基于長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于智能交通系統(tǒng)領(lǐng)域，具體涉及一種基于長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)的短 時(shí)交通流預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 作為智能交通系統(tǒng)（IntelligentTransportationSystem，ITS)的核心內(nèi)容之 一，智能交通控制與誘導(dǎo)系統(tǒng)一直是智能交通系統(tǒng)研究的熱門課題。智能控制與誘導(dǎo)的實(shí) 現(xiàn)能有效地緩解交通堵塞、減輕環(huán)境污染，提供高效安全的道路通行狀況。這些實(shí)現(xiàn)的前提 和關(guān)鍵是能夠?qū)Χ虝r(shí)交通流量進(jìn)行準(zhǔn)確的預(yù)測(cè)，預(yù)測(cè)的準(zhǔn)確度直接決定了控制和誘導(dǎo)的有 效性。
[0003] 經(jīng)對(duì)現(xiàn)有技術(shù)的文獻(xiàn)檢索發(fā)現(xiàn)，已有的預(yù)測(cè)模型大致可以分為參數(shù)化和非參數(shù)化 模型兩類。早期的研究者們使用基于時(shí)間序列分析的參數(shù)化模型來(lái)預(yù)測(cè)交通流。Levin 等使用Box-Jenkins時(shí)間序列分析來(lái)預(yù)測(cè)高速公路交通流，發(fā)現(xiàn)差分自回歸移動(dòng)平均 (AutoregressiveIntegratedMovingAverage，ARIMA)模型在統(tǒng)計(jì)上最有效。由于交通 流數(shù)據(jù)很難用參數(shù)化模型解析的數(shù)學(xué)公式描述，導(dǎo)致預(yù)測(cè)準(zhǔn)確率不夠理想。目前研究集中 在基于機(jī)器學(xué)習(xí)的非參數(shù)模型來(lái)預(yù)測(cè)短時(shí)交通流。傅貴等使用支持向量機(jī)回歸（Support VectorMachine，SVM)模型來(lái)預(yù)測(cè)短時(shí)交通流。由于人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeural NetW〇rk，ANN)在處理較為復(fù)雜的非線性問(wèn)題上的優(yōu)勢(shì)，研究者們提出了各種基于人工神經(jīng) 網(wǎng)絡(luò)的模型和算法，近幾年隨著深度學(xué)習(xí)的提出，也有研究者將深度學(xué)習(xí)的引入該領(lǐng)域。Lv Y等和HuangW等分別使用棧式自動(dòng)編碼器（StackedAutoencoder，SAE)和深信度網(wǎng)絡(luò) (DeepBeliefNetworks，DBN)兩種深度學(xué)習(xí)模型來(lái)對(duì)交通流進(jìn)行建模和預(yù)測(cè)。但這些模 型的輸入都要求為靜態(tài)的定長(zhǎng)的歷史數(shù)據(jù)，不能動(dòng)態(tài)地確定最優(yōu)的歷史數(shù)據(jù)長(zhǎng)度，導(dǎo)致它 們不能非常有效地動(dòng)態(tài)捕獲短時(shí)交通流非線性、隨機(jī)性等復(fù)雜的特征。因此，預(yù)測(cè)效果仍然 不夠令人滿意。

【發(fā)明內(nèi)容】

[0004] 為了解決現(xiàn)有方法不能記憶歷史交通流數(shù)據(jù)，從而無(wú)法動(dòng)態(tài)確定最優(yōu)歷史長(zhǎng)度導(dǎo) 致預(yù)測(cè)精度不夠理想的問(wèn)題，本發(fā)明的目的是通過(guò)基于長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)交通流預(yù) 測(cè)模型，動(dòng)態(tài)確定最優(yōu)歷史長(zhǎng)度，從而獲得更好的預(yù)測(cè)效果。
[0005] 為實(shí)現(xiàn)上述目的，本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的。
[0006] -種基于長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法，該方法包括如下步 驟：
[0007] 步驟S1、根據(jù)預(yù)測(cè)的時(shí)間間隔對(duì)歷史交通流數(shù)據(jù)進(jìn)行聚合；
