技术领域
[0001] 本
发明涉及
深度学习在智慧交通技术领域，具体为一种结合时空特性的面向路网的交通流量短时预测方法。
背景技术
[0002] 随着信息化的发展，各个行业都开始探索利用计算机技术实现转变；智慧交通是研究将计算机新技术应用在交通领域的热点研究内容。深度学习是目前利用数据进行
预测分析的高效方法，而交通数据具有海量性、高价值等特点；因此，采用深度学习的计算机方法对交通数据做预测分析是可行的。
[0003] 传统的预测方法包括ARIMA、MA、卡尔曼滤波等数据分析方法，这些方案的预测
精度普遍不高，在早期交通数据不足时，可以用作初步的预测。传统的模型训练简单，对于周期性的序列有较好的适应性，但模型
稳定性差，适用性窄。在我国的现代化建设中，道路交通设施一直在不断的发展；交通领域的信息化程度也是日渐完善，充分利用交通数据进行预测分析可以有效的舒缓交通压
力，降低交通事故的发生
频率。
[0004] 目前，基于
机器学习的方法成为交通流预测的主流方法，但现有都有一定的局限性；SVR的方法适应于数据规模不大的场景，准确度也较高，但随着可用数据规模的增长，准确度不能有效提升；BP神经网络的网络结构简单，但预测的时间间隔影响其预测性能，只适用于极短时间的交通预测；LSTM的预测准确率较高，但模型稳定性差，在路网上不同
节点的预测效果差别大。
[0005] 深度学习一般是通过构建多层不同类型的神经网络层，并通过数据训练来确定参数，从而得到针对不同任务的网络模型。本发明。从而得到了一种预测路网交通流量的方法，有效的提升了预测准确率，同时保证了模型的稳定性和通用性。
发明内容
[0006] 本发明的目的在于提供一种结合时空特性的面向路网的交通流量短时预测方法，将深度学习运用到路网交通预测任务中，搭建合理的神经网络模型，从而得到路网交通流量短时预测方法，有效提高交通流量的预测准确率，同时保证模型的稳定性和通用性。
[0007] 为实现上述目的，本发明采用的技术方案如下：
[0008] 一种结合时空特性的路网交通流量短时预测方法，包括以下步骤：
[0009] 步骤1、对原始数据进行数据预处理：
[0010] 步骤1.1将数据样本的特征数值化，然后通过插值、滤波、归一化对原始数据进行清洗，得到流量序列；
[0011] 步骤1.2采用小波分解
对流量序列进行平滑处理；
[0012] 步骤1.3将平滑处理后流量序列结合局部空间特征转换为张量形式，同时
构建时间
特征向量和空间特征向量；
[0013] 步骤2、构建神经网络模型：
[0014] 步骤2.1搭建卷积网络对输入进行局部空间特征提取；
[0015] 步骤2.2设置2层循环网络进行时序预测，所述卷积网络层的输出与时间特征向量拼接后，输入到循环网络层；循环网络层的输出与空间特征向量拼接后，输入到分类器；
[0016] 步骤2.3为循环网络层添加注意力机制，为每一次的时序输入设置注意力值；
[0017] 进一步的，所述卷积网络包括5层卷积层，每个卷积核的大小为3、设置激活函数为ReLU，每层卷积层输出后设置一层BN网络。
[0018] 步骤3、训练神经网络模型：
[0019] 设置损失函数为：
[0020]
[0021] 其中，yj表示为样本中真实的值， 表示为通过网络模型输出的值，网络通过反馈调节参数的训练，使得该函数尽可能的小，即模型的输出更接近真实值；
[0023] 步骤4、将交通流量数据经过步骤1相同数据预处理后输入步骤3训练得模型，得到预测分类结果；将类别区间的中位数代表预测的流量值。
[0024] 进一步的，所述步骤1中，流量序列结合局部空间特征转换为张量形式的具体规则为：
