基于贝叶斯LSTM的高速公路交通流量可靠预测方法与流程

基于贝叶斯lstm的高速公路交通流量可靠预测方法
技术领域
1.本发明涉及基于贝叶斯lstm的高速公路交通流量可靠预测方法，具体是基于贝叶斯lstm的高速公路交通流量可靠预测方法。


背景技术：

2.高速公路交通流量是高速公路智能运输系统中的关键参数之一。基于对未来时段交通流量的预测结果，可以实现高速公路交通流的主动管控和诱导，提升高速公路的运行效率。当前高速公路交通流量预测的主流方法是利用各种统计模型和人工智能技术对未来时段交通流量的平均值进行准确预测。然而，很少有成熟的方法能够实现对未来时段交通流量浮动范围的可靠预测。如何在交通流量预测中，将这种交通流演进过程的不确定浮动进行建模，对高速公路精确、主动管控的效果十分重要。
3.现有的高速公路交通流量预测方法侧重于对流量均值的预测，大致可分为两类：（1）统计模型方法。此类方法利用历史流量、速度等检测指标的统计规律，拟合出未来某时段的流量均值。该方法简单易行但无法有效利用空间信息，最常用的方法是自回归移动平均模型（arima）和卡尔曼滤波方法；（2）机器学习方法。此类方法利用多种交通流时序数据，捕捉递归与未来时段流量均值的时空非线性关系。该方法模型复杂、数据依赖度高，预测精准度和可拓展性较高。常用的方法包括卷积神经网络（cnn）、循环神经网络（rnn）等。近年来，随着人工智能技术和算力水平的提升，机器学习方法中的深度学习成为交通流量预测的热门手段，其中rnn中的长短记忆神经网络（lstm）以其在交通序列数据建模上的优势成为了主流方法，并在流量均值预测上取得了不错的效果。
4.在高速公路交通流运行过程中，由于车辆异常驾驶行为、自然天气条件变化、交通出行随机选择等因素的干扰，实际交通流量会在原始预测条件下产生随机波动，因而使模型预测值与真实值间存在误差。对高速公路实际交通流量置信区间的预测对于高速公路交通控制系统的可靠性十分重要。例如在匝道控制中，流量的置信区间反映了匝道交通需求范围，其准确预测相较流量均值预测更有实际应用价值。受限于传统lstm模型结构，当前很少有方法对高速公路交通流量置信区间进行可靠预测。考虑到神经网络的易拓展性和高速公路交通流量可靠预测的巨大作用，基于贝叶斯理论和lstm的高速公路交通流量可靠预测方法可行且关键。
5.现有技术的缺陷在于：由于自然天气条件变化、交通出行随机选择等因素，高速公路交通流量存在不确定性。现有高速公路交通流量预测方法大多是对交通流量均值的预测，少有考虑交通流量预测可靠性的方法，使得高速公路主动管控和诱导方法的鲁棒性难以得到保证，例如基于流量的入口匝道主动控制。


技术实现要素：

6.发明目的：基于贝叶斯lstm的高速公路交通流量可靠预测方法，以解决现有技术
存在的上述问题。
7.技术方案：基于贝叶斯lstm的高速公路交通流量可靠预测方法，包括如下步骤：s1、从高速公路门架收费系统中获取路段门架数据；s2、统计汇总高速公路路段的小时交通流量，得到时序流量数据作为模型输入；s3、基于传统lstm神经网络结构，以概率分布的形式设置权重参数和偏移参数，并确定先验概率分布的参数；s4、通过变分推断，将训练过程中的权重参数、偏置参数后验概率求解，转化为参数优化问题；s5、构建贝叶斯lstm模型训练损失函数；s6、确定模型超参数，利用adam优化算法训练贝叶斯lstm模型参数；s7、利用训练好的贝叶斯lstm模型，对该高速公路路段未来1小时交通流量的均值和置信区间进行预测。
8.在进一步实例中，所述s1进一步为：从高速公路门架系统中获取门架数据，主要字段包括门架编号、记录时段、汽车类别，每条数据表示特定编号的门架系统在1小时时间间隔内记录通过的不同类型车辆数量。
9.在进一步实例中，所述s2进一步为：s2.1、将一条门架数据记录得到的所有不同车辆类型的交通流量相加，得到特定路段1小时车流量数据；；式中：表示种汽车类别中的第种，表示第种汽车的小时交通流量；s2.2、将连续四个小时路段历史交通流量构成模型输入，用于预测接下来一个小时的路段交通流量。
10.在进一步实例中，所述步骤s3确定权重参数和偏置参数的概率分布形式和先验分布，包括以下步骤；s3.1、以lstm神经网络记忆单元的转换函数公式为基础，将记忆单元权重参数和偏置参数设置为高斯分布形式：设置为高斯分布形式：设置为高斯分布形式：设置为高斯分布形式：设置为高斯分布形式：
式中，是当前时间间隔内的路段车流量数据；是记忆单元在前一时间间隔内的输出；，,,是权重参数；分别服从分布,,,；，,,是偏置参数；分别服从分布,,，。
11.s3.2、设置权重参数和偏置参数的初始先验分布为标准正态分布，即，。
12.在进一步实例中，所述步骤s4进一步为：s4.1、设定变分后验参数满足，其中为随机分布系；s4.2、使用分布近似真实的后验概率分布，将贝叶斯lstm网络训练时的网络权重、偏置参数后验概率分布的推断问题，转化为最佳参数的求解，以最小化和的kl散度作为优化目标求解；的kl散度作为优化目标求解；的kl散度作为优化目标求解；的kl散度作为优化目标求解；式中，是变分后验参数的集合，是所有权重和偏置的集合，是用于神经网络训练的交通流数据。
13.在进一步实例中，所述步骤s5进一步为：s5.1、将步骤s4.1中变分后参数的优化目标作为贝叶斯lstm模型的损失函数：：；式中，是变分后验参数的集合，是所有权重和偏置的集合，是用于神经网络
训练的交通流数据。
14.在进一步实例中，所述步骤s6进一步为：s6.1、确定贝叶斯神经网络模型训练超参数，包括lstm网络层数、每层的记忆单元层数、初始学习率、迭代轮数、迭代系数、批大小、随机失活率等；s6.2、使用adam优化算法，在第一轮迭代的正向过程中，对随机分布系数采样，满足，生成采样后，依据梯度方向反向传播并更新和，继续正向迭代生成采样，直至最小化损失函数，得到训练好的贝叶斯神经网络参数。
15.在进一步实例中，所述步骤s7进一步为；s7.1、将s2.2得到的前四小时交通流量输入s62得到贝叶斯lstm模型中，按照训练好权重参数和偏置参数的概率分布，多次对和的取值采样，输出多条不同的交通流量预测值；s7.2统计模型所有输出的交通流量预测值，取平均值即为交通流量预测均值，计算交通流量预测值的95%置信区间即为交通流量预测浮动区间。
16.有益效果：本发明公开了基于贝叶斯lstm的高速公路交通流量可靠预测方法，利用高速公路门架数据找出交通流的特点，对高速公路交通流量进行预测，基于传统lstm神经网络结构，以概率分布的形式设置权重参数和偏移参数，并确定先验概率分布的参数；通过变分推断，将训练过程中的权重参数、偏置参数后验概率求解，转化为参数优化问题；构造损失函数，确定模型超参数，训练贝叶斯lstm模型参数，训练完成后，对该高速公路路段未来交通流量的均值和置信区间进行预测。提高交通流量预测的合理性。
附图说明
17.图1为本发明的流程图；图2为本发明叶斯lstm模型结构图；图3为本发明对某四条路段24个小时时段交通流量浮动区间的预测结果；图4为本发明某高速路段的部分门架数据图；图5为本发明对某四条路段24个小时时段交通流量均值预测效果。
具体实施方式
18.在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明实施例中可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明实施例中发生混淆，对于本领域公知的一些技术特征未进行描述。
19.在本发明的描述中，需要理解的是，术语“交通流量预测”指利用历史或实时交通流数据，预测未来一个或多个时间段内的交通流量、“可靠预测”指对某种指标进行预测时，不仅预测其未来的期望均值，还对其在一定置信区间下的浮动范围进行预测、“贝叶斯lstm”即贝叶斯长短记忆（longshort-termmemory）神经网络，是指在标准lstm神经模型框架下加入参数后验估计的一种改进神经网络模型、“高速公路门架数据”指车辆通过高速公路收费门架时，通过抓拍车牌图片得到的车辆通行信息，包括门架编号、抓拍时间、车牌号
码、车辆类型、拍摄位置等仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
20.本发明通过基于贝叶斯lstm的高速公路交通流量可靠预测方法，下面通过实施例，并结合附图对本方案做进一步具体说明。
21.具体的，包括如下步骤：步骤1、如图4所示，从高速公路门架收费系统中获取路段门架数据，从高速公路门架系统中获取门架数据，主要字段包括门架编号、记录时段、汽车类别，每条数据表示特定编号的门架系统在1小时时间间隔内记录通过的不同类型车辆数量。
22.步骤2、统计汇总高速公路路段的小时交通流量，得到时序流量数据作为模型输入，将一条门架数据记录得到的所有不同车辆类型的交通流量相加，得到特定路段1小时车流量数据；；式中：表示种汽车类别中的第种，表示第种汽车的小时交通流量；将连续四个小时路段历史交通流量构成模型输入，通过计算训练数据为，用于预测接下来一个小时的路段交通流量。
23.步骤3、基于传统lstm神经网络结构，以概率分布的形式设置权重参数和偏移参数，并确定先验概率分布的参数；通过lstm神经网络记忆单元的转换函数公式为基础，将记忆单元权重参数和偏置参数设置为高斯分布形式：设置为高斯分布形式：设置为高斯分布形式：设置为高斯分布形式：设置为高斯分布形式：设置为高斯分布形式：设置为高斯分布形式：式中，是当前时间间隔内的路段车流量数据；是记忆单元在前一时间间隔内的输出；,,是权重参数；
分别服从分布,,,；,,是偏置参数；分别服从分布,,,，设置权重参数和偏置参数的初始先验分布为标准正态分布，即，。
24.步骤4、通过变分推断，将训练过程中的权重参数、偏置参数后验概率求解，转化为参数优化问题，设定变分后验参数满足，其中为随机分布系；使用分布近似真实的后验概率分布，将贝叶斯lstm网络训练时的网络权重、偏置参数后验概率分布的推断问题，转化为最佳参数的求解，以最小化和的kl散度作为优化目标求解；的kl散度作为优化目标求解；的kl散度作为优化目标求解；的kl散度作为优化目标求解；；式中，是变分后验参数的集合，是所有权重和偏置的集合，是用于神经网络训练的交通流数据。
25.步骤5、构建贝叶斯lstm模型训练损失函数；将步骤4中变分后参数的优化目标作为贝叶斯lstm模型的损失函数：其中下列式中，是变分后验参数的集合，是所有权重和偏置的集合，是用于神经网络训练的交通流数据；是用于神经网络训练的交通流数据；。
26.步骤6、确定模型超参数，利用adam优化算法训练贝叶斯lstm模型参数如图2所示，确定贝叶斯神经网络模型训练超参数，包括lstm网络层数、每层的记忆单元层数、初始学习率、迭代轮数、迭代系数、批大小、随机失活率等；使用adam优化算法，在第一轮迭代的正向过程中，对随机分布系数采样，满足，生成采样后，依据梯度方向反向传播并更新和，继续正向迭代生成采样，直至最小化损失函数，得到训练好的贝叶斯神经网络参数。
27.步骤7、利用训练好的贝叶斯lstm模型，对该高速公路路段未来1小时交通流量的均值和置信区间进行预测。将步骤2中得到的前四小时交通流量输入，得到贝叶斯lstm模型中，按照训练好权重参数和偏置参数的概率分布，多次对和的取值采样，输出多条不同的交通流量预测值；然后统计模型所有输出的交通流量预测值，取平均值即为交通
流量预测均值，计算交通流量预测值的95%置信区间即为交通流量预测浮动区间如图3所示。
28.具体的，对路段24个小时时段交通流量均值预测，使用平均绝对误差（mae）、平均绝对百分比误差（mape）对预测结果评价：绝对百分比误差（mape）对预测结果评价：其中，是高速公路路段流量均值的预测值，是高速公路路段流量真实值，n是预测样本数。某四条路段的评价结果如图5所示。
29.以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。