CN114973665A - 一种结合数据分解和深度学习的短时交通流预测方法 - Google Patents
一种结合数据分解和深度学习的短时交通流预测方法 Download PDFInfo
- Publication number
- CN114973665A CN114973665A CN202210544580.5A CN202210544580A CN114973665A CN 114973665 A CN114973665 A CN 114973665A CN 202210544580 A CN202210544580 A CN 202210544580A CN 114973665 A CN114973665 A CN 114973665A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- flow prediction
- short
- data
- decomposition
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 34
- 230000000295 complement effect Effects 0.000 claims abstract description 28
- 230000006403 short-term memory Effects 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 30
- 238000011176 pooling Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 4
- 210000004027 cell Anatomy 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种结合数据分解和深度学习的短时交通流预测方法,基于互补集成经验模态分解(CEEMD),并结合卷积神经网络(CNN)和长短期记忆网络(LSTM)的短时交通流预测方法。交通流预测模型通过CEEMD信号分解减少噪声对交通流数据预测的影响,采用CNN、LSTM充分挖掘数据的时空特征,使得模型做出更加准确的判断,从而提高神经网络的学习效率。本发明结合数据分解和深度学习的优点,给出一种短时交通流预测方法,从而达到更科学的手段,提高短时交通流预测准确率的目的。
Description
技术领域
本发明公开了一种结合数据分解和深度学习的短时交通流预测方法,涉及领域。
背景技术
随着智能交通技术的发展,交通流预测作为实时交通状态判别和交通流诱导的基础,其研究对提高道路服务和管控水平具有重要意义。只有预先获取前方道路的状态才能主动做好决策。交通控制及诱导的作用效果通常需要经历一段时间的积累才能显现出来。根据时间尺度的不同,交通流预测分长时(long-term)和短时(short-term)两类,用以预测分析在5-15min内通过道路某断面的车辆数目。如何提高交通流预测的准确性成为现阶段交通流研究的挑战之一,精准的短时交通流预测是目前解决城市道路交通拥挤、减少环境污染最根本、最有效的措施。近年来,国内外许多学者对如何提高城市短时交通流的预测精度问题相继展开了大量研究。随着交通流数据的不断积累和相关技术的不断发展,预测方法正在逐步由原来的经典统计方法向数据驱动的视角演变。但交通流数据易受到天气、通信等环境因素和外部因素的干扰,收集到的数据会有大量的噪声,具有高度的非线性和复杂性。目前仍缺乏一种准确性高、稳定性好的短时交通流预测方法。
发明内容
本发明针对上述背景技术中的缺陷,提供一种结合数据分解和深度学习的短时交通流预测方法,提高短时交通流预测准确率的目的。
为实现上述目的,本发明采用的技术方案如下:
一种结合数据分解和深度学习的短时交通流预测方法,包括以下步骤:
获取的交通预测流数据并进行预处理,
采用预先训练好的交通流预测模型根据预处理后的交通预测流数获得交通流预测结果;
所述的交通流预测模型包括:1个互补集成经验模态分解模块、1个卷积神经网络层、1个池化层、2个拼接的长短期记忆网络层和1个全连接层;
互补集成经验模态分解模块用于交通流预测数据的信号分解,并将其依次输入至卷积神经网络层,池化层、长短期记忆网络层和全连接层;
卷积神经网络层用于提取交通流预测数据的空间特征;
池化层用于对交通流预测数据进行特征降维;
长短期记忆网络用于提取交通流预测数据的时间特征;
全连接层用于输出交通流预测值。
进一步的,所述交通流预测数据进行预处理具体包括:采用线性函数min-max归一化方法对交通流预测数据进行预处理操作,形成交通流特征矩阵。
进一步的,所述预先训练好的交通流预测模型的训练方法具体包括:构建初始交通流预测模型,并将交通流历史数据输入到所述初始交通流预测模型,初始交通流预测模型根据输入的交通流历史数据输出历史交通流预测值,将所述历史交通流预测值与相应的历史交通流真实值进行比对,计算所述历史交通流预测值与历史交通流真实值之间的损失值,并根据所述损失值进行反向误差传播,对所述初始交通流预测模型进行训练,并根据训练结果确定最终的交通流预测模型。
进一步的,所述初始交通流预测模型进行训练的方法具体包括:将交通流历史数据预处理后的交通流特征矩阵进行互补集成经验模态分解后输入至卷积神经网络层,提取交通流特征矩阵中的空间特征;将卷积神经网络层的输出作为池化层的输入,对交通流特征矩阵进行特征降维;将池化层的输出作为第一长短期记忆网络层的输入,提取交通流特征矩阵的时间特征;将第一长短期记忆网络层的输出作为第二长短期记忆网络层输入,提取交通流特征矩阵的时间特征,并将提取到的空间或者特征输入至初始交通流预测模型进行训练。
进一步的,所述通流特征矩阵进行互补集成经验模态分解具体包括:在交通流特征矩阵数据中加入一组互补噪声,将其分解成一系列IMF分量和一个残余分量,提取最高频分量作为交通流序列的随机项,剩余IMF分量叠加得到交通流序列的趋势项:
其中,s(t)表示输入的交通流特征矩阵,xa(t)表示加入正噪声之后的信号;xb(t)表示加入负噪声之后的信号,n(t)表示加入的一组互补噪声;
对xa(t)、xb(t)同时进行经验模态分解(EMD),将分解后的IMF分量分别记为IMFsk_a、IMFsk_b,k=(1,2,…,n);其中IMFsk_a表示加入第k个正噪声之后的分解信号;
IMFsk_b代表加入第k个负噪声之后的分解信号;
其中,IMFsk表示加入第k个互补噪声后的集总平均值;IMFs为分解后最终得到的一系列IMF分量和一个残余分量。
进一步的,提取交通流特征矩阵中的空间特征具体包括:
进一步的,提取交通流特征矩阵的时间特征:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo·[ht-1,xt]+bo)
Ct1=tanh(Wc·[ht-1,xt]+bc)
Ct=Ct-1·ft+it·Ct1
ht=ot·tanh(Ct)
其中,ft为遗忘门当前时刻的输出,it为输入门当前时刻的输出,ot为输出门当前时刻的输出;
Wf为遗忘门的权重,bf为遗忘门的偏置,Wi为输入门的权重,bi为输入门的偏置,Wo为输出门的权重,bo为输出门的偏置;Wc为记忆单元的权重,bc为记忆单元的偏置,
ht-1为前一时刻的输入,xt为当前时刻的输入,即池化层的输出;σ为激活函数sigmoid,tanh为激活函数;
Ct-1为前一时刻记忆单元的状态,Ct为当前时刻记忆单元的状态,Ct1为记忆单元中待更新的内容,ht为预测的交通流序列。
进一步的,所述根据训练结果确定最终的交通流预测模型具体包括:
选取均方根误差RMSE、平均绝对误差MAE作为交通流预测模型的评估指标;将模型输出的历史交通流预测值和历史交通流真实值进行比较,判断评估指标是否满足所规定的取值范围,确定最终的交通流预测模型:
有益效果:本发明采用互补集成经验模态分解模块(CEEMD)根据噪声频率对交通流数据进行分解,CEEMD通过引入一组互为相反数的高斯白噪声加入到原始信号中,将两个混合信号同时进行EMD分解,不仅克服了EMD存在的模态混叠现象,也因为引入的是互补噪声,所以重构后的数据中噪声残余量几乎可以忽略不计;在一定程度,CEEMD还可以使用相对较少的集成平均次数,在保证小剩余噪声干扰的情况下,节省计算时间;
本发明采用卷积神经网络层(CNN)和长短期记忆网络层(LSTM)建立预测模型,CNN神经网络通过一维卷积操作和池化操作对数据进行特征提取。一维卷积操作通过控制卷积核的数量来实现特征降维,降低模型的复杂度,池化操作在卷积操作的基础上进一步实现特征降维,并减小过拟合现象,LSTM解决了RNN存在的梯度***问题和数据长期依赖问题。
本发明给出了一种结合数据分解和深度学习的短时交通流预测方法;准确的短时交通流预测在智能交通领域有着重要的现实意义,可以提供给出行者更为准确的道路信息,提高道路通行效率,解决交通拥堵等问题。加强车辆、道路之间的联系,是建设智慧城市的重要环节。
附图说明
图1为本发明的整体流程图;
图2为本发明CEEMD结构原理图;
图3为本发明LSTM结构原理图。
具体实施方式
下面结合附图对技术方案的实施作进一步的详细描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本文在Python环境下,使用Keras神经网络框架完成模型的搭建和训练。本文选取的数据集来自于Caltrans Performance Measurement System(PeMS),数据是从跨越加利福尼亚州主要大都市区高速公路***的各个探测器实时收集的,选取其中1车道点的车流量数据进行实验验证。本实施例车流量数据分为90%的训练集,10%的测试集,测试集数据的时间线在训练集的时间线之后,训练集的数据用于预先训练好的交通流预测模型,测试集的数据用于输入预先训练好的交通流预测模型,对未来短时间内的车流量进行预测;具体实施如下:
如图1所示的一种实施例:一种结合数据分解和深度学习的短时交通流预测方法,包括以下步骤:
获取的交通预测流数据并进行预处理,
采用预先训练好的交通流预测模型根据预处理后的交通预测流数获得交通流预测结果;
所述的交通流预测模型包括:1个互补集成经验模态分解模块、1个卷积神经网络层、1个池化层、2个拼接的长短期记忆网络层和1个全连接层;
互补集成经验模态分解模块用于交通流预测数据的信号分解,并将其依次输入至卷积神经网络层,池化层、长短期记忆网络层和全连接层;
卷积神经网络层用于提取交通流预测数据的空间特征;
池化层用于对交通流预测数据进行特征降维;
长短期记忆网络用于提取交通流预测数据的时间特征;
全连接层用于输出交通流预测值。
具体的,第1层数据分解层,将原始信号分解成一系列IMF分量和一个残余分量;第2层是输入层,确定模型输入的维度;第3、4层是CNN层和池化层,通过一维卷积操作和池化操作对数据进行特征提取。选取合适的卷积核个数和激活函数(Relu)。第5-6层是LSTM层,提取数据特征,要选取合适的神经元个数(Number of Neurons)、损失函数(Loos)、优化器(Optimizer)、批数据量(Batch_size)、训练次数(Epochs)和加入Dropout机制随机丢弃数据比率值。第7层是全连接层Dense,将CNN-LSTM输出端融合的特征作为全连接层的输入,并选择合适的神经元个数。
所述交通流预测数据进行预处理具体包括:采用min-max归一化方法对交通流预测数据进行预处理操作,形成交通流特征矩阵。
所述预先训练好的交通流预测模型的训练方法具体包括:构建初始交通流预测模型,并将交通流历史数据输入到所述初始交通流预测模型,初始交通流预测模型根据输入的交通流历史数据输出历史交通流预测值,将所述历史交通流预测值与相应的历史交通流真实值进行比对,计算所述历史交通流预测值与历史交通流真实值之间的损失值,并根据所述损失值进行反向误差传播,对所述初始交通流预测模型进行训练,
所述初始交通流预测模型进行训练的方法具体包括:将交通流历史数据预处理后的交通流特征矩阵进行互补集成经验模态分解后输入至卷积神经网络层,提取交通流特征矩阵中的空间特征;将卷积神经网络层的输出作为池化层的输入,对交通流特征矩阵进行特征降维;将池化层的输出作为第一长短期记忆网络层的输入,提取交通流特征矩阵的时间特征;将第一长短期记忆网络层的输出作为第二长短期记忆网络层输入,提取交通流特征矩阵的时间特征,并将提取到的空间或者特征输入至初始交通流预测模型进行训练。
如图2所示,所述通流特征矩阵进行互补集成经验模态分解具体包括:在交通流特征矩阵数据中加入一组互补噪声,将其分解成一系列IMF分量和一个残余分量,提取最高频分量作为交通流序列的随机项,剩余IMF分量叠加得到交通流序列的趋势项:
其中,s(t)表示交通流特征矩阵,xa(t)表示加入正噪声之后的信号;xb(t)表示加入负噪声之后的信号,n(t)表示加入的一组互补噪声;
对xa(t)、xb(t)同时进行EMD分解,将分解后的IMF分量分别记为IMFsk_a、IMFsk_b,k=(1,2,…,n);其中IMFsk_a表示加入第k个正噪声之后的分解信号;
IMFsk_b代表加入第k个负噪声之后的分解信号;
其中,IMFsk表示加入第k个互补噪声后的集总平均值;IMFs为分解后最终得到的一系列IMF分量和一个残余分量。
提取交通流特征矩阵中的空间特征具体包括:
如图3所示,提取交通流特征矩阵的时间特征:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo·[ht-1,xt]+bo)
Ct1=tanh(Wc·[ht-1,xt]+bc)
Ct=Ct-1·ft+it·Ct1
ht=ot·tanh(Ct)
其中,ft为遗忘门当前时刻的输出,it为输入门当前时刻的输出,ot为输出门当前时刻的输出;
Wf为遗忘门的权重,bf为遗忘门的偏置,Wi为输入门的权重,bi为输入门的偏置,Wo为输出门的权重,bo为输出门的偏置;Wc为记忆单元的权重,bc为记忆单元的偏置,
ht-1为前一时刻的输入,xt为当前时刻的输入,即池化层的输出;σ为激活函数sigmoid,tanh为激活函数;
Ct-1为前一时刻记忆单元的状态,Ct为当前时刻记忆单元的状态,Ct1为记忆单元中待更新的内容,ht为预测的交通流序列。
本发明模型将CEEMD分解后的IMF信号分量输送到CNN层提取数据的时空特征,采用LSTM增强神经网络的记忆能力,提高学习效率。在本发明中,详细超参数设置由表1给出。
表1
根据训练结果确定最终的交通流预测模型:选取均方根误差RMSE、平均绝对误差MAE以及决定系数R2作为交通流预测模型的评估指标;将模型输出的历史交通流预测值和历史交通流真实值进行比较,判断评估指标是否满足所规定的取值范围,确定最终的交通流预测模型:
将本发明的模型在PeMS公开数据集上与另外的5种模型在3个指标上进行实验对比,结果如表2所示。
模型结构 | MAE | RMSE | R<sup>2</sup>score |
LSTM | 8.7467 | 11.3662 | 0.9137 |