[0025] 针对预测节点s的交通流量，将预测节点s作为输入矩阵的中心点；设定局部范围为δ，通过路网的地理信息，将局部范围内与预测节点s有路段直接连接节点称之为直接连接节点、并按照其真实的地理方位排列于输入矩阵；若节点只有一条路段经过，或是路段相连的节点不足δ个，则在矩阵中补0占位；将局部范围内与预测节点s的直接连接节点有路段直接连接节点称之为间接连接节点，并按照其真实的地理方位排列于输入矩阵，进而得到张量形式的输入矩阵。
[0026] 进一步的，所述步骤1中的时间特征向量为：将数值化后的天气weather、星期week、月份mouth组成关于预测杰点的时间特征向量：
[0027] T＝(weather,week,mouth)
[0028] 所述空间特征向量为：将数值化后的城市归属local，客货车占比rate，节点的地理经度longitude、地理纬度latitude组成关于预测杰点的空间特征向量：
[0029] S＝(local,rate,longitude,latitude)。
[0030] 与
现有技术相比，本发明的有益效果在于：
[0031] 本发明提供一种结合时空特性的路网交通流量短时预测方法，采用
深度神经网络模型来解决路网的短时交通流预测问题，相比传统的交通流预测提升了准确度；同时，应对数据规模日益增大的情况，模型可以更有效的利用数据，提升了模型的稳定性。同时，本发明为一种综合的、新颖的、更准确的交通流量预测方法，使得交通流量预测更加简单有效，对海量数据有着很好的支持；利用神经网络的优势，而不需要再通过建立数学函数模型来进行预测，节省了模型设计的时间；本发明以数据为
基础，在交通流量预测相关问题上进行了深入的研究，有着很大的实用价值。
附图说明
[0033] 图2为本发明的数据预处理流程图；
[0034] 图3为本发明的深度神经网络结构图；
[0035] 图4为本发明的网络训练流程图；
[0036] 图5为本发明的网络测试流程图；
[0037] 图6为本发明的神经元结构。
具体实施方式
[0038] 本
说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
[0039] 下面结合附图对本发明做进一步说明：
[0041] 本实施例中数据来源为某省的交通数据，包含路网中每个节点的节点信息、流量信息等，具体的属性包括：节点编号、观测时间、观测间隔、节点经纬度、节点归属地、客货车占比、车流量值、天气记录；具体解释如下所示：
[0042]
[0043] 如图1所示，为整个路网交通流量短时预测方法的流程图，包括：数据预处理、模型建立、模型参数训练、模型结果输出四个步骤，每个大步骤下包含多个小步骤；其中，数据预处理是为了提升数据
质量并为后续的步骤进行数据准备，而模型建立是构建适用于交通预测的神经网络模型，模型参数训练和模型结果输出是指利用数据计算参数得到结果。更为具体的说：
[0044] 步骤1.数据预处理，其流程如图2所示，首先对原始数据进行噪声处理，指对数据缺失、数据异常等“脏数据”进行处理，之后对数据进行数据格式化处理，使之满足后续步骤的输入要求；具体为：
[0045] 1.1数据清洗，针对交通流量时序数据中出现的缺失、异常的情况，序列中存在大量错误信息，会影响到预测的准确度；首先，将原始数据中的非数值特征数值化；然后，计算出交通的流量数据，并对流量数据进行插值处理，填补流量序列的null值；
[0046] 1.2数据平滑，针对
采样间隔短的交通流序列，采用小波函数对流量序列进行db4小波的分解重构，剔除高频
信号，使序列更平滑，从而更能反映真实的流量变化趋势；
[0047] 1.3数据格式化，针对神经网络的设计需要，对原始数据进行数据的格式转化；对于不同的特征采用不同的处理方法：
[0048] 1.3.1交通流量的张量表达，将原始数据的流量数据组成以下形式的张量表达Ms(t)：
[0049]
[0050] 每条样本由多个时间步长的流量矩阵组成，每个时间点的流量矩阵包含预测节点s，同时也包含与s有路径连接关系的局部节点；其中示例的矩阵确定规则如下：
