CN114239948A - 基于时序分解单元的深度交通流预测方法、介质及其设备 - Google Patents

Abstract

本发明公开了一种基于时序分解单元的深度交通流预测方法、介质及其设备。该方法首先获取所预测路段的交通流数据，由交通流数据时序上的自相关性获取时序间的自相关系数并生成新的时序信息，新的时序信息通过序列分解模块获取时序的周期项和趋势项，然后通过时序分解单元堆叠的方法逐步多次获取时序完整的周期项、趋势项，最后加权周期项和趋势项预测交通流。本发明方法得到的预测数据值与实际测量的真实数据值更吻合，能反应未来的实际交通流水平，因此本发明在交通流预测方面具有较高的预测精度。

Description

基于时序分解单元的深度交通流预测方法、介质及其设备

技术领域

本发明涉及预测模型技术领域，具体涉及一种深度交通流预测方法。

背景技术

随着城市化进程的加快和汽车工业的发展，道路通行能力与交通需求之间的矛盾日益尖锐，交通拥堵现象日益突出，为人们出行带来很大不便，因此缓解交通拥堵，提高出行效率成为当务之急。作为为交通管控措施提供参考依据的交通流数据预测成为当前研究的热点，更准确的交通流预测不仅可以助力相关部门采取更精准的交通管控措施，也可以为人们出行的路线规划提供更可靠的参考依据。

现有的交通流预测模型主要包括两大类，一类是利用交通时间序列方法对交通数据进行建模，如自回归移动平均模型(Autoregressive Integrated Moving Average，简称ARIMA)，该模型利用差分将时间序列转换为平稳的时间序列，然后根据时间序列间的相关性和模型对误差的鲁棒性，对历史数据和误差进行加权实现预测。第二类是基于深度学习的预测方法，如长短期记忆网络(Long Short-Term Memory，简称LSTM)、深度残差网络(Deep Belief Nets，简称DBN) 等。第一类方法有特定的数学模型，可解释性强，但对数据适应性差，基于深度学习的预测方法，应用范围更广，适用性更强，但可解释性较差。

发明内容

本发明的目的在于解决现有技术中存在的问题，并提供一种基于时序分解单元的深度交通流预测方法。

本发明为了获取单个时序分解单元完整的周期项、趋势项，设计并实现了合适的模块，最后采用加权的方式对交通流进行预测，最终本发明提出了一种基于时序分解单元的深度交通流预测方法，该方法的构思是：先通过自相关模块获取时序的自相关系数并生成新的时序信息，通过时序分解模块获取时序的周期项和趋势项，然后建立合适的深度模型逐步多次获取时序中完整的周期项和趋势项，最终加权当前时序信息的周期项和时序项完成交通流量的预测。

为了实现上述发明目的，本发明具体采用的技术方案如下：

第一方面，本发明提供了一种基于时序分解单元的深度交通流预测方法，其包括以下步骤：

S1、获取待预测路段的历史交通流数据，并按照时序排列后获得交通流数据序列X；

S2、将交通流数据序列X作为深度模型的输入，所述深度模型中包含N层逐层堆叠的时序分解单元；每一层时序分解单元结构相同，均由自相关模块和序列分解模块级联而成；其中，交通流数据序列X作为第1层时序分解单元的单元输入序列，由自相关模块输出所述单元输入序列的相关系数R，所述相关系数R为在一个时序信号周期内不断改变时延间隔并计算自相关函数值后得到的最大的前K个自相关函数值之和，再基于相关系数R由前馈网络生成新的时序数据X′，然后新的时序数据X′输入序列分解模块中通过平均池化输出时序数据中的周期项SP₁，再以新的时序数据X′和周期项SP₁的差值作为趋势项TP₁进行输出；对于其余n≥2的任意第n层时序分解单元，以第n-1层时序分解单元输出的周期项 SP_n-1作为自身的单元输入序列，由自相关模块和序列分解模块输出时序数据中的周期项SP_n和趋势项TP_n；所述深度模型的输出层计算第N层时序分解单元输出的周期项SP_N以及所有N层时序分解单元输出的趋势项TP_n的加权和，从而得到未来交通流的预测结果。

作为优选，对于任意第n∈[1，…，N]层时序分解单元，其中自相关模块中相关系数R和X′的计算公式为：

X′＝max(0，W₁R+b₁)W₂+b₂

其中：R_X，X(T_k)表示时延间隔τ＝T_k的自相关函数，T₁，…，T_K表示在[1，…，L]的时延间隔取值范围内使自相关函数值最大的前K个整数时延间隔值；max表示取两个数值中较大值的操作，W₁，W₂，b₁，b₂表示可学习参数；

