CN116913105A - 一种基于循环神经灰色模型的短时交通流预测方法 - Google Patents
一种基于循环神经灰色模型的短时交通流预测方法 Download PDFInfo
- Publication number
- CN116913105A CN116913105A CN202310916418.6A CN202310916418A CN116913105A CN 116913105 A CN116913105 A CN 116913105A CN 202310916418 A CN202310916418 A CN 202310916418A CN 116913105 A CN116913105 A CN 116913105A
- Authority
- CN
- China
- Prior art keywords
- sequence
- traffic flow
- main
- road section
- gray
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 125000004122 cyclic group Chemical group 0.000 title claims abstract description 21
- 210000005036 nerve Anatomy 0.000 title claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 12
- 230000002087 whitening effect Effects 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- 238000001514 detection method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- 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
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于循环神经灰色模型的短时交通流预测方法,属于智能交通技术领域。该方法包括:S1:采集某主路段及该主路段支路的车流量;用灰色关联度分析主路段与支路车流量的灰色关联度,选择主路段为主序列,关联度较大的支路为影响序列;S2:以主序列及影响序列建立循环神经灰色模型;S3:确定最优模拟和预测的个数,用最优方案预测该主路段的车流量。本发明的预测方法能够有效提高短时交通流的预测精度。
Description
技术领域
本发明属于智能交通技术领域,涉及一种基于循环神经灰色模型的短时交通流预测方法。
背景技术
短时交通流预测在智能交通***中一直是一个热门的研究领域,实时准确的交通流预测是交通控制和交通诱导的前提和关键,并且对缓解城市交通拥堵、避免社会资源浪费有着重要的意义。
目前,建模预测短时交通流的方法很多,常见的模型有:历史平均模型、时间序列模型、卡尔曼滤波模型以及神经网络模型等,其中,历史平均模型因原理简单、运算效率高,适用于交通流量波动幅度小的路段,但预测精度低,应对突发交通状况的能力差;对于交通流量波动幅度小的路段,时间序列模型因实时性好、稳定性佳,可满足预测要求,但预测精度过于依赖样本的数量;卡尔曼滤波模型对平稳状态交通流的预测精度高,但预测精度依赖于交通流的线性特征,适用于线性非实时的在线交通流预测;神经网络模型自适应学习能力强、实时性好、预测精度较高但收敛速度慢,适用于复杂、多变、非线性的交通流预测。但这些模型大多只考虑了交通流的非线性特性,交通流有许多特性,若只考虑一种特性,其预测的精度有限。此外,由于支路段车流量向主路段汇流导致主路段车流量增加,但较少见到综合考虑支路段车流量用于预测主路段车流量的工作。
发明内容
有鉴于此,本发明的目的在于提供一种基于循环神经灰色模型的短时交通流预测方法,以灰色微分动态多变量预测模型提取交通流主序列及影响序列的数据特征,然后利用循环神经网络的隐藏状态储存每一步提取的数据特征,并通过迭代深度挖掘数据的时序性及时间序列的特征,综合考虑到交通流数据的非线性、非平稳性,从而有效提高了短时交通流的预测精度。
为达到上述目的,本发明提供如下技术方案:
一种基于循环神经灰色模型的短时交通流预测方法,具体包括以下步骤:
S1:采集某主路段及该主路段支路的车流量;用灰色关联度分析主路段与支路车流量的灰色关联度,选择主路段为主序列,关联度较大的支路为影响序列;
S2:以主序列及影响序列建立循环神经灰色模型;
S3:确定最优模拟和预测的个数,用最优方案预测该主路段的车流量。
进一步,步骤S2中,建立循环神经灰色模型,具体是利用循环神经网络的隐藏状态储存每一步提取的交通流主序列及影响序列的数据特征,并通过迭代深度挖掘数据的时序性及时间序列的特征。
进一步,步骤S2具体包括以下步骤:
S21:数据处理;