CNN-LSTM | 7.9690 | 10.4812 | 0.9266 |
EMD-LSTM | 6.9989 | 9.1929 | 0.9436 |
CEEMD-LSTM | 5.9453 | 7.5417 | 0.9620 |
CEEMD-CNN-LSTM | 4.0592 | 5.6985 | 0.9783 |
表2
实验结果表明,本发明提出的交通流时间序列预测模型,在评估指标RMSE、MAE、R2均能达到较好的效果。与现有模型相比,预测精度得到明显提升,能够更为准确的反应道路交通流的变化特征;解决了目前缺乏一种准确率高的短时交通流预测方法的问题。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种结合数据分解和深度学习的短时交通流预测方法,其特征在于,包括以下步骤:
获取的交通预测流数据并进行预处理,
采用预先训练好的交通流预测模型根据预处理后的交通预测流数获得交通流预测结果;
所述的交通流预测模型包括:互补集成经验模态分解模块、卷积神经网络层、池化层、拼接的长短期记忆网络层和全连接层;
互补集成经验模态分解模块用于交通流预测数据的信号分解,并将其依次输入至卷积神经网络层,池化层、长短期记忆网络层和全连接层;
卷积神经网络层用于提取交通流预测数据的空间特征;
池化层用于对交通流预测数据进行特征降维;
长短期记忆网络用于提取交通流预测数据的时间特征;
全连接层用于输出交通流预测值。
2.根据权利要求1所述的一种结合数据分解和深度学习的短时交通流预测方法,其特征在于,交通流预测数据进行预处理具体包括:采用min-max归一化方法对交通流预测数据进行预处理操作,形成交通流特征矩阵。
3.根据权利要求1所述的一种结合数据分解和深度学习的短时交通流预测方法,其特征在于,所述预先训练好的交通流预测模型的训练方法具体包括:构建初始交通流预测模型,并将交通流历史数据输入到所述初始交通流预测模型,初始交通流预测模型根据输入的交通流历史数据输出历史交通流预测值,将所述历史交通流预测值与相应的历史交通流真实值进行比对,计算所述历史交通流预测值与历史交通流真实值之间的损失值,并根据所述损失值进行反向误差传播,对所述初始交通流预测模型进行训练,并根据训练结果确定最终的交通流预测模型。
4.根据权利要求3所述的一种结合数据分解和深度学习的短时交通流预测方法,其特征在于,所述初始交通流预测模型进行训练的方法具体包括:将交通流历史数据预处理后的交通流特征矩阵进行互补集成经验模态分解后输入至卷积神经网络层,提取交通流特征矩阵中的空间特征;将卷积神经网络层的输出作为池化层的输入,对交通流特征矩阵进行特征降维;将池化层的输出作为第一长短期记忆网络层的输入,提取交通流特征矩阵的时间特征;将第一长短期记忆网络层的输出作为第二长短期记忆网络层输入,提取交通流特征矩阵的时间特征,并将提取到的空间或者特征输入至初始交通流预测模型进行训练。
5.根据权利要求4所述的一种结合数据分解和深度学习的短时交通流预测方法,其特征在于,
所述通流特征矩阵进行互补集成经验模态分解具体包括:在交通流特征矩阵数据中加入一组互补噪声,将其分解成一系列IMF分量和一个残余分量,提取最高频分量作为交通流序列的随机项,剩余IMF分量叠加得到交通流序列的趋势项:
其中,s(t)表示输入的交通流特征矩阵,xa(t)表示加入正噪声之后的信号;xb(t)表示加入负噪声之后的信号,n(t)表示加入的一组互补噪声;
对xa(t)、xb(t)同时进行EMD分解,将分解后的IMF分量分别记为IMFsk_a、IMFsk_b,k=(1,2,…,n);其中IMFsk_a表示加入第k个正噪声之后的分解信号;
IMFsk_b代表加入第k个负噪声之后的分解信号;
其中,IMFsk表示加入第k个互补噪声后的集总平均值;IMFs为分解后最终得到的一系列IMF分量和一个残余分量;n为加入互补噪声的个数。
7.根据权利要求4所述的一种结合数据分解和深度学习的短时交通流预测方法,其特征在于,提取交通流特征矩阵的时间特征:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo·[ht-1,xt]+bo)
Ct1=tanh(Wc·[ht-1,xt]+bc)
Ct=Ct-1·ft+it·Ct1
ht=ot·tanh(Ct)
其中,ft为遗忘门当前时刻的输出,it为输入门当前时刻的输出,ot为输出门当前时刻的输出;
Wf为遗忘门的权重,bf为遗忘门的偏置,Wi为输入门的权重,bi为输入门的偏置,Wo为输出门的权重,bo为输出门的偏置;Wc为记忆单元的权重,bc为记忆单元的偏置,
ht-1为前一时刻的输入,xt为当前时刻的输入,即池化层的输出;σ为激活函数sigmoid,tanh为激活函数;
