没有合适的资源?快使用搜索试试~ 我知道了~
论文研究-基于Spatio-LSTM模型的城市交通路网流量预测算法 .pdf
需积分: 0 12 下载量 142 浏览量
2019-08-25
11:01:29
上传
评论 1
收藏 667KB PDF 举报
温馨提示
试读
12页
基于Spatio-LSTM模型的城市交通路网流量预测算法,高尚,李静林,在城市环境中,道路交通流量变化快速且受随机扰动影响强烈,给交通管理和通信资源分配带来诸多困难。针对交通流量预测问题,本文
资源推荐
资源详情
资源评论
http://www.paper.edu.cn
- 1 -
中国科技论文在线
基于 Spatio-LSTM 模型的城市交通路网流量
预测算法
高尚,李静林
**
(北京邮电大学网络与交换技术国家重点实验室,北京 100876) 5
作者简介:高尚(1993-),男,硕士研究生,数据挖掘与机器学习
通信联系人:李静林(1975-),男,副教授,硕导,融合网络、服务与安全技术. E-mail: jlli@bupt.edu.cn
摘要:在城市环境中,道路交通流量变化快速且受随机扰动影响强烈,给交通管理和通信资
源分配带来诸多困难。针对交通流量预测问题,本文提出了一种基于“空间-LSTM”
(Spatio-LSTM)的城市道路流量预测模型。首先,利用 LSTM 结构对历史车流量的时间序
列特征进行记忆和学习,并预测未来的车流特征;然后利用 CNN 结构学习车流数据的区域10
相关性,生成目标时刻的流量特征矩阵;最后,将两个网络结合为端到端的模型用于车流量
的预测。本文提出的 Spatio-LSTM 模型不仅能够描述车流的时间变化趋势,而且考虑了车流
量在城市道路中的区域相关性。实验表明,相比于传统的预测模型,Spatio-LSTM 模型具有
较好的预测精度和训练效率,能够较好的拟合城市道路中车流量的变化趋势。
关键词:车流量预测;神经网络;长短时记忆网络;智能交通系统 15
中图分类号:TP181
Urban Traffic Flow Prediction Algorithm based on
Spatio-LSTM Model
GAO Shang, LI Jinglin 20
(State Key Laboratory of Networking and Switching Technology,Beijing University of Posts and
Telecommunications)
Abstract:In urban, traffic flow changes rapidly and it's strongly affected by random disturbance.For
traffic flow prediction,this paper proposes a new traffic flow prediction algorithm based
onSpatio-LSTM model. Firstly the LSTM network is used to memorize and learn the traffic flow
25
feature and predict the traffic flow feature at future time points. Then the CNN network reconstruct and
predictregion treffic flow data, using the predicted results of LSTM and history traffic flow feature.
Finally the two networks are combined into an end-to-end "Spatio-LSTM" model for traffic flow
prediction. The Spatio-LSTMmodel can not only fit the time series trend of traffic flow, but also
consider the regional correlation of urban roads. The experiments results show that the Spatio-LSTM
30
model has better prediction accuracy and training efficiency than the traditional models, and has better
bility to fit the trend of traffic flow in urban roads.
Keywords: traffic flow prediction; neural networks; long short-term neural network; Intelligent
Transportation System
35
0 引言
随着经济和社会的发展,城市道路交通流量呈现迅猛的增长趋势,这种情况使得交通管
理混乱等问题逐渐凸显,因此对交通态势和路网车辆流量的预测显得愈发重要。近年来,城
市交通路网流量预测在逐渐成为国内外学者研究的热点问题,大量细致的研究成果提供了诸40
多车辆流量预测的模型和方法。其中,早期的交通流量预测方法以线性模型为基础,其中,