对主序列y(0)(t)和影响序列做一阶累加得到y(1)(t)和/>m表示支路个数;
S22:根据影响序列确定单变量灰色模型的白化方程形式,并用欧拉法求迭代公式;
设序列的白化方程为/>将其化简为/>其中,/>该微分方程欧拉法求解式为/>其中,l表示步长,/>表示第i个影响序列的灰色作用量,wi=[bi0,bi1,θi]表示化简后白化方程的参数,/>表示白化方程的解,fi(xi (1)(t),t,θi)表示一般灰色模型的白化方程右侧函数,n表示主路段及支路段的交通流量观测点个数;
S23:将的白化方程求解式带入gi(xi (1)(t),t,wi)中,计算得到
S24:将带入下式中
其中,a表示主序列的发展系数,c表示常数;
化简得到用欧拉法求解该方程,其解表示为
其中,表示主序列的预测值,/>表示t-1时刻函数G的值,W=[a,bi0,θi,c]表示函数G的参数;
S25:初始化第一层训练参数,输入训练数据初始状态/>和步长l,并将下式
设置为隐藏层状态函数,设置为输出层函数,构建第一层RNN;
S26:初始化第二层训练参数,设置步长l,将第一层输出作为第二层输入,初始状态initial2=[y(1)(1)],并将下式
设置为隐藏层状态函数,隐含状态作为输出构建第二层RNN;
S27:将第二层RNN的输出序列与原序列求均方误差作为损失函数,由此反向传播传播训练参数;
S28:用训练好的模型预测,并对预测序列累减。
进一步,步骤S3具体包括以下步骤:
S31:确定步长l的取值;
S32:选择不同长度的主序列,利用步骤S2建立好的循环神经灰色模型来预测不同长度的值,计算每个组合的平均模拟误差和平均预测误差,选择误差最小的组合作为最优方案;
S33:用单变量灰色预测模型预测影响序列的预测值,然后用步骤S32的最优方案预测主序列。
本发明的有益效果在于:本发明使用循环神经灰色模型预测,以灰色微分动态多变量模型提取交通流主序列及影响序列的数据特征,然后利用循环神经网络的隐藏状态储存每一步提取的数据特征,并通过迭代深度挖掘数据的时序性及时间序列的特征。该方法不仅能够深度挖掘交通流的数据特征,而且在短时交通流预测上显示出高的准确度和可靠性。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明的循环神经灰色模型网络结构图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1,本发明给出一种短时交通流预测方法,如图1所示,具体包括以下步骤:
S1:对主路段及支路段历史记录的交通流量数据按指定时间间隔取出。
历史记录的交通流量数据来源于交通数据采集***,可以通过线圈检测、视频检测等手段获取。获取的历史交通流量数据为特定观测点或路段在一定时间间隔内经过的车辆数。所述指定的时间间隔可以根据预测需求进行指定(例如15分钟)。得到主路段及支路段的交通流量n个观测点的序列,分别为Y(0)=(y(0)(1),y(0)(2),…,y(0)(n))、Xi (0)=(xi (0)(1),xi (0)(2),…,xi (0)(n))(i=1,2,…,m),其中m表示支路个数。
S2:对主路段及支路段的交通流量序列求灰色关联度,对于ξ∈(0,1),Y(0)与的灰色关联度/>为:
选择灰色关联度较大的序列作为影响序列。
S3:以主序列及影响序列建立循环神经灰色模型,主要步骤如下:
S31:数据处理。对主序列y(0)(t)和影响序列做一阶累加得到y(1)(t)和/>
S32:根据影响序列确定单变量灰色模型的白化方程形式,并用欧拉法求迭代公式。设序列的白化方程为/>将其化简为/>其中/>该微分方程欧拉法求解式为/>
S33:将的白化方程求解式带入gi(xi (1)(t),t,wi)中,计算得到
S34:将带入下式中
化简得到用欧拉法求解该方程,其解表示为
S35:初始化第一层训练参数,输入训练数据X、初始状态initial1、步长l,并将下式
设置为隐藏层状态函数,设置为输出层函数,构建第一层RNN。
S36:初始化第二层训练参数、设置步长l,将第一层输出作为第二层输入,初始状态,并将下式
设置为隐藏层状态函数,隐含状态作为输出构建第二层RNN。
S37:将第二层RNN的输出序列与原序列求均方误差作为损失函数,由此反向传播传播训练参数。
S38:用训练好的模型预测,并对预测序列累减。
S4:确定最优模拟和预测的个数,用最优方案预测该路段的车流量,主要步骤如下:
S31:确定步长l的取值。
S32:选择不同长度的主序列用于预测不同长度的值,计算每个组合的平均模拟误差和平均预测误差,选择误差最小的组合作为最优方案。
S33:用单变量灰色预测模型预测影响序列的预测值,然后用Step2的最优方案预测主序列。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于循环神经灰色模型的短时交通流预测方法,其特征在于,该方法具体包括以下步骤:
S1:采集某主路段及该主路段支路的车流量;用灰色关联度分析主路段与支路车流量的灰色关联度,选择主路段为主序列,关联度大的支路为影响序列;