对于任意第n∈[1，…，N]层时序分解单元，其中序列分解模块中周期项SP_n和趋势项TP_n的计算公式为：

SP_n＝avgpool(X′)

TP_n＝X′-SP_n

其中avgpool函数表示平均池化操作。

进一步的，所述自相关函数用公式表示为：

式中：L表示交通流数据序列X的长度，X_t、X_t-τ分别表示交通流数据序列X中 t时刻、t-τ时刻的交通流数据。

作为优选，所述未来交通流的预测

计算公式如下：

其中W_s，W_n分别为可学习参数。

作为优选，所述深度模型预先经过模型训练，使其模型的预测精度满足使用要求。

作为优选，所述深度模型在训练过程中，模型中的可学习参数采用反向传播算法学习更新。

进一步的，模型每一轮训练完毕后，采用平均绝对误差计算其预测精度。

进一步的，模型每一轮训练完毕后，采用均方根误差计算其预测精度。

第二方面，本发明提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，能实现如上述第一方面中任一方案所述的基于时序分解单元的深度交通流预测方法。

第三方面，本发明提供了一种基于时序分解单元的深度交通流预测设备，其包括存储器和处理器；

所述存储器，用于存储计算机程序；

所述处理器，用于当执行所述计算机程序时，实现如上述第一方面中任一方案所述的基于时序分解单元的深度交通流预测方法。

本发明基于时序分解结合深度学***，该模型在交通流预测方面具有较高的预测精度。

附图说明

图1为基于时序分解单元的深度交通流预测方法的步骤流程图。

图2是本发明的深度模型结构示意图。

图3是时序分解单元(TDU)的结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。本发明各个实施例中的技术特征在没有相互冲突的前提下，均可进行相应组合。

如图1所示，在本发明的一个较佳实施例中，提供了一种基于时序分解单元的深度交通流预测方法，该方法具体包括以下步骤：

S1、获取待预测路段的历史交通流数据，并按照时序排列后获得交通流数据序列X，X＝[X₀，X₁，......，X_L-1]，L为历史交通流数据的长度，即数据的总时刻数量。

S2、将交通流数据序列X作为深度模型的输入，由深度模型将交通流序列分解为趋势项和周期项2个部分，最终输出待预测路段未来交通流的预测结果。

如图2所示，本发明的上述深度模型包含了输入层、N层逐层堆叠的时序分解单元(Temporal Decomposition Unit，简称TDU)以及输出层，下面对各网络层的具体结构和数据处理流程进行详细描述。

1)深度模型输入层的输入为S1中按照时序排列后获得交通流数据序列X，输入层得到的交通流数据序列X将传递至第一层时序分解单元。

2)深度模型的每一层时序分解单元结构相同，均由自相关模块(AutoCorrelation，简称AC)和序列分解模块(Series Decomposition，简称SD)级联而成，两个模块中具体执行的流程如图3所示，下面详细描述如下：

首先，交通流数据序列X作为第1层时序分解单元的单元输入序列SP₀，其分别经过第1层时序分解单元内的自相关模块和序列分解模块进行处理。在自相关模块中，一方面需要输出前述单元输入序列SP₀的相关系数R，其中相关系数R 为在一个时序信号周期内不断改变时延间隔并计算自相关函数值后得到的最大的前K个自相关函数值之和，另一方面需要基于相关系数R由前馈网络生成新的时序数据X′。

然后，新的时序数据X′输入序列分解模块中通过平均池化输出时序数据中的周期项SP₁，再以新的时序数据X′和周期项SP₁的差值作为趋势项TP₁进行输出。

由于所有N层时序分解单元中的单元结构是相同的，因此除了上述第n＝1层时序分解单元之外，对于其余n≥2的任意第n层时序分解单元也同样需要通过级联的自相关模块和序列分解模块对单元输入序列进行相同的处理。具体而言，对于的任意第n层时序分解单元，以第n-1层时序分解单元输出的周期项SP_n-1作为自身的单元输入序列，由自相关模块和序列分解模块输出时序数据中的周期项 SP_n和趋势项TP_n。

