基于全局-局部残差组合模型的短时交通流预测方法

本发明属于智能交通和交通流预测领域，具体为一种基于全局-局部残差组合模型的短时交通流预测方法。

背景技术：

随着我国城市化进程的加快，交通基础设施的建设逐渐难以满足日益增长的汽车数量，导致交通拥堵问题日益严重。短时交通流预测作为智能交通子系统的重要组成之一，可以为交通管理部门提供未来时刻交通信息，帮助其制定科学合理的交通诱导和交通调度。实时准确的获取城市交通流，不仅可以帮助出行者提前做好道路规划，还可以帮助交通管理部门针对不同的交通流制定相应的交通管理方法，极大的提高城市交通的智能化水平，缓解交通拥堵，降低出行成本。由此可见，如何有效提高交通流预测模型的精度至关重要。

针对交通流预测的模型有很多，随着深度学习的兴起，以神经网络为核心的深度神经网络模型流行起来，城市路网交通流具有复杂的时空特征，只针对某一特征进行考虑会考虑模型预测精度不高，现在已有很多模型对交通流的时空特性进行分析，但缺乏对其长期时间特性和全局空间特征的捕获，导致此类模型无法适应城市路网宏观角度的交通流预测，缺乏全局考量。

技术实现要素：

发明目的：针对上述问题，本发明引入一种基于全局-局部残差组合模型的短时交通流预测方法。该方法针对传统时空残差模型在处理时空栅格数据时，缺乏对交通流长期特征的捕获；同时交通路网的空间特征受到全局和局部两种特征的共同影响，传统提取空间特征的方法只对其中某一特征进行分析，忽略了另一个特征的作用。利用2d卷积和残差单元构造全局空间特征提取组件和局部空间特征提取组件，分别捕获城市路网的全局空间特征和局部空间特征；利用gru较强的长期时间特征捕获能力构造长期时间特征提取组件，捕获城市路网的长期时间特征。

技术方案：一种基于全局-局部残差组合模型的短时交通流预测方法，包括如下步骤：

步骤1)采集城市路网交通流数据并实时传送至交通大数据集群，对原始城市路网交通流数据进行数据预处理降低数据冗余度，按照路网经纬度将预处理后的城市路网交通流数据转化成时空栅格数据；

步骤2)对时空栅格数据进行标准化处理，将其划分成训练集和测试集；

步骤3)构建基于全局-局部时空残差组合模型，该模型由全局空间特征提取组件、局部空间特征提取组件和长期时间特征特征提取组件组成；

步骤4)用步骤2)得到的训练集训练基于全局-局部时空残差组合模型，预测城市路网下一时刻的时空栅格数据。

进一步，所述步骤1中，按照路网经纬度将预处理后的数据转化成时空栅格数据，具体为：将城市路网根据经纬度划分为i*j的网络区域，构成网络x＝{xi，j}，网络中每个位置规则分布，相邻位置之间距离恒定；对于每个位置(i，j)，以固定时间δt间隔记录当前位置的交通流数据，xt^i，j表示t时刻在位置(i，j)中统计的交通流数据，将网络区域i*j统计的交通流数据表示成张量将交通流预测问题转化为给定历史时空栅格数据{xt|t＝0，…，k}，预测k+δt时刻的时空栅格数据xk+δt，k是采集的城市路网交通流的样本总数。

进一步，所述步骤2中，采用z-score标准化对时空栅格数据进行标准化处理，将步骤2中得到的时空栅格数据{xt|t＝0，…，k}通过进行转化；其中xt为历史某一时刻的时空栅格数据。

进一步，所述步骤3中，构建基于全局-局部时空残差组合模型，该模型由全局空间特征提取组件、局部空间特征提取组件和长期时间特征特征提取组件组成，具体步骤如下：

步骤3-1：构造全局空间特征提取组件，具体步骤如下：

步骤3-1-1：确定全局空间特征提取组件总体网络架构，对时空栅格数据全局空间特征进行提取，时空栅格数据尺寸是m，选取卷积核尺寸为m对时空栅格数据进行卷积操作，步长设置为0；将全局空间特征提取组件卷积操作定义为：l＝1，...，lsg1，其中，xs^l-1是第l层卷积层的待提取全局空间特征的时空栅格数据，wsg1^l是第l层全局特征提取卷积层的卷积核参数，该参数的维度与xs^l-1的维度相等，xsg1^l是第l层全局特征提取卷积层提取的空间特征，bs^l是第l层全局特征提取卷积层的偏置项，lsg1是全局空间特征提取组件需要卷积的层数；