[0051] 首先，确定样本选取的预测节点，
选定预测节点s，将其作为输入矩阵的中心点；
[0052] 然后，确定局部范围δ的路段相连节点；通过路网的地理信息，找到与节点有路段直接连接的最近δ个节点，且按照其真实的地理方位安排这些节点在矩阵间的
位置；特别说明，部分节点可能出现多条路相交，则在矩阵中依方位按“十”字排放，即上述矩阵中，δ取2，则节点s-2、s-1、s+1、s+2、s+2、s+1、s-1、s-2均为节点s路段直接相连的对应方位上的节点；一般情况下，不会出现节点拥有三条及三条以上的路段相交，因为按照真实的交通建设和管理，这样建造的交叉路段引发交通事故的概率极大，所以出现这种多路段交于同一个点的情况极其罕见；因此，本模型在设计时没有考虑这种情况，同时这种情况对于整个路网交通来讲可以作为特例从而进行特殊设计；若节点只有一条路段经过，或是路段相连的节点不足δ个，则在矩阵中补0占位；
[0053] 最后，确定周围节点，周围节点优先考虑间接连接的节点，例如节点s的直接连接节点也是一个相交节点，那么该节点所处的另一条路段上的直接连接节点填入矩阵，即上述矩阵中，节点 均是节点s直接连接节点s-2的另一条路段上的直接连接节点；
[0054] 1.3.2时间特征向量，将天气数值化为-1(恶劣天气如暴雨、
雪、雾)、0(一般天气如小雨)、1(好天气如晴、多
云)，将数值化后的天气weather、星期week、月份mouth组成关于预测点s的时间特征向量：
[0055] Ts(t)＝(weather,week,mouth)
[0056] 1.3.3空间特征向量，将节点数值化后的城市归属local(从0开始对应城市A)，客货车占比rate，节点的地理经度longitude、地理纬度latitude组成关于预测点s的空间特征向量：
[0057] Ss＝(local,rate,longitude,latitude)
[0058] 通过以上的数据预处理，数据样本都是可计算的数值型数据，满足并便于后续步骤；
[0059] 步骤2.模型建立
[0060] 如图3所示为本发明的预测神经网络的结构图，本发明根据具体需求采用了卷积操作进行局部空间特征的提取，采用循环网络进行时序预测，进而对预测的向量通过分类网络进行划分，并通过注意力机制以及时间、空间特征的拼接优化网络性能；具体如下所示：
[0061] 2.1设置卷积网络超参数，根据卷积的特性，需要确定卷积层的网络层数、卷积核大小与激活函数，本发明根据具体性能和实际需要进行设置，具体的超参数如下所示：
[0062] 2.1.1设置卷积网络层为5；
[0063] 2.1.2设置卷积核的大小为3；
[0064] 2.1.3设置激活函数为ReLU；
[0065] 2.1.4每层卷积输出后设置一层BN网络；
[0066] 2.2设置循环网络超参数，需要确定循环层的网络层数、神经元节点结构，本发明根据具体性能和实际需要进行设置，具体的超参数如下所示：
[0067] 2.2.1设置循环网络层为2；
[0068] 2.2.2每个循环网络内的神经元采用长短时机的神经元结构；
[0069] 2.3设置SoftMax作为分类器；
[0070] 2.4将卷积网络层的输出与时间特征向量拼接，通过3层全连接网络改变向量的长度后，输入到循环网络层；
[0071] 2.5将循环网络层的输出与空间特征向量拼接，通过2层全连接网络后，输入到分类器；
[0072] 2.6为循环网络层添加注意力机制，为每一次的时序输入计算注意力值，调整预测受前时序的影响权重；
[0073] 步骤3.模型参数训练
[0074] 深度神经网络模型建立完成后，本发明进入网络模型参数训练这一步骤，如图4所示，整个模型的训练分为正向传递、梯度计算、反向调节三个步骤，每个步骤具体实施情况如下所示：