为了便于理解，本发明还可以进一步用公式的形式来表示上述自相关模块和序列分解模块中的数据计算流程。

首先，对于任意第n∈[1，…，N]层时序分解单元，其中自相关模块中相关系数R和X′的计算公式为：

X′＝max(0，W₁R+b₁)W₂+b₂

其中：R_X，X(T_k)表示时延间隔τ＝T_k的自相关函数，自相关函数的计算属于现有技术，其用公式可以表示为：

式中：L表示交通流数据序列X的长度，X_t、X_t-τ分别表示交通流数据序列X中 t时刻、t-τ时刻的交通流数据；

T₁，…，T_K表示在[1，…，L]的时延间隔取值范围内使自相关函数值最大的前K个整数时延间隔值，用公式表示为T₁，…，T_K＝argTopk_{T∈{1，…，L}}R_X，X(T)确定， argTopk函数用于从时延间隔取值范围[1，…，L]中选取前K个使R_X，X(T)值最大的时延间隔T；

max表示取两个数值中较大值的操作，W₁，W₂，b₁，b₂均表示可学习参数；

另外，对于任意第n∈[1，…，N]层时序分解单元，其中序列分解模块中周期项SP_n和趋势项TP_n的计算公式为：

SP_n＝avgpool(X′)

TP_n＝X′-SP_n

其中avgpool函数表示平均池化操作。

由此，由上述堆叠时序分解单元所构造的深度模型，得到当前时序信息的周期项、趋势项。本发明中的每一个时序分解单元可以记为一个单元函数，表示为 TDU。若将第n个时序分解单元的单元函数记为TDU_n，则对于任意第n层时序分解单元中获取时序中的周期项、趋势项的提取过程可以表示为：

SP_n，TP_n＝TDU_n(SP_n-1，SP_n-1)

其中n∈{1，…，N}。且当n＝1时，SP₀＝X。

3)深度模型的输出层计算第N层时序分解单元输出的周期项SP_N以及所有N 层时序分解单元输出的趋势项TP_n的加权和，从而得到待预测路段未来交通流的预测结果。在本发明中，未来交通流的预测结果

以计算公式表达如下：

其中W_s，W_n分别为可学习参数。此处，上述预测结果

可以是不同的未来时刻的预测结果，具体预测的未来时刻可以根据实际需要进行调整。

需说明的是，上述深度模型在用于实际的交通流预测之前，需要预先经过模型训练，使其模型的预测精度满足使用要求。而且，深度模型在训练过程中，模型中的各可学习参数采用反向传播算法(Back Propagation，简称BP)学习更新。模型的具体训练和参数学习方式属于现有技术，对此不再详细赘述。

模型每一轮训练完毕后，需计算其预测精度，判断是否满足精度要求。在本发明中，可以采用平均绝对误差MAE计算其预测精度，同时也可以采用均方根误差RMSE计算其预测精度。

下面基于上述S1～S2所示的基于时序分解单元的深度交通流预测方法，将其应用于具体实例中对其具体实现过程和技术效果进行展示，以便本领域技术人员更好地理解本发明的实质。

实施例

本实例中，为了对比展示本发明的技术效果，选取了时间序列模型(HistoricalAverage，HA)、自适应图卷积递归网络(Adaptive Graph Convolutional RecurrentNetwork，AGCRN)、门控循环单元(Gated Recurrent Unit，GRU)和本发明所提出的基于时序分解单元(TDU)的深度交通流预测方法同时做了交通流预测，以检验方法的有效性。本实例中各参与对比的模型均采用了大规模真实数据集 PEMS-BAY，PEMS-BAY是美国加州交通部门Performance Measurement System 搜集到的交通数据，有325个传感器搜集了六个月的数据(2017.1.1～2017.5.31)，取其中的60％作为训练集，10％作为验证集，30％作为测试集，数据的时间间隔为5min。为了对比预测结果，本实例采用了平均绝对误差(MAE)、均方根误差 (RMSE)比较交通流预测算法的预测精度，两者的计算公式分别如下：

其中：m为训练样本数量，y_i和y_i′分别表示第i个训练样本的交通流真值和预测值。

将不同模型预测结果进行对比如表1所示，本发明提出的TDU方法获得了较好的效果，对325个点位预测结果的MAE指标和RMSE指标均低于时间序列模型(HA)、自适应图卷积递归网络(AGCRN)、门控循环单元(GRU)。取第 12时间步进行比较，TDU模型的MAE指标相较于HA、AGCRN、GRU分别低 2.12、0.56、1.15，RMSE指标相较于HA、AGCRN、GRU分别低5.09、5.09、 2.13，能够较好的满***通管理决策、交通规划、路径诱导等方面的技术需求。

表1不同模型预测结果对比

另外，在其他实施例中，还可以提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，能实现如前述 S1～S2所述的基于时序分解单元的深度交通流预测方法。

另外，在其他实施例中，还可以提供一种基于时序分解单元的深度交通流预测设备，其包括存储器和处理器；

所述存储器，用于存储计算机程序；

所述处理器，用于当执行所述计算机程序时，实现如前述S1～S2所述的基于时序分解单元的深度交通流预测方法。

需要注意的是，上述的存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。上述的处理器可以是通用处理器，包括中央处理器 (Central Processing Unit，CPU)、神经网络处理器(Neural Processor Unit，NPU) 等；还可以是数字信号处理器(DigitalSignal Processing，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。当然，还装置中还应当具有实现程序运行的必要组件，例如电源、通信总线等等。

以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (10)

1.一种基于时序分解单元的深度交通流预测方法，其特征在于，包括以下步骤：

S1、获取待预测路段的历史交通流数据，并按照时序排列后获得交通流数据序列X；

S2、将交通流数据序列X作为深度模型的输入，所述深度模型中包含N层逐层堆叠的时序分解单元；每一层时序分解单元结构相同，均由自相关模块和序列分解模块级联而成；其中，交通流数据序列X作为第1层时序分解单元的单元输入序列，由自相关模块输出所述单元输入序列的相关系数R，所述相关系数R为在一个时序信号周期内不断改变时延间隔并计算自相关函数值后得到的最大的前K个自相关函数值之和，再基于相关系数R由前馈网络生成新的时序数据X′，然后新的时序数据X′输入序列分解模块中通过平均池化输出时序数据中的周期项SP₁，再以新的时序数据X′和周期项SP₁的差值作为趋势项TP₁进行输出；对于其余n≥2的任意第n层时序分解单元，以第n-1层时序分解单元输出的周期项SP_n-1作为自身的单元输入序列，由自相关模块和序列分解模块输出时序数据中的周期项SP_n和趋势项TP_n；所述深度模型的输出层计算第N层时序分解单元输出的周期项SP_N以及所有N层时序分解单元输出的趋势项TP_n的加权和，从而得到待预测路段未来交通流的预测结果。

2.如权利要求1所述的基于时序分解单元的深度交通流预测方法，其特征在于，对于任意第n∈[1,…,N]层时序分解单元，其中自相关模块中相关系数R和X′的计算公式为：

X′＝max(0,W₁R+b₁)W₂+b₂

其中：R_X,X(T_k)表示时延间隔τ＝T_k的自相关函数，T₁,…,T_K表示在[1,…,L]的时延间隔取值范围内使自相关函数值最大的前K个整数时延间隔值；max表示取两个数值中较大值的操作，W₁,W₂,b₁,b₂表示可学习参数；

对于任意第n∈[1,…,N]层时序分解单元，其中序列分解模块中周期项SP_n和趋势项TP_n的计算公式为：

SP_n＝avgpool(X′)

TP_n＝X′-SP_n

其中avgpool函数表示平均池化操作。

3.如权利要求2所述的基于时序分解单元的深度交通流预测方法，其特征在于，所述自相关函数用公式表示为：

式中：L表示交通流数据序列X的长度，X_t、X_t-τ分别表示交通流数据序列X中t时刻、t-τ时刻的交通流数据。

4.如权利要求1所述的基于时序分解单元的深度交通流预测方法，其特征在于，所述未来交通流的预测

计算公式如下：

其中W_s,W_n分别为可学习参数。

5.如权利要求1所述的基于时序分解单元的深度交通流预测方法，其特征在于，所述深度模型预先经过模型训练，使其模型的预测精度满足使用要求。

6.如权利要求1所述的基于时序分解单元的深度交通流预测方法，其特征在于，所述深度模型在训练过程中，模型中的可学习参数采用反向传播算法学习更新。

7.根据权利要求5所述的基于时序分解单元的深度交通流预测方法，其特征在于：模型每一轮训练完毕后，采用平均绝对误差计算其预测精度。

8.根据权利要求5所述的基于时序分解单元的深度交通流预测方法，其特征在于：模型每一轮训练完毕后，采用均方根误差计算其预测精度。

9.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，能实现如权利要求1～8任一所述的基于时序分解单元的深度交通流预测方法。

10.一种基于时序分解单元的深度交通流预测设备，其特征在于，包括存储器和处理器；

所述存储器，用于存储计算机程序；

所述处理器，用于当执行所述计算机程序时，实现如权利要求1～8任一所述的基于时序分解单元的深度交通流预测方法。

Images