一种卷积神经网络高危车辆交通流预测方法和系统与流程
本发明涉及交通流预测技术领域，特别涉及一种卷积神经网络高危车辆交通流预测方法和系统。
背景技术：
高危车辆一般为营运车辆，主要指“两客一危”运输车辆、渣土车、集装箱运输车辆、重载普货等运营时间、里程较长，疲劳驾驶较为常见、易发生交通事故、较难管理的车辆。“两客一危”运输车辆主要包括旅游包车和三类以上的班线客车、运输危险化学品、烟花爆竹、民用爆炸物品的道路专用车辆。
高危车辆的工作环境、性质和强度极易导致驾驶员疲劳驾驶，容易引发交通事故。再加上车辆体积大、盲区多、制动差以及载客、载货量大等特征，导致发生的交通事故往往较为重大，且多辆高危车辆同时在某一路段行驶的这一交通情况，对于该路段交通本身以及车辆本身，还有周围车辆的行驶所造成的高危险性往往更让人心悸。如何为车辆也包括高危车辆及时且有效的提供道路高危车辆交通流的信息，降低高危车辆的事故率，这是需要被关注的问题。
关于交通流量预测方面，虽然目前已经有了很多交通流量预测模型，但是大部分都是比较简单的模型，且并不总是稳定。受到深度学习在多个领域取得成功的启发，研究人员开始尝试使用将深度学习的方法用于解决车流量预测问题。王体迎等(2018)提出一种基于门限递归单元循环神经网络的短时交通流量预测方法，对加拿大大不列颠哥伦比亚省的真实交通流量数据进行建模分析，结果表明该方法预测效果良好，预测精度高且有效。邓烜堃等(2018)设计了一种基于深度学习的融合了卷积神经网络和长短时记忆神经网络两种网络结构的交通流量预测模型，通过在贵州省高速公路车流量数据集上的验证，发现模型比传统的预测方法具有更高的精确度和实时性。刘明宇等(2018)选取门控循环单元(gatedrecurrentunit,gru)神经网络作为研究对象，利用交叉验证法探究gru模型的最佳门控循环单元个数，并与支持向量机回归等三种预测模型通过不同指标进行综合评价和对比，验证gru模型具有良好的预测性能。
目前深度学习在交通流预测方面的研究比较新颖，在高危车流量的预测上的研究更少，且大部分的研究都是采用门限递归单元循环神经网络通过时间层面用现有的时间数据来对交通流量进行预测。在交通流预测方面，一条道路上的交通流不仅受到其上下游交通流状况的影响，还受到相邻道路交通流状况的影响，而考虑到高危车辆的高危险性与事故高发性，因此在预警高危车辆方面，空间层面的考虑更加重要。所以在高危车辆交通流方面，更需要专门针对高危车辆的交通流特征，从空间上来预测高危车辆交通流，以达到有效提供高危车辆位置预警信息，及时提醒高危车辆本身还有其他类型车辆注意行驶安全的目的。
在现有的交通流预测问题中，大多数的研究都是针对所有车流量来利用方法进行合理科学的预测。
技术实现要素：
本发明提供一种卷积神经网络高危车辆交通流预测方法和系统，能够实现对道路的提取与设施状态的监测。
根据本发明的一个方面，提供了一种卷积神经网络高危车辆交通流预测方法，包括以下步骤：
获取分路段的高危车辆交通流信息；所述交通流信息包括所述各个分路段的高危车辆的空间流量数据和时间流量数据；
根据所述各个分路段的高危车辆的空间流量数据和时间流量数据，分别构建矩阵的行与列，得到卷积神经网络预测模型的输入矩阵；
将所述输入矩阵代入双隐含层结构的卷积神经网络预测模型中，得到待预测路段的卷积神经网络高危车辆交通流预测值。
所述分路段具体包括待预测路段以及与其相关的设定数量的上游路段和下游路段。
所述各个分路段的高危车辆的空间流量数据和时间流量数据，具体包括：
空间流量数据为第i条路段的流量数据与其相邻的上下游路段的当前时刻流量和若干个时刻之前的流量数据；
时间流量数据为第i条路段的流量数据与该路段过去的若干个时刻的流量。
所述根据各个分路段的高危车辆的空间流量数据和时间流量数据，分别构建矩阵的行与列，包括：
