[發(fā)明專(zhuān)利]一種基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010083361.2
• 申請(qǐng)日: 2020-02-09
• 公開(kāi)（公告）號(hào): CN111210633B
• 公開(kāi)（公告）日: 2021-01-05
• 發(fā)明（設(shè)計(jì)）人: 李壯壯;桂智明;郭黎敏;姚思佳
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類(lèi)號(hào): G08G1/01
• 分類(lèi)號(hào): G08G1/01;G08G1/065;G06N3/04;G06N3/08
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11203
• 代理人: 劉萍

1.一種基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)方法，其特征在于，包括以下步驟：

步驟1.交通流數(shù)據(jù)預(yù)處理；對(duì)觀測(cè)點(diǎn)所有時(shí)刻的交通流數(shù)據(jù)進(jìn)行最大最小歸一化處理，計(jì)算公式為：

其中，x_max和x_min分別表示觀測(cè)點(diǎn)所有時(shí)刻交通流數(shù)據(jù)的最大值和最小值，x為觀測(cè)點(diǎn)某個(gè)時(shí)刻的交通流，f為x最大最小歸一化之后的交通流；

將歸一化后的交通流數(shù)據(jù)轉(zhuǎn)換為二維的交通流量輸入矩陣，矩陣的兩個(gè)維度分別為時(shí)間維度和空間維度；構(gòu)建交通流量輸入矩陣如下所示：

其中，橫向表示所有觀測(cè)點(diǎn)在一個(gè)時(shí)刻的交通流數(shù)據(jù)，s表示觀測(cè)點(diǎn)的個(gè)數(shù)，縱向表示一個(gè)觀測(cè)點(diǎn)對(duì)應(yīng)的所有時(shí)刻數(shù)據(jù)，t表示時(shí)刻的個(gè)數(shù)，矩陣中的元素x_ts表示第s個(gè)觀測(cè)點(diǎn)在第t個(gè)時(shí)刻的交通流量；

步驟2.構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)提取空間特征；為了充分保留特征，不使用池化層對(duì)特征矩陣進(jìn)行壓縮，只使用卷積層提取特征；使用一維卷積處理交通流量輸入矩陣中的每一行元素，通過(guò)滑動(dòng)一維卷積的卷積核獲取相鄰觀測(cè)點(diǎn)的空間特征；使用以下公式表示卷積操作：

c_i＝f(W_cx_i+b_c) (3)

其中，c_i表示第i個(gè)卷積核在滑動(dòng)過(guò)程中提取的局部特征，W_c表示卷積核處理輸入的權(quán)重，b_c為偏置項(xiàng)，x_i表示第i個(gè)卷積核對(duì)應(yīng)的輸入，f表示Leaky Relu激活函數(shù)；

步驟3.構(gòu)建引入注意力機(jī)制的門(mén)控循環(huán)單元提取時(shí)間特征；將步驟2提取的空間特征輸入到引入注意力機(jī)制的門(mén)控循環(huán)單元中進(jìn)行處理，從而提取時(shí)間特征；引入注意力機(jī)制的門(mén)控循環(huán)單元的構(gòu)建過(guò)程如下：

步驟3.1構(gòu)建門(mén)控循環(huán)單元；門(mén)控循環(huán)單元的計(jì)算過(guò)程如公式(4)～(7)所示；其中，z_t和r_t分別表示更新門(mén)和重置門(mén)，h_t表示門(mén)控循環(huán)單元在t時(shí)刻的隱藏狀態(tài)，表示h_t的候選狀態(tài)，x_t表示t時(shí)刻輸入的特征向量，h_t-1表示t-1時(shí)刻的隱藏狀態(tài)，σ表示Sigmoid激活函數(shù)，tanh表示雙曲正切激活函數(shù)，⊙代表矩陣乘法，W_z，W_r，W_h，U_z，U_r，U_h，b_z，b_r，b_h為需要學(xué)習(xí)的參數(shù)；

z_t＝σ(W_zx_t+U_zh_t-1+b_z) (4)

r_t＝σ(W_rx_t+U_rh_t-1+b_r) (5)

步驟3.2針對(duì)門(mén)控循環(huán)單元引入注意力機(jī)制；對(duì)于門(mén)控循環(huán)單元輸出的t時(shí)刻的隱藏狀態(tài)h_t，采用以下注意力機(jī)制公式進(jìn)行處理：

e_t＝v_etanh(W_eh_t+b_e) (8)

其中，v_e，W_e，b_e為需要學(xué)習(xí)的參數(shù)，e_t為第t個(gè)時(shí)刻隱藏狀態(tài)h_t對(duì)應(yīng)的注意力評(píng)分值，tanh為激活函數(shù)，T表示時(shí)刻總個(gè)數(shù)，α_t為e_t進(jìn)行Softmax歸一化后得到的權(quán)重系數(shù)，c對(duì)門(mén)控循環(huán)單元輸出的各個(gè)時(shí)刻隱藏狀態(tài)進(jìn)行了加權(quán)，表示含有注意力概率分布的交通流特征；

步驟4.利用交通流數(shù)據(jù)的周期特性提取周期特征；交通流量存在以日、周為單位的相似規(guī)律，分別以日、周為周期單位構(gòu)建周期流量輸入矩陣如下所示：

其中，d表示預(yù)測(cè)時(shí)刻在前一天的對(duì)應(yīng)時(shí)刻，w表示預(yù)測(cè)時(shí)刻在前一周的對(duì)應(yīng)時(shí)刻，n為周期時(shí)間步長(zhǎng)，s表示需要預(yù)測(cè)的觀測(cè)點(diǎn)總數(shù)量，x_(d+n)s表示第s個(gè)觀測(cè)點(diǎn)在第d+n個(gè)時(shí)刻的交通流量，x_(w+n)s表示第s個(gè)觀測(cè)點(diǎn)在第w+n個(gè)時(shí)刻的交通流量；將周期流量輸入矩陣輸入到引入注意力機(jī)制的門(mén)控循環(huán)單元中進(jìn)行處理，以獲取交通流數(shù)據(jù)的周期特征；

步驟5.融合所有特征進(jìn)行預(yù)測(cè)；將步驟2和步驟3提取的時(shí)空特征和步驟4提取的周期特征進(jìn)行拼接融合，輸入到全連接層中，最后輸出所有觀測(cè)點(diǎn)的預(yù)測(cè)流量；使用均方誤差函數(shù)作為模型訓(xùn)練的損失函數(shù)，該函數(shù)定義如下：

其中，P_st表示第s個(gè)觀測(cè)點(diǎn)在第t個(gè)時(shí)刻的交通流預(yù)測(cè)值，F(xiàn)_st表示第s個(gè)觀測(cè)點(diǎn)在第t個(gè)時(shí)刻的交通流真實(shí)值，N是預(yù)測(cè)值的總個(gè)數(shù)；根據(jù)上述損失函數(shù)，通過(guò)反向傳播算法不斷更新模型參數(shù)；訓(xùn)練好模型之后，將之前時(shí)刻的交通流數(shù)據(jù)輸入到模型中，模型最后輸出所有觀測(cè)點(diǎn)在下一時(shí)刻的交通流預(yù)測(cè)值。