步骤3-1-2：将全局组件的输出xs_g1^l输入残差单元，操作定义为：l＝1，...，lsg2，其中，xsg1^l-1是第l层残差单元的全局空间特征输入，xsg2^l是第l层残差单元的全局空间特征输出，θsg2^l是全局组件第l层残差单元中所有可学习的参数集合，fg为全局空间特征提取组件的残差映射，lsg2是全局组件需要进行残差的层数；

步骤3-1-3：设置全局空间特征提取组件中激活函数为relu函数，确定全局卷积深度和残差单元个数，确定初始化的训练步长λ；

步骤3-2：构造局部空间特征提取组件，具体步骤如下：

步骤3-2-1：确定局部空间特征提取组件总体网络架构，局部空间特征提取组件只对时空栅格数据进行卷积操作，不进行池化操作，同时卷积核的尺寸小于数据的维度；将局部空间特征提取组件卷积操作定义为：l＝1，...，lsl1，其中，xs^l-1是第l层卷积层的待提取局部空间特征的时空栅格数据，wsl1^l是第l层局部特征提取卷积层的卷积核参数，该参数的维度小于xs^l-1的维度，xsl1^l是第l层局部特征提取卷积层提取的空间特征，bs^l是第l层局部特征提取卷积层的偏置项，lsl1是局部空间特征提取组件需要卷积的层数；

步骤3-2-2：将局部组件的输出xs_l1^l输入残差单元，操作定义为：l＝1，...，lsl2，其中，xsl1^l-1是第l层残差单元的局部空间特征输入，xsl2^l是第l层残差单元的局部空间特征输出，θsl2^l是局部组件第l层残差单元中所有可学习的参数集合，fl为局部空间特征提取组件的残差映射，lsl2是局部组件需要进行残差的层数；

步骤3-2-3：设置局部空间特征提取组件中激活函数为relu函数，确定局部卷积深度和残差单元个数，训练步长与全局组件的训练步长；

步骤3-3：构造长期时间特征提取组件，具体步骤如下：

步骤3-3-1：确定长期时间特征提取组件总体网络架构，确定输入层、输出层神经元个数和隐藏层深度；

步骤3-3-2：利用gru捕获时空栅格数据的时间特征，时间特征提取组件操作定义为：xtem＝re2(g(rel(xtem^(m，n))))，其中，xtem^(m，n)是维度为(m，n)的时空栅格数据，re1是将矩阵维度维度由(m，n)变为(1，m*n)的矩阵变维操作，g是时间特征提取组件的gru操作，re2是将矩阵维度由(1，m*n)变为(m，n)的矩阵变维操作，xtem为时间特征提取组件的最终输出；

步骤3-3-3：设置长期时间特征提取组件中激活函数为tanh函数，训练步长与全局组件相等；

步骤3-4：构造全局-局部时空残差组合模型，具体步骤如下：

步骤3-4-1：确定全局-局部时空残差组合模型总体网络架构；

步骤3-4-2：采用参数矩阵融合方法，将全局空间特征输出xsg、局部空间特征输xsl出和长期时间特征输出xtem进行加权融合，公式为：xfusion＝f(wsg*xsg+wsl*xsl+wtem*xtem)，其中，“*”代表哈达玛积，wsg、wsl和wtem分别代表全局空间特征、局部空间特征和长期时间特征所占比重，f为激活函数，设置最终输出激活函数为sigmod函数。

进一步，所述步骤4中，训练构建的基于全局-局部时空残差组合模型预测城市路网下一时刻的时空栅格数据，具体步骤如下：

步骤4-1：初始化模型结构参数，包括卷积核维度、卷积步长、激活函数、初始权重、隐藏层层数、训练步长和残差单元数量等；

步骤4-2：将训练集输入全局空间特征提取组件捕获全局路网空间特征，得到交通路网的全局空间特征wsg；

步骤4-3：将训练集输入局部空间特征提取组件捕获局部路网空间特征，得到交通路网的局部空间特征wsl；

步骤4-4：将训练集输入长期时间特征提取组件捕获路网时间特征，得到交通路网的长期时间特征wtem；

步骤4-5：将步骤4-2到步骤4-4的输出进行加权融合，并通过激活函数得到最终预测值xfusion；

步骤4-6：设置迭代次数，将均方根误差作为模型的误差评价标准，计算模型预测值和实际值的误差，利用反向传播算法更新模型的权重值；

步骤4-7：模型训练完成后，利用测试集测试模型的预测精度。

有益效果：本发明的交通流预测方法，在传统时空残差模型基础上，构造全局空间特征提取组件和局部空间特征提取组件，分别捕获城市路网的全局空间特征和局部空间特征；构造长期时间特征提取组件捕获城市路网的长期时空特征，提高了模型对全局空间特征和长期时间特征的捕获，降低了训练误差，提高了训练精度。

