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

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

一种结合数据分解和深度学习的短时交通流预测方法

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，x_a(t)表示加入正噪声之后的信号；x_b(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x_a(t₎、x_b(t)同时进行经验模态分解(EMD)，将分解后的IMF分量分别记为IMF_{sk_a}、IMF_{sk_b}，k＝(1,2,…,n)；其中IMF_{sk_a}表示加入第k个正噪声之后的分解信号；

IMF_{sk_b}代表加入第k个负噪声之后的分解信号；

其中，IMF_sk表示加入第k个互补噪声后的集总平均值；IMF_s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：

其中，

为卷积神经网络层的输出；

为卷积神经网络层的输入，即IMF_s，

为卷积神经网络层的权重，

为卷积神经网络层的偏置，

为池化层的输出。

进一步的，提取交通流特征矩阵的时间特征：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

C_t1＝tanh(W_c·[h_t-1,x_t]+b_c)

C_t＝C_t-1·f_t+i_t·C_t1

h_t＝o_t·tanh(C_t)

其中，f_t为遗忘门当前时刻的输出，i_t为输入门当前时刻的输出，o_t为输出门当前时刻的输出；

W_f为遗忘门的权重，b_f为遗忘门的偏置，W_i为输入门的权重，b_i为输入门的偏置，W_o为输出门的权重，b_o为输出门的偏置；W_c为记忆单元的权重，b_c为记忆单元的偏置，

h_t-1为前一时刻的输入，x_t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；

C_t-1为前一时刻记忆单元的状态，C_t为当前时刻记忆单元的状态，C_t1为记忆单元中待更新的内容，h_t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：

其中，y_i是历史交通流预测值，x_i是历史交通流真实值，

是历史交通流真实值的均值，N为输入的交通流历史数据个数；当均方根误差RMSE小于7，平均绝对误差MAE小于5时，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，x_a(t)表示加入正噪声之后的信号；x_b(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x_a(t₎、x_b(t)同时进行EMD分解，将分解后的IMF分量分别记为IMF_{sk_a}、IMF_{sk_b}，k＝(1,2,…,n)；其中IMF_{sk_a}表示加入第k个正噪声之后的分解信号；

IMF_{sk_b}代表加入第k个负噪声之后的分解信号；

其中，IMF_sk表示加入第k个互补噪声后的集总平均值；IMF_s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：

其中，

为卷积神经网络层的输出；

为卷积神经网络层的输入，即IMF_s，

为卷积神经网络层的权重，

为卷积神经网络层的偏置，

为池化层的输出。

如图3所示，提取交通流特征矩阵的时间特征：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

C_t1＝tanh(W_c·[h_t-1,x_t]+b_c)

C_t＝C_t-1·f_t+i_t·C_t1

h_t＝o_t·tanh(C_t)

其中，f_t为遗忘门当前时刻的输出，i_t为输入门当前时刻的输出，o_t为输出门当前时刻的输出；

W_f为遗忘门的权重，b_f为遗忘门的偏置，W_i为输入门的权重，b_i为输入门的偏置，W_o为输出门的权重，b_o为输出门的偏置；W_c为记忆单元的权重，b_c为记忆单元的偏置，

h_t-1为前一时刻的输入，x_t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；

C_t-1为前一时刻记忆单元的状态，C_t为当前时刻记忆单元的状态，C_t1为记忆单元中待更新的内容，h_t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：

其中，y_i是历史交通流预测值，x_i是历史交通流真实值，

是历史交通流真实值的均值；当均方根误差RMSE小于7，平均绝对误差MAE小于5时，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，x_a(t)表示加入正噪声之后的信号；x_b(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x_a(t)、x_b(t)同时进行EMD分解，将分解后的IMF分量分别记为IMF_{sk_a}、IMF_{sk_b}，k＝(1,2,…,n)；其中IMF_{sk_a}表示加入第k个正噪声之后的分解信号；

IMF_{sk_b}代表加入第k个负噪声之后的分解信号；

其中，IMF_sk表示加入第k个互补噪声后的集总平均值；IMF_s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。

6.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中的空间特征具体包括：

其中，

为卷积神经网络层的输出；

为卷积神经网络层的输入，即IMF_s，

为卷积神经网络层的权重，

为卷积神经网络层的偏置，

为池化层的输出。

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：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

C_t1＝tanh(W_c·[h_t-1,x_t]+b_c)

C_t＝C_t-1·f_t+i_t·C_t1

h_t＝o_t·tanh(C_t)

其中，f_t为遗忘门当前时刻的输出，i_t为输入门当前时刻的输出，o_t为输出门当前时刻的输出；

W_f为遗忘门的权重，b_f为遗忘门的偏置，W_i为输入门的权重，b_i为输入门的偏置，W_o为输出门的权重，b_o为输出门的偏置；W_c为记忆单元的权重，b_c为记忆单元的偏置，

h_t-1为前一时刻的输入，x_t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；

C_t-1为前一时刻记忆单元的状态，C_t为当前时刻记忆单元的状态，C_t1为记忆单元中待更新的内容，h_t为预测的交通流序列。

8.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：

其中，y_i是历史交通流预测值，x_i是历史交通流真实值，

是历史交通流真实值的均值；N为输入的交通流历史数据个数。

当均方根误差RMSE小于7，平均绝对误差MAE小于5时，确定最终的交通流预测模型。

Images