一种交通速度预测方法与流程

本发明涉及智能交通领域，特别是涉及一种基于加权卷积神经网络模型的交通速度预测方法。

背景技术

随着经济的发展，城市居民机动车保有数量不断的增加，道路交通网的负荷也在不断的上升。为了解决高负荷带来的交通问题，智能交通系统被提了出来，其中最为核心、最具有挑战性的部分就是对道路交通流数据预测，这也是实现其他高级功能的基础。短时交通流预测的目标是通过预测传感器所在位置未来的交通状态的指标变量如速度、占有率等评价指标进行的预测，通常时间范围为5至30分钟。交通流有着很复杂的时空依赖关系，除了预测数据本身包含复杂的时间序列特性，其还受到其他不同因素的影响，比如地理位置、交通时段变化、突发事故等。这些因素导致了数据的不稳定变化，使得相关任务极具挑战性。

常用的预测方法多是对单点进行预测，这限制了预测任务中将周边的不同因素的影响纳入模型中。有的模型考虑了时空特征，也只是使用了单一属性，而且无法有效的对时空属性进行利用。

在交通预测任务中，数据的时间顺序与空间分布是非常重要的。不同的时序位置的变量与不同的空间位置的变量对未来的预测任务有着不同程度的影响。然而多数模型都默认为所有的变量有着相同的权重，降低了重要特征的有效性。

技术实现要素：

为解决交通速度预测任务中难以有效提取交通流时空特征的问题，以及如何衡量时空特征有效性的问题，本发明提供一种基于加权卷积神经网络模型的交通速度预测方法。

本发明的技术方案如下：

一种交通速度预测方法，包括以下步骤：

步骤1)：按照固定时间间隔对所选路段的交通流数据进行收集，对收集到的数据进行数据清洗、局部加权散点图平滑以及标准化，得到预处理数据，通过预处理数据构建出基于时空特征的交通流矩阵：其中mq为基于时空特征的交通流矩阵，其维度大小为(p,n,3)，p为检测点的数量，n为时滞长度；其中在时间{t-n，...，t-2，t-1}的所有历史数据为dri＝{rt-n，...，rt-2，rt-1}，每个时刻t记录的检测数据为变量f，s，o分别为流量、速度和占有率，i＝1，2，3…p；

步骤2)：将交通流矩阵输入常规的卷积单元，获取到交通流数据的空间特征图集合，常规卷积单元由卷积层、批标准化以及激活函数组成；

步骤3)：将交通流矩阵输入门限卷积单元，获取到交通流数据的时间特征图集合，门限卷积单元由门限卷积层、激活卷积层、批标准化及激活函数组成；

步骤4)：将交通流数据的空间特征图集合与时间特征图集合分别通过特征图加权模块与特征通道加权模块，对加权后的特征数据进行叠加，得到融合的时空特征集合；

所述特征图加权模块、特征通道加权模块的权值分别通过公式和计算得出，m指的是特征图的位置，m＝1，2，3…k；

步骤5)：通过全连接神经网络进行多检测点的交通速度预测。

作为本发明的优选，所述步骤(2)与步骤(3)为并行处理。

作为本发明的优选，所述步骤5)的多检测点交通速度预测的结果为一次性输出。

本发明的有益效果如下：

通过提出的时空特征提取方法，使用通用卷积模块与门限卷积模块并行的提取多属性交通流数据的时空特征，能够对整个路段的交通数据进行整合，可以一次性对多个检测点的速度进行预测，相对单点循环预测提高了效率。此外通过多属性时空特征的融合以及加权操作，有效的加强了交通特征的有效性，提高了预测任务的准确率。

附图说明

图1是本发明数据预处理流程图；

图2是本发明基于加权卷积神经网络模型的交通速度预测方法流程图；

图3是本发明特征图加权模块的方法图；

图4是本发明特征通道加权模块的方法图；

图5是本发明交通速度预测结果图。

具体实施方式

下面结合附图和具体实施例对本发明的基于加权卷积神经网络模型的交通速度预测方法进行详细说明。

以美国i5号高速公路为例，选取一个月内8个检测点的数据进行交通速度预测，包括以下步骤：

步骤(1)：按照一小时的间隔对所选路段通过loopdetector(环形线圈车辆检测器)进行交通流数据的收集，对收集到的原始数据进行缺失值填充、局部加权散点图平滑以及标准化后得到预处理数据，使用预处理好的数据构建出基于时空特征的交通流矩阵：

公式(1)中的mq为基于时空特征的交通流矩阵，其维度大小为(p,n,3)，p为检测点的数量，n为时滞长度；其中在时间{t-n，...，t-2，t-1}的所有历史数据为dri＝{rt-n，...，rt-2，rt-1}，每个时刻t记录的检测数据为变量f，s，o分别为流量、速度和占有率，i＝1，2，3…p。

参见图1的流程图，具体为：

a)对所有收集到的原始数据按照检测点位置、记录时间进行排序，然后对缺失值进行填零与线性插值处理；

b)对a)处理的数据进行局部加权散点图平滑以及标准化；

c)将预处理数据的数据使用一小时作为时滞构建成维度大小为(8，4，3)的基于时空特征的交通流矩阵；

d)按照3:1的比例划分出训练集与测试集。

步骤(2)：将交通流矩阵输入常规的卷积单元，获取到交通流数据的空间特征图集合fs＝{f1，f2，...，fk}，其中k为特征图的数量，fk是维度大小为(8,4)的矩阵；常规卷积单元由卷积层、批标准化以及激活函数leackyrelu组成；

步骤(3)：将交通流矩阵输入门限卷积单元，获取到交通流数据的时间特征图集合ft＝{f1，f2，...，fk}，其中k为特征图的数量，fk是维度大小为(8,4)的矩阵；门限卷积单元由门限卷积层、激活卷积层、批标准化与激活函数leackyrelu、sigmoid组成；

步骤(4)：将交通流数据的空间特征图集合与时间特征图集合分别通过特征图加权模块(图3)与特征通道加权模块(图4)，特征图加权模块使用两个卷积层的输出值产生权值，特征通道加权模块对输入进行平均池化，使用两个全连接层的输出值产生权值，对空间特征图集合和时间特征图集合使用权值加权后的数据进行叠加，得到融合的时空特征集合f＝{f1，f2，...，f2k}；

特征图加权模块的权值使用公式(2)计算得出：

特征通道加权模块的权值使用公式(3)计算得出。

步骤(5)：通过全连接神经网络进行多检测点的交通速度预测，多检测点交通速度预测的结果为一次性输出，即输入8个检测点，一次性输出8个检测点的预测结果，相对单点循环预测提高了效率。

使用训练集对步骤(2)-(5)进行训练，直到收敛；训练过程中使用adam优化器和反向传播算法作为训练手段，使用均方根误差作为损失函数；将测试集载入模型，进行速度预测，模型参见图2-图4。

参见图5，预测结果如下：模型的训练消耗的时间为96.28秒，预测消耗的时间为0.34秒。以15分钟作为未来预测时滞，交通速度预测的平均绝对误差为2.47，均方根误差为3.67，平均绝对百分误差为8.39％。以30分钟作为未来预测时滞，交通速度预测的平均绝对误差为3.64，均方根误差为5.72，平均绝对百分误差为12.35％。

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。