根据所述各个分路段的高危车辆的空间流量数据，构建所述矩阵的行；分路段的数量构成行数；
根据所述各个分路段的高危车辆的时间流量数据，构建所述矩阵的列；分路段的数量构成列数。
所述卷积神经网络预测模型的输入矩阵，表示为下列形式：
其中，n为所述时间流量数据中的待预测时间之前设定时间段数，j为所述空间流量数据中分路段的数量数。
所述卷积神经网络预测模型为双隐含层结构；
每个隐含层包含一个卷积层和一个子采样层，卷积层和子采样层交替相连，在第二个子采样层之后，子采样层的所有节点展开成一条特征向量，与输出节点间进行全连接。
所述卷积层中，卷积层l中第j张子采样特征图
其中，f()为激活函数；mj为提取特征所用到的输入图的集合；
子采样层l中第j张子采样特征图
其中，f()为激活函数；
根据本发明的另一个方面，提供了一种卷积神经网络高危车辆交通流预测系统，包括数据输入单元、矩阵构建单元和卷积神经网络单元，其中，
所述数据输入单元，用于获取分路段的高危车辆交通流信息；所述交通流信息包括所述各个分路段的高危车辆的空间流量数据和时间流量数据；
所述矩阵构建单元，用于根据所述各个分路段的高危车辆的空间流量数据和时间流量数据，分别构建矩阵的行与列，得到卷积神经网络预测模型的输入矩阵；
所述卷积神经网络单元，用于将所述输入矩阵代入双隐含层结构的卷积神经网络预测模型中，得到待预测路段的卷积神经网络高危车辆交通流预测值。
所述数据输入单元中，所述分路段具体包括待预测路段以及与其相关的设定数量的上游路段和下游路段；所述空间流量数据为第i条路段的流量数据与其相邻的上下游路段的当前时刻流量和若干个时刻之前的流量数据；所述时间流量数据为第i条路段的流量数据与该路段过去的若干个时刻的流量；
所述矩阵构建单元，还用于根据所述各个分路段的高危车辆的空间流量数据，构建所述矩阵的行；分路段的数量构成行数；根据所述各个分路段的高危车辆的时间流量数据，构建所述矩阵的列；分路段的数量构成列数；
所述卷积神经网络预测模型的输入矩阵，表示为下列形式：
其中，n为所述时间流量数据中的待预测时间之前设定时间段数，j为所述空间流量数据中分路段的数量数；
所述卷积神经网络单元，还用于所述卷积神经网络预测模型为双隐含层结构；每个隐含层包含一个卷积层和一个子采样层，卷积层和子采样层交替相连，在第二个子采样层之后，子采样层的所有节点展开成一条特征向量，与输出节点间进行全连接；
所述卷积层中，卷积层l中第j张子采样特征图
其中，f()为激活函数；mj为提取特征所用到的输入图的集合；
子采样层l中第j张子采样特征图
其中，f()为激活函数；
采用本发明的技术方案，提出了一种考虑分路段的卷积神经网络高危车辆交通流预测方法，将路段划分为上下游，更好的符合卷积神经网络的输入结构，同时上下游的路段划分在空间上也能够得到对交通流的更好的预测。因此，本发明的研究为的就是从空间上满足高危车辆交通流的预测，通过使用高危车辆数据来作为预测研究对象，使得在道路行驶过程中，驾驶员能够及时获取专门关于高危车流量的具体信息介绍，从而可以规避危险，减少道路交通事故的发生，具有一定现实实践意义。
基于高危车辆的高危险性与事故高发性，提出用卷积神经网络从空间上分路段来预测高危车辆交通流。用这种方法来对车辆进行高危车辆预警，可以达到在空间上对路段交通流量进行预测，获得未来短期车流量数据的效果。在车辆运行过程中，对下一路段的交通流进行预测得到的预测交通流数据是驾驶员在行驶过程中所需要了解到的信息，特别是该路段高危车流量的信息，更需要注意。通过本发明技术，能够对路段高危车流量信息及时作出预测，再反馈给驾驶员，提示在该路段行驶的驾驶员小心注意、及时避让。
本发明针对高危车辆在道路上的高危险性与事故高发性，提出对高危车辆交通流的预测。用卷积神经网络方法，将预测路段以及其上下游路段交通流作为输入，从空间上分路段来对某一路段交通流进行预测，最终得到交通流预测结果，为行驶在该路段上的驾驶员提供道路预警信息。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例一中卷积神经网络高危车辆交通流预测原理流程图；
图2为本发明实施例一中上下游路段示意图；
图3为本发明实施例一中卷积神经网络预测模型的结构示意图；
图4为本发明实施例二中卷积神经网络高危车辆交通流预测系统结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
截至目前，深度学习在交通流预测方面仍然比较新颖，我们要跟随时代潮流，基于大量交通数据并从数据挖掘层次来重新思考交通流量预测问题。卷积神经网络通过局部连接、权值共享和池化这三种方法使其参数数量大大减少，利用卷积神经网络在图像识别领域中出色的特征提取和特征抽象能力，可以从大量的高危车流量数据中发现其交通规律，从而对高危车辆交通流进行科学合理的预测。为准确预测高危车交通流量，本次研究综合考虑预测路段及其上下游路段位置的流量，将输入数据扩展到二维以满足卷积神经网络的输入格式，即采用分路段的形式利用卷积神经网络对高危车辆交通流的特征进行挖掘，将检测到的某个时刻某一路段的交通流量作为图片矩阵的像素点，把每个时间段的路网的交通分布以矩阵的形式输入到卷积神经网络中去，构建高危车辆交通流卷积神经网络模型，从而得到中间路段高危车辆交通流的预测量，通过训练最终实现道路路网交通分布的预测。
本发明基于高危车辆的高危险性与事故高发性，提出用卷积神经网络从空间上分路段来预测高危车辆交通流。用这种方法来对车辆进行高危车辆预警，可以达到在空间上对路段交通流量进行预测，获得未来短期车流量数据的效果。
在车辆运行过程中，对下一路段的交通流进行预测得到的预测交通流数据是驾驶员在行驶过程中所需要了解到的信息，特别是该路段高危车流量的信息，更需要注意。通过本发明技术，能够对路段高危车流量信息及时作出预测，再反馈给驾驶员，提示在该路段行驶的驾驶员小心注意、及时避让。
图1为本发明实施例一中卷积神经网络高危车辆交通流预测流程图。如图1所示，该卷积神经网络高危车辆交通流预测流程包括以下步骤：
步骤101、获取分路段的高危车辆交通流信息；所述交通流信息包括所述各个分路段的高危车辆的空间流量数据和时间流量数据；
步骤102、根据所述各个分路段的高危车辆的空间流量数据和时间流量数据，分别构建矩阵的行与列，得到卷积神经网络预测模型的输入矩阵；
步骤103、将所述输入矩阵代入双隐含层结构的卷积神经网络预测模型中，得到待预测路段的卷积神经网络高危车辆交通流预测值。
其中，本发明所用到的数据信息主要是各路段的交通流信息。交通流预测主要是对交通量的相关参数进行预测。交通量也叫做交通流量，是指在指定时间段内，通过道路某一地点、某一断面或某一车道的交通实体数。交通流数据主要包括时间和空间两方面的关系。空间方面是指第i条路段的流量数据与其相邻的上下游路段的当前时刻流量和若干个时刻之前的流量数据。时间方面是指第i条路段的流量数据与该路段过去的若干个时刻的流量。因此，在本发明中，高危车辆交通流的预测，空间方面即本发明对于路段高危车辆交通流的位置预测，时间方面则是关于对该路段做出位置预测时的时间计算。这里需要构建一个可以将路段空间和时间关系包含在内的预测模型，卷积神经网络满足这个条件，并且有着较高的计算速度。数据输入结构分两部分：矩阵的行数与列数，通过划分交通路段以及收集这些路段各时段的高危交通流量来获得。