Ct-1为前一时刻记忆单元的状态,Ct为当前时刻记忆单元的状态,Ct1为记忆单元中待更新的内容,ht为预测的交通流序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210544580.5A CN114973665A (zh) | 2022-05-19 | 2022-05-19 | 一种结合数据分解和深度学习的短时交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210544580.5A CN114973665A (zh) | 2022-05-19 | 2022-05-19 | 一种结合数据分解和深度学习的短时交通流预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114973665A true CN114973665A (zh) | 2022-08-30 |
Family
ID=82985434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210544580.5A Pending CN114973665A (zh) | 2022-05-19 | 2022-05-19 | 一种结合数据分解和深度学习的短时交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114973665A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115514439A (zh) * | 2022-09-26 | 2022-12-23 | 华工未来科技(江苏)有限公司 | 一种信道空口利用率预测方法、***、电子设备及介质 |
CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241466A (zh) * | 2020-01-15 | 2020-06-05 | 上海海事大学 | 一种基于深度学习的船舶流量预测方法 |
CN112488415A (zh) * | 2020-12-14 | 2021-03-12 | 国网江苏省电力有限公司经济技术研究院 | 基于经验模态分解和长短时记忆网络的电力负荷预测方法 |
CN112801386A (zh) * | 2021-02-04 | 2021-05-14 | 北京工业大学 | 一种基于三阶段模型的短时交通流预测方法 |
CN113487855A (zh) * | 2021-05-25 | 2021-10-08 | 浙江工业大学 | 一种基于emd-gan神经网络结构的交通流预测方法 |
CN113705864A (zh) * | 2021-08-13 | 2021-11-26 | 华北水利水电大学 | 基于VMD-CNN-BiLSTM-ATT混合模型的气象干旱预测方法及装置 |
CN113722308A (zh) * | 2021-09-02 | 2021-11-30 | 重庆大学 | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 |
CN113988357A (zh) * | 2021-09-03 | 2022-01-28 | 重庆大学 | 基于深度学习的高层建筑风致响应预测方法及装置 |
CN114091766A (zh) * | 2021-11-24 | 2022-02-25 | 东北电力大学 | 基于ceemdan-lstm的空间负荷预测方法 |
-
2022
- 2022-05-19 CN CN202210544580.5A patent/CN114973665A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241466A (zh) * | 2020-01-15 | 2020-06-05 | 上海海事大学 | 一种基于深度学习的船舶流量预测方法 |
CN112488415A (zh) * | 2020-12-14 | 2021-03-12 | 国网江苏省电力有限公司经济技术研究院 | 基于经验模态分解和长短时记忆网络的电力负荷预测方法 |
CN112801386A (zh) * | 2021-02-04 | 2021-05-14 | 北京工业大学 | 一种基于三阶段模型的短时交通流预测方法 |
CN113487855A (zh) * | 2021-05-25 | 2021-10-08 | 浙江工业大学 | 一种基于emd-gan神经网络结构的交通流预测方法 |
CN113705864A (zh) * | 2021-08-13 | 2021-11-26 | 华北水利水电大学 | 基于VMD-CNN-BiLSTM-ATT混合模型的气象干旱预测方法及装置 |
CN113722308A (zh) * | 2021-09-02 | 2021-11-30 | 重庆大学 | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 |
CN113988357A (zh) * | 2021-09-03 | 2022-01-28 | 重庆大学 | 基于深度学习的高层建筑风致响应预测方法及装置 |
