一种基于时间递归神经网络的交通流速度预测方法与流程
本发明涉及机器学习和智能交通领域，特别是指一种基于时间递归神经网络的交通流速度预测方法。
背景技术：
随着社会的发展，以及城市化进程的不断推进，高效、便利且安全的交通系统已经成为人民生活的基本需要。为缓解交通困难，城市陆续修建高架道路，减少了道路交叉的同时，增加道路容量。然而，随着交通系统日益变得复杂，交通管理的难度日益加大。在城市快速路等快速公路路网中，不设置红绿灯，限制速度比一般道路高，这就导致快速路的整体平均交通流速度偏高。大型的车辆较多地选择在快速路上行驶，而一旦发生超速，所造成的灾祸是相对于平均速度较低的情况下比较严重的。因此，对快速公路路网的交通流速度进行管控尤为重要。交通流速度预测模型能够根据历史道路交通流速度的情况预测未来道路交通流速度，对交通事故或者交通拥堵起到预警作用，在一定程度上缓解交通问题。
现有研究中已存在交通流速度预测模型的建立方法。多元线性回归模型通过分析历史数据自变量和因变量之间的关系来得到预测值；历史趋势法将一个时间段的历史数据的平均值作为当前时间段的预测依据；卡尔曼滤波法结合现代自动控制理论，利用状态空间模型来描述交通系统。这些基于统计理论的模型无法对突发交通状况做出准确预测，不能很好地模拟交通随机性。另外，一些交通流速度预测模型的建立只对空间速度数据做处理，没有结合时间速度数据，导致预测结果的不准确。
随着云计算、大数据时代的到来，计算能力的大幅提升可以增加复杂模型的训练效率，训练数据的大幅增加可以降低过拟合的风险，因此从神经网络衍化出的深度学习这类复杂模型受到广泛的关注。针对交通流速度预测的问题，深度学习可以构建交通流速度预测模型。一般的基于全连接神经网络的方法存在参数多、无法利用数据中时间序列的信息等问题。而循环神经网络能挖掘数据中的时序信息，但无法处理长期依赖的问题。长短期记忆网络的设计可以解决这个问题。
技术实现要素：
为了克服现有预测交通流速度的方法难以对大规模的交通数据进行有效挖掘，充分提取时间序列信息等问题，本发明利用深度学习设计了一种预测精度较高的基于时间递归神经网络的交通流速度预测方法。
本发明解决其技术问题所采用的技术方案如下：
一种基于时间递归神经网络的交通流速度预测方法，包括如下步骤：
步骤一：针对一条待预测交通流速度的道路，将该道路分隔为m个路段，从t时刻开始，以时间间隔t对道路上行驶的车辆速度数据进行采样，将一个路段上车辆的平均速度作为该时刻该路段的交通流速度，进而构建一个m×n的交通流时空输入矩阵
其中n表示一个时间周期内，对车辆数据采样的次数，vi,j表示在j时刻，路段i的交通流速度；
步骤二：构建基于长短期记忆网络结构的循环神经网络模型，循环神经网络的输入层有一层输入层，两层隐藏层，一层全连接层和一层输出层，其中使用两层长短期记忆网络结构作为隐藏层，再将多层长短期记忆网络结构通过接口连接成循环神经网络，接着对长短期记忆网络的输出增加一层全连接层；
步骤三：前向计算整个模型，从输入层到隐藏层1，从隐藏层1到隐藏层2，从隐藏层2到全连接层，从全连接层到输出层，并使用通过时间反向传播算法反向计算整个模型及权重的梯度，用随机梯度下降算法最小化目标函数
步骤四：在已训练模型输入表征道路的m个路段的n个连续时刻的交通流速度的m×n时空输入矩阵数据，得到的输出为道路m个路段在n+1个时刻的交通流速度预测值。
进一步，所述步骤二中，长短期记忆网络结构作为隐藏层，其基本单元是一个记忆模块，包含一个自连接的记忆细胞和三个控制信息流的门单元：输入门、输出门和遗忘门；输入门决定当前时刻网络的输入有多少保存到单元状态；输出门控制单元状态有多少输出到模型的下一层；遗忘门决定上一时刻的单元状态有多少保留到当前时刻。
本发明的技术构思为：首先建立道路的交通流时空输入矩阵，接着构建一种基于时间递归神经网络，建立不同时间序列交通流之间的关系模型，提高预测的准确度。
本发明的有益效果为：利用基于长短期记忆网络结构的循环神经网络处理交通流时间序列，有助于提高预测精度。
附图说明
图1是交通流时空输入矩阵构建图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1，一种基于时间递归神经网络的交通流速度预测方法，包括如下步骤：
步骤一：针对一条待预测交通流速度的道路，将该道路分隔为m个路段，从t时刻开始，以时间间隔t对道路上行驶的车辆速度数据进行采样，将一个路段上车辆的平均速度作为该时刻该路段的交通流速度，如图1中的方格矩阵的行表示时刻，列表示路段，进而构建一个m×n的交通流时空输入矩阵
其中n表示一个时间周期内，对车辆数据采样的次数，vi,j表示在j时刻，路段i的交通流速度，取图1中的第j行，每一方格分别表示该路段在j时刻的交通流速度；
步骤二：构建基于长短期记忆网络结构的循环神经网络模型，循环神经网络的输入层有一层输入层，两层隐藏层，一层全连接层和一层输出层，其中使用两层长短期记忆网络结构作为隐藏层，再将多层长短期记忆网络结构通过接口连接成循环神经网络，接着对长短期记忆网络的输出增加一层全连接层；其中，使用循环神经网络利用数据的时序信息，并减少模型的参数总量，而加入长短期记忆网络结构可以缓解循环神经网络在长期依赖方面的缺陷；
步骤三：前向计算整个模型，从输入层到隐藏层1，从隐藏层1到隐藏层2，从隐藏层2到全连接层，从全连接层到输出层，并使用通过时间反向传播算法反向计算整个模型及权重的梯度，用随机梯度下降算法最小化目标函数
步骤四：在已训练模型输入表征道路的m个路段的n个连续时刻的交通流速度的m×n时空输入矩阵数据，得到的输出为道路m个路段在n+1个时刻的交通流速度预测值。
进一步，所述步骤二中，长短期记忆网络结构作为隐藏层，其基本单元是一个记忆模块，包含一个自连接的记忆细胞和三个控制信息流的门单元：输入门、输出门和遗忘门；输入门决定当前时刻网络的输入有多少保存到单元状态；输出门控制单元状态有多少输出到模型的下一层；遗忘门决定上一时刻的单元状态有多少保留到当前时刻。
- 还没有人留言评论。精彩留言会获得点赞！