (zh) | 容器资源监控方法、装置、计算机设备和存储介质 | |
CN116959252A (zh) | 基于r-c-r结构的时空卷积交通流预测方法及*** | |
CN117293809A (zh) | 一种基于大模型的多时空尺度新能源发电功率预测方法 | |
CN115762147B (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
CN114374953B (zh) | 基于Hadoop和RAPIDS的多源特征转换基站下APP使用预测方法及*** | |
CN116486611A (zh) | 一种城市道路车辆速度预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210810 |
|
RJ01 | Rejection of invention patent application after publication |