一种短时交通流预测方法技术

本发明专利技术公开了一种基于堆式自动编码器(Stacked Autoencoders)深层网络结构的短时交通流预测方法。该方法包括以下步骤：对输入的历史交通流量数据按指定时间间隔进行合并；对历史交通流量数据进行归一化处理；训练堆式自动编码器深层网络结构预测模型；调用预测模型进行预测。本发明专利技术考虑交通流的时空关系特征，深度挖掘交通流特征，预测精度高、鲁棒性好。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种基于堆式自动编码器(Stacked?Autoencoders)深层网络结构的短时交通流预测方法。该方法包括以下步骤：对输入的历史交通流量数据按指定时间间隔进行合并；对历史交通流量数据进行归一化处理；训练堆式自动编码器深层网络结构预测模型；调用预测模型进行预测。本专利技术考虑交通流的时空关系特征，深度挖掘交通流特征，预测精度高、鲁棒性好。【专利说明】
本专利技术属于智能交通系统领域，特别涉及。
技术介绍
准确、及时的交通流信息对智能交通系统的成功应用至关重要。它可以帮助道路使用者做出更好的出行决策，缓解交通拥堵，减少碳排放，并提高交通运行效率。如今，交通数据日益丰富，我们已经进入了交通大数据时代。有效利用交通大数据进行更加准确及时的交通流量预测，可以帮助管理者做出更好的交通管控方案，为交通出行者的出行决策提供有力支持。 现有的交通流预测方法主要利用浅层交通预测模型，预测效果仍有些不尽如人意。早在20世纪70年代，ARIMA模型就被用来预测短时交通流。ARIMA即自回归求和滑动平均模型，是一种应用最广泛的时间序列模型。该模型应用于短时交通流的一步实时预测可以取得较高的预测精度。但是该模型的求解过程是对每个观测点的历史时间序列分别通过离线求解方程实现，求解的参数是相对固定的，不能适应不确定性强的短时交通流预测要求，不能反映各个交通观测点之间的空间联系。一些非参数的方法也被用来进行交通流预测，例如k-NN方法。这种方法模型简单，对于较稳定的交通路网具有一定的实用价值，其关键是定义“近邻状态”。神经网络方法用于交通流预测也取得了不错的效果，但是对于多观测点和较大数据量的交通流预测，浅层神经网络的预测效果并不令人满意。这使得我们需要重新思考利用交通大数据，研究基于深层结构模型的交通流预测问题。目前还没有基于堆式自动编码器的深层网络结构的短时交通流预测方法。
技术实现思路
本专利技术的短时交通流预测方法利用交通流历史数据，通过训练基于堆式自动编码器的深层网络结构，得到一个深层结构的网络预测模型进行交通流预测。 本专利技术针对交通流预测的实际应用需求，提出一种基于堆式自动编码器(StackedAutoencoders)的深层网络结构的短时交通流预测方法。 所述方法包括以下步骤: 步骤S1:对历史记录的交通流量数据按指定时间间隔进行合并； 步骤S2:对合并后的所述历史交通流量数据进行归一化处理； 步骤S3:利用归一化后的指定时间间隔的历史交通流量数据，训练一个堆式自动编码器深层网络结构预测模型； 步骤S4:利用所述预测模型预测交通流。 根据本专利技术的【具体实施方式】，所述历史记录的交通流量数据为特定观测点或路段在一定时间间隔内经过的车辆数。 根据本专利技术的【具体实施方式】，所述步骤SI将各观测点的指定时间间隔内的若干个交通流量数据分别进行累加，得到各观测点指定时间间隔的交通流量数据。 根据本专利技术的【具体实施方式】，所述步骤S2为:选取指定时间间隔的最大交通流量，将各所述观测点的指定时间间隔的历史交通流量数据与该最大交通流量的比值作为归一化到区间的交通流量数据。 根据本专利技术的【具体实施方式】，所述步骤S3进一步包括以下步骤: 步骤S31，从所述归一化后的指定时间间隔的历史交通流量数据中选取出训练集和测试集； 步骤S32，根据一个时刻的交通流量数据包含的观测点或路段个数M确定所述深层网络结构预测模型的输出数据的维数为M，选取所述深层网络结构预测模型的输入数据维数MXr、隐层数、隐层节点数，其中，预测t时刻交通流量时，选取前r个时间间隔交通流量作为输入，即:取t_r, t-(r-l),..., t-1时刻的交通流量作为网络输入； 步骤S33，在每个选取的所述深层网络结构预测模型上，利用训练集数据，非监督逐层训练所述深层网络结构预测模型中堆积的每个自动编码器的权重参数； 步骤S34，在堆积的自动编码器的顶层加入预测层，有监督地调整所述深层网络结构预测模型的各层参数； 步骤S35，每个选取的所述深层网络结构预测模型训练完成后，利用所述测试集进行前向运算，得到每个选取的所述深层网络结构预测模型在测试集上的平均误差，选择误差最小的深层网络结构预测模型作为指定时间间隔的交通流量数据的堆式自动编码器深层网络结构预测模型。 根据本专利技术的【具体实施方式】，所述步骤S4进一步包括以下步骤: 步骤S41，按照所述深层网络结构预测模型的输入数据维数MXr将历史交通流量数据进行归一化处理； 步骤S42，将上述归一化后的数据的输入部分输入所述深层网络结构预测模型，进行前向计算，得到对应的输出数据，即对下一指定时间间隔的交通流量数据的归一化预测值。 步骤S43，将上述预测值进行反归一化，得到对指定时间间隔的交通流量数据的预测值。 步骤S44，将上述预测值与对应的实际观测值进行对比，计算误差，得到堆式自动编码器深层网络结构预测模型的误差。 本专利技术考虑交通流的时空关系特征，深度挖掘交通流特征，预测精度高、鲁棒性好。 本专利技术能够同时对多个观测点的交通流进行预测，并具有较高的精度和鲁棒性，尤其在交通领域较为关注的较大和中等流量的交通数据上具有良好的预测效果。 【专利附图】【附图说明】 图1是本专利技术的短时交通流预测方法流程图； 图2是自动编码器的结构示意图； 图3是堆式自动编码器结构示意图； 图4是本专利技术深层网络交通流预测模型结构图。 【具体实施方式】 下面将结合附图对本专利技术加以详细说明，应指出的是，所描述的实施例仅旨在便于对本专利技术的理解，而对其不起任何限定作用。 本专利技术给出。如图1所示，具体地，该方法包括以下步骤: 步骤S1:对历史记录的交通流量数据按指定时间间隔进行合并。 所述历史记录的交通流量数据来源于交通数据采集系统，可以通过线圈检测、视频检测等手段获取。 获取的历史交通流量数据为特定观测点或路段在一定时间间隔内经过的车辆数。所述指定的时间间隔可以根据预测需求进行指定(例如15分钟)。 将各观测点或路段的指定时间间隔内的若干个交通流量数据分别进行累加，得到各观测点指定时间间隔的交通流量数据。下述某时刻的交通流数据指的是从此时刻开始经过指定时间间隔(例如15分钟)的交通流数据。 若观测时间段内有N个时间间隔，则对于M个观测点中的观测点i，i e {1,2,...,Μ}，有N个时间间隔的交通流量数据，其中< 表示观测点i第j个时刻的交通流量数据，。 步骤S2:对合并后的所述历史记录的交通流量数据进行归一化处理。 具体地，可选取指定时间间隔的最大交通流量，将各所述观测点的指定时间间隔的历史记录的交通流量数据与该最大交通流量的比值作为归一化到区间的交通流量数据。 所述历史记录的交通流量数据是根据步骤SI中指定的时间间隔进行合并后的交通流量数据I/ = 1，2,...,W;j = l,25?5iV]，选取MXN个交通流量数据中的最大值 χ_，则归一化后的交通流量数据I/定义为: ,,, Xj X11=-^-, Y max 从而获得M个观测点分别的N个归一化后的交通流量数据。 步骤S3:利用归一化后的指定时间间隔的历本文档来自技高网...

【技术保护点】
一种短时交通流预测方法，其特征在于，该方法包括以下步骤：步骤S1：对历史交通流量数据按指定时间间隔进行合并；步骤S2：对合并后的所述历史交通流量数据进行归一化处理；步骤S3：利用归一化后的指定时间间隔的历史交通流量数据，训练一个堆式自动编码器深层网络结构预测模型；步骤S4：利用所述预测模型预测交通流。

【技术特征摘要】

【专利技术属性】
技术研发人员：王飞跃，吕宜生，段艳杰，亢文文，朱凤华，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11