CN113313303A - 基于混合深度学习模型的城市区域路网过车流量预测方法及其*** - Google Patents
基于混合深度学习模型的城市区域路网过车流量预测方法及其*** Download PDFInfo
- Publication number
- CN113313303A CN113313303A CN202110588265.8A CN202110588265A CN113313303A CN 113313303 A CN113313303 A CN 113313303A CN 202110588265 A CN202110588265 A CN 202110588265A CN 113313303 A CN113313303 A CN 113313303A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- traffic
- time
- data
- road network
- 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 38
- 238000013136 deep learning model Methods 0.000 title claims abstract description 32
- 238000009826 distribution Methods 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000003203 everyday effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于混合深度学习模型的城市区域路网过车流量预测方法及其***,包括:基于卡口过车数据,进行交通流量统计;对卡口过车流量数据进行时空分布特征分析,并且根据分析结果进行特征提取,获取到时空影响因子;根据时空影响因子,构建和训练ConvLSTM与BiLSTM混合深度学习模型;对城市区域路网交通流量进行同步预测,选取预测损失函数与评价指标,并对结果进行可视化表达;通过线性时间序列预测模型Prophet计算交通流量变化度,进行交通状态识别,实现交通状态预判。本发明能够帮助交通管理部门对城市道路进行动态管理调度,从全局出发对城市路网进行优化管理,制定管理策略与管理方案,为交通管理者和决策者提供有效的数据支撑。
Description
技术领域
本发明属于模型计算技术领域,具体涉及一种基于ConvLSTM与BiLSTM混合深度学习模型的城市区域路网过车流量预测方法及其***。
背景技术
在中大城市,由于机动车数量的增长幅度远远高于交通设施的建设进度,城市交通基础设施的建设无法满足不断增加的交通需求,导致城市交通供需不平衡,矛盾越来越尖锐,并引发经济损失、人员伤亡、生态环境恶化等社会问题,交通拥堵问题已经成为阻碍城市发展的重要原因之一。基于路网上的实时交通信息准确判断交通运行状态,并据此采取科学合理的交通管控措施加以诱导,是应对城市交通拥堵问题的重要手段。因此需要实现实时准确的交通流量预测并识别路网交通运行状态,提前预知道路交通运行状态,为实时交通管控提供有效数据支撑,智能交通研究领域已成为热点。
随着交通电子设备的快速发展,道路交通调查手段越来越丰富,指标准确度提高,指标体系扩大,有着收集大样本综合信息能力的交通电子设备被广泛应用,道路高清摄像卡口监控***就是其中之一。卡口过车数据能够精确识别每一辆通过卡口的机动车信息,可精准计算交通流量,具有易于维护、适用性强的优点,已成为城市智能交通的重要数据源,并在交通流量预测与交通状态识别方面得到了广泛的应用。已有基于卡口过车数据展开交通流量预测与交通状态识别的主要方法存在数据特征分析不充分、仅适用单一路况场景的缺点。
所以,需要一个新的技术方案来解决这些问题。
发明内容
发明目的:为了克服现有技术中存在的数据特征分析不充分、仅适用单一路况场景等问题,提供一种基于ConvLSTM与BiLSTM混合深度学习模型的城市区域路网过车流量预测方法及其***,实现对交通拥堵的预判。
技术方案:为实现上述目的,本发明提供一种基于混合深度学习模型的城市区域路网过车流量预测方法,包括如下步骤:
S1:基于卡口过车数据,进行交通流量统计,计算获取到实时过车流量与累积流量;
S2:基于步骤S1获取的流量数据,对卡口过车流量数据进行时空分布特征分析,并且根据分析结果进行特征提取,获取到时空影响因子;
S3:根据时空影响因子,构建和训练ConvLSTM与BiLSTM混合深度学习模型;
S4:通过构建好的ConvLSTM与BiLSTM混合深度学习模型对城市区域路网交通流量进行同步预测,选取预测损失函数与评价指标,并对结果进行可视化表达;
S5:根据步骤S4的预测结果,通过线性时间序列预测模型Prophet计算交通流量变化度,进行交通状态识别,实现交通状态预判。
进一步地,所述步骤S1具体为:统计不同时间尺度下,每个路口每个时间段的卡口过车数据,计算实时过车流量与累积流量。
进一步地,所述步骤S1具体包括如下步骤:
A1:指定时间尺度的各路口卡口过车流量统计
A2:以每日设定的时间为统计起始时间,统计各路口每日累积交通流量。
进一步地,所述步骤S2中时空分布特征分析包括时间分布周期特征分析、时间分布趋势特征分析、时间分布连续特征分析和空间分布关联特征分析。
进一步地,所述步骤S2的时空分布特征分析中通过功率谱法来分析卡口过车数据的时间分布周期特征;通过DBEST模型分析卡口过车数据的时间分布趋势特征;通过计算车头时距的方法分析卡口过车数据的时间分布连续特征;通过相关性矩阵方法来分析卡口过车数据的空间分布关联特征。
进一步地,所述步骤S3中ConvLSTM与BiLSTM混合深度学习模型的构建和训练方法为:
B1:组织模型数据,将预测点的交通流量数据和预测点临近区域内交通流量数据点映射到一维数据向量中,并将多个时刻的一维向量形成一个二维矩阵以表示短时间内的预测卡口与其上游卡口的交通流量数据;
B2:使用ConvLSTM结构提取交通流量实时数据的时空特征,使用BiLSTM提取交通流量的周期性特征,随后通过特征融合层将两部分提取的特征数据拼接,最后通过全连接网络进行特征回归完成模型构建;
B3:将路网中实时卡口过车流量数据、卡口空间关联矩阵、卡口历史周期过车流量数据输入模型进行训练,计算得到训练结果模型。
进一步地,所述步骤S4中预测损失函数具体为:
评价指标包括绝对平均误差、均方根误差和平均绝对误差百分比。
进一步地,所述步骤S5具体包括如下步骤:
C1:计算交通流量变化度,交通流量变化度是反映卡口路段处交通状态变化剧烈程度的参数,可以认为交通状态是完全拥堵与完全畅通之间的若干个连续的状态,当交通状态不发生重大变化时交通流量变化度也不会有很大的变化,同时模型预测值也会较为准确;当交通状态变化较为剧烈时,模型预测值与真实交通流量相比会有较大误差;计算公式为:
其中,期望值μ和方差σ2是正态分布的两个重要参数,目标数值f为当前交通流量的真值,vj表示第j时刻的方差,s是预先设定的上一时刻方差持续保留到当前时刻的权值,fj表示在j时刻的真实交通流量;
C2:针对交通流量变化度设定阈值,在路段畅通状态时交通流量变化度超过阈值则说明该路段的交通状态转变为了拥堵形成状态;在路段拥堵形成状态时交通流量变化度低于阈值则说明该路段的交通状态转变为了拥堵状态;在路段拥堵状态时交通流量变化度超过阈值则说明该路段的交通状态转变为了拥堵缓解状态;在路段拥堵缓解状态是交通流量变化度低于阈值则说明该路段的交通状态转变为了通畅状态;以此进行交通状态识别,实现交通状态预判。
本发明还提供一种基于ConvLSTM与BiLSTM混合深度学习模型的城市区域路网过车流量预测***,包括交通流量统计模块、卡口过车流量数据时空分布特征分析模块、城市区域路网过车流量预测模型训练模块、城市区域路网过车流量预测模型预测模块、城市区域路网交通状态预判模块;所述交通流量统计模块用于统计每个路口每个时间段的卡口过车数据,计算实时过车流量与累积流量;所述卡口过车流量数据时空分布特征分析模块用于对卡口过车数据的时间分布周期特征、趋势特征、连续特征与空间分布关联特征进行可视化分析;所述城市区域路网过车流量预测模型训练模块用于构建ConvLSTM与BiLSTM混合深度学习模型并训练输入数据,形成稳定的、拟合度较高的城市区域路网过车流量预测模型;所述城市区域路网过车流量预测模型预测模块是用于输入需要预测的城市区域路网过车流量相关历史数据,带入模型进行预测;所述城市区域路网交通状态预判模块用于在预测的流量基础上计算交通流量变化度,识别交通状态,实现交通状态预判。
有益效果:本发明与现有技术相比,通过分析交通卡口过车流量数据的时空特征挖掘交通不同卡口的时空关联特征,构建基于城市多卡口的卡口过车流量预测模型,并研究交通状态识别方法将预测的交通流量数据转化为交通状态,实现对交通拥堵的预判,克服了现有技术中存在的数据特征分析不充分、仅适用单一路况场景等问题,以帮助交通管理部门对城市道路进行动态管理调度,从全局出发对城市路网进行优化管理,制定管理策略与管理方案,为交通管理者和决策者提供有效的数据支撑。
附图说明
图1为ConvLSTM网络结构示意图;
图2为BiLSTM网络结构示意图;
图3为混合深度学习交通流量预测模型基础网络结构示意图;
图4为本发明方法的流程示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,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,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供一种基于ConvLSTM与BiLSTM混合深度学习模型的城市区域路网过车流量预测***,包括交通流量统计模块、卡口过车流量数据时空分布特征分析模块、城市区域路网过车流量预测模型训练模块、城市区域路网过车流量预测模型预测模块、城市区域路网交通状态预判模块;交通流量统计模块用于统计每个路口每个时间段的卡口过车数据,计算实时过车流量与累积流量;卡口过车流量数据时空分布特征分析模块用于对卡口过车数据的时间分布周期特征、趋势特征、连续特征与空间分布关联特征进行可视化分析;城市区域路网过车流量预测模型训练模块用于构建ConvLSTM与BiLSTM混合深度学习模型并训练输入数据,形成稳定的、拟合度较高的城市区域路网过车流量预测模型;城市区域路网过车流量预测模型预测模块是用于输入需要预测的城市区域路网过车流量相关历史数据,带入模型进行预测;城市区域路网交通状态预判模块用于在预测的流量基础上计算交通流量变化度,识别交通状态,实现交通状态预判。