本发明针对传统时空残差模型在处理时空栅格数据时，缺乏对交通流长期特征的捕获；同时交通路网的空间特征受到全局和局部两种特征的共同影响，传统提取空间特征的方法只对其中某一特征进行分析，忽略了另一个特征的作用，提出全局-局部时空残差组合模型，构造全局空间特征提取组件和局部空间特征提取组件，分别捕获城市路网的全局空间特征和局部空间特征；构造长期时间特征提取组件捕获城市路网的长期时空特征，提高了模型对全局空间特征和长期时间特征的捕获，降低了训练误差，提高了训练精度。

附图说明

图1为本发明的一种基于全局-局部残差组合模型的短时交通流预测方法步骤示意图；

图2为本发明的一种基于全局-局部残差组合模型的短时交通流预测方法流程图；

图3为本发明的基一种基于全局-局部残差组合模型的短时交通流预测方法模型结构图；

图4为本发明的一种基于全局-局部残差组合模型的短时交通流预测方法全局空间特征提取图；

图5为本发明的一种基于全局-局部残差组合模型的短时交通流预测方法局部空间特征提取图；

图6为本发明的一种基于全局-局部残差组合模型的短时交通流预测方法测试集真实数据和预测数据对比图。

具体实施方式

下面将结合说明书附图对本发明的技术方法做进一步的详细说明。

如图1-3所示，一种全局-局部时空残差组合模型的城市路网短时交通流预测方法，包括如下步骤：

步骤1)采集城市路网交通流数据并实时传送至交通大数据集群，对原始城市路网交通流数据进行数据预处理降低数据冗余度，按照路网经纬度将预处理后的城市路网交通流数据转化成时空栅格数据；；

所述步骤1中，按照路网经纬度将预处理后的数据转化成时空栅格数据，具体为：将城市路网根据经纬度划分为i*j的网络区域，构成网络x＝{xi，j}，网络中每个位置规则分布，相邻位置之间距离恒定；对于每个位置(i，j)，以固定时间δt间隔记录当前位置的交通流数据，xt^i，j表示t时刻在位置(i，j)中统计的交通流数据，将网络区域i*j统计的交通流数据表示成张量将交通流预测问题转化为给定历史时空栅格数据{xt|t＝0，…，k}，预测k+δt时刻的时空栅格数据xk+δt，k是采集的城市路网交通流的样本总数。

本实施例采用成都市出租车数据进行模型的训练和验证，数据来源于公开数据集，该实验数据记录了成都市早上6点到晚上12点的出租车定位数据，日期为2014年8月3日到2014年8月23日，根据出租车分布情况，以成都市3环为边界将原始数据转化为交通栅格数据，以5分钟为采样间隔，共计3888个交通栅格数据，将前14天的数据作为训练集，最后7天的数据作为测试集。

步骤2)对时空栅格数据进行标准化处理，按一定比例将其划分成训练集和测试集；

所述步骤2中，采用z-score标准化对时空栅格数据进行标准化处理，将步骤2中得到的时空栅格数据{xt|t＝0，…，k}通过进行转化；其中xt为历史某一时刻的时空栅格数据。

步骤3)构建基于全局-局部时空残差组合模型，该模型由全局空间特征提取组件、局部空间特征提取组件和长期时间特征特征提取组件组成；

所述步骤3中，构建基于全局-局部时空残差组合模型，该模型由全局空间特征提取组件、局部空间特征提取组件和长期时间特征特征提取组件组成，具体步骤如下：

步骤3-1：构造全局空间特征提取组件，具体步骤如下：

步骤3-1-1：确定全局空间特征提取组件总体网络架构，对时空栅格数据全局空间特征进行提取，时空栅格数据尺寸是m，选取卷积核尺寸为m对时空栅格数据进行卷积操作，步长设置为0；将全局空间特征提取组件卷积操作定义为：l＝1，...，lsg1，其中，是第l层卷积层的待提取全局空间特征的时空栅格数据，wsg1^l是第l层全局特征提取卷积层的卷积核参数，该参数的维度与xs^l-1的维度相等，xsg1^l是第l层全局特征提取卷积层提取的空间特征，bs^l是第l层全局特征提取卷积层的偏置项，lsg1是全局空间特征提取组件需要卷积的层数；