[0008] 步驟S2、對(duì)聚合后的歷史交通流數(shù)據(jù)進(jìn)行歸一化預(yù)處理，主要是使用min-max方 法
[0009] 對(duì)數(shù)據(jù)進(jìn)行歸一化：
[0010]
[0011] 其中f為歸一化預(yù)處理后數(shù)據(jù)，min為樣本數(shù)據(jù)最小值，max為樣本數(shù)據(jù)最大值， X為待歸一化預(yù)處理的歷史交通流數(shù)據(jù)；
[0012] 步驟S3、合理設(shè)定長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的各個(gè)參數(shù)；
[0013] 步驟S4、利用經(jīng)過(guò)聚合和歸一化預(yù)處理的歷史交通流數(shù)據(jù)，訓(xùn)練已設(shè)置合理參數(shù) 的長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，形成已訓(xùn)練交通流預(yù)測(cè)模型；
[0014] 步驟S5、利用已訓(xùn)練交通流預(yù)測(cè)模型預(yù)測(cè)指定時(shí)間間隔的交通流，并評(píng)估預(yù)測(cè)誤 差。
[0015] 優(yōu)選地，所述歷史交通流數(shù)據(jù)為特定觀測(cè)點(diǎn)在一定時(shí)間（指定時(shí)間）間隔內(nèi)經(jīng)過(guò) 的車輛數(shù)。
[0016] 優(yōu)選地，所述步驟S1將一定時(shí)間（指定時(shí)間）間隔內(nèi)的若干個(gè)歷史交通流數(shù)據(jù)進(jìn) 行累加，得到觀測(cè)點(diǎn)指定時(shí)間間隔的聚合后的歷史交通流數(shù)據(jù)。
[0017] 優(yōu)選地，所述步驟S2為，在聚合后的歷史交通流數(shù)據(jù)中計(jì)算樣本數(shù)據(jù)的最小值 min和最大值max，使用min-max方法對(duì)數(shù)據(jù)進(jìn)行歸一化，使歸一化預(yù)處理后的歷史交通流 數(shù)據(jù)值域?yàn)閰^(qū)間[0，1];具體地，(X-minV(maX-min)，其中^為歸一化預(yù)處理后數(shù)據(jù)， min為樣本數(shù)據(jù)最小值，max為樣本數(shù)據(jù)最大值，X為X為待歸一化預(yù)處理的歷史交通流數(shù) 據(jù)；所述樣本數(shù)據(jù)具體是指：聚合后的歷史交通流數(shù)據(jù)中用于訓(xùn)練和測(cè)試的所有數(shù)據(jù)。
[0018] 優(yōu)選地，所述步驟S3需要合理設(shè)定長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的以下任 一個(gè)或任多個(gè)參數(shù)：輸入層結(jié)點(diǎn)數(shù)，隱層層數(shù)，每個(gè)隱層的結(jié)點(diǎn)數(shù)和輸出層結(jié)點(diǎn)數(shù)。
[0019] 優(yōu)選地，所述步驟S4進(jìn)一步包括以下步驟：
[0020] 步驟S41、將經(jīng)過(guò)聚合和歸一化預(yù)處理的歷史交通流數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)集和測(cè) 試數(shù)據(jù)集；
[0021] 步驟S42、利用訓(xùn)練數(shù)據(jù)集，在已設(shè)定合理參數(shù)的長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)交通流 預(yù)測(cè)模型上使用歷時(shí)方向傳播（BackPropagationThroughTime，BPTT)算法進(jìn)行訓(xùn)練，并 計(jì)算長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在測(cè)試數(shù)據(jù)集上的平均誤差；
[0022] 步驟S43、選擇測(cè)試數(shù)據(jù)集上誤差最小的長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型作為 指定時(shí)間間隔交通流數(shù)據(jù)的已訓(xùn)練交通流預(yù)測(cè)模型。
[0023] 優(yōu)選地，所述步驟S5進(jìn)一步包括以下步驟：
[0024] 步驟S51、將歷史交通流數(shù)據(jù)作為輸入數(shù)據(jù)進(jìn)行指定時(shí)間間隔聚合和歸一化預(yù)處 理；
[0025] 步驟S52、將步驟S51獲得的聚合和歸一化處理后的數(shù)據(jù)輸入所述長(zhǎng)短時(shí)記憶遞 歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，進(jìn)行前向計(jì)算，得到對(duì)應(yīng)的輸出數(shù)據(jù)，即對(duì)下一指定時(shí)間間隔的交通 流數(shù)據(jù)的歸一化預(yù)測(cè)值；
[0026] 步驟S53、將步驟S52得到的下一指定時(shí)間間隔的交通流數(shù)據(jù)的歸一化預(yù)測(cè)值進(jìn) 行反歸一化處理，得到對(duì)指定時(shí)間間隔的交通流數(shù)據(jù)預(yù)測(cè)值；
[0027] 步驟S54、將步驟S53得到的指定時(shí)間間隔的交通流數(shù)據(jù)預(yù)測(cè)值與對(duì)應(yīng)的實(shí)際預(yù) 測(cè)值進(jìn)行對(duì)比，計(jì)算誤差，得到長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的誤差。
[0028] 本發(fā)明提供的基于長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)（LongShort-TermMemory RecurrentNeuralNetwork)的短時(shí)交通流預(yù)測(cè)方法，該方法包括以下步驟：根據(jù)短時(shí)交通 流的預(yù)測(cè)時(shí)間間隔，對(duì)輸入的歷史交通流數(shù)據(jù)進(jìn)行聚合；對(duì)聚合后的歷史交通流進(jìn)行預(yù)處 理；對(duì)長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)設(shè)置合理的參數(shù)；使用預(yù)處理后的數(shù)據(jù)訓(xùn)練該神經(jīng)網(wǎng)絡(luò)預(yù) 測(cè)模型；調(diào)用預(yù)測(cè)模型預(yù)測(cè)指定時(shí)間間隔的交通流量并評(píng)估預(yù)測(cè)誤差。本發(fā)明利用了長(zhǎng)短 時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)能夠長(zhǎng)時(shí)記憶輸入歷史數(shù)據(jù)的優(yōu)勢(shì)，可以得到更高的預(yù)測(cè)精度，且對(duì) 不同的預(yù)測(cè)間隔有較好的擴(kuò)展性。
[0029] 與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：
[0030] 1、使用長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)短時(shí)交通流，該模型具有長(zhǎng)時(shí)記憶歷史 數(shù)據(jù)的優(yōu)點(diǎn)；
[0031] 2、使用長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)模型可以動(dòng)態(tài)確定最優(yōu)歷史數(shù)據(jù)長(zhǎng)度，以得到更 高的預(yù)測(cè)精確度；
[0032] 3、長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型對(duì)不同的預(yù)測(cè)時(shí)間間隔有很好的擴(kuò) 展性。
【附圖說(shuō)明】
[0033] 通過(guò)閱讀參照以下附圖對(duì)非限制性實(shí)施例所作的詳細(xì)描述，本發(fā)明的其它特征、 目的和優(yōu)點(diǎn)將會(huì)變得更明顯：
[0034] 圖1為本發(fā)明方法的流程圖。
[0035] 圖2為本發(fā)明采用的長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)架構(gòu)示意圖。
[0036] 圖3為本發(fā)明模型計(jì)算所得的短時(shí)交流預(yù)測(cè)值與觀測(cè)值對(duì)比圖。
[0037] 圖4為本發(fā)明和多個(gè)已有方法之間的平均絕對(duì)百分比誤差對(duì)比圖。
[0038] 圖5為本發(fā)明