[發(fā)明專利]一種基于深度時(shí)空卷積循環(huán)網(wǎng)絡(luò)的路網(wǎng)狀態(tài)預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710361129.9
• 申請(qǐng)日: 2017-05-22
• 公開（公告）號(hào): CN107180530B
• 公開（公告）日: 2019-09-06
• 發(fā)明（設(shè)計(jì)）人: 于海洋;吳志海;楊剛;馬曉磊;楊帥
• 申請(qǐng)（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號(hào): G08G1/01
• 分類號(hào): G08G1/01;G06N3/04
• 代理公司: 北京和信華成知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11390
• 代理人: 胡劍輝

1.一種基于深度時(shí)空卷積循環(huán)網(wǎng)絡(luò)的路網(wǎng)狀態(tài)預(yù)測(cè)方法，其特征在于，所述方法包括如下步驟：

步驟一：建立樣本集，并劃分訓(xùn)練集和測(cè)試集

選取目標(biāo)路網(wǎng)，將路網(wǎng)劃分為k個(gè)路段，并對(duì)各個(gè)路段進(jìn)行編號(hào)，記為1,2,3,…,k；將一天24小時(shí)分成各個(gè)時(shí)間長(zhǎng)度一樣的時(shí)間段；首先，計(jì)算各個(gè)路段在每個(gè)時(shí)間段的平均速度,平均速度的計(jì)算方法是：在某一時(shí)間段內(nèi)，在某一路段通過(guò)的所有車輛平均速度的均值，如式(1)所示，其中n代表在該時(shí)間段在該路段通過(guò)的車輛數(shù)目，a代表路網(wǎng)中的第a個(gè)路段，a∈(1,2,…,k)，j是時(shí)間段編號(hào)，即j個(gè)時(shí)間段，S代表該路段的長(zhǎng)度，Δt代表時(shí)間段的長(zhǎng)度，代表車輛i在Δt的平均速度；

若某一路段在Δt內(nèi)沒有車輛通過(guò)，在用上一個(gè)時(shí)間段的平均速度替代當(dāng)前時(shí)間段的平均速度，即v_a,j＝v_a,j-1；

其次，將各個(gè)路段的平均速度投影到路網(wǎng)中，建立路網(wǎng)中各個(gè)路段與該路段的平均速度的對(duì)應(yīng)關(guān)系；

最后，對(duì)路網(wǎng)所在的地理區(qū)域進(jìn)行網(wǎng)格化處理，劃分為多個(gè)網(wǎng)格，劃分好網(wǎng)格后對(duì)每個(gè)網(wǎng)格進(jìn)行取值，對(duì)沒有路段的網(wǎng)格區(qū)域，其取值為零；當(dāng)一網(wǎng)格有一條路段通過(guò)的時(shí)候，網(wǎng)格的值為這條路段的速度值；當(dāng)一網(wǎng)格有多條路段通過(guò)的時(shí)候，網(wǎng)格的值為這些路段的速度均值；從而將每個(gè)時(shí)間段的路網(wǎng)狀態(tài)用一張路網(wǎng)網(wǎng)格化圖片來(lái)表示，記為p_j，待預(yù)測(cè)的路網(wǎng)狀態(tài)可用一個(gè)狀態(tài)向量來(lái)表示，記為V_j+m，V_j+m＝[v_1,j+m,v_2,j+m,L,v_k,j+m]，其中j是時(shí)間段編號(hào)，即j個(gè)時(shí)間段；m代表未來(lái)第m個(gè)時(shí)間段；

步驟二，路網(wǎng)狀態(tài)預(yù)測(cè)模型建模

所述路網(wǎng)狀態(tài)預(yù)測(cè)模型包括卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)兩個(gè)部分，所述卷積神經(jīng)網(wǎng)絡(luò)用于提取路網(wǎng)空間特征，所述遞歸神經(jīng)網(wǎng)絡(luò)用于提取路網(wǎng)演變的時(shí)序規(guī)律；

所述卷積神經(jīng)網(wǎng)絡(luò)的建模包括：首先，確定輸入輸出變量，輸入變量是某一路網(wǎng)狀態(tài)p_j，輸出變量為該路網(wǎng)狀態(tài)的特征表達(dá)向量用x^(j)表示，j是時(shí)間段編號(hào)，即j個(gè)時(shí)間段，維度大小與v_j相同；其次，構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)模型，設(shè)置卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，輸出層神經(jīng)元個(gè)數(shù)與該路網(wǎng)的路段數(shù)目相同；通過(guò)“輸入層-卷積層-池化層-輸出層”結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)提取路網(wǎng)中各個(gè)路段之間的聯(lián)系；

所述遞歸神經(jīng)網(wǎng)絡(luò)的建模包括：構(gòu)建輸入層、隱藏層以及輸出層，其中采用LSTM單元作為隱藏層單元；所述的神經(jīng)網(wǎng)絡(luò)包含兩層遞歸神經(jīng)網(wǎng)絡(luò)，基于在前預(yù)定數(shù)量時(shí)間段的特征預(yù)測(cè)未來(lái)某一個(gè)時(shí)間段的路網(wǎng)狀態(tài)；將卷積神經(jīng)網(wǎng)絡(luò)的輸出作為遞歸神經(jīng)網(wǎng)絡(luò)的輸入，用于學(xué)習(xí)輸入特征序列之間的時(shí)序變化模式，再將其輸入到輸出層做預(yù)測(cè)，所述遞歸神經(jīng)網(wǎng)絡(luò)模型具體表示為：

其中，表示第一層遞歸神經(jīng)網(wǎng)絡(luò)在t和t-1時(shí)刻的狀態(tài)，即LSTM的輸出，表示第二層遞歸神經(jīng)網(wǎng)絡(luò)在t和t-1時(shí)刻的狀態(tài)，y表示輸出數(shù)據(jù)，b_y均為模型參數(shù)，σ(g)表示sigmoid激活函數(shù)；其表達(dá)式為：得到輸出層后建立損失函數(shù)，損失函數(shù)是用來(lái)衡量輸出層的輸出值與真實(shí)值的差異，利用BPTT算法最小化損失函數(shù)獲得最優(yōu)的模型參數(shù)；

步驟三，未來(lái)某一時(shí)間段路網(wǎng)狀態(tài)預(yù)測(cè)

將用于預(yù)測(cè)的在前路網(wǎng)狀態(tài)數(shù)據(jù)作為輸入變量輸入到步驟二中已訓(xùn)練好的模型中，獲得輸出向量，該輸出向量就是所預(yù)測(cè)的下一個(gè)時(shí)間段的路網(wǎng)狀態(tài)。

2.根據(jù)權(quán)利要求1所述的一種基于深度時(shí)空卷積循環(huán)網(wǎng)絡(luò)的路網(wǎng)狀態(tài)預(yù)測(cè)方法，其特征在于，使用前15個(gè)時(shí)間段的路網(wǎng)狀態(tài)預(yù)測(cè)未來(lái)t時(shí)間段的路網(wǎng)狀態(tài)，單個(gè)樣本形如[(p_j-14,p_j-13,L,p_j),(v_j+t)]，整個(gè)樣本集為所有時(shí)間段樣本的集合，然后將樣本集按照一定的比例劃分訓(xùn)練集和測(cè)試集。