S2:以主序列及影响序列建立循环神经灰色模型;
S3:确定最优模拟和预测的个数,用最优方案预测该主路段的车流量。
2.根据权利要求1所述的短时交通流预测方法,其特征在于,步骤S2中,建立循环神经灰色模型,具体是利用循环神经网络的隐藏状态储存每一步提取的交通流主序列及影响序列的数据特征,并通过迭代深度挖掘数据的时序性及时间序列的特征。
3.根据权利要求1或2所述的短时交通流预测方法,其特征在于,步骤S2具体包括以下步骤:
S21:数据处理;
对主序列y(0)(t)和影响序列做一阶累加得到y(1)(t)和/>m表示支路个数;
S22:根据影响序列确定单变量灰色模型的白化方程形式,并用欧拉法求迭代公式;
设序列的白化方程为/>将其化简为/>其中,/>该微分方程欧拉法求解式为/>其中,l表示步长,/>表示第i个影响序列的灰色作用量,wi=[bi0,bi1,θi]表示化简后白化方程的参数,/>表示白化方程的解,fi(xi (1)(t),t,θi)表示一般灰色模型的白化方程右侧函数,n表示主路段及支路段的交通流量观测点个数;
S23:将的白化方程求解式带入gi(xi (1)(t),t,wi)中,计算得到
S24:将带入下式中
其中,a表示主序列的发展系数,c表示常数;
化简得到用欧拉法求解该方程,其解表示为
其中,表示主序列的预测值,/>表示t-1时刻函数G的值,W=[a,bi0,θi,c]表示函数G的参数;
S25:初始化第一层训练参数,输入训练数据初始状态/>和步长l,并将下式
设置为隐藏层状态函数,设置为输出层函数,构建第一层RNN;
S26:初始化第二层训练参数,设置步长l,将第一层输出作为第二层输入,初始状态initial2=[y(1)(1)],并将下式
设置为隐藏层状态函数,隐含状态作为输出构建第二层RNN;
S27:将第二层RNN的输出序列与原序列求均方误差作为损失函数,由此反向传播传播训练参数;
S28:用训练好的模型预测,并对预测序列累减。
4.根据权利要求1所述的短时交通流预测方法,其特征在于,步骤S3具体包括以下步骤:
S31:确定步长l的取值;
S32:选择不同长度的主序列,利用步骤S2建立好的循环神经灰色模型来预测不同长度的值,计算每个组合的平均模拟误差和平均预测误差,选择误差最小的组合作为最优方案;
S33:用单变量灰色预测模型预测影响序列的预测值,然后用步骤S32的最优方案预测主序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310916418.6A CN116913105B (zh) | 2023-07-24 | 2023-07-24 | 一种基于循环神经灰色模型的短时交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310916418.6A CN116913105B (zh) | 2023-07-24 | 2023-07-24 | 一种基于循环神经灰色模型的短时交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116913105A true CN116913105A (zh) | 2023-10-20 |
CN116913105B CN116913105B (zh) | 2024-03-19 |
Family
ID=88364484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310916418.6A Active CN116913105B (zh) | 2023-07-24 | 2023-07-24 | 一种基于循环神经灰色模型的短时交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116913105B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
CN103730006A (zh) * | 2014-01-26 | 2014-04-16 | 吉林大学 | 一种短时交通流量的组合预测方法 |
CN106448151A (zh) * | 2016-07-07 | 2017-02-22 | 河南理工大学 | 一种短时交通流预测方法 |
CN110414719A (zh) * | 2019-07-05 | 2019-11-05 | 电子科技大学 | 一种基于多变量灰色模型时间序列的车流量预测方法 |
US20210209939A1 (en) * | 2020-12-08 | 2021-07-08 | Harbin Engineering University | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM |
-
2023
- 2023-07-24 CN CN202310916418.6A patent/CN116913105B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
CN103730006A (zh) * | 2014-01-26 | 2014-04-16 | 吉林大学 | 一种短时交通流量的组合预测方法 |
CN106448151A (zh) * | 2016-07-07 | 2017-02-22 | 河南理工大学 | 一种短时交通流预测方法 |
CN110414719A (zh) * | 2019-07-05 | 2019-11-05 | 电子科技大学 | 一种基于多变量灰色模型时间序列的车流量预测方法 |
US20210209939A1 (en) * | 2020-12-08 | 2021-07-08 | Harbin Engineering University | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM |
Non-Patent Citations (1)
Title |
---|
段辉明: "灰色微分动态多变量预测模型及其应用", 《***工程理论与实践》, vol. 42, no. 5, 25 May 2022 (2022-05-25), pages 1402 - 1412 * |
Also Published As
Publication number | Publication date |
---|---|
CN116913105B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110419B (zh) | 一种基于多目标学习的tbm掘进参数预测方法 | |
CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN109214581B (zh) | 一种考虑风向和置信区间的铁路沿线风速预测方法 | |
Matheson | The economic value of analysis and computation | |
CN109426672B (zh) | 基于不确定地质模型的油藏注采参数优化方法 | |
CN111507155A (zh) | 联合U-Net++和UDA的微地震有效信号初至拾取方法及装置 | |
CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
CN109800454B (zh) | 一种基于卡尔曼滤波的煤层气采集方法、***及存储介质 | |
CN111160659A (zh) | 一种考虑温度模糊化的电力负荷预测方法 | |
CN114169645A (zh) | 一种智能电网短期负荷预测方法 | |
Cui et al. | Improved genetic algorithm to optimize the Wi-Fi indoor positioning based on artificial neural network | |
CN116244647A (zh) | 一种无人机集群的运行状态估计方法 | |
CN117892886B (zh) | 基于置信区间的船舶运动极短期概率预报方法及*** | |
CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及*** | |
CN116913105B (zh) | 一种基于循环神经灰色模型的短时交通流预测方法 | |
CN113255963A (zh) | 基于路元拆分和深度学习模型lstm的路面使用性能预测方法 | |
Tahmasebi et al. | Comparison of optimized neural network with fuzzy logic for ore grade estimation | |
CN108171381A (zh) | 一种高炉co利用率混沌加权一阶局部预测方法和*** | |
Hu et al. | Adaptive environmental sampling for underwater vehicles based on ant colony optimization algorithm | |
CN116821586A (zh) | 基于注意力机制和双向门控循环单元的滑坡位移预测方法 | |
CN115034478B (zh) | 一种基于领域自适应与知识迁移的交通流量预测方法 | |
CN104598741A (zh) | 一种车道饱和度预测模型 | |
CN114862007A (zh) | 一种面向碳酸盐岩气井的短周期产气量预测方法及*** | |
CN114444737A (zh) | 基于迁移学习的路面养护智能规划方法 | |
CN114154726B (zh) | 崩落法开采矿山铲运机出矿作业工时预测方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |