基于深度学习的长时交通流量预测方法技术

随着智能交通系统的不断发展，对交通流量需要进行准确而有效的预测。实现对交通流量的预测，其关键技术之一是对交通流量数据的挖掘并对其数据特征进行学习。然而，对于复杂多变的交通流数据，基于交通流理论和统计学模型的传统方法难以捕捉非线性交通流量数据的复杂模式及其特征，故而对交通流量参数进行模式识别和预测的能力较弱；此外，现有的模型大多只能对交通流量进行短时的预测，目前暂时还没有对交通流量进行长时预测的模型方法。针对以上问题，本发明专利技术基于卷积神经网络框架，提出了一种基于深度学习的长时交通流量预测方法以提高对交通流量进行长时预测的准确性和鲁棒性。

Long-term Traffic Flow Forecasting Method Based on Deep Learning

With the continuous development of intelligent transportation system, traffic flow needs to be predicted accurately and effectively. One of the key technologies to realize traffic flow prediction is to mine traffic flow data and learn its data characteristics. However, for complex and changeable traffic flow data, the traditional methods based on traffic flow theory and statistical model are difficult to capture the complex patterns and characteristics of non-linear traffic flow data, so the ability of pattern recognition and prediction of traffic flow parameters is weak; moreover, most of the existing models can only predict traffic flow for a short time, and there is no traffic flow prediction yet. A model method for long-term traffic forecasting. To solve the above problems, the present invention proposes a long-term traffic flow forecasting method based on deep learning based on convolution neural network framework to improve the accuracy and robustness of long-term traffic flow forecasting.

【技术实现步骤摘要】
基于深度学习的长时交通流量预测方法
本专利技术涉及智能交通系统在对交通流量参数进行长时预测的应用。
技术介绍
在深度学习兴起之前，对于交通流量的预测都是基于传统的研究方法，主要分为两类：数据驱动的统计方法和传统的机器学习方法，早期研究中，大多数方法采用传统的统计时间序列方法，如自回归滑动平均模型(ARIMA)和季节自回归滑动平均模型(SARIMA)，然而，这些基于参数型的统计学模型受线性估计模型限制，无法适应交通流的非线性变化，故难以准确描述道路运行车流的变化，对大规模交通的预测也不够准确。此外，一些机器学习算法也被提出来对交通流量参数进行预测，其中K-近邻算法(KNN)首先被应用于交通流量的预测。有研究者用贝叶斯推理方法对模型中的参数进行估计，并利用马尔可夫链蒙特卡洛(MCMC)模拟得到最优模型。还有人通过分析灰色模型、自适应粒子群优化算法和支持向量机(SVM)模型的特点，提出了短期交通流预测模型的组合，实现了短期交通流的预测。总的来说，基于非参数等传统机器学习方法诸如KNN、贝叶斯网络、支持向量机等在某种程度上相对于统计学方法在交通流量预测方面的确取得了较好的效果，但对交通流的预测大多是短时预测，且存在预测精度较低的局限性。近年来，深度学习已经引起了越来越多研究者的关注。深度神经网络具有更深、更复杂的结构，能够深入发掘并利用交通数据的特征，因此也有许多深度学习方法应用于交通流量预测，如栈式自编码神经网络(SAE)、深度置信网(DBN)、循环神经网络(RNN)等。有研究者将受限玻尔兹曼机(RBM)与循环神经网络(RNN)结合起来提取交通流量特征。也有研究者利用长短期记忆网络(LSTM)来提取交通流量数据的时域特征。深度神经网络在交通预测中的应用解决了传统方法需要建立精确模型的困扰，但也存在参数量大、训练速度慢、易陷入局部最优等问题。并且，此类方法对交通流的不确定性的考虑还有所欠缺，且大多采用经典深度学习模型来预测，缺少针对具体问题的模型设计，模型扩展性较差。此外，这些深度学习模型虽然在对交通流量的短时预测上取得了一定进展，但对于长时预测的问题仍未得到很好的解决，且预测精度仍需要提高。
技术实现思路
针对如何提高对交通流量参数进行长时预测的准确性问题，本专利技术提供了一种面向长时交通流量预测的多尺度生成式对抗残差反卷积神经网络模型方法。首先，在模型的生成器中，利用残差反卷积网络(ResDeconvNN)对多个尺度下具有时空特征的历史流量信息进行模式识别和特征提取，生成预测的流量信息，然后在判别器的作用下利用网络的对抗博弈机制使模型不断优化，从而最终生成更为精确的预测值。本专利技术的方法技术方案表征为：一种基于深度学习的长时交通流量预测方法，具体方法包括如下步骤：(4)输入具有时空特征的交通流量数据，且该数据在时间维度上具有3个不同尺度，每个尺度上融合了历史3天不同的的流量信息；将原始的交通流量数据转化为一个空间-时间矩阵，该矩阵可以看作是融合了一天的时空信息的矩阵图像，然后在时间维度上生成3种时间间隔不同的矩阵，且同一种时间间隔下又融合了历史不同3天的流量信息。(5)在模型的生成器中，首先使用个性化设计的残差反卷积网络分别对3个尺度下的流量数据进行时空特征的提取；在基于卷积神经网络的框架下，为了使模型在网络层数较多时更容易优化以及为了尽可能恢复特征提取中丢失的细节，在对输入数据进行卷积、池化一系列操作的同时，加入了残差反卷积模块，来得到提取的交通流量数据的模式特征。(6)然后将3个不同尺度下学习得到的抽象特征结合起来，最终通过一个全连接层从综合的交通时空特征中解码出预测的流量信息；将生成器中3个残差反卷积网络学习得到的3个尺度的抽象特征结合起来，输入一个全连接层，最中解码出第二天预测的流量值。(4)加入判别器来判定生成器的结果，并将判定结果反馈给生成器，不断调整优化网络的训练过程，最终得到预测结果。为了使生成器生成的样本更接近与真实样本，在生成器后面加入了一个判别器来优化网络的训练过程，从而精确地生成第二天预测的交通流量值。附图说明图1为本专利技术方法系统流程图。图2残差反卷积神经网络(ResDeconvNN)模型结构图。图3多尺度生成式对抗残差反卷积神经网络模型结构图。图4GAN原理结构图。图5实例预测值与真值的拟合曲线图。图6实例流量矩阵可视化热图。具体实施方式本专利技术的具体实施过程如图1所示，包括如下4个方面：①输入具有时空特征的交通流量数据，且该数据在时间维度上具有3个不同尺度，每个尺度上融合了历史3天不同的的流量信息；②在模型的生成器中，首先使用个性化设计的残差网络分别对3个尺度的流量数据进行时空特征的提取；③然后将3个不同尺度下学习得到的抽象特征结合起来，最终通过一个全连接层从综合的交通时空特征中解码出预测的流量信息；④加入判别器来判定生成器的结果，并将判定结果反馈给生成器，不断调整优化网络的训练过程，最终得到预测结果。各个步骤详述如下：一、输入具有时空特征的交通流量数据，且该数据在时间维度上具有3个不同尺度，每个尺度上融合之前3天不同的的流量信息将具有时间和空间变化的交通流量数据通过一个二维时空矩阵转化为描述交通流时间和空间关系的图像，即让矩阵的x和y轴分别表示时间维度和空间维度，因此，时间-空间矩阵的数学形式可以表示为：生成的矩阵X可以被看作是图像的一个通道，代表了一天的流量信息，其中n是时间间隔的长度，m是道路路段的长度，像素xij表示在时间j，位置i时的交通流量值。该数据在时间维度上具有3个不同尺度是指：在时间维度上，生成了间隔分别为10分钟、20分钟、30分钟的3种时间尺度的流量矩阵。此外，在每一种尺度上，又融合了前一天、前1个星期同一天、前2个星期同一天3天不同的的流量信息(比如要预测第(T+1)天的流量，则需要的历史交通流量数据为第T天、第(T-7)天以及第(T-14)天的历史信息)，因此每个尺度上的输入又具有3个通道。二、在模型的生成器中，首先利用个性化设计的残差反卷积网络分别对3个尺度的流量数据进行时空特征的提取实验表明，随着神经网络深度的增加，网络的性能一开始会逐渐提升，但是当网络层数增加到一定数目后，性能就会饱和，再增加反而会发生退化。这种性能的退化现象并不是过拟合造成的，而是因为网络的层次过度加深后，网络变得难以优化。然而当我们在某些浅层网络部分引入恒等映射，变换这些网络的优化目标，使得网络的优化目标转化为残差，往往能够极大地降低整个网络的优化难度。反卷积神经网络主要由反卷积层和反池化层组成，这里直接将反卷积的前向过程与卷积层的反向过程联系起来，参照卷积层的反向求导公式实现反卷积运算，这种反卷积求解方法被称作转置卷积。反卷积层的输出如公式(1)：其中，*表示卷积运算，l为该层的层索引，j为该层特征图的索引，cl-1为上一层的特征图数量，分别表示该层的输入特征图，输出特征图，核(又称权值)和偏置。R表示矩阵的颠倒，为激活函数。池化操作会造成信息的损失，是一种不可逆的过程。但是依然可以参照池化层反向求导过程来完成反池化的实现。该模型采取的池化方式为最大值池化(maxpooling)，因此对于l池化层的j特征图，除了计算池化结果还应记录最大值处的位置故反池化层的输出如公式(2)：本文档来自技高网...

【技术保护点】
1.一种基于深度学习的长时交通流量预测方法，具体方法包括如下步骤：(1)输入具有时空特征的交通流量数据，且该数据在时间维度上具有3个不同尺度，每个尺度上融合了历史3天不同的的流量信息；将原始的交通流量数据转化为一个空间‑时间矩阵，该矩阵可以看作是融合了一天的时空信息的矩阵图像，然后在时间维度上生成3种时间间隔不同的矩阵，且同一种时间间隔下又融合了历史不同3天的流量信息；(2)在模型的生成器中，首先使用个性化设计的残差反卷积网络分别对3个尺度下的流量数据进行时空特征的提取；(3)然后将3个不同尺度下学习得到的抽象特征结合起来，最终通过一个全连接层从综合的交通时空特征中解码出预测的流量信息；将生成器中3个残差反卷积网络学习得到的3个尺度的抽象特征结合起来，输入一个全连接层，最中解码出第二天预测的流量值；(4)加入判别器来判定生成器的结果，并将判定结果反馈给生成器，不断调整优化网络的训练过程，最终得到预测结果。

【技术特征摘要】
1.一种基于深度学习的长时交通流量预测方法，具体方法包括如下步骤：(1)输入具有时空特征的交通流量数据，且该数据在时间维度上具有3个不同尺度，每个尺度上融合了历史3天不同的的流量信息；将原始的交通流量数据转化为一个空间-时间矩阵，该矩阵可以看作是融合了一天的时空信息的矩阵图像，然后在时间维度上生成3种时间间隔不同的矩阵，且同一种时间间隔下又融合了历史不同3天的流量信息；(2)在模型的生成器中，首先使用个性...

【专利技术属性】
技术研发人员：臧笛，方杨，卫志华，程久军，凌嘉炜，严诣青，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海,31