CN114091766A (zh) * | 2021-11-24 | 2022-02-25 | 东北电力大学 | 基于ceemdan-lstm的空间负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
卢海鹏;: "基于VMD-BiLSTM-BLS 模型的短时交通流 预测", 计算机***应用 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115514439A (zh) * | 2022-09-26 | 2022-12-23 | 华工未来科技(江苏)有限公司 | 一种信道空口利用率预测方法、***、电子设备及介质 |
CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418547B (zh) | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 | |
CN110889546B (zh) | 一种基于注意力机制的交通流量模型训练方法 | |
CN111915059B (zh) | 基于注意力机制的Seq2seq泊位占有率预测方法 | |
Tian | Approach for short-term traffic flow prediction based on empirical mode decomposition and combination model fusion | |
CN110220725B (zh) | 一种基于深度学习与bp集成的地铁车轮健康状态预测方法 | |
CN114973665A (zh) | 一种结合数据分解和深度学习的短时交通流预测方法 | |
CN111613054B (zh) | 一种协同考虑时空相关性及贡献差异的多步交通速度预测方法 | |
CN111709549A (zh) | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 | |
CN114664091A (zh) | 一种基于节假日流量预测算法的预警方法及*** | |
CN111862592B (zh) | 一种基于rgcn的交通流预测方法 | |
CN115148019A (zh) | 一种基于节假日拥堵预测算法的预警方法及*** | |
CN113205698A (zh) | 一种基于igwo-lstm的短时交通流预测的导航提醒方法 | |
CN114781538A (zh) | 一种ga-bp神经网络耦合决策树的空气质量预测方法和*** | |
CN112966871A (zh) | 基于卷积长短期记忆神经网络的交通拥堵预测方法及*** | |
Li et al. | Short term traffic flow prediction based on LSTM | |
Liu et al. | Explanatory prediction of traffic congestion propagation mode: A self-attention based approach | |
CN115496257A (zh) | 基于时空融合的短时车速预测 | |
CN111141879B (zh) | 一种深度学习的空气质量监测方法以及装置、设备 | |
CN114970815A (zh) | 一种基于改进pso算法优化lstm的交通流预测方法及装置 | |
Li et al. | Parking demand forecasting based on improved complete ensemble empirical mode decomposition and GRU model | |
Haputhanthri et al. | Short-term traffic forecasting using LSTM-based deep learning models | |
Feng et al. | A dual-staged attention based conversion-gated long short term memory for multivariable time series prediction | |
CN114596726A (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
Chen et al. | Improved LSTM based on attention mechanism for short-term traffic flow prediction | |
CN117173883A (zh) | 一种城市交通流量预测方法及*** |
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 |