论文部分内容阅读
摘要:短时交通流预测是城市智能交通系统的重要组成部分,随着交通大数据和智能科学的快速发展,深度学习在交通领域得到了广泛的应用。本文以门控循环单元神经网络GRU短时交通流预测模型为研究对象,采用加州交通局绩效评估系统的交通流数据为例,将道路观测点的交通流序列作为输入,利用GRU实现城市短时交通流量的预测,并与SVR、ARIMA等模型进行对比,结果表明,该预测模型具有良好的预测性能,可为城市区域短时交通流量变化监测提供依据。
关键词:交通流预测;交通大数据;深度学习;门控循环单元神经网络
1绪论
城市道路短时交通流预测是智能交通系统实现交通诱导和交通控制的关键部分,精准的短时交通流预测可为其提供及时和有价值的参考信息。交通流预测是通过大量历史数据或实时采集的交通数据科学预测未来时刻的道路交通状况,短时交通流预测通常是对未来5~15分钟内的交通流量進行循环预测,为道路使用者和运输从业者提供更优的出行路径,减少交通拥堵,提高道路的安全性和通行效率。
目前,短时交通流的预测方法主要有数理建模法和数据驱动法。数理建模法主要有时间序列模型、混沌理论模型以及卡尔曼方程等。文献[3]提出以季节为周期的自回归滑动平均模型交通流短期预测,利用大量历史相关数据开展参数估计实现预测的目的。文献[4]首先应用方差优化速度预测,采用卡尔曼滤波交通预测模型,在所测速度随时间起伏较小的条件下,提高了网络模型的预测精度。数据驱动法主要包括深度学习和神经网络。Huang等将深度学习应用于短时交通流预测中,其运用无监督学习法获取相关交通流数据特征,提高了预测的准确率。Ma等将LSTM网络引入交通速度预测,LSTM模型可提高交通流数据的长时间依赖。
综上所述,交通数据采集手段的发展和深度学习的应用为解决交通相关问题提供了新的思路,本文分析深度学习的神经网络结构,利用门控循环单元神经网络算法对城市短时交通流预测进行探索。
2短时交通流预测模型
2.1 LSTM神经网模型
LSTM由循环神经网络优化演变来的,LSTM神经加入了门控机制来保存输入系列相关信息,期中引入了输入门、遗忘门、输出门,从而解决了长序列训练中梯度消失及梯度爆炸问等,使其拥有学习交通流长序列信息的功能,LSTM模型内部结构如图1所示。
图1中,箭头是参数传递方向,x1表示模型的输入参数,ht为单元当前的输出,ct是当前单元结构的状态信息,ft、it、ot分别表示遗忘门、输入门和输出门的输出信息。如下是该模型的传递公式。
2.2门控循环单元神经网络
门控循环单元神经网络GRU可看做LSTM的一个重要变体网络,它的特点是将循环体的输入门和遗忘门合并
3实验与结果分析
3.1数据及预处理
本文采用PeMS收集的交通流数据进行分析,选取2016年3月1日至2016年4月20日期间对某路段的交通流量数据,时间间隔为5min。其中80%的数据用于GRU神经网络预测模型的训练,20%的数据用于测试。受外界干扰,常出现数据异常或缺失等现象,通常需要进行实验数据的预处理。本文运用Min-Max函数对数据做归一化操作,提高模型的收敛速度和预测能力。
3.2预测模型评价指标
为了对预测的结果进行分析,本文将模型预测的结果误差作为评价指标,期中,选择了常用的均方误差、平均绝对误差和平均绝对百分比误差来描述和评价各模型的预测精度,相关误差公式如下:为更新门,GRU只有重置门和更新门两个门控机制,其工作原理与LSTM模型相似,都是用门控机制来选择保留和遗忘一些信息,在这样的工作方式下,有选择的存储来自交通流序列的时间关联信息,保留了长期时间序列信息减少梯度消失问题,同时,GRU结构相对简单,模型收敛速度较快,GRU的计算效率比LSTM有所提高。GRU结构示意图如图2所示。
3.3实验内容及结果
本文对构建的短时交通流量预测模型运用Python语言开发环境,在Keras中进行训练测试。
为了对比分析,本文建立SVR模型、ARIMA模型、LSTM模型,以及GRU模型4种模型进行训练和测试。其中,统计模型ARIMA的建立基于Statsmodels库,模型的参数为默认值,模型SVR的建立基于Sklearn库,模型的参数为默认值。将LSTM预测模型层数设为4层,包括输入层、输出层和2个LSTM层。期中,隐层神经元为64,训练迭代次数(epoch)为100,采用Adam算法作为模型训练的优化器。
将预测位置的历史交通数据输入预测网络模型中,下一时刻交通流量作为输出,基于GRU的短时交通流预测结果分别如图3所示,可见交通流的预测值与实际交通量吻合度较高,表明本文所用的GRU预测模型能有效预测出道路下一时刻的交通流量,GRU网络可较好地拟合交通流变化的非线性特性,并能自适应获取序列数据问的关联性,选取历史数据进行预测,模型展现了很好的预测性能。
不同模型的各类误差指标进行对比的结果如表1。从中可见,GUR模型的预测误差及精度与LSTM预测网络接近,都明显优于SVR模型和ARIMA模型,神经网络具有多隐含层的结构有助于获取交通流数据的特征,使得GRU模型各类指标均较小,表现出了良好的预测指标,实验结果证明,GRU模型可较准确地模拟城市交通流量的实时变化情况,可用于城市交通流量的预测。
4结论
本文建立了GRU的神经网络预测模型,利用深度学习对交通流预测作了相关探索。将历史交通流数据输入GRU神经网络中,挖掘短时交通流数据的时间特征,对城市短时交通流进行预测。实验结果表明该网络模型预测性能优于SVR模型和ARIMA网络模型,具有较高的准确率,可为智能交通管理与控制提供有效依据。