自回归模型(AR)、自回归滑动平均(ARIMA)模型
[1][2]
等可以适用于稀疏的交通流量态
http://www.paper.edu.cn
- 2 -
中国科技论文在线
势的预测,算法较为简单但难以满足交通网络中的多依赖性和突变性等非线性特点;Kalman
滤波模型
[3]
预测准确率高,但算法太过复杂,应用性比较低。随着机器学习技术的发展,基
于机器学习和神经网络的算法逐渐被用于交通流量的预测,其中,灰色马尔科夫链模型
[4]
45
引入灰度模型对流量进行建模,但 HMM 的观测独立性假设与车流量的真实规律不尽相同;
K 最近邻(kNN)算法
[5]
对历史数据准确率要求较高,预测效果一般;而 BP 神经网络
[6][7]
等神经网络算法在对流量特征进行高维度的提取和预测,但在效果和解释性上都有不足。这
些机器学习方法取得了比传统线性方法更好的效果,但以上算法都只对车辆流量在时间、空
间中的一个维度进行思考和建模,或者只挖掘了流量在数值上的变化特征,其模型在精度、50
泛化能力和可解释性上都存在提升的空间。
因此,本文提出一种基于“ 空间-LSTM” ( Spatio-basedlongshort-termmemory ,
Spatio-LSTM)模型的城市道路交通流量预测算法,该算法通过 LSTM 结构循环记忆和传递
车流量特征信息,计算其在时间上的变化趋势,并且利用 CNN 结构将车流量的区域相关性
引入模型,重建并预测未来时间的城市道路车辆流量。 55
1 相关定义及算法原理
1.1 算法相关定义
定义 1:区域。算法规定对目标路网范围按照经纬度进行划分,分为
M
N
个正方形
区域,令
(,)region m n
表示目标路网内第 m 行、第 n 列的区域,如图 1 (a)。
定义 2:区域车辆集合。定义第 t 个时隙(Timeslot)内,
(,)region m n
内出现过的车60
辆集合为区域车辆集合,用
(,)
t
Vmn表示。
定义 3:驶入流量和驶出流量。定义第 t 个时隙内,驶入
(,)region m n
的车辆数为该区
域的驶入流量,表示为
(,)
in
t
fmn
;驶出
(,)region m n
的车辆数为该区域的驶出车辆,
表示为
(,)
out
t
fmn
。驶入流量和驶出流量的计算方法为:
1
( , ) (V (m, n)-V (m,n))
in
ttt
fmn card
65
1
( , ) ( (m,n)-V (m, n))
out
ttt
fmncardV
其中,集合运算
12 1 2
{| , }VV xxVxV 表示两个集合中不同的车辆集合,
()card V
为求集合
V
中的元素数量。
定义 4:流量特征矩阵。定义在第 t 个时隙内,目标路网
M
N
个区域的驶入流量和驶
出流量可以组合为流量特征矩阵,表示为
2
M
N
t
F
,其在驶入流量矩阵中70
(,)
(,)
in in
tmn t
Ffmn
、在驶出流量矩阵中
(,)
(,)
out out
tmn t
Ffmn
,流量特征矩阵如图 1 (c)。
http://www.paper.edu.cn
- 3 -
中国科技论文在线
图 1 区域、驶入流量矩阵和流量特征矩阵示意图(由北京市 2016-9-112:00-12:02 路网数据生成,其中(b)和
(c)是将路网划分 40*40 个区域进行流量计算,为方便表示以流量数值进行着色)
1.2 时间序列预测与 LSTM 网络原理 75
基于对算法相关概念的定义,路网车流量预测问题可以转化为路网流量特征序列的预测
问题,使用历史时间的流量特征来预测未来时间的流量特征。深度学习模型在预测问题中学
习能力强、预测效果好
[8]
,其中循环神经网络(Recurrent Neural Networks,RNN)是一种用
于处理序列数据的深度神经网络。其循环结构将状态信息在网络中进行循环传递,可以更好
地处理时间序列结构数据
[9]
。而长短期记忆(Long shortterm memory,LSTM)网络
[10][11]
是80
一种特殊的 RNN 网络,其有效解决了 RNN 训练中出现的梯度消失问题。除输入层、隐藏
层和输出层外,LSTM 的改进在于引入“记忆细胞”结构,记忆细胞有三个门限层:输入门、
记忆门和输出门,其将细胞信息和隐层状态信息同时在神经元之间循环传递。这种结构延长
了网络的记忆时间,克服了 RNN 训练中的梯度消失问题,使其处理长期依赖的序列数据十
分奏效。LSTM 的“记忆细胞”的结构如图 2 所示。 85
图 2 LSTM“记忆细胞”示意图
其中,
t
x
表示输入层输入,
t
h
为隐藏层输出;
t
f
为遗忘门,
t
i
为输入门,
t
o
为输出门,
i
c
代表细胞状态。激活函数
和 tanh 分别为 sigmoid 函数和双曲正切函数。
具体地,遗忘门控制要从细胞状态中丢弃什么信息,输入门控制数据信息的输入,输出90
门控制细胞信息的输出。遗忘门激活函数
输出[0,1]之间的值,当输出值为 0 时,遗忘门会
全部丢掉上一个细胞传递的记忆信息,相反地,当遗忘门输出值为 1 时,遗忘门会全部保留
上一个细胞传递过来的记忆信息。
剩余11页未读,继续阅读
资源评论
weixin_39840515
- 粉丝: 446
- 资源: 1万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功