由于卷积神经网络原先是为识别二维图像设计的，所以它的输入数据为二维矩阵。然而，单个预测路段的流量数据是一维的流量序列，显然不能直接作为卷积神经网络的输入，但是，如果加入与预测路段相关的其他路段的流量，能使流量数据扩充到二维，因此可以满足卷积神经网络的二维输入结构条件。考虑到预测路段的流量往往受到其上下游路段流量的影响，因此，将预测路段与其上下游路段的流量合并，同时也提升了预测的准确性。
如图2所示，描述了上下游路段最少与最多的情况，可以清晰的看出车流量的走向与输入关系，因此在组成矩阵时，上游路段可以组成矩阵上面几行，下游路段可以组成矩阵下面几行，可得到，矩阵的行数在3—7之间。
从时间段出发，将时间分成几小段，可得到矩阵的列数。即如果预测时，使用的是预测时间单位的前5个时间单位的历史流量数据，那么输入矩阵的行数应该在3到7之间，列数为5。
数据的输入格式幻化成矩阵可记为：
n为时间段数，j为路段数。若按5分钟为一个时间段，从13：00开始收集高危交通流数据，则aj1为总数据最开始前5分钟也就是13:00—13:05之间的第j条路段的高危车辆交通流，即该路段前5分钟的高危车辆数。
卷积神经网络(convolutionalneuralnetwork，cnn)是模拟生物视觉细胞在大脑中成像的原理而创造的，由lecun设计的l-net5最早用于数字手写体识别。卷积神经网络中有三个重要的思想：局部连接(localconnections)、权值共享(sharedweight)和池化(pooling)，虽然卷积神经网络结构复杂，但却通过局部连接、权值共享和池化这三种方法使其参数数量大大减少，因此卷积神经网络可以训练更深的层数。
本发明考虑到对于高危车流量空间位置预测的需求，利用卷积神经网络在图像识别领域中出色的特征提取和特征抽象能力，将卷积神经网络用于二维的分路段空间预测上。本发明设计的卷积神经网络预测模型采用双隐含层结构。每个隐含层包含一个卷积层和一个子采样层，卷积层和子采样层交替相连，在第二个子采样层之后，将子采样层的所有节点展开成一条特征向量，并与输出节点间进行全连接。卷积神经网络预测模型的结构如图3所示。
图3中，假设实验中预测路段有三条上游路段、两条下游路段，考虑到数据可得性，使用预测时间单位之前6个时间单位的历史流量数据进行预测，故模型的输入矩阵大小应该为6*6。卷积层①使用8个大小为2*2的卷积核提取输入矩阵中的特征(步幅为1)，得到8张大小为5*5的子采样特征图，后面的子采样层①不进行池化操作，保持卷积层1的特征图不变。卷积层②使用8*12＝96个大小为2*2的卷积核来继续提取子采样层①中的特征图的特征，得到12张大小为4*4的特征图，后面的子采样层2使用子采样因子2对卷积层2中每张特征图来分别进行平均池化操作，特征图的规模缩小为原来的1/4，得到12张大小为2*2的特征图。在模型的末端，将子采样层2的全部特征图中所有神经元节点按顺序展开，形成一个具有48个节点的特征向量，将该特征向量中的节点与输出层节点间进行全连接。输出层有6个节点，分别对应三条上游路段、预测路段和两条下游路段的预测输出。
卷积层中，卷积层l中第j张子采样特征图
其中，f()为激活函数；mj为提取特征所用到的输入图的集合；
池化过程，其实就是一个在子采样层中对卷积层的所有输入图采样并生成相应的输出图的过程。采样所使用的池化操作有多种，这里采用的是平均池化。因此，池化层中，子采样层l中第j张子采样特征图
其中，f()为激活函数；
整个预测流程中，首先将经过分路段处理的数据进行整合形成矩阵形式，结合卷积神经网络模型原理进行相关编程操作，最终实现高危交通流的预测。
以北京xx路段的高危车流量作为实验数据，将数据分为测试集与预测集两部分，训练测试集，得到相应参数及节点残差，用于作为实验预测集的数据。
利用预测集数据以及通过测试集获得的一些参数数据来根据模型公式编程进行结果输出，最终得到高危车辆短期预测交通流，结果可用于为驾驶员道路行驶过程中进行的高危车流提示预警。
如图4所示，为本发明实施例提供的一种卷积神经网络高危车辆交通流预测系统，包括数据输入单元201、矩阵构建单元202和卷积神经网络单元203，其中，
所述数据输入单元201，用于获取分路段的高危车辆交通流信息；所述交通流信息包括所述各个分路段的高危车辆的空间流量数据和时间流量数据；
所述矩阵构建单元202，用于根据所述各个分路段的高危车辆的空间流量数据和时间流量数据，分别构建矩阵的行与列，得到卷积神经网络预测模型的输入矩阵；
所述卷积神经网络单元203，用于将所述输入矩阵代入双隐含层结构的卷积神经网络预测模型中，得到待预测路段的卷积神经网络高危车辆交通流预测值。
所述数据输入单元201中，所述分路段具体包括待预测路段以及与其相关的设定数量的上游路段和下游路段；所述空间流量数据为第i条路段的流量数据与其相邻的上下游路段的当前时刻流量和若干个时刻之前的流量数据；所述时间流量数据为第i条路段的流量数据与该路段过去的若干个时刻的流量；
所述矩阵构建单元202，还用于根据所述各个分路段的高危车辆的空间流量数据，构建所述矩阵的行；分路段的数量构成行数；根据所述各个分路段的高危车辆的时间流量数据，构建所述矩阵的列；分路段的数量构成列数；
所述卷积神经网络预测模型的输入矩阵，表示为下列形式：
其中，n为所述时间流量数据中的待预测时间之前设定时间段数，j为所述空间流量数据中分路段的数量数；
所述卷积神经网络单元203，还用于所述卷积神经网络预测模型为双隐含层结构；每个隐含层包含一个卷积层和一个子采样层，卷积层和子采样层交替相连，在第二个子采样层之后，子采样层的所有节点展开成一条特征向量，与输出节点间进行全连接；
所述卷积层中，卷积层l中第j张子采样特征图
其中，f()为激活函数；mj为提取特征所用到的输入图的集合；
子采样层l中第j张子采样特征图
其中，f()为激活函数；
本发明实施例中，使用卷积神经网络方法的高危车流量预测。交通流量数据与图像数据类似，具有许多局部特征。例如，预测路段在某时刻的车流量，该车流量数据往往只会影响该时刻之后数个时间单位的流量，而不会影响到当天的全部流量，所以该时刻的车流量作为一种流量特征，具有局部性。因此，卷积神经网络这种局部连接的方式非常适合提取流量数据中的一些局部特征。本发明从高危车辆的高危险性与事故高发性出发，来考虑车流量的预测，用卷积神经网络来使用最近的数据预测未来短期的交通流，具有实时性与可行性，可以更好的提高交通安全性。
输入数据为分路段数据。预测路段的流量往往受到其上下游路段流量的影响，将输入数据按路段划分，使得输入数据变为二维矩阵，即将一维图像变为二维交通流，来适应卷积神经网络的方法，也适用于高危车辆交通流所需要的空间预测特点。因此，将预测路段与其上下游路段的流量合并，不仅满足了卷积神经网络的输入结构，还能提供额外的流量信息，更有助于提升预测的准确性。
交通流量数据具有许多局部特征，而卷积神经网络这种局部连接的方式非常适合提取流量数据中的一些局部特征。且交通流的预测讲究的就是一个实时性，这样才会对车流起到及时引导的作用，使得交通更为安全畅通，因此该方法是适用于本发明，对于短时高危交通流的及时预测也是很合适的。
本发明提出了一种考虑分路段的卷积神经网络高危车辆交通流预测方法，将路段划分为上下游，更好的符合卷积神经网络的输入结构，同时上下游的路段划分在空间上也能够得到对交通流的更好的预测。因此，本发明的研究为的就是从空间上满足高危车辆交通流的预测，通过使用高危车辆数据来作为预测研究对象，使得在道路行驶过程中，驾驶员能够及时获取专门关于高危车流量的具体信息介绍，从而可以规避危险，减少道路交通事故的发生，具有一定现实实践意义。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
- 还没有人留言评论。精彩留言会获得点赞！