作者简介:黄政(1981— ),男,汉族,贵州贵阳人,博士,教授,研究方向:智能交通系统、交通数据分析与应用。
关键词:交通流预测;交通大数据;深度学习;门控循环单元神经网络
1绪论
城市道路短时交通流预测是智能交通系统实现交通诱导和交通控制的关键部分,精准的短时交通流预测可为其提供及时和有价值的参考信息。交通流预测是通过大量历史数据或实时采集的交通数据科学预测未来时刻的道路交通状况,短时交通流预测通常是对未来5~15分钟内的交通流量進行循环预测,为道路使用者和运输从业者提供更优的出行路径,减少交通拥堵,提高道路的安全性和通行效率。
目前,短时交通流的预测方法主要有数理建模法和数据驱动法。数理建模法主要有时间序列模型、混沌理论模型以及卡尔曼方程等。文献[3]提出以季节为周期的自回归滑动平均模型交通流短期预测,利用大量历史相关数据开展参数估计实现预测的目的。文献[4]首先应用方差优化速度预测,采用卡尔曼滤波交通预测模型,在所测速度随时间起伏较小的条件下,提高了网络模型的预测精度。数据驱动法主要包括深度学习和神经网络。Huang等将深度学习应用于短时交通流预测中,其运用无监督学习法获取相关交通流数据特征,提高了预测的准确率。Ma等将LSTM网络引入交通速度预测,LSTM模型可提高交通流数据的长时间依赖。
综上所述,交通数据采集手段的发展和深度学习的应用为解决交通相关问题提供了新的思路,本文分析深度学习的神经网络结构,利用门控循环单元神经网络算法对城市短时交通流预测进行探索。
2短时交通流预测模型
2.1 LSTM神经网模型
LSTM由循环神经网络优化演变来的,LSTM神经加入了门控机制来保存输入系列相关信息,期中引入了输入门、遗忘门、输出门,从而解决了长序列训练中梯度消失及梯度爆炸问等,使其拥有学习交通流长序列信息的功能,LSTM模型内部结构如图1所示。
图1中,箭头是参数传递方向,x1表示模型的输入参数,ht为单元当前的输出,ct是当前单元结构的状态信息,ft、it、ot分别表示遗忘门、输入门和输出门的输出信息。如下是该模型的传递公式。
2.2门控循环单元神经网络
门控循环单元神经网络GRU可看做LSTM的一个重要变体网络,它的特点是将循环体的输入门和遗忘门合并
3实验与结果分析
3.1数据及预处理
本文采用PeMS收集的交通流数据进行分析,选取2016年3月1日至2016年4月20日期间对某路段的交通流量数据,时间间隔为5min。其中80%的数据用于GRU神经网络预测模型的训练,20%的数据用于测试。受外界干扰,常出现数据异常或缺失等现象,通常需要进行实验数据的预处理。本文运用Min-Max函数对数据做归一化操作,提高模型的收敛速度和预测能力。
3.2预测模型评价指标
为了对预测的结果进行分析,本文将模型预测的结果误差作为评价指标,期中,选择了常用的均方误差、平均绝对误差和平均绝对百分比误差来描述和评价各模型的预测精度,相关误差公式如下:为更新门,GRU只有重置门和更新门两个门控机制,其工作原理与LSTM模型相似,都是用门控机制来选择保留和遗忘一些信息,在这样的工作方式下,有选择的存储来自交通流序列的时间关联信息,保留了长期时间序列信息减少梯度消失问题,同时,GRU结构相对简单,模型收敛速度较快,GRU的计算效率比LSTM有所提高。GRU结构示意图如图2所示。
3.3实验内容及结果
本文对构建的短时交通流量预测模型运用Python语言开发环境,在Keras中进行训练测试。
为了对比分析,本文建立SVR模型、ARIMA模型、LSTM模型,以及GRU模型4种模型进行训练和测试。其中,统计模型ARIMA的建立基于Statsmodels库,模型的参数为默认值,模型SVR的建立基于Sklearn库,模型的参数为默认值。将LSTM预测模型层数设为4层,包括输入层、输出层和2个LSTM层。期中,隐层神经元为64,训练迭代次数(epoch)为100,采用Adam算法作为模型训练的优化器。
将预测位置的历史交通数据输入预测网络模型中,下一时刻交通流量作为输出,基于GRU的短时交通流预测结果分别如图3所示,可见交通流的预测值与实际交通量吻合度较高,表明本文所用的GRU预测模型能有效预测出道路下一时刻的交通流量,GRU网络可较好地拟合交通流变化的非线性特性,并能自适应获取序列数据问的关联性,选取历史数据进行预测,模型展现了很好的预测性能。
不同模型的各类误差指标进行对比的结果如表1。从中可见,GUR模型的预测误差及精度与LSTM预测网络接近,都明显优于SVR模型和ARIMA模型,神经网络具有多隐含层的结构有助于获取交通流数据的特征,使得GRU模型各类指标均较小,表现出了良好的预测指标,实验结果证明,GRU模型可较准确地模拟城市交通流量的实时变化情况,可用于城市交通流量的预测。
4结论
本文建立了GRU的神经网络预测模型,利用深度学习对交通流预测作了相关探索。将历史交通流数据输入GRU神经网络中,挖掘短时交通流数据的时间特征,对城市短时交通流进行预测。实验结果表明该网络模型预测性能优于SVR模型和ARIMA网络模型,具有较高的准确率,可为智能交通管理与控制提供有效依据。
作者简介:黄政(1981— ),男,汉族,贵州贵阳人,博士,教授,研究方向:智能交通系统、交通数据分析与应用。