一种基于深度学习的短时交通流预测方法技术

一种基于深度学习的短时交通流预测方法属于交通预测领域。本发明专利技术首先使用卷积神经网络提取交通流的空间特征；然后使用引入注意力机制的门控循环单元提取时间特征，通过注意力机制计算不同时刻交通流特征的重要性，使模型更关注重要性大的特征；接着利用交通流数据的周期特性提取周期特征；最后融合所有特征进行预测。该方法解决了现有预测方法无法充分利用交通流数据时空特征的缺点，提高了交通流的预测精度，可以更好地解决短时交通流预测问题。

A short-term traffic flow prediction method based on deep learning

【技术实现步骤摘要】
一种基于深度学习的短时交通流预测方法
本专利技术属于交通预测领域，具体涉及一种基于深度学习的短时交通流预测方法。
技术介绍
随着全国机动车保有量的不断增加，城市交通拥堵问题越来越严重。交通拥堵不仅耽误人们出行，减少社会活动效率，还会浪费大量资源，造成城市空气污染。为了解决交通拥堵问题，智能交通系统(IntelligentTransportSystem，ITS)应运而生。ITS通过综合运用大数据、人工智能等技术手段，对道路交通数据进行收集和分析，提高现有交通设施的运行效率，缓解城市交通压力。交通流预测是ITS的核心功能之一。由于交通流具有时变性，所以一般采用短时预测来对交通系统进行诱导。短时交通流预测是指利用地磁、传感线圈等设备实时获取的交通流数据去预测未来半小时内的交通流量。通过预测交通流不仅可以为公众出行提供服务，改善导航系统，还可以为交通管理部门提供有效技术支持，提高道路资源的利用率。因此，利用交通大数据进行短时交通流预测已成为智能交通领域的研究热点。国内外学者针对短时交通流预测提出的方法主要分为三类，一是统计理论模型，主要包括历史平均模型、卡尔曼滤波模型和自回归差分移动平均模型(ARIMA)；二是以支持向量回归(SVR)为代表的机器学习模型；三是新兴的深度学习模型。道路交通系统是一个典型的复杂系统，周末节假日、交通出行早晚高峰、天气状况等因素以非线性方式相互作用，导致传统的浅层预测模型在实际应用中往往失效。近年来，深度学习在图像识别、自然语言处理等研究领域取得了一系列突破，交通流数据与深度学习常用领域中的研究数据类似，具有丰富的时空特征，结合深度学习进行短时交通流预测具有很大的研究价值。交通流数据具有时空特征。在时间上，由于道路上车辆的聚集和发散是一个渐进过程，所以之前时刻的交通流量会影响下一时刻的交通流量；在空间上，相邻观测点之间的交通流量是密切相关的，单个道路上下游观测点的交通流量存在时延关系，分叉道路不同观测点的交通流量存在和差关系。门控循环单元(GRU)只关注交通流数据的时间特征，忽略了空间特征，而卷积神经网络(CNN)更关注空间特征，将两者结合可以充分提取交通流数据的时空特征。本专利技术将卷积神经网络、门控循环单元以及注意力机制技术应用到交通流预测领域，提出了一种新颖的短时交通流预测方法。通过结合卷积神经网络和门控循环单元提取交通流数据的时空特征，并利用注意力机制优化网络结构。与现有预测方法相比，本专利技术具有更高的预测精度，可以更好地解决短时交通流预测问题。
技术实现思路
为了解决现有短时交通流预测方法未能充分利用交通流数据的时空特征以实现准确预测的问题，本专利技术提出一种基于深度学习的短时交通流预测方法。首先使用卷积神经网络提取交通流的空间特征，然后使用引入注意力机制的门控循环单元提取时间特征，同时利用交通流数据的周期特性提取周期特征，最后融合所有特征进行预测。注意力机制可以自适应地捕获不同时刻输入特征的影响，从而提升交通流的预测精度。为实现上述专利技术目的，本专利技术采用以下技术方案：步骤1.交通流数据预处理。对观测点所有时刻的交通流数据进行最大最小归一化处理，计算公式为：其中，xmax和xmin分别表示观测点所有时刻交通流数据的最大值和最小值，x为观测点某个时刻的交通流，f为x最大最小归一化之后的交通流。对于归一化后的交通流数据，为了充分提取时空特征，需要将一维的交通流数据转换为二维的交通流量矩阵，矩阵的两个维度分别为时间维度和空间维度。构建交通流量输入矩阵如下所示：其中，横向表示所有观测点在一个时刻的交通流数据，s表示观测点的个数，纵向表示一个观测点对应的所有时刻数据，t表示时刻的个数，矩阵中的元素xts表示第s个观测点在第t个时刻的交通流量。步骤2.构建卷积神经网络提取空间特征。卷积神经网络主要包括卷积层和池化层。为了充分保留特征，不使用池化层对特征矩阵进行压缩，只使用卷积层提取特征。使用一维卷积处理交通流量输入矩阵中的每一行元素，通过滑动一维卷积的卷积核获取相邻观测点的空间特征。使用以下公式表示卷积操作：ci＝f(Wcxi+bc)(3)其中，ci表示第i个卷积核在滑动过程中提取的局部特征，Wc表示卷积核处理输入的权重，bc为偏置项，xi表示第i个卷积核对应的输入，f表示LeakyRelu激活函数。步骤3.构建引入注意力机制的门控循环单元提取时间特征。将步骤2提取的空间特征输入到引入注意力机制的门控循环单元中进行处理，从而提取时间特征。引入注意力机制的门控循环单元的构建过程如下：步骤3.1构建门控循环单元。门控循环单元的计算过程如公式(4)～(7)所示。其中，zt和rt分别表示更新门和重置门，ht表示门控循环单元在t时刻的隐藏状态，表示ht的候选状态，xt表示t时刻输入的特征向量，ht-1表示t-1时刻的隐藏状态，σ表示Sigmoid激活函数，tanh表示双曲正切激活函数，⊙代表矩阵乘法，Wz，Wr，Wh，Uz，Ur，Uh，bz，br，bh为需要学习的参数。zt＝σ(Wzxt+Uzht-1+bz)(4)rt＝σ(Wrxt+Urht-1+br)(5)步骤3.2针对门控循环单元引入注意力机制。对于门控循环单元输出的t时刻的隐藏状态ht，采用以下注意力机制公式进行处理：et＝vetanh(Weht+be)(8)其中，ve，We，be为需要学习的参数，et为第t个时刻隐藏状态ht对应的注意力评分值，tanh为激活函数，T表示时刻总个数，αt为et进行Softmax归一化后得到的权重系数，c对门控循环单元输出的各个时刻隐藏状态进行了加权，表示含有注意力概率分布的交通流特征。步骤4.利用交通流数据的周期特性提取周期特征。人们每天的工作时间通常是固定的，因此出行产生的交通流量存在以日、周为单位的相似规律。分别以日、周为周期单位构建周期流量输入矩阵如下所示：其中，d表示预测时刻在前一天的对应时刻，w表示预测时刻在前一周的对应时刻，n为周期时间步长，s表示需要预测的观测点总数量，x(d+n)s表示第s个观测点在第d+n个时刻的交通流量，x(w+n)s表示第s个观测点在第w+n个时刻的交通流量。对于周期流量输入矩阵，不同观测点之间的空间影响较小，仅需提取时间特征，因此将其输入到引入注意力机制的门控循环单元中进行处理，以获取交通流数据的周期特征。步骤5.融合所有特征进行预测。将步骤2和步骤3提取的时空特征和步骤4提取的周期特征进行拼接融合，输入到全连接层中进行处理，最后输出所有观测点的预测流量。使用均方误差函数作为模型训练的损失函数，该函数具体定义如下：其中，Pst表示第s个观测点在第t个时刻的交通流预测值，Fst表示第s个观测点在第t个时刻的交通流真实值，N是预测值的总个数。根据上述损失函数，通过反向传播算法不断更新模型参数。训练好模型之后，将之前时刻的交通流数据输入到本文档来自技高网...

【技术保护点】
1.一种基于深度学习的短时交通流预测方法，其特征在于，包括以下步骤：/n步骤1.交通流数据预处理；对观测点所有时刻的交通流数据进行最大最小归一化处理，计算公式为：/n

【技术特征摘要】
1.一种基于深度学习的短时交通流预测方法，其特征在于，包括以下步骤：
步骤1.交通流数据预处理；对观测点所有时刻的交通流数据进行最大最小归一化处理，计算公式为：



其中，xmax和xmin分别表示观测点所有时刻交通流数据的最大值和最小值，x为观测点某个时刻的交通流，f为x最大最小归一化之后的交通流；
将归一化后的交通流数据转换为二维的交通流量输入矩阵，矩阵的两个维度分别为时间维度和空间维度；构建交通流量输入矩阵如下所示：



其中，横向表示所有观测点在一个时刻的交通流数据，s表示观测点的个数，纵向表示一个观测点对应的所有时刻数据，t表示时刻的个数，矩阵中的元素xts表示第s个观测点在第t个时刻的交通流量；
步骤2.构建卷积神经网络提取空间特征；为了充分保留特征，不使用池化层对特征矩阵进行压缩，只使用卷积层提取特征；使用一维卷积处理交通流量输入矩阵中的每一行元素，通过滑动一维卷积的卷积核获取相邻观测点的空间特征；使用以下公式表示卷积操作：
ci＝f(Wcxi+bc)(3)
其中，ci表示第i个卷积核在滑动过程中提取的局部特征，Wc表示卷积核处理输入的权重，bc为偏置项，xi表示第i个卷积核对应的输入，f表示LeakyRelu激活函数；
步骤3.构建引入注意力机制的门控循环单元提取时间特征；将步骤2提取的空间特征输入到引入注意力机制的门控循环单元中进行处理，从而提取时间特征；引入注意力机制的门控循环单元的构建过程如下：
步骤3.1构建门控循环单元；门控循环单元的计算过程如公式(4)～(7)所示；其中，zt和rt分别表示更新门和重置门，ht表示门控循环单元在t时刻的隐藏状态，表示ht的候选状态，xt表示t时刻输入的特征向量，ht-1表示t-1时刻的隐藏状态，σ表示Sigmoid激活函数，tanh表示双曲正切激活函数，⊙代表矩阵乘法，Wz，Wr，Wh，Uz，Ur，Uh，bz，br，bh为需要学...

【专利技术属性】
技术研发人员：李壮壮，桂智明，郭黎敏，姚思佳，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11