本发明涉及一种基于深度特征提取网络的交通流量预测时序方法,属于交通流量预测技术领域。
背景技术:
城市交通是城市社会经济活动的命脉,对促进城市经济的发展、便捷人们的出行都具有重要的意义,随着科学技术的进步和工业的发展,城市中交通量激增,原始的交通方式已不能满足要求;同时,由于工业发展为城市交通提供的各种交通工具越来越多,从而加速了城市交通事业的发展。
但是城市发展的同时,也造成了交通堵塞、交通事故频发等一系列的问题。而交通事故的频发往往在交通拥堵的路段,因此,预测下一个时间周期的交通流就显得尤为重要。
目前国内外在大规模的交通流量预测技术领域的研究还不够深入,尤其是在进行公路建设项目可行性研究,往往只考虑有直接影响的某一条或几条线路,缺乏对所建公路在公路网整体中的作用进行研究,往往造成预测交通量与实际交通量相差太远。
技术实现要素:
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于深度特征提取网络的交通流量预测时序方法,运用深度学习来预测交通流量,可以对交通流量进行实时预测。
为解决上述技术问题,本发明提供一种基于深度特征提取网络的交通流量预测时序方法,包括以下步骤:
1)获取随着时间传递的交通流量相关度动态语义图;
2)在步骤1)获得交通流量相关度语义图的基础上,应用深度特征提取网络的交通流量时序模型预测下一时间周期的交通流量,具体步骤如下:
2-1)假设某一系列时刻t的交通流量xt为:
其中,
其中,
2-2)估计辅助参数
2-3)优化辅助参数
前述的交通流量相关度动态语义图是指定义同一时间周期内,如果一个路段的交通流量在一定程度上影响另一个路段的交通流量,则这两个路段路段之间具有相关度,把有相关度的路段彼此连接起来,每过一个时间周期动态更新实际观察到的交通流量,即可获得实时的交通流量动态语义图。
前述的时序模型是指对某一个或一组变量进行观察测量,并在一系列时刻t1,t2,...,tn按照时间次序排列,用于解释变量和一系列时刻之间的相互关系的数学表达式。
前述的深度特征提取网络是指从一个输入中产生一个输出所涉及的计算可通过一个流向图来表示,流向图是一种能够表示计算的图,在这种图中每一个节点表示一个基本的计算以及一个计算的值,计算的结果被应用到这个节点的子节点的值。
前述的步骤2-2)中,估计辅助参数
假设
设第1路段和第2路段流向第3路段的辅助参数为
又由于第1路段和第2路段的交通流
将式(3)两边乘以
将式(4)两边乘以
则有式(7)=(8),将
联立式(5)和(9)得:
联立式(6)和(10)得:
按照这样的方法即可求出参数
估计出
前述的优化辅助参数的过程为:将一个系列时刻的与第k路段相连的路段的上一系列时刻t-1的交通流量代入到模型
前述的为了不使预测值和历史观测数据完全相等,在公式(2)的基础上,再引进一个常数c来矫正以防过拟合,则有:
本发明的有益效果为:
本发明应用于交通出行的最优路线设计过程中,可以对交通堵塞问题起到一定的缓解作用;本发明提供的基于深度特性提取网络的交通流量预测时序模型,通过对大型交通流数据的分析可以更加准确地预测每一条路段的当前交通流。
附图说明
图1为交通流相关度动态语义图;
图2为时序模型示例;
图3为深度特征提取网络示意图。
具体实施方式
下面对本发明作进一步描述。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。
本发明的基于深度特征提取网络的交通流量预测时序方法,步骤如下:
步骤一:获取随着时间传递的交通流相关度动态语义图:
设每一个路段在一定的时间内通过的车辆数目x为这个时间段的交通流,因此,每一个路段在每个时间段都会有一个特定的交通流,如x,y,z等。如果各个路段互不干扰的话,则在一定的时间周期内,每个路段的交通流都是一定的,但实际上,每个路段都会受到其他与其相通的路段的交通流的影响,从而自身路段的交通流也随之改变,定义同一时间周期内,如果一个路段的交通流在一定程度上影响另一个路段的交通流,则这两个路段路段之间具有相关度。把有相关度的路段彼此连接起来,每过一个时间周期t动态更新实际观察到的交通流,即可以获得实时的交通流动态语义图。
如图1所示:图中描述了从下到上4个时间周期以及每个时间周期内a、b、c、d四个路段的交通流,图中最底层为第一个时间周期,路段为a1、b1、c1、d1,对应的交通流分别为a1、b1、c1、d1,上一层为第二个时间周期,路段为a2、b2、c2、d2,对应的交通流分别为a2、b2、c2、d2,同理,再上一层为第三个时间周期,路段为a3、b3、c3、d3,对应的交通流分别为a3、b3、c3、d3,再上一层为第四个时间周期,路段为a4、b4、c4、d4,对应的交通流分别为a4、b4、c4、d4。假设路段a1与b2相通、b2与c3相通、c3与b4相通;与此同时,a1与c2也相通,c2与d3相通,d3与d4相通,在此我们就知道,a1的交通流a1,影响b2和c2的交通流,即b2和c2的交通流与a1具有一定的相关度,把有相关度的路段彼此连接起来,每过一个时间周期t动态更新,在t=1(t=1指的是第一个时间周期)时,a1路口的交通流a1会选择通往b2或c2;t=2时,b2上所获得的交通流b2会通往c3,c2上所获得的交通流c2会通往d3;同理,t=3时,c3上所获得的交通流c3会通往b4,d3上所获得的交通流d3会通往d4,此时就获取了随着时间变化的流量传递图,即获取了随着时间传递的交通流相关度动态语义图。
步骤二:在步骤一获得交通流量相关度语义图的基础上,应用深度特征提取网络的交通流量时序模型预测下一个时间周期交通图的交通流:
2-1)时序模型的定义为:在生产和科学研究中,对某一个或一组变量进行观察测量,并在一系列时刻t1,t2,...,tn(ti为自变量)按照时间次序排列,可以用于解释变量和一系列时刻之间的相互关系的数学表达式。
假设某一系列时刻t的交通流量xt为:
其中,
其中,
2-2)参数估计:根据历史观测数据
如图2所示,图中,
设第1路段和第2路段流向第3路段的辅助参数为
公式(3)、(4)中的交通流量
又由于第1路段和第2路段的交通流
将式(3)两边乘以
将式(4)两边乘以
则有式(7)=(8),将
联立式(5)和(9)得:
联立式(6)和(10)得:
按照这样的方法即可求出参数
估计出
2-3)深度特征提取网络:
从一个输入中产生一个输出所涉及的计算可以通过一个流向图来表示,流向图是一种能够表示计算的图,在这种图中每一个节点表示一个基本的计算以及一个计算的值,计算的结果被应用到这个节点的子节点的值。
2-3.1)深度特征提取网络如图3所示,是指把数据“喂给”时序模型,然后不断的优化参数,让模型的预测越准确。将深度特征提取网络应用在交通流量时序模型,输入一个
2-3.2)优化模型参数
此处将一天分成p个时刻,每一天都有一个系列时刻t,排除一些非理想状态的因素影响,假设一个路段的每一天同一时刻的交通流比较相近,比如在每天上下班的时候,人们在上下班经过的路段基本一定,代入第k路段的与其相连的路段的上一系列时刻t-1的交通流量到模型
如果要预测一个路段下一个系列时刻的交通流量,只需把与这个路段相连的所有路段的当前时间的交通流量
通过输入实际观察到的
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。