基于上述预测***,本发明提供一种基于混合深度学习模型的城市区域路网过车流量预测***的预测方法,如图4所示,包括如下步骤:
S1:利用交通流量统计模块,统计不同时间尺度下,每个路口每个时间段的卡口过车数据,计算实时过车流量与累积流量;
S2:利用卡口过车流量数据时空分布特征分析模块,基于步骤S1获取的流量数据,对卡口过车流量数据进行时空分布特征分析,并且根据分析结果进行特征提取,获取到时空影响因子;
S3:利用城市区域路网过车流量预测模型训练模块,根据时空影响因子,构建和训练ConvLSTM与BiLSTM混合深度学习模型;
S4:利用城市区域路网过车流量预测模型预测模块,通过构建好的ConvLSTM与BiLSTM混合深度学习模型对城市区域路网交通流量进行同步预测,选取预测损失函数与评价指标,并对结果进行可视化表达;
S5:利用城市区域路网交通状态预判模块,根据步骤S4的预测结果,通过线性时间序列预测模型Prophet计算交通流量变化度,进行交通状态识别,实现交通状态预判,为高精度的交通流量预测提供业务上的应用途径。
本实施例中步骤S1具体包括如下步骤:
A1:指定时间尺度的各路口卡口过车流量统计,计算公式为:
q=N*P/T
A2:以每日3:00的时间为统计起始时间,统计各路口每日累积交通流量。
本实施例步骤S2中时空分布特征分析包括时间分布周期特征分析、时间分布趋势特征分析、时间分布连续特征分析和空间分布关联特征分析。
时空分布特征分析中通过功率谱法来分析卡口过车数据的时间分布周期特征,计算公式为:
HC=2m/c
通过DBEST模型分析卡口过车数据的时间分布趋势特征,计算公式为:
ΔV(i-1,i)=V(i)-V(i-1)
ΔV(i,i+1)=V(i+1)-V(i)
通过计算车头时距的方法分析卡口过车数据的时间分布连续特征,车头时距是在同一车道上行驶的车辆队列中两连续车辆车头端部通过某一断面的时间间隔,本实施例中指卡口记录的每条车道相邻两个过车事件的时间间隔,计算公式为:
Δti=ti-ti-1
通过相关性矩阵方法来分析卡口过车数据的空间分布关联特征。
本实施例步骤S3中结合步骤2的时空分布特征,选取相关影响因子,计算卡口过车流量数据和时空影响因子之间的spearman系数,计算公式为:
本实施例步骤S3中ConvLSTM与BiLSTM混合深度学习模型的构建和训练方法为:
B1:组织模型数据,将预测点的交通流量数据和预测点临近区域内交通流量数据点映射到一维数据向量中,并将多个时刻的一维向量形成一个二维矩阵以表示短时间内的预测卡口与其上游卡口的交通流量数据,计算公式为:
Ft=(fp fn)
B2:设计如图1所示的ConvLSTM结构,使用该ConvLSTM结构提取交通流量实时数据的时空特征;设计如图2所示的BiLSTM结构,使用BiLSTM提取交通流量的周期性特征,随后通过特征融合层将两部分提取的特征数据拼接,最后通过全连接网络进行特征回归完成模型构建,模型的基础网络结构具体如图3所示;
B3:将路网中实时卡口过车流量数据、卡口空间关联矩阵、卡口历史周期过车流量数据输入模型进行训练,计算得到训练结果模型。
本实施例步骤S4中预测损失函数具体为:
评价指标包括绝对平均误差、均方根误差和平均绝对误差百分比。
本实施例步骤S5具体包括如下步骤:
C1:计算交通流量变化度,交通流量变化度是反映卡口路段处交通状态变化剧烈程度的参数,可以认为交通状态是完全拥堵与完全畅通之间的若干个连续的状态,当交通状态不发生重大变化时交通流量变化度也不会有很大的变化,同时模型预测值也会较为准确;当交通状态变化较为剧烈时,模型预测值与真实交通流量相比会有较大误差;计算公式为:
其中,期望值μ和方差σ2是正态分布的两个重要参数,目标数值f为当前交通流量的真值,vj表示第j时刻的方差,s是预先设定的上一时刻方差持续保留到当前时刻的权值,fj表示在j时刻的真实交通流量;
C2:针对交通流量变化度设定阈值,在路段畅通状态时交通流量变化度超过阈值则说明该路段的交通状态转变为了拥堵形成状态;在路段拥堵形成状态时交通流量变化度低于阈值则说明该路段的交通状态转变为了拥堵状态;在路段拥堵状态时交通流量变化度超过阈值则说明该路段的交通状态转变为了拥堵缓解状态;在路段拥堵缓解状态是交通流量变化度低于阈值则说明该路段的交通状态转变为了通畅状态;以此进行交通状态识别,实现交通状态预判。
本实施例还提供一种计算机存储介质,该计算机存储介质存储有计算机程序,在处理器执行所述计算机程序时可实现以上所描述的方法。所述计算机可读介质可以被认为是有形的且非暂时性的。非暂时性有形计算机可读介质的非限制性示例包括非易失性存储器电路(例如闪存电路、可擦除可编程只读存储器电路或掩膜只读存储器电路)、易失性存储器电路(例如静态随机存取存储器电路或动态随机存取存储器电路)、磁存储介质(例如模拟或数字磁带或硬盘驱动器)和光存储介质(例如CD、DVD或蓝光光盘)等。计算机程序包括存储在至少一个非暂时性有形计算机可读介质上的处理器可执行指令。计算机程序还可以包括或依赖于存储的数据。计算机程序可以包括与专用计算机的硬件交互的基本输入/输出***(BIOS)、与专用计算机的特定设备交互的设备驱动程序、一个或多个操作***、用户应用程序、后台服务、后台应用程序等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本实施例中将上述方案和传统方案进行对比试验,以拥堵较多的某沿海城市行政区为例,在对城市区域复杂路网的同步预测场景下,本实施例基于ConvLSTM与BiLSTM混合深度学***均误差26.3、均方根误差34.7、平均绝对误差百分比0.1,预测精度达到90%。而使用传统统计学方法与传统机器学***均误差47.4、均方根误差65.5、平均绝对误差百分比0.18,预测精度仅为82%。各项指标与预测精度的对比充分说明了本发明的效果,通过考虑不同卡口的时空关联特征与多卡口同步预测,实现了城市区域路网过车流量实时、高效的预测效果。
Claims (9)
1.基于混合深度学习模型的城市区域路网过车流量预测方法,其特征在于,包括如下步骤:
S1:基于卡口过车数据,进行交通流量统计,计算获取到实时过车流量与累积流量;
S2:基于步骤S1获取的流量数据,对卡口过车流量数据进行时空分布特征分析,并且根据分析结果进行特征提取,获取到时空影响因子;
S3:根据时空影响因子,构建和训练ConvLSTM与BiLSTM混合深度学习模型;
S4:通过构建好的ConvLSTM与BiLSTM混合深度学习模型对城市区域路网交通流量进行同步预测,选取预测损失函数与评价指标,并对结果进行可视化表达;
S5:根据步骤S4的预测结果,通过线性时间序列预测模型Prophet计算交通流量变化度,进行交通状态识别,实现交通状态预判。
2.根据权利要求1所述的基于混合深度学习模型的城市区域路网过车流量预测方法,其特征在于,所述步骤S1具体为:统计不同时间尺度下,每个路口每个时间段的卡口过车数据,计算实时过车流量与累积流量。
3.根据权利要求1所述的基于混合深度学习模型的城市区域路网过车流量预测方法,其特征在于,所述步骤S1具体包括如下步骤:
A1:指定时间尺度的各路口卡口过车流量统计
A2:以每日设定的时间为统计起始时间,统计各路口每日累积交通流量。
4.根据权利要求1所述的基于混合深度学习模型的城市区域路网过车流量预测方法,其特征在于,所述步骤S2中时空分布特征分析包括时间分布周期特征分析、时间分布趋势特征分析、时间分布连续特征分析和空间分布关联特征分析。
5.根据权利要求4所述的基于混合深度学习模型的城市区域路网过车流量预测方法,其特征在于,所述步骤S2的时空分布特征分析中通过功率谱法来分析卡口过车数据的时间分布周期特征;通过DBEST模型分析卡口过车数据的时间分布趋势特征;通过计算车头时距的方法分析卡口过车数据的时间分布连续特征;通过相关性矩阵方法来分析卡口过车数据的空间分布关联特征。
6.根据权利要求1所述的基于混合深度学习模型的城市区域路网过车流量预测方法,其特征在于,所述步骤S3中ConvLSTM与BiLSTM混合深度学习模型的构建和训练方法为:
B1:组织模型数据,将预测点的交通流量数据和预测点临近区域内交通流量数据点映射到一维数据向量中,并将多个时刻的一维向量形成一个二维矩阵以表示短时间内的预测卡口与其上游卡口的交通流量数据;
B2:使用ConvLSTM结构提取交通流量实时数据的时空特征,使用BiLSTM提取交通流量的周期性特征,随后通过特征融合层将两部分提取的特征数据拼接,最后通过全连接网络进行特征回归完成模型构建;
B3:将路网中实时卡口过车流量数据、卡口空间关联矩阵、卡口历史周期过车流量数据输入模型进行训练,计算得到训练结果模型。
8.根据权利要求1所述的基于混合深度学习模型的城市区域路网过车流量预测方法,其特征在于,所述步骤S5具体包括如下步骤:
C1:计算交通流量变化度,计算公式为:
其中,期望值μ和方差σ2是正态分布的两个重要参数,目标数值f为当前交通流量的真值,vj表示第j时刻的方差,s是预先设定的上一时刻方差持续保留到当前时刻的权值,fj表示在j时刻的真实交通流量;
C2:针对交通流量变化度设定阈值,在路段畅通状态时交通流量变化度超过阈值则说明该路段的交通状态转变为了拥堵形成状态;在路段拥堵形成状态时交通流量变化度低于阈值则说明该路段的交通状态转变为了拥堵状态;在路段拥堵状态时交通流量变化度超过阈值则说明该路段的交通状态转变为了拥堵缓解状态;在路段拥堵缓解状态是交通流量变化度低于阈值则说明该路段的交通状态转变为了通畅状态;以此进行交通状态识别,实现交通状态预判。
