一种基于门控循环单元神经网络的交通拥堵预警方法技术

一种基于门控循环单元神经网络的交通拥堵预警方法，包括：1)获取车道检测器采集的交通流数据信息，包括流量、占有率和速度信息；2)对数据进行预处理，处理其中不合理的部分，以免对后续训练模型的精度造成影响，之后再进行标准化处理；3)构建注意力机制和门控循环单元神经网络的组合模型，将样本集分成训练集、测试集和验证集；4)定义模型损失函数，基于反向传播理论训练模型；5)设定拥堵状态评判标准，对模型输出结果进行判断，实现交通拥堵预警。本发明专利技术能够通过已知的交通流数据对下一时刻的交通流信息进行预测，并根据预测的结果对路口未来时刻是否发生拥堵做出判断，比较准确地实现了交通拥堵预警。实现了交通拥堵预警。实现了交通拥堵预警。

【技术实现步骤摘要】
一种基于门控循环单元神经网络的交通拥堵预警方法


[0001]本专利技术涉及一种基于门控循环单元神经网络的交通拥堵预警方法。
技术背景
[0002]近些年来，随着中国城市化水平的不断提高，中国的汽车产业发展十分迅猛。现如今，庞大的机动车保有量以及其仍具有的快速增长态势，给城市基础道路交通运输系统带来了不小的挑战，对城市交通的发展提出了更高的要求。
[0003]基于此，应用现如今前沿的科学技术，如数据通信技术、传感器技术、大数据、人工智能等，与交通领域的实际情况、实际问题相结合，将之有效地综合运用于整个交通运输管理体系中，从而建立起一种实时、准确、高效的综合运输和管理系统就成为解决交通问题的一个有效途径。这其中，交通拥堵预警是这方面研究的重要组成部分。现有技术中存在短时交通流预测准确度低的不足。即时、准确的短时交通流预测，用于预知可能发生的拥堵，并有时间提前对拥堵做出预警，辅助交通管理人员对城市道路交通运行状况有一个更为及时的把控，为更加准确的交通控制提供了依据，从而更好地发挥整个交通系统的协调作用。

技术实现思路

[0004]本专利技术要克服现有技术上的不足，实现比较准确的交通拥堵预警，提供一种基于门控循环单元神经网络的交通拥堵预警方法。
[0005]循环神经网络适合用以处理时间序列数据，而相比于普通的循环神经网络，门控循环单元神经网络有效地解决了无法处理长期依赖的问题。本专利技术更是将注意力机制运用进门控循环单元神经网络中，使得训练得到的模型的效果和准确度得到进一步的提升。
[0006]本专利技术解决其技术问题所采用的技术方案是：
[0007]一种基于门控循环单元神经网络的交通拥堵预警方法，含有以下步骤：
[0008]1)通过城市中各个节点车道检测器采集交通流数据信息，得到原始交通流数据样本集，其中，数据包括三个特征：流量值、占有率和速度值。
[0009]2)对获取的交通流数据进行预处理，之后作为神经网络的训练数据集。
[0010]3)构建注意力机制和门控循环单元神经网络相结合的组合模型。
[0011]4)定义模型损失函数，基于反向传播理论训练模型。
[0012]5)设定交通拥堵状态评判标准，针对短时交通流预测结果进行判断，对未来时刻是否发生拥堵做出预警。
[0013]在步骤1)中，数据采集的环境不限于具体的某个城市和特定的时间段；用于采集交通流数据信息的车道检测器设备包括线圈检测器、地磁检测器及相关设备。
[0014]在步骤2)中，对获取的交通流数据进行预处理，其具体内容为：
[0015](2.1)筛选掉不合理的数据：对于一个时间区间，当该区间内检测器采集到的数据缺失量大于10％时，其已经在某种程度上破坏了整体数据的完整性和规律性，则直接舍弃掉这段区间内的所有数据，不加入到后续神经网络的训练中。对于在空间维度上是同一节
点，同一时刻输出多条交通流数据的情况，值相同，取其中一条数据；值不同，则只取第一条数据。当某个节点某一时刻输出的数据与前一时刻和后一时刻同时相比增长或者降低幅度大于3倍，那么该数据信息要被筛选掉，不予训练，以待后续处理。不符合采集路段实际道路情况的数据信息也要被筛选掉。因同一时刻获取的交通流数据同时包含流量、占有率和速度三个特征，结合交通常识与逻辑综合分析这三个特征数据同时存在的合理性，不合理时刻的所有数据要被舍弃。
[0016](2.2)对被筛选掉的和缺失的数据进行处理：当被筛选掉的和缺失的数据占其邻近一段时间数据总量的比例小于3％时，其对整个数据体现出的趋势影响很小。那么对于这种情况，被筛选掉的和缺失的数据不用补充，其对模型的训练效果没有影响。而在一段时间区间内，被筛选掉的和缺失的数据量大于6％且小于10％时，不进行修复和填充会对模型训练效果产生影响，要根据缺失数据前一时刻和后一时刻的实际数据及其变化趋势，新计算一个数据替代。应实际交通流情况，直接采用邻近时刻数据(前一时刻或者后一时刻)、算数平均值或者加权平均值进行补充：
[0017][0018][0019]式中，x
t
表示待计算后填充的t时刻数据，x
t
‑
k
,..,x
t
‑1,x
t+1
,...,x
t+k
为邻近t
‑
k,...,t
‑
1,t+1,...,t+k时刻的数据值，其中k取正整数。w
t
‑
k
,...,w
t
‑1,w
t+1
,...,w
t+k
则为对应时刻的权数，n为分子中所有权数的总和。权数取值的思想是：根据整体趋势判断哪一时刻对t时刻的影响更大，相应时刻的权数也更大，最终计算的x
t
也更合理。
[0020](2.3)对剩余数据进行标准化处理：经过前两步的处理后，将所得的交通流数据信息(包括流量、占有率和速度)统一做标准化的处理，使其服从标准正态分布，有益于提升模型整体的训练效果。标准化方法为均值方差标准化，计算公式如下：
[0021][0022]式中，x'为单个数据标准化后的结果，x为单个数据的取值，为对应特征的均值，σ为对应特征的标准差。
[0023]在步骤3)中，构建注意力机制和门控循环单元神经网络相结合的组合模型：
[0024](3.1)将经过预处理的数据样本集按7：2：1的比例分成训练集、测试集和验证集，用于对模型进行训练；
[0025](3.2)构建注意力机制和门控循环单元神经网络组合模型：门控循环单元神经网络在处理长时间序列数据问题上效果良好，有效地解决了普通循环神经网络无法处理长期依赖的问题。它是由长短期记忆网络改进而来，在保留门结构的基础上同时做出了优化，相比之下，模型所需参数更少、效率更高。门控循环单元神经网络由重置门和更新门组成，重置门组合新输入的信息和之前的记忆，更新门决定留下多少之前的记忆，它的隐含层状态及门结构的输出为：
[0026]h
t
＝(1
‑
z
t
)*h
(t
‑
1)
+z
t
*E
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0027]z
t
＝σ(W
z
x
t
+b
z
+W
hz
h
(t
‑
1)
+b
hz
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0028]r
t
＝σ(W
r
x
t
+b
r
+W
hr
h
(t
‑
1)
+b
hr
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ...

【技术保护点】

【技术特征摘要】
1.一种基于门控循环单元神经网络的交通拥堵预警方法，包括以下步骤：1)通过车道检测器采集交通流数据信息，得到原始交通流数据样本集；2)对获取的交通流数据进行预处理，之后作为神经网络的训练数据集；3)构建注意力机制和门控循环单元神经网络的组合模型；4)定义模型损失函数，基于反向传播理论训练模型；5)设定交通拥堵状态评判标准，针对短时交通流预测结果进行判断，对未来时刻拥堵做出预警。2.如权利要求1所述的一种基于门控循环单元神经网络的交通拥堵预警方法，其特征在于，所述步骤1)中，交通流数据信息包括3个特征：流量值、占有率和速度值；数据采集的环境不限于具体的某个城市和特定的时间段；用于采集交通流数据信息的车道检测器设备包括线圈检测器、地磁检测器及相关设备。3.如权利要求1所述的一种基于门控循环单元神经网络的交通拥堵预警方法，其特征在于，所述步骤2)中，对获取的交通流数据进行预处理，包括以下步骤：2.1)筛选掉不合理的数据：对于一个时间区间，当该区间内检测器采集到的数据缺失量大于10％，则直接舍弃掉该区间内的所有数据；当在空间维度上是同一节点，同一时刻输出多条交通流数据时，值相同，取其中一条数据，值不同，则只取第一条数据；当节点输出的数据与前一时刻和后一时刻同时相比增长或者降低幅度大于3倍时，筛选掉该数据信息；同一时刻获取的交通流数据同时包含流量、占有率和速度三个特征，结合交通常识与逻辑综合分析这三个特征数据同时存在的合理性，不合理时刻的所有数据要被舍弃；不符合采集路段实际道路情况的数据信息也要被筛选掉；2.2)对被筛选掉的数据和缺失的数据进行处理：当被筛选掉的数据和缺失的数据占其邻近一段时间数据总量的比例小于3％时，这些缺失的数据不用补充；当在一段时间区间内，被筛选掉的和缺失的数据量大于6％且小于10％时，根据缺失数据前一时刻和后一时刻的实际数据及其变化趋势，新计算一个数据替代；应实际交通流情况，采用邻近时刻数据、均值或者加权平均值进行补充：均值或者加权平均值进行补充：式中，x
t
表示待计算后填充的t时刻数据，x
t
‑
k
,..,x
t
‑1,x
t+1
,...,x
t+k
为邻近t
‑
k,...,t
‑
1,t+1,...,t+k时刻的数据值，其中k取正整数；w
t
‑
k
,...,w
t
‑1,w
t+1
,...,w
t+k
则为对应时刻的权数，n为分子中所有权数的总和；2.3)对剩余数据进行标准化处理：经过前两步的处理后，对剩余的交通流数据信息(包括流量、占有率和速度)统一做标准化的处理，使其服从标准正态分布，有益于提升模型的训练效果；标准化方法为均值方差标准化，计算公式如下：式中，x'为单个数据标准化后的结果，x为单个数据的取值，为对应特征的均值，σ为对应特征的标准差。4.如权利要求1所述的一种基于门控循环单元神经网络的交通拥堵预警方法，其特征
在于，所述步骤3)中，构建注意力机制和门控循环单元神经网络的组合模型：3.1)将训练数据集按7：2：1的比例分成训练集、测试集和验证集；3.2)构建基于注意力机制和门控循环单元神经网络的组合模型：组合模型应用编码器
‑
解码器结构，编码器、解码器使用的是门控循环单元神经网络，在编码、解码的过程中应用的是注意力机制；其中，门控循环单元神经网络由重置门和更新门组成，它的隐含层状态及门结构的输出为：h
t
＝(1
‑
z
t
)*h
(t
‑
1)
+z
t
*E
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)z
t
＝σ(W
z
x
t
+b
z
+W
hz
h
(t
‑
1)
+b
hz
)
ꢀꢀꢀꢀꢀꢀ
(5)r
t
＝σ(W
r
x
t
+b
r
+W
hr
h
(t
‑
1)
+b
hr
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(6)E
t
＝tan h(W
E
x
t
+b
E
+r
t
*(W
hE
h
(t
‑
1)
+b
hE
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)式中，x
t
,h
t
,z
t
,r
t
,E
t
分别为t时刻输入、隐含层状态、更新门输出、重置门输出、当前...

【专利技术属性】
技术研发人员：郭海锋，程茂恒，刘瑞，吴铨力，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：