一种基于时间卷积网络的车流量短期预测优化应用方法技术

本发明专利技术公开了一种基于时间卷积网络的车流量短期预测优化应用方法，包括采集车流量数据信息；对所述数据信息进行预处理，统计车流量的实际值；根据所述实际值构建时间卷积网络，并对所述网络进行训练；将车流量的实时数据输入训练好的所述时间卷积网络，实现对车流量的短期预测。本发明专利技术方法在利用时间卷积网络在处理预测问题时，解决了利用时间跨度长或空间相似度高的历史数据能力的缺陷，提高了短期车流量预测的精度。

【技术实现步骤摘要】
一种基于时间卷积网络的车流量短期预测优化应用方法
本专利技术涉及车流量预测的
，尤其涉及一种基于时间卷积网络的车流量短期预测优化应用方法。
技术介绍
一般而言，对于交通短期流量的预测模型可以大致分为基于统计的传统模型和基于神经网络的新式模型。由于建立在数学模型之上，在使用单一基于统计的传统模型时，它将具有明确的机理，可解释性良好。然而实际情况的复杂使预测值和实际值的误差较大，精度较低。例如，差分自回归移动平均模型(ARIMAAutoregressiveIntegratedMovingAveragemodel)为目前典型的基于统计的传统模型，是公认的交通预测框架。但是，这种类型模型的时间受到其固定时间假设的限制，即在对交通流量预测进行预测时，不考虑时空关系。不可避免地，使用这种方法对交通流量进行短期预测会使准确性降低。最近的研究结果表明时间卷积网络(TCNTemporalConvolutionalNetwork)在进行大规模序列建模任务时优于基线递归架构，如时序动作分割和语音分析与合成，相对于RNNs及其变体，在不利用递归架构的情况下，TCNs不仅实现了更好的性能，且减少了训练的计算成本。然而，从实际意义出发，TCN不得不放弃较长时间之前、对预测区间几乎不起作用的数据。这会使TCN忽略很多有较高价值的历史数据。例如，从空间上看，某一地点的车流量长期以来在一固定时间段内的变化趋势保持着极大的相似性，由于这一相似性可以通过长期历史数据捕获，而这正是关注于短期预测的TCN所忽略的；同样，从时间上看，每年的同一时间段，如五一假期，往往也呈现出极为相似的车流量情况。而获取这类具有较高价值的信息，同样依赖于往年长期的历史数据，不幸的是TCN也同样忽略了这一信息。近年来，注意力机制(Attention)在自然语言处理(NLPNaturalLanguageProcessing)领域能专注于某些能对结果产生重大影响的输入数据，并取得了很好的训练效果。显然，通过弥补TCN利用时间跨度长或空间相似度高的历史数据能力的缺陷，注意力机制与TCN的有机结合有着广阔前景。
技术实现思路
本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。鉴于上述现有预测车流量的技术存在的问题，提出了本专利技术。因此，本专利技术解决的技术问题是：传统利用时间卷积网络进行车流量预测的方法，由于放弃了较长时间之前数据，使其忽略很多有较高价值的历史数据信息，因此降低了车流量预测的准确性和效率。为解决上述技术问题，本专利技术提供如下技术方案：采集车流量数据信息；对所述数据信息进行预处理，统计车流量的实际值；根据所述实际值构建时间卷积网络，并对所述网络进行训练；将车流量的实时数据输入训练好的所述时间卷积网络，实现对车流量的短期预测。作为本专利技术所述的基于时间卷积网络的车流量短期预测优化应用方法的一种优选方案，其中：所述对数据信息进行预处理包括，利用目标检测算法对视频数据进行识别并统计车流量实际值。作为本专利技术所述的基于时间卷积网络的车流量短期预测优化应用方法的一种优选方案，其中：所述构建时间卷积网络包括，构建因果卷积网络；在所述因果卷积网络中加入膨胀卷积层和残差卷积层；构建包含因果卷积层以及所述膨胀卷积层、残差层的时间卷积网络；所述时间卷积网络结合注意力机制，使网络专注于输入数据的特征；输入车流量数据，训练所述时间卷积网络模型。作为本专利技术所述的基于时间卷积网络的车流量短期预测优化应用方法的一种优选方案，其中：所述构建因果卷积网络包括，利用一维全卷积网络体系结构将任意长度的输入序列映射到长度相同的输出序列，其中每个隐藏层的长度与输入层的长度相同，零填充为添加以保持后续层的长度相同，将输入的序列转化为一个保证时序因果性的被卷积序列。作为本专利技术所述的基于时间卷积网络的车流量短期预测优化应用方法的一种优选方案，其中：所述膨胀卷积层包括，一维序列输入和滤波器分别设置为：x∈R、f:{0,...,k-1}→R，所述膨胀卷积层计算在时间t内的交通流量F，其计算公式为：其中：d为膨胀因子，k为滤波器大小，t-d·i为指示过去的方向。作为本专利技术所述的基于时间卷积网络的车流量短期预测优化应用方法的一种优选方案，其中：所述残差卷积层包括，所述残差卷积层即构建残差块，所述残差块定义为：y＝F(x,Wi)+x其中：y为要考虑的图层的输出向量，函数F(x,Wi)为网络需要学习的残差映射，Wi为第i层的权重。作为本专利技术所述的基于时间卷积网络的车流量短期预测优化应用方法的一种优选方案，其中：所述时间卷积网络包括，在所述时间卷积网络中，将第i层和第j块的激活函数设定为所述时间卷积网络中每层的滤波器Fw数量相同，和分别为在时间t时所述膨胀卷积层和残差卷积层的输出，其计算公式如下：其中：W1W2为权重参数，和为所述残差网络的权重和偏置项，对各个卷积层的输出结果进行跳跃连接相加，获得t时刻的预测结果。作为本专利技术所述的基于时间卷积网络的车流量短期预测优化应用方法的一种优选方案，其中：所述获得t时刻的预测结果包括，在所述跳跃连接中，满足其中是的结果，根据对时间t的结果进行预测，其公式如下：其中：为权重矩阵，c∈RC为偏置项。本专利技术的有益效果：本专利技术方法在利用时间卷积网络在处理预测问题时，解决了利用时间跨度长或空间相似度高的历史数据能力的缺陷，提高了短期车流量预测的精度。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：图1为本专利技术一个实施例提供的基于时间卷积网络的车流量短期预测优化应用方法的基本流程图；图2为本专利技术一个实施例提供的基于时间卷积网络的车流量短期预测优化应用方法的膨胀卷积示意图；图3为本专利技术一个实施例提供的基于时间卷积网络的车流量短期预测优化应用方法的残差卷积示意图；图4为本专利技术二个实施例提供的基于时间卷积网络的车流量短期预测优化应用方法的工作原理示意图；图5为本专利技术三个实施例提供的基于时间卷积网络的车流量短期预测优化应用方法的自回归积分滑动平均模型预测结果与实际车流量对比图；图6为本专利技术三个实施例提供的基于时间卷积网络的车流量短期预测优化应用方法的gru神经网络预测结果与实际车流量对比图；图7为本专利技术三个实施例提供的基于时间卷积网络的车流量短期预测优化应用方法的长短期记忆网络预测结果与实际车流量对比图；图8为本专利技术三个实施例提供的基于时间卷积网络的车流量短期预测优化应用方法的本专利技术预测结果与本文档来自技高网...

【技术保护点】
1.一种基于时间卷积网络的车流量短期预测优化应用方法，其特性在于，包括：/n采集车流量数据信息；/n对所述数据信息进行预处理，统计车流量的实际值；/n根据所述实际值构建时间卷积网络，并对所述网络进行训练；/n将车流量的实时数据输入训练好的所述时间卷积网络，实现对车流量的短期预测。/n

【技术特征摘要】
1.一种基于时间卷积网络的车流量短期预测优化应用方法，其特性在于，包括：
采集车流量数据信息；
对所述数据信息进行预处理，统计车流量的实际值；
根据所述实际值构建时间卷积网络，并对所述网络进行训练；
将车流量的实时数据输入训练好的所述时间卷积网络，实现对车流量的短期预测。


2.如权利要求1所述的基于时间卷积网络的车流量短期预测优化应用方法，其特征在于：所述对数据信息进行预处理包括，
利用目标检测算法对视频数据进行识别并统计车流量实际值。


3.如权利要求1或2所述的基于时间卷积网络的车流量短期预测优化应用方法，其特征在于：所述构建时间卷积网络包括，
构建因果卷积网络；
在所述因果卷积网络中加入膨胀卷积层和残差卷积层；
构建包含因果卷积层以及所述膨胀卷积层、残差层的时间卷积网络；
所述时间卷积网络结合注意力机制，使网络专注于输入数据的特征；
输入车流量数据，训练所述时间卷积网络模型。


4.如权利要求3所述的基于时间卷积网络的车流量短期预测优化应用方法，其特征在于：所述构建因果卷积网络包括，
利用一维全卷积网络体系结构将任意长度的输入序列映射到长度相同的输出序列，其中每个隐藏层的长度与输入层的长度相同，零填充为添加以保持后续层的长度相同，将输入的序列转化为一个保证时序因果性的被卷积序列。


5.如权利要求4所述的基于时间卷积网络的车流量短期预测优化应用方法，其特征在于...

【专利技术属性】
技术研发人员：崔天泽，窦迅，罗海峰，周洋，祝溢泽，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：江苏;32