[發(fā)明專利]基于自回歸差分移動平均-卷積神經網絡的識別交通指數時間序列的方法

有效

• 申請?zhí)枺?/td>: 202011231975.7
• 申請日: 2020-11-06
• 公開（公告）號: CN112330158B
• 公開（公告）日: 2023-10-13
• 發(fā)明（設計）人: 張學東;盧劍;張健欽;徐志潔;王家川;石瑞軒
• 申請（專利權）人: 北京建筑大學;北京市交通信息中心
• 主分類號: G06Q10/063
• 分類號: G06Q10/063;G06Q50/26;G06N3/0464;G06N3/08
• 代理公司: 北京鍾維聯(lián)合知識產權代理有限公司 11579
• 代理人: 黃利萍;原春香

本發(fā)明涉及一種基于自回歸差分移動平均?卷積神經網絡的識別交通指數時間序列的方法，包括：獲取交通指數原始數據集，生成交通指數時間序列；將所述交通指數時間序列轉化為平穩(wěn)序列，再根據貝葉斯信息準則矩陣擬合自回歸差分移動平均算法模型，實現交通指數預測；根據所述交通指數原始數據集，生成訓練交通指數時間序列和測試交通指數時間序列，根據所述訓練交通指數時間序列提取交通指數特征信息，獲取最佳卷積神經網絡模型，利用所述最佳卷積神經網絡模型將所述交通指數特征信息整合成一維特征向量，再根據Softmax分類器確定所述一維特征向量的模式類別，進而識別測試交通指數時間序列所屬的類別。

技術領域

本發(fā)明涉及一種基于自回歸差分移動平均-卷積神經網絡的識別交通指數時間序列的方法。

背景技術

交通是一個城市的命脈。隨著城市經濟的快速發(fā)展，交通擁堵問題也日益嚴峻，且經濟越發(fā)達的地區(qū)越突出。為應對城市復雜多變的交通情況，緩解城市交通壓力，交通管理部門出臺了一系列的交通法律法規(guī)約束行車規(guī)范，科研機構也利用物聯(lián)網等技術輔助交管部門監(jiān)測道路擁堵情況。雖然各行業(yè)從多方面降低交通擁堵風險取得了一定成效，但面對復雜的環(huán)境、突發(fā)狀況和人為干預等因素的影響，目前還不能消除交通擁堵給城市帶來的負面影響。交通指數是研究城市交通運行狀態(tài)的一個重要指標，反映了城市擁堵狀況的量化結果，在時間維度上具有一定的規(guī)律。交通指數一般用0——10的數值表示，數值越大表示交通越擁堵，交通狀況越惡劣。因此，若通過時間序列模式識別從歷史交通指數中得到居民出行的潛在特征，區(qū)分出其所屬類別，可為交通運行狀態(tài)研究及預測提供基礎數據，對城市交通擁堵疏解具有重要的價值。

目前，交通客流指數預測方法主要包括：卡爾曼濾波遞推算法(Recursivealgorithm of Kalman filter)、灰色理論(Grey Theory)、支持向量機(Support VectorMachine)和深度學習(Deep Learning)等方法。雖然以卡爾曼濾波遞推算法為基礎的迭代估計模型已廣泛應用于客流預測中，但是卡爾曼濾波遞推算法需要大量矩陣和向量運算，存在著運算效率不足的問題(PeiYan, BiswasSwarnendu,Fusselldonald S,et al.Anelementary introduction to Kalman filtering[J]. Communications of the ACM,2019.Baptista M,Henriques E M P,De Medeiros I P,et al. Remaining useful lifeestimation in aeronautics:Combining data-driven and Kalman filtering[J].Reliability EngineeringSystem Safety,2019,184(APR.):228-239.Yang D.On post-processing day-ahead NWP forecasts using Kalman filtering[J].Solar Energy,2019,182(APR.):179-181.)。灰色理論模型通過鑒別系統(tǒng)因素之間發(fā)展趨勢的相異程度，達到預測的目的，但是僅對數據短期預測效果較好，對數據長期預測效果不佳(Wang Q,Jiang F. Integrating linear and nonlinear forecasting techniques based ongrey theory and artificial intelligence to forecast shale gas monthlyproduction in Pennsylvania and Texas of the United States[J].Energy,2019,178.Huiming Duan,Di Wang,Xinyu Pang,Yunmei Liu,Suhua Zeng,A novel forecastingapproach based on Multi-Kernel Nonlinear Multivariable Grey Model:a casereport,Journal of Cleaner Production(2020))。支持向量機要將輸入層映射到高維空間，并求解分離超平面，運算量非常龐大(Fan S,Chen L.Short-Term Load ForecastingBased on an Adaptive Hybrid Method[J].IEEE Transactions on Power Systems,2006, 21(1):p.392-401.Kalra A,Ahmad S.Using Oceanic-Atmospheric Oscillationsfor Long Lead Time Streamflow Forecasting[J].Water Resources Research,2009,45(3).Gwo-Fong,Lin,et al. Typhoon flood forecasting using integrated two-stageSupport Vector Machine approach[J]. Journal of Hydrology,2013)。長短期記憶網絡(Long Short Term Memory，LSTM) 深度學習模型緩解了循環(huán)神經網絡模型中存在的梯度消失問題，但LSTM模型需要線性層在每個序列時間步驟中運行，同時該層需要大量的存儲帶寬計算，訓練量大耗時長(Azzouni A,Pujolle G.A Long Short-Term MemoryRecurrent Neural Network Framework for Network Traffic Matrix Prediction[J].2017.Gers F A,Schraudolph N N,Schmidhuber,Jürgen.Learning Precise Timingwith LSTM Recurrent Networks[J].Journal of Machine Learning Research,2003,3(1):115-143.Selvin S,Vinayakumar R,Gopalakrishnan E A,et al.Stock priceprediction using LSTM,RNN and CNN-sliding window model[C]//2017 InternationalConference on Advances in Computing,Communications and Informatics(ICACCI).IEEE,2017.)。而對于交通客流模式識別的方法主要包括：基于距離的模式識別和基于特征的模式識別?；诰嚯x的模式識別一般采用歐氏距離(Euclidean distance)衡量交通客流的相似性，例如K近鄰(K-Nearest Neighbor，KNN) 算法(Macqueen J.Some Methods forClassification and Analysis of Multi Variate Observations[C].Proc of BerkeleySymposium on Mathematical StatisticsProbability,1965. Saroj,Kavita.Review:Study on Simple k Mean and Modified K Mean Clustering Technique[J].International Journal of Computer Science Engineering and Technology,2016,6(7):279-281.)。基于特征的模式識別算法，一般尋找差異性子段來區(qū)分交通流所屬類別，例如， Shapelet算法尋找數據中最具有代表性的連續(xù)子序列(Zhu L,Lu C,Sun Y.TimeSeries Shapelet Classification Based Online Short-Term Voltage StabilityAssessment[J].Power Systems,IEEE Transactions on,2016,31(2):1430-1439.)。雖然兩類模式識別方法都能夠在特定條件下獲取良好的分類結果，但是受多方交通因素影響，且交通指數時間序列數據本身存在著一定的扭曲和變形現象，因此，傳統(tǒng)基于距離和基于特征的識別方法對于交通指數時間序列數據的模式識別能力還有一定的不足。