本发明属于智能交通,涉及一种基于循环神经灰色模型的短时交通流预测方法。
背景技术:
1、短时交通流预测在智能交通系统中一直是一个热门的研究领域,实时准确的交通流预测是交通控制和交通诱导的前提和关键,并且对缓解城市交通拥堵、避免社会资源浪费有着重要的意义。
2、目前,建模预测短时交通流的方法很多,常见的模型有:历史平均模型、时间序列模型、卡尔曼滤波模型以及神经网络模型等,其中,历史平均模型因原理简单、运算效率高,适用于交通流量波动幅度小的路段,但预测精度低,应对突发交通状况的能力差;对于交通流量波动幅度小的路段,时间序列模型因实时性好、稳定性佳,可满足预测要求,但预测精度过于依赖样本的数量;卡尔曼滤波模型对平稳状态交通流的预测精度高,但预测精度依赖于交通流的线性特征,适用于线性非实时的在线交通流预测;神经网络模型自适应学习能力强、实时性好、预测精度较高但收敛速度慢,适用于复杂、多变、非线性的交通流预测。但这些模型大多只考虑了交通流的非线性特性,交通流有许多特性,若只考虑一种特性,其预测的精度有限。此外,由于支路段车流量向主路段汇流导致主路段车流量增加,但较少见到综合考虑支路段车流量用于预测主路段车流量的工作。
技术实现思路
1、有鉴于此,本发明的目的在于提供一种基于循环神经灰色模型的短时交通流预测方法,以灰色微分动态多变量预测模型提取交通流主序列及影响序列的数据特征,然后利用循环神经网络的隐藏状态储存每一步提取的数据特征,并通过迭代深度挖掘数据的时序性及时间序列的特征,综合考虑到交通流数据的非线性、非平稳性,从而有效提高了短时交通流的预测精度。
2、为达到上述目的,本发明提供如下技术方案:
3、一种基于循环神经灰色模型的短时交通流预测方法,具体包括以下步骤:
4、s1:采集某主路段及该主路段支路的车流量;用灰色关联度分析主路段与支路车流量的灰色关联度,选择主路段为主序列,关联度较大的支路为影响序列;
5、s2:以主序列及影响序列建立循环神经灰色模型;
6、s3:确定最优模拟和预测的个数,用最优方案预测该主路段的车流量。
7、进一步,步骤s2中,建立循环神经灰色模型,具体是利用循环神经网络的隐藏状态储存每一步提取的交通流主序列及影响序列的数据特征,并通过迭代深度挖掘数据的时序性及时间序列的特征。
8、进一步,步骤s2具体包括以下步骤:
9、s21:数据处理;
10、对主序列y(0)(t)和影响序列做一阶累加得到y(1)(t)和m表示支路个数;
11、s22:根据影响序列确定单变量灰色模型的白化方程形式,并用欧拉法求迭代公式;
12、设序列的白化方程为将其化简为其中,该微分方程欧拉法求解式为其中,l表示步长,表示第i个影响序列的灰色作用量,wi=[bi0,bi1,θi]表示化简后白化方程的参数,表示白化方程的解,fi(xi(1)(t),t,θi)表示一般灰色模型的白化方程右侧函数,n表示主路段及支路段的交通流量观测点个数;
13、s23:将的白化方程求解式带入gi(xi(1)(t),t,wi)中,计算得到
14、s24:将带入下式中
15、
16、其中,a表示主序列的发展系数,c表示常数;
17、化简得到用欧拉法求解该方程,其解表示为
18、
19、其中,表示主序列的预测值,表示t-1时刻函数g的值,w=[a,bi0,θi,c]表示函数g的参数;
20、s25:初始化第一层训练参数,输入训练数据初始状态和步长l,并将下式
21、
22、设置为隐藏层状态函数,设置为输出层函数,构建第一层rnn;
23、s26:初始化第二层训练参数,设置步长l,将第一层输出作为第二层输入,初始状态initial2=[y(1)(1)],并将下式
24、
25、设置为隐藏层状态函数,隐含状态作为输出构建第二层rnn;
26、s27:将第二层rnn的输出序列与原序列求均方误差作为损失函数,由此反向传播传播训练参数;
27、s28:用训练好的模型预测,并对预测序列累减。
28、进一步,步骤s3具体包括以下步骤:
29、s31:确定步长l的取值;
30、s32:选择不同长度的主序列,利用步骤s2建立好的循环神经灰色模型来预测不同长度的值,计算每个组合的平均模拟误差和平均预测误差,选择误差最小的组合作为最优方案;
31、s33:用单变量灰色预测模型预测影响序列的预测值,然后用步骤s32的最优方案预测主序列。
32、本发明的有益效果在于:本发明使用循环神经灰色模型预测,以灰色微分动态多变量模型提取交通流主序列及影响序列的数据特征,然后利用循环神经网络的隐藏状态储存每一步提取的数据特征,并通过迭代深度挖掘数据的时序性及时间序列的特征。该方法不仅能够深度挖掘交通流的数据特征,而且在短时交通流预测上显示出高的准确度和可靠性。
33、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
1.一种基于循环神经灰色模型的短时交通流预测方法,其特征在于,该方法具体包括以下步骤:
2.根据权利要求1所述的短时交通流预测方法,其特征在于,步骤s2中,建立循环神经灰色模型,具体是利用循环神经网络的隐藏状态储存每一步提取的交通流主序列及影响序列的数据特征,并通过迭代深度挖掘数据的时序性及时间序列的特征。
3.根据权利要求1或2所述的短时交通流预测方法,其特征在于,步骤s2具体包括以下步骤:
4.根据权利要求1所述的短时交通流预测方法,其特征在于,步骤s3具体包括以下步骤: