本发明涉及车流量预测技术领域,具体涉及一种高速公路上车流量预测方法、装置以及计算机存储介质。
背景技术:
短时的流量预测对高速公路大流量收费站的实时精细化管控具有重要意义,为取消省界收费站后的etc/mtc混合车道的设置提供指导意义。而现有的预测模型,通常需要提供过多的参数因子,例如路网的拓扑关系、收费站间的距离等,因此模型具有输入参数多、适用性不好的缺点。
技术实现要素:
本发明的目的在于克服上述技术不足,提供一种高速公路上车流量预测方法、装置以及计算机存储介质,解决现有技术中流量预测需要输入的参数多,适用性不好的技术问题。
为达到上述技术目的,本发明的技术方案提供一种高速公路上车流量预测方法,包括以下步骤:
获取待预测封闭路段上各出入口处的历史数据;
按第一设定时间间隔将所述历史数据划分为多个时间段,分别统计每一时间段内待预测出口的流量数据;
按第二设定时间间隔将所述历史流量数据划分为多个时间段,分别统计每一时间段内各出口以及各入口处的流量数据;
以所述待预测出口的流量数据为输出样本数据,以各出口以及各入口处的流量数据为输入样本数据,对神经网络进行训练,得到流量预测模型;
根据所述流量预测模型对所述待预测出口的流量进行预测。
本发明还提供一种高度公路车流量预测装置,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现所述高度公路车流量预测方法。
本发明还提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现所述高度公路车流量预测方法。
与现有技术相比,本发明的有益效果包括:本发明在一个有限的封闭区间内,即待预测封闭路段,对于特定的收费站,通过一段时间内可观察到的所有出入口的流量,通过历史数据进行训练学习,预测短时间内的待预测出口的流量。训练数据融合了构成封闭区间的入口/出口的流量数据,通过多层神经网络进行模型训练,对目标收费站的待预测出口流量进行流量预测。本发明在进行流量预测时不需要输入过多的数据,例如路网拓扑关系,收费站间距等。同时,训练得到的流量预测模型是针对于待预测出口的,也就是说不通的待预测出口采用不同的流量预测模型进行预测,提高拟合准确度以及预测精度。
附图说明
图1是本发明提供的高速公路上车流量预测方法一实施方式的流程图;
图2是本发明提供的一封闭路段的结构示意图;
图3是本发明提供的高速公路上车流量预测方法一实施方式的数据压缩示意图;
图4是本发明提供的高速公路上车流量预测方法一实施方式的神经网络模型结构图;
图5是本发明提供的高速公路上车流量预测方法一实施方式的准确率对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
如图1所示,本发明的实施例1提供了高速公路上车流量预测方法,包括以下步骤:
获取待预测封闭路段上各出入口处的历史数据;
按第一设定时间间隔将所述历史数据划分为多个时间段,分别统计每一时间段内待预测出口的流量数据;
按第二设定时间间隔将所述历史流量数据划分为多个时间段,分别统计每一时间段内各出口以及各入口处的流量数据;
以所述待预测出口的流量数据为输出样本数据,以各出口以及各入口处的流量数据为输入样本数据,对神经网络进行训练,得到流量预测模型;
根据所述流量预测模型对所述待预测出口的流量进行预测。
具体的,如图2所示,图2是一个简单的封闭路段示意图,三个收费站通过一个互通立交相连接,我们的思路是通过a、b、c的过去一段时间内(比如一个小时)的出口/入口流量数据来预测特定收费站未来一段时间内(比如半小时)的出口流量。本实施例首先收集如图2所示的封闭区内内三个收费站过去一年内的流量数据。按10分钟的第二设定时间间隔,对每个收费站的出口/入口流量进行聚合,得到收费站的10分钟出入口数据,如表1所示:
表1:
对每个收费站的按照30分钟的第一时间间隔对出口流量进行聚合,作为训练数据的y,即输出样本数据,如表2所示:
表2:
对10分钟的出口/入口流量和时间进行压缩,形成训练的x,即输入样本数据。对神经网络进行训练,得到流量预测模型。
利用在一个封闭区间内,一段时间内的进/出流量大致呈现“零和”的关系:即出站的车辆都是一段时间之前进入封闭区间内的车辆,也就是说在一个封闭环境中,入口车流量总会在一段时间之后从某出口分流出高速。
除了历史流量和时间,模型不再需要其他因子(如路网的拓扑关系,收费站间的距离,等),因此算法模型具有输入参数少、不用重复训练、适用性好的特点。
针对单个收费站进行极致的参数优化,能够有效的提高拟合准确度。相反,如果采用统一的模型同时对多个收费站进行训练可能会因为权重的不同导致流量不同的收费站的精度分化的问题。所以针对单个收费站进行训练增加的工作量是值得的。
优选的,如图3所示,分别统计每一时间段内各出口以及各入口处的流量数据,具体为:
将同一时间段内各出口以及各入口处的流量数据压缩为一条压缩数据,并在所述压缩数据中加入日期数据。
