The invention discloses a short-term traffic flow forecasting method based on generative countermeasure network. The forecasting method can be applied in urban traffic network. The historical traffic data can be modeled as matrix sequence, the temporal-spatial correlation of data can be learned by using depth model, and generators and discriminators in countermeasure network can be trained iteratively. The trained model can be used in future short-term road network. Traffic conditions of all sections are predicted. The method disclosed in the invention makes full use of the space-time characteristics of traffic data, expands the prediction object from a single section to the whole traffic network, and improves the accuracy of prediction obviously.
【技术实现步骤摘要】
一种基于生成式对抗网络的短时交通流预测方法
本专利技术公开了一种基于生成式对抗网络的短时交通流预测方法,涉及智能交通系统
技术介绍
随着我国城市化进程的加速,不断增长的城市人口与有限的空间资源之间的矛盾日益加剧,导致交通拥堵问题成为阻碍城市发展的一大难题。有效地缓解交通拥堵问题,对于减轻环境污染,提高人民生活水平,促进我国社会经济的可持续发展具有重要的现实意义。自上世纪六十年代以来,世界各国对城市交通规划和城市交通控制进行了研究,但随着城市规模的不断扩大和交通状况的日趋复杂,紧靠这两种措施进行有效的交通管理已不再可行,智能交通系统(ITS,IntelligentTransportationSystem)应运而生。智能交通系统结合先进的物理通讯设备和智能计算机技术,建立起针对整个交通网络的信息预测和管理系统,它是目前全面有效解决包括交通拥堵在内的交通运输领域问题的最佳途径。短时交通预测是智能交通系统研究的一项重要内容,它是实现主动式交通诱导的前提,已经逐渐成为学界研究ITS的一个重要方向和任务。只有采用有效、合理的交通控制和诱导方式才能有效避免因交通流量过大而导致的大面积拥堵甚至城市路网的瘫痪,为驾驶员提供实时、准确的交通信息,从而可帮助他们选择正确的出行路径,缩短出行时间,改善交通通行能力,并可有效缓解因交通拥堵而造成的环境污染、能源消耗、交通事故等问题。实时、准确的交通流预测技术将交通系统从以前的“被动式”管理转变为“主动式”诱导,对改善交拥堵发挥重要作用,实现ITS的控制和诱导功能,已成为智能交通系统发展的重要领域。因此,短时交通流预测理论和 ...
【技术保护点】
1.一种基于生成式对抗网络的短时交通流预测方法,其特征在于该方法包括以下步骤:S1:对交通流的参数设定一个阈值,对于临界值以外的异常数据进行剔除,并采用平滑预测的方法来恢复缺损的数据,其公式为:
【技术特征摘要】
1.一种基于生成式对抗网络的短时交通流预测方法,其特征在于该方法包括以下步骤:S1:对交通流的参数设定一个阈值,对于临界值以外的异常数据进行剔除,并采用平滑预测的方法来恢复缺损的数据,其公式为:其中,是估计值,k代表平滑宽度;S2:将经过预处理的交通流数据与路网拓扑结构建模成路网状态矩阵;S3:使用S2构建的路网状态矩阵来训练生成式对抗神经网络;S4:将交通路网数据中的前n个时刻的路网状态矩阵序列输入训练好的神经网络模型中,生成下一时刻路网中所有路段的交通状况的预测结果,即n+1时刻的路网状态矩阵。2.如权利要求1所述的一种基于生成式对抗网络的短时交通流预测方法,其特征在于,所述的步骤S2具体为:S201:交通路网中的每一条道路根据道路的路口被划分为多个路段,这里定义的路段具有方向的概念,即从路口interi到路口interj的路段被表示为li,j=(interi,interj),而从路口interj到路口interi的路段被表示为lj,i=(interj,interi);S202:将交通路网表示为N=(V,L),其中V是路口的集合,L是两个路口之间路段的集合;使用路网状态矩阵St来描述交通路网N在时刻t的交通状况,矩阵的行和列对应于N中的路口V,而矩阵中的元素则对应于从路口interi到interj的路段li,j上的交通流的状态(如流量、速度、占有率等);当两个路口之间不存在路段时,我们将对应的元素值设为-1:连续时刻(t1,t2,...tn)的路网状态矩阵构成一个路网状态矩阵序列3.如权利要求1所述的一种基于生成式对抗网络的短时交通流预测方法,其特征在于,所述的步骤S3具体为:S301:由路网状态矩阵来训练生成式对抗神经网络,其训练模型由两个部分组成,一个生成器和一个判别器;方便起见,我们使用G和D来分别代表生成器和判别器,而它们的输入则分别是路网状态矩阵序列和真实的路网状态矩阵是G通过学习样本分布所生成的样本;如果D的输入来源于真实数据分布,那么它的输出值为1(代表判断样本为真);如果D的输入来源于那么它的输出值为0(代表判断样本为假);S302:在给定初始G的情况下,首...
【专利技术属性】
技术研发人员:陈兵,张宇轩,王森章,
申请(专利权)人:南京航空航天大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。