基于贝叶斯网络改进LSTM模型的交通密度预测方法与流程

基于贝叶斯网络改进lstm模型的交通密度预测方法
技术领域
1.本发明属于交通工程技术领域，具体为一种基于贝叶斯网络改进lstm模型的交通 密度预测方法。


背景技术：

2.交通管理和控制技术的基础是交通数据的获取，不管是交通出行诱导、交通信号控 制还是拥堵预测都需要感知实时路网交通信息。在路网交通信息中，交通密度可以直观 地反映出道路的通畅程度，当交通密度较小时，车头间距较大，驾驶员可以自由选择行 驶车速；当交通量逐渐增大，车头间距缩小，密度加大，车辆行驶时相互制约。随着交 通密度进一步增大，车辆拥挤，车速下降，驾驶自由度极小，车辆走走停停，直到车辆 趋于停驶状态。因此，从车流密度的大小就可以判定交通拥挤情况，从而决定应采取何 种管理措施。
3.现有的交通检测技术主要分为定点检测技术和移动检测技术，定点检测器主要为感 应线圈、地磁、微波雷达、红外线、超声波等检测器，可以按一定时间间隔统计断面交 通量、速度、占有率等数据；移动检测器主要为出租车、公交车等特殊作业的浮动车、 手机信号数据以及近两年发展较快的智能网联车，可提供轨迹、路径、行程时间等数据。 但由于技术和成本限制，固定检测器一般安装在交叉口等重要位置，只能获取该断面的 数据无法获取路段交通数据。现有的浮动车较少，并且提供数据准确性不高、实时性较 差，无法满足实际使用需求。因此，很多学者研究了根据现有数据估计未来交通参数的 方法。但是现有方法仍存在较多问题，如数据集不易获取、过大过小均会导致欠拟合过 拟合现象、忽略时间类参数的影响。


技术实现要素：

4.本发明的目的提出一种基于贝叶斯网络改进lstm模型的交通密度预测方法。
5.实现本发明目的的技术方案为：一种基于贝叶斯网络改进lstm模型的交通密度预 测方法，具体步骤为：
6.步骤1、获取路段交通密度的历史数据；
7.步骤2、将历史交通密度数据按照时间顺序构建出交通密度时序序列；
8.步骤3、将时序序列作为样本训练改进lstm模型，获得交通密度预测模型；
9.步骤4、将预测路段的交通密度数据和时间数据输入交通密度预测模型得到预测结 果。
10.优选地，步骤1所述路段交通密度的历史数据包含路段信息、交通密度、时间。
11.优选地，步骤2所述的交通密度时序序列对应的矩阵表达式：
[0012][0013]
式中，xr是第r时间间隔的路段交通密度时序序列；是第r时间间隔内第i时刻 的交通密度；
[0014]
优选地，lstm模型的输入为交通密度时序序列，网络结构为1个输入层、2个隐 藏层、1个输出层，在此基础上进行超参数的选择；
[0015]
贝叶斯网络负责改进lstm模型的超参数，定义好优化函数，不断利用高斯过程更 新迭代超参数直到满足lstm模型要求，具体方法为：
[0016]
将历史交通密度时序序列作为lstm网络的输入，将预测采样时间点后15分钟的 交通密度数据作为真值，采用huber loss作为损失函数，不断比较真值和预测值，采用 贝叶斯算法不断优化超参数，当损失函数值小于设定的阈值时，停止迭代，得到最优超 参数，其中，损失函数huber loss具体为：
[0017][0018]
式中，为误差，y是真实值，f(x)是预测值，是huber loss的参数；
[0019]
本发明与现有技术相比，其显著优点为：本发明基于成熟的机器学习算法，可以充 分利用历史交通密度大数据，使预测结果更准确及时；同时采用贝叶斯算法优化lstm 模型超参数，使模型预测结果更加精准可靠。
附图说明
[0020]
图1是本发明的流程示意图。
[0021]
图2是huber loss损失函数和平方误差损失函数的损失对比。(虚线是平方误差， 实线是huber loss误差)
[0022]
图3是本发明采用的lstm模型结构图。
具体实施方式
[0023]
下面结合附图和具体实例对本发明作进一步详细描述。
[0024]
如图1所示，一种基于贝叶斯网络改进lstm模型的交通密度预测方法，根据历史 交通密度大数据训练lstm模型，lstm模型又通过贝叶斯网络进行超参数调整，直至 损失值降至所设阈值下，再根据最终的超参数带入lstm模型，输入交通密度数据即可 对交通密度进行预测。具体步骤为：
[0025]
步骤1、获取路段交通密度的历史数据；
[0026]
获取的历史交通密度数据包括交通密度、记录时间、道路信息等各类数据，且应是 近3年内的数据，采样时间间隔设置为15分钟。
[0027]
步骤2、将历史交通密度数据按照时间顺序构建出交通密度时序序列；
[0028]
将历史数据按照时间先后顺序排列，最终将所有数据转换为时序矩阵形式，具体为：
[0029][0030]
式中，xr是第r时间间隔的路段交通密度时序序列；是第r时间间隔内第i时刻 的交通密度。
[0031]
步骤3、将时序序列作为样本训练改进lstm模型，获得交通密度预测模型。
[0032]
所述lstm神经网络包括输入层、隐藏层和输出层，隐藏层中包括输入门、输出门 和遗忘门，可以对输入层传递的数据进行去留处理，将过于偏离时序规律的交通密度数 据进行归一化处理，使具体交通密度时序符合变化规律。
[0033]
将lstm神经网络的超参数进行初始化设置，随后输入训练集进行训练，同时采用 贝叶斯网络优化超参数，不断根据现有超参数可得损失值和即将改变为的超参数可得损 失值进行对比，向最优方向优化，直到lstm神经网络的损失值小于阈值。
[0034]
具体地，将步骤2中预处理好的样本进行分类，80％作为训练集，10％作为测试集， 10％作为验证集。将每个时序矩阵最终采样时间点记作t1，将其15分钟后的交通密度 m
t1+15
作为真值。
[0035]
具体地，贝叶斯网络用于改进lstm模型的超参数，定义优化函数，不断利用高斯 过程更新迭代超参数直到满足lstm模型要求，具体方法为：
[0036]
将历史交通密度时序序列作为lstm网络的输入，将预测采样时间点后15分钟的 交通密度数据作为真值，采用huber loss作为损失函数，不断比较真值和预测值，采用 贝叶斯算法不断优化超参数，当损失函数值小于设定的阈值时，停止迭代，得到最优超 参数，其中，损失函数huber loss具体为：
[0037][0038]
式中，为误差，y是真实值，f(x)是预测值，是huber loss的参数。
[0039]
超参数优化完成后，将此时的lstm模型保存，即为可预测未来15分钟交通密度 的模型。
[0040]
步骤4、将预测路段的交通密度数据和时间数据输入交通密度预测模型得到预测结 果。
[0041]
获得交通密度预测模型后，要预测当前时刻t的交通密度，只需输入t时刻前120 分钟，共8个采样点的交通密度数据，即可获得t时刻的交通密度。
[0042]
上述实施方式说明，本发明所提出的基于贝叶斯网络改进lstm模型的交通密度预 测方法具有良好的可操作性，可以很好地预测未来时刻的交通密度，具有一定的参考价 值
和实际经济效益。
[0043]
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未 超出本发明技术方案的范围时,均属于本发明的保护范围。