将多个收费站的出口流量、入口流量压缩到一行。结构如图3所示,针对图2中封闭路段,每条压缩数据包含6个出口/入口的数据,每个出口/入口包含6个数据点,也就是一共包含6*6=36个数据点。时间采用月份和周日数2个特征,采用“one-hot”方式表示,比如2月表示成010000000000,星期2表示成0100000。
优选的,所述日期数据采用one-hot方式表示。
优选的,如图4所示,所述神经网络为全连接神经网络,所述全连接神经网络包括一个输入层、三个隐藏层以及一个输出层。
本优选实施例采用3个隐藏层的全连接+relu神经网络进行训练,第一层为输入层,维度为n*6+12+7,n为收费站个数,第2、3、4层的节点数均为20,输出节点为1,参数量:(n*6+12+7)*20+20*20+20*20+20。
优选的,以所述待预测出口的流量数据为输出样本数据,以各出口以及各入口处的流量数据为输入样本数据,对神经网络进行训练,得到流量预测模型,具体为:
对所述神经网络进行初始化,并针对所述神经网络的每一层进行激活;
将样本数据分为训练集和测试集;
采用所述训练集进行训练,得到流量预测模型;
利用得到的流量预测模型对测试集中样本数据进行预测,得到预测流量数据;
采用损失函数计算所述流量预测模型的损失值;
判断所述损失值是否大于设定值,如果大于,则采用adam优化算法对模型参数进行反向传播优化,并重新进行训练,否则输出所述流量预测模型。
优选的,对所述神经网络进行初始化,并针对所述神经网络的每一层进行激活,具体为:
采用正态分布随机值对所述神经网络进行初始化;
针对所述神经网络的每一层进行relu激活。
采用正态分布随机值初始化模型参数,以避免初始化参数导致的“梯度发散”问题。针对每一层的输出值进行relu激活,增加非线性因素,提高模型的拟合能力。
优选的,采用损失函数计算所述流量预测模型的损失值,具体为:
所述损失函数为均方误差函数:
其中,loss为损失值,n为测试集中输出样本数据所包含的数据段的数量,yi表示第i时间段的真实流量数据,
本优选实施例采用均方误差函数作为损失函数,进行损失度量,均方误差值,即损失值越小,表示预测流量数据越接近真实流量数据。
优选的,采用adam优化算法对模型参数进行反向传播优化,具体为:
计算下梯度:
其中,gt为第t时间步的梯度,即第t时间步下噪声目标函数j(θ)对模型参数θ的偏导数向量,
计算指数移动均值:
mt=β1mt-1+(1-β1)gt
其中,mt为第t时间步的指数移动均值,mt-1为第t-1时间步的指数移动均值,m0=0,β1为指数衰减率,β1为常数;
计算平方梯度:
其中,vt为第t时间步的平方梯度,vt-1为第t-1时间步的平方梯度,β2为指数衰减率,β1为常数,
对指数移动均值进行偏差纠正:
其中,
对平方梯度进行偏差纠正:
其中,
平方梯度和指数移动均值更新模型参数:
其中,θt更新后模型参数,θt-1为更新前模型参数,α为学习率,ε为常数。
本优选实施例采用adam优化算法对模型进行了更新,adam优化算法结合了adagrad和rmsprop两种优化算法的优点,对梯度的一阶矩估计和二阶矩估计进行综合考虑,计算出更新步长,优化效果更好。
为了验证本发明的预测准确度,选取了一封闭路段中13个待预测出口进行训练,训练的预测准确度如图5所示,图5中表示虚线表示13个待预测出口的车流量的预测流量值,图5中实线表示13个待预测出口的车流量的预测准确率,虚线的横轴坐标为各待预测出口的编号,虚线的纵轴为预测流量值,实线的横轴坐标为各待预测出口的编号,实线的纵轴为预测准确率。从图5中可看出,预测准确料与待预测出口的车流量成正相关,即:待预测出口的车流量越大,预测越准确。当日均流量超过15000,半小时预测的准确率可以达到90%以上,对于日均流量小于5000的收费站,半小时预测的准确率介于80%~85%之间。
准确率计算方法具体为:
实施例2
本发明的实施例2提供了高度公路车流量预测装置,包括处理器以及存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现实施例1提供的高度公路车流量预测方法。
本发明实施例提供的高度公路车流量预测装置,用于实现高度公路车流量预测方法,因此,高度公路车流量预测方法所具备的技术效果,高度公路车流量预测装置同样具备,在此不再赘述。
实施例3
本发明的实施例3提供了计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现实施例1提供的高度公路车流量预测方法。
本发明实施例提供的计算机存储介质,用于实现高度公路车流量预测方法,因此,高度公路车流量预测方法所具备的技术效果,计算机存储介质同样具备,在此不再赘述。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。