[0075] 3.1正向传递，输入的每条样本数据按照网络的连接方向计算出本条样本模型的分类结果；对于每个网络层的计算步骤如下：
[0076] 3.1.1卷积层计算，一次卷积计算如下：
[0077]
[0078] 则网络的卷积计算为：
[0079] yt＝σ(conv(xt,Wconv)+bconv)
[0080] 其中，σ()为sigmod函数，conv(xt,Wconv)为输入与权重矩阵做卷积操作，xt表示输入，Wconv表示网络中卷积层的权值，bconv表示偏置参数；
[0081] 3.1.2循环层计算，时序的预测上采用的是主流的LSTM的网络结构，每一个神经元结构如图6所示：输入输出满足公式；
[0082] 输入值：z＝tanh(Wz[ht-1,xt]+bz)
[0083] 输入
门：i＝σ(Wi[ht-1,xt]+bi)
[0084] 遗忘门：ft＝σ(Wf[ht-1,xt]+bf)
[0085] 输出门：o＝σ(Wo[ht-1,xt]+bo)
[0086] 新状态：ct＝f·ct-1+i·z
[0087] 输出：ht＝o·tanct
[0088] 其中，xt表示LSTM当前输入，ct-1表示上一时刻的状态，Wz,Wi,Wf,Wo分别代表LSTM中输入值、输入门、遗忘门和输出门的权重，bz,bi,bf,bo是LSTM中输入值、输入门、遗忘门和输出门的偏置；
[0089] 3.1.3注意力值计算，采用注意力计算公式；
[0090] a＝fφ(x)，Za＝a×z
[0091] 其中，x为网络模型的输入向量，z为引入注意力机制的上层神经网络的输出向量，fφ是一个Softmax的函数、用于计算出各分量的注意力大小(即权重)，Za表示按各分量的比重关系调整神经网络的输出向量输入至网络的下一层；
[0092] 3.1.4分类器计算，采用softmax计算公式：
[0093]
[0094] 其中，Si值的大小表达了预测结果在第i个流量区间的可能性，ei表示每个流量区间的权值，它占所有权值和的比重作为预测结果在该区间的概率；本发明中，将流量值以20为区间宽度将0-1000分为50个类别；
[0095] 3.2梯度计算
[0096] 在神经网络中，采用损失函数的方式来实现对网络参数的调节；本发明使用的损失函数为：
[0097]
[0098] 其中，yj表示真实流量值的流量区间， 表示模型输出的流量区间；
[0099] 训练阶段，可利用得到的正向传递的输出与真实的样本类别的差异，通过梯度下降的方法得到网络参数的改变量；
[0100] 3.3反向调节，采用批梯度下降法，即将样本数据分批进行网络模型的训练，在该流程中每批的样本按照同一网络模型训练，每个样本计算出的改变量不会立即更新每一层的网络参数，而是按每一批的多个样本计算出的改变量的均值来更新每一层的网络参数；
[0101] 3.4
迭代3.1-3.3，当损失值变化量足够小，或是迭代次数达到预设值时停止训练；
[0102] 步骤4.模型结果输出
[0103] 如图5所示，模型预测只包含正向计算；具体为：
[0104] 将交通流量数据经过步骤1相同数据预处理后输入步骤3训练得模型，得到预测分类结果；将类别区间的中位数代表预测的流量值。
[0105] 本发明是通过预处理对数据进行异常处理、平滑处理和格式化处理之后，使之满足后续步骤的输入结果；之后通过建立针对路网预测任务的神经网络模型，通过数据计算出网络最优参数，得到
预测模型。本发明基于深度学习，将神经网络的相关思想应用到交通流量预测的方法中，用从数据出发的科学的方法去取代原来有建立函数拟合模型的方法，在人力、时间成本上大大减少；从而使得结果更加的准确，有效测试证明，本发明具有很好的预测效果，且模型更稳定。
[0106] 以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。