步骤3-1-2：将全局组件的输出xs_g1^l输入残差单元，操作定义为：l＝1，...，lsg2，其中，xsg1^l-1是第l层残差单元的全局空间特征输入，xsg2^l是第l层残差单元的全局空间特征输出，θsg2^l是全局组件第l层残差单元中所有可学习的参数集合，fg为全局空间特征提取组件的残差映射，lsg2是全局组件需要进行残差的层数；

步骤3-1-3：设置全局空间特征提取组件中激活函数为relu函数，确定全局卷积深度和残差单元个数，确定初始化的训练步长λ；

步骤3-2：构造局部空间特征提取组件，具体步骤如下：

步骤3-2-1：确定局部空间特征提取组件总体网络架构，局部空间特征提取组件只对时空栅格数据进行卷积操作，不进行池化操作，同时卷积核的尺寸小于数据的维度；将局部空间特征提取组件卷积操作定义为：l＝1，...，lsl1，其中，xs^l-1是第l层卷积层的待提取局部空间特征的时空栅格数据，wsl1^l是第l层局部特征提取卷积层的卷积核参数，该参数的维度小于xs^l-1的维度，xsl1^l是第l层局部特征提取卷积层提取的空间特征，bs^l是第l层局部特征提取卷积层的偏置项，lsl1是局部空间特征提取组件需要卷积的层数；

步骤3-2-2：将局部组件的输出xs_l1^l输入残差单元，操作定义为：l＝1，...，lsl2，其中，xsl1^l-1是第l层残差单元的局部空间特征输入，xsl2^l是第l层残差单元的局部空间特征输出，θsl2^l是局部组件第l层残差单元中所有可学习的参数集合，fl为局部空间特征提取组件的残差映射，lsl2是局部组件需要进行残差的层数；

步骤3-2-3：设置局部空间特征提取组件中激活函数为relu函数，确定局部卷积深度和残差单元个数，训练步长与全局组件的训练步长；

步骤3-3：构造长期时间特征提取组件，具体步骤如下：

步骤3-3-1：确定长期时间特征提取组件总体网络架构，确定输入层、输出层神经元个数和隐藏层深度；

步骤3-3-2：利用gru捕获时空栅格数据的时间特征，时间特征提取组件操作定义为：xtem＝re2(g(re1(xtem^(m，n))))，其中，xtem^(m，n)是维度为(m，n)的时空栅格数据，re1是将矩阵维度维度由(m，n)变为(1，m*n)的矩阵变维操作，g是时间特征提取组件的gru操作，re2是将矩阵维度由(1，m*n)变为(m，n)的矩阵变维操作，xtem为时间特征提取组件的最终输出；

步骤3-3-3：设置长期时间特征提取组件中激活函数为tanh函数，训练步长与全局组件相等；

步骤3-4：构造全局-局部时空残差组合模型，具体步骤如下：

步骤3-4-1：确定全局-局部时空残差组合模型总体网络架构；

步骤3-4-2：采用参数矩阵融合方法，将全局空间特征输出xsg、局部空间特征输xsl出和长期时间特征输出xtem进行加权融合，公式为：xfusion＝f(wsg*xsg+wsl*xsl+wtem*xtem)，其中，“*”代表哈达玛积，wsg、wsl和wtem分别代表全局空间特征、局部空间特征和长期时间特征所占比重，f为激活函数，设置最终输出激活函数为sigmod函数。

步骤4)用步骤2)得到的训练集训练基于全局-局部时空残差组合模型，预测城市路网下一时刻的时空栅格数据。

所述步骤4中，训练构建的基于全局-局部时空残差组合模型预测城市路网下一时刻的时空栅格数据，具体步骤如下：

步骤4-1：初始化模型结构参数，包括卷积核维度、卷积步长、激活函数、初始权重、隐藏层层数、训练步长和残差单元数量等；

步骤4-2：将历史时空栅格数据输入全局空间特征提取组件捕获全局路网空间特征，得到交通路网的全局空间特征wsg；

步骤4-3：将历史时空栅格数据输入局部空间特征提取组件捕获局部路网空间特征，得到交通路网的局部空间特征wsl；

步骤4-4：将历史时空栅格数据输入长期时间特征提取组件捕获路网时间特征，得到交通路网的长期时间特征wtem；

步骤4-5：将步骤4-2到步骤4-4的输出进行加权融合，并通过激活函数得到最终预测值xfusion；

步骤4-6：设置迭代次数，将均方根误差作为模型的误差评价标准，计算模型预测值和实际值的误差，利用反向传播算法更新模型的权重值；

步骤4-7：模型训练完成后，利用测试集测试模型的预测精度，测试集中随机一天预测结果如图6所示。