9.基于混合深度学习模型的城市区域路网过车流量预测***,其特征在于,包括交通流量统计模块、卡口过车流量数据时空分布特征分析模块、城市区域路网过车流量预测模型训练模块、城市区域路网过车流量预测模型预测模块、城市区域路网交通状态预判模块;所述交通流量统计模块用于统计每个路口每个时间段的卡口过车数据,计算实时过车流量与累积流量;所述卡口过车流量数据时空分布特征分析模块用于对卡口过车数据的时间分布周期特征、趋势特征、连续特征与空间分布关联特征进行可视化分析;所述城市区域路网过车流量预测模型训练模块用于构建ConvLSTM与BiLSTM混合深度学习模型并训练输入数据,形成稳定的、拟合度较高的城市区域路网过车流量预测模型;所述城市区域路网过车流量预测模型预测模块是用于输入需要预测的城市区域路网过车流量相关历史数据,带入模型进行预测;所述城市区域路网交通状态预判模块用于在预测的流量基础上计算交通流量变化度,识别交通状态,实现交通状态预判。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110588265.8A CN113313303A (zh) | 2021-05-28 | 2021-05-28 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其*** |
PCT/CN2022/093053 WO2022247677A1 (zh) | 2021-05-28 | 2022-05-16 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其*** |
US18/558,734 US20240220686A1 (en) | 2021-05-28 | 2022-05-16 | Urban-region road network vehicle-passage flow prediction method and system based on hybrid deep learning model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110588265.8A CN113313303A (zh) | 2021-05-28 | 2021-05-28 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113313303A true CN113313303A (zh) | 2021-08-27 |
Family
ID=77375728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110588265.8A Pending CN113313303A (zh) | 2021-05-28 | 2021-05-28 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其*** |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240220686A1 (zh) |
CN (1) | CN113313303A (zh) |
WO (1) | WO2022247677A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110444009A (zh) * | 2018-05-02 | 2019-11-12 | 芝麻开门网络信息股份有限公司 | 一种基于物联网的高速路车流预测*** |
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 |
CN113792945A (zh) * | 2021-11-17 | 2021-12-14 | 西南交通大学 | 一种营运车辆的派遣方法、装置、设备及可读存储介质 |
CN114090411A (zh) * | 2022-01-20 | 2022-02-25 | 山东中创软件商用中间件股份有限公司 | 一种应用数据分析方法、装置、设备及可读存储介质 |
CN114372627A (zh) * | 2022-01-07 | 2022-04-19 | 中南大学 | 基于混合深度学习框架的城市车辆旅行时间估计方法 |
CN114550453A (zh) * | 2022-02-23 | 2022-05-27 | 阿里巴巴(中国)有限公司 | 模型训练方法、确定方法、电子设备及计算机存储介质 |
CN114863699A (zh) * | 2022-06-14 | 2022-08-05 | 电子科技大学 | 一种基于数字孪生的城市车路协同交通流预测方法 |
CN114881472A (zh) * | 2022-05-07 | 2022-08-09 | 中科三清科技有限公司 | 机动车排放对空气质量影响的分析方法、装置及设备 |
WO2022247677A1 (zh) * | 2021-05-28 | 2022-12-01 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其*** |
CN116386336A (zh) * | 2023-05-29 | 2023-07-04 | 四川国蓝中天环境科技集团有限公司 | 基于卡口车牌数据的路网交通流量鲁棒计算方法及*** |
CN116935654A (zh) * | 2023-09-15 | 2023-10-24 | 北京安联通科技有限公司 | 一种基于数据分配值的智慧城市数据分析方法及*** |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115600770B (zh) * | 2022-12-09 | 2023-04-07 | 成都睿的欧科技有限公司 | 基于时序饱和预测的无线信号设备故障预警方法和*** |
CN115985102B (zh) * | 2023-02-15 | 2024-06-18 | 湖南大学深圳研究院 | 一种基于迁移对比学习的城市交通流量预测方法和设备 |
CN116029459B (zh) * | 2023-02-28 | 2023-07-21 | 速度科技股份有限公司 | 结合图傅里叶变换tmgcn交通流预测模型的提取方法 |
CN116307318B (zh) * | 2023-03-06 | 2023-10-20 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于卡口车牌识别数据的道路流量溯源***及其方法 |
CN116153087A (zh) * | 2023-04-23 | 2023-05-23 | 华东交通大学 | 基于时序依赖注意力稀疏卷积的交通流量预测方法及*** |
CN116822706B (zh) * | 2023-05-16 | 2024-06-07 | 苏州大学 | 一种候选地址流行度预测方法 |
CN116739169B (zh) * | 2023-06-13 | 2024-07-12 | 中国科学院地理科学与资源研究所 | 一种人流量的预测方法及装置 |
CN116631195B (zh) * | 2023-07-20 | 2023-10-13 | 江西师范大学 | 一种基于城市子区域热点路口挖掘的区域异常检测方法 |
CN116778718A (zh) * | 2023-08-24 | 2023-09-19 | 云南省交通投资建设集团有限公司 | 一种路段主线收费站出***通拥堵预测方法及*** |
CN117079482B (zh) * | 2023-09-14 | 2024-05-17 | 山东金宇信息科技集团有限公司 | 一种基于交叉路口的车辆通行预测方法、设备及介质 |
CN117474734B (zh) * | 2023-11-07 | 2024-06-07 | 北京城建设计发展集团股份有限公司 | 既有线改造与城市线网线路及车站多要素融合方法及*** |
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*** |
CN117292551B (zh) * | 2023-11-27 | 2024-02-23 | 辽宁邮电规划设计院有限公司 | 基于物联网的城市交通态势调节***与方法 |
CN117612386A (zh) * | 2023-11-27 | 2024-02-27 | 中路科云(北京)技术有限公司 | 高速公路交通流预测方法、装置、计算机设备和存储介质 |
CN117390585B (zh) * | 2023-12-12 | 2024-03-22 | 之江实验室 | 基于三维全连接融合的时序数据预测方法及模型训练方法 |
CN117523869A (zh) * | 2023-12-22 | 2024-02-06 | 河北思禾电子商务有限公司 | 基于车流量的交通信号灯智能控制***及方法 |
CN117671979B (zh) * | 2023-12-25 | 2024-07-23 | 中傲智能科技(苏州)有限公司 | 一种基于知识图谱的智慧城市数据管理***与方法 |
CN117523848B (zh) * | 2024-01-04 | 2024-04-19 | 湖南工商大学 | 交通拥堵信息的预测方法、装置、计算机设备及介质 |
CN117608499B (zh) * | 2024-01-23 | 2024-04-05 | 山东华夏高科信息股份有限公司 | 一种基于物联网的智慧交通数据优化存储方法 |
CN117746640B (zh) * | 2024-02-20 | 2024-04-30 | 云南省公路科学技术研究院 | 一种道路交通车流量滚动预测方法、***、终端及介质 |
CN117974075A (zh) * | 2024-04-01 | 2024-05-03 | 法诺信息产业有限公司 | 一种基于大数据的智慧城市公共信息管理*** |
CN118133974A (zh) * | 2024-05-08 | 2024-06-04 | 西安航天动力试验技术研究所 | 一种发动机试车数据处理方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN110188936A (zh) * | 2019-05-23 | 2019-08-30 | 浙江大学 | 基于多因素空间选择深度学习算法的短时交通流预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016165742A1 (en) * | 2015-04-14 | 2016-10-20 | Nec Europe Ltd. | Method for incident detection in a time-evolving system |
CN107967532B (zh) * | 2017-10-30 | 2020-07-07 | 厦门大学 | 融合区域活力的城市交通流量预测方法 |
CN113313303A (zh) * | 2021-05-28 | 2021-08-27 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其*** |
-
2021
- 2021-05-28 CN CN202110588265.8A patent/CN113313303A/zh active Pending
-
2022
- 2022-05-16 US US18/558,734 patent/US20240220686A1/en active Pending
- 2022-05-16 WO PCT/CN2022/093053 patent/WO2022247677A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN110188936A (zh) * | 2019-05-23 | 2019-08-30 | 浙江大学 | 基于多因素空间选择深度学习算法的短时交通流预测方法 |
Non-Patent Citations (2)
Title |
---|
YIPENG LIU: "Short-Term Traffic Flow Prediction with Conv-LSTM", 《IEEE》 * |
姜鹏程: "基于交通流量相似性和差异性的道路拥堵预测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110444009A (zh) * | 2018-05-02 | 2019-11-12 | 芝麻开门网络信息股份有限公司 | 一种基于物联网的高速路车流预测*** |
WO2022247677A1 (zh) * | 2021-05-28 | 2022-12-01 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其*** |
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 |
CN113792945A (zh) * | 2021-11-17 | 2021-12-14 | 西南交通大学 | 一种营运车辆的派遣方法、装置、设备及可读存储介质 |
CN113792945B (zh) * | 2021-11-17 | 2022-02-08 | 西南交通大学 | 一种营运车辆的派遣方法、装置、设备及可读存储介质 |
CN114372627A (zh) * | 2022-01-07 | 2022-04-19 | 中南大学 | 基于混合深度学习框架的城市车辆旅行时间估计方法 |
CN114372627B (zh) * | 2022-01-07 | 2024-06-07 | 中南大学 | 基于混合深度学习框架的城市车辆旅行时间估计方法 |
CN114090411A (zh) * | 2022-01-20 | 2022-02-25 | 山东中创软件商用中间件股份有限公司 | 一种应用数据分析方法、装置、设备及可读存储介质 |
CN114550453B (zh) * | 2022-02-23 | 2023-09-26 | 阿里巴巴(中国)有限公司 | 模型训练方法、确定方法、电子设备及计算机存储介质 |
CN114550453A (zh) * | 2022-02-23 | 2022-05-27 | 阿里巴巴(中国)有限公司 | 模型训练方法、确定方法、电子设备及计算机存储介质 |
CN114881472A (zh) * | 2022-05-07 | 2022-08-09 | 中科三清科技有限公司 | 机动车排放对空气质量影响的分析方法、装置及设备 |
CN114863699A (zh) * | 2022-06-14 | 2022-08-05 | 电子科技大学 | 一种基于数字孪生的城市车路协同交通流预测方法 |
CN116386336B (zh) * | 2023-05-29 | 2023-08-08 | 四川国蓝中天环境科技集团有限公司 | 基于卡口车牌数据的路网交通流量鲁棒计算方法及*** |
CN116386336A (zh) * | 2023-05-29 | 2023-07-04 | 四川国蓝中天环境科技集团有限公司 | 基于卡口车牌数据的路网交通流量鲁棒计算方法及*** |
CN116935654A (zh) * | 2023-09-15 | 2023-10-24 | 北京安联通科技有限公司 | 一种基于数据分配值的智慧城市数据分析方法及*** |
CN116935654B (zh) * | 2023-09-15 | 2023-12-01 | 北京安联通科技有限公司 | 一种基于数据分配值的智慧城市数据分析方法及*** |
Also Published As
Publication number | Publication date |
---|---|
WO2022247677A1 (zh) | 2022-12-01 |
US20240220686A1 (en) | 2024-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113313303A (zh) | 基于混合深度学习模型的城市区域路网过车流量预测方法及其*** | |
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及*** | |
US10902719B2 (en) | Method of predicting traffic congestion and controlling traffic signals based on deep learning and server for performing the same | |
CN110310474A (zh) | 一种基于时空残差网络的车流量预测方法及装置 | |
CN111105628A (zh) | 一种停车场画像构建方法和装置 | |
CN113704956A (zh) | 一种基于数字孪生技术的城市道路在线微观仿真方法及*** | |
CN108648445B (zh) | 基于交通大数据的动态交通态势预测方法 | |
CN110414715B (zh) | 一种基于社团检测的客流量预警方法 | |
CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
Du et al. | Traffic events oriented dynamic traffic assignment model for expressway network: a network flow approach | |
CN110021161B (zh) | 一种交通流向的预测方法及*** | |
CN110659774B (zh) | 大数据方法驱动的停车需求预测方法 | |
KR101808843B1 (ko) | 시설물 관리 장치, 방법 및 프로그램 | |
Klosa et al. | Short-term traffic flow forecast using regression analysis and graph convolutional neural networks | |
CN111985731B (zh) | 城市公共交通站点人数的预测方法及*** | |
KR20140026951A (ko) | 소셜정보를 이용한 자살수 예측 방법 및 장치 | |
CN116629460A (zh) | 一种基于ST-RANet模型的地铁客流预测方法 | |
Heydarian et al. | Automated benchmarking and monitoring of an earthmoving operation's carbon footprint using video cameras and a greenhouse gas estimation model | |
CN115114786B (zh) | 一种用于交通流仿真模型的评估方法、***和存储介质 | |
CN106652443B (zh) | 纵横相似的高速公路短时交通量预测方法 | |
KR20180136359A (ko) | 시설물 관리 장치, 방법 및 프로그램 | |
Li et al. | Hydropower generation forecasting via deep neural network | |
Bhatnagar et al. | Comprehensive Electric load forecasting using ensemble machine learning methods | |
CN113971496A (zh) | 活动影响下的城市交通路网状态演化趋势预测方法及*** | |
Nepal et al. | A Hybrid Model of Clustering and Neural Network Using Weather Conditions for Energy Management in Buildings |
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 |