PDF
研究文章|开放获取
春燕帅,正阳,Lun高,洪武左, ”短期交通流预测高速公路:基于奇异谱分析分解的混合方法”,土木工程的发展, 卷。2021年, 文章的ID4313970, 10 页面, 2021年。 https://doi.org/10.1155/2021/4313970
短期交通流预测高速公路:基于奇异谱分析分解的混合方法
文摘
实时高速公路交通流预测是智能交通的一个重要研究领域,这有利于诱导和管理交通流的堵塞。根据交通流的特点,提出了一种混合模型,SSA-LSTM-SVR,提高短期交通流预测的准确性。奇异谱分析(SSA)交通流分解成一个主成分和三个随机分量,然后用这些组件的不同特点,长期短期记忆(LSTM)和支持向量回归(SVR)应用于预测不同的组件,分别。融合各自的预测结果,SSA-LSTM-SVR获得最后一个短期的预测价值。贵州高速公路的交通流量实验于2016年1月表明,该SSA-LSTM-SVR模型预测错误和更高的精度和更低比其他基线拟合善。这说明了混合交通流预测模型基于组件分解比单个模型更有效,因为它可以捕捉的主要规律和交通流的随机变化。
1。介绍
高速公路交通流预测和管理一直是智能交通的一个重要研究领域1]。掌握交通流的变化规律,准确实时交通流预测有利于研究高速公路的通行能力和管理和诱导交通流,以缓解交通拥堵,减少燃料消耗,节省交通旅游的社会总成本(2]。高速公路交通流受人类影响旅游行为,按顺序,并有很强的规律性,意外和随机性。目前,不同的预测模型,如经典统计模型、机器学习模型和人工神经网络(ANN),预计短期交通流与不同精度通过获得不同的交通流的特征和变化规律1]。
经典统计模型主要包括自动回归集成移动平均(ARIMA),季节性ARIMA (SARIMA) [3),和ARIMA混合模型。解决这个问题需要良好的SARIMA模型建立的数据,Kumar和Vanajakshi3)的交通流静止的差分,然后用自相关函数,偏自相关函数,最大似然SARIMA模型的方法来确定合适的参数,使有限的交通流预测数据。考虑他们的限制需要的平稳性和自相关时间序列ARIMA和交通流的可变性,ARIMA家庭通常是与其他非线性组合模型预测的流。丁等。4]把动态波动到地铁短期客流量预测的过程,他们构建四种综合ARIMA模型和GARCH模型均值和波动的短期部分地铁的客流量。然而,这种方法需要识别不同的地铁站的波动特性和参数。侯et al。5)提出了一种自适应混合模型,ARIMA抓住了线性法和小波神经网络方法获得的非线性变化。然后,输出的两个个体模型结合模糊逻辑及其加权结果被认为是最终的交通流的预测价值。这种混合模型在数据处理阶段表现良好,但车辆难以识别将被忽略。支持向量回归(SVR)已经被广泛用于线性和非线性时间序列回归;然而,合理hyperparameters SVR是一个困难的问题。为了克服这个不足,Cai et al。6)采用引力搜索算法(GSA)搜索最优SVR参数,取得了更准确的短期交通流预测。SVR通常结合其他实现短期交通流预测模型。根据不同类别的旅客流进入地铁站,李et al。7确定最优时间粒度和区间利用皮尔森相关系数,然后利用经验模态分解(EMD)和SVR (EMD-SVR)来预测每个车站的客流。这个框架获得显著改善预测客流。然而,它是困难的为GSA和EMD (6,7)获得一个统一hyperparameter SVR由于波动性特征的交通或客流在不同的电台。冯et al。8]探索和交通流的随机性和非线性多项式内核和高斯核结合,构成一种自适应multi-kernel SVM (AMSVM)中采用自适应粒子群优化算法,优化AMSVM的参数。时空相关性信息整合与AMSVM预测短期交通流量。多个内核和混合方法使AMSVM可以更好地适应城市道路交通流的动态特性,从而提供一个更准确的预测结果,但是预测的值有一定的延迟比真正的价值观。K最近的邻居(KNN-based)模型,另一个常见的选择,实现交通流预测匹配相似的历史数据。Habtemichael和软脂酸十六酯9]更看重附近邻居,用指数排名总候选人增强资讯所发现的算法,并实现了短期流量预测。探讨城市交通固有的空间异质性和不清楚时空的依赖关系,程et al。10)提出了一种自适应时空资讯(自适应STKNN)短期流量预测模型。适应STKNN决定了空间的大小邻居和时间窗口的长度使用互相关和自相关函数对交通的影响,然后介绍了自适应时空权重到距离函数来优化候选邻居搜索机制。结果表明,自适应STKNN模型优于其他模型在所有时间里,特别是高峰期。然而,一旦没有出现在历史数据的查询,KNN-based模型将遭受很大的预测误差。
与传统的智能模型相比,安和深层神经网络(DNN-based)模型可以提供一个更准确的交通预测由于其复杂的结构和非线性函数逼近。长在短期记忆网络(LSTM),封闭的复发性单元(格勒乌)表现良好,因为它可以了解时间序列数据的内在规律性,以及线性和非线性相关性短长距离。田et al。11]提出的多尺度时间平滑模型推断出丢失的数据,用修订LSTM方法学习预测剩余和预测交通流量。利用时序特性预测的影响,谅解备忘录等。12)提出了一个T-LSTM模型输入的时间信息到T-LSTM有效改善短期交通流预测的准确性。此外,扩大交通流时空混合模型预估一个站在充分考虑整个道路网络的影响周围的电台。吴et al。13)提出了一个DNN-based交通流预测模型,充分利用每周/每天周期性并自动学习过去的交通流的重要性。然后,卷积神经网络和格勒乌是我用来交通流的空间和时间特性。博尔加特et al。14)利用图卷积网络(14)和图的注意机制(15捕获流量的空间特性,LSTM用于获得流量的短期和长期的法律。这种组合可以提高交通流量的准确性。然而,在交通流预测DNN-based模型表现良好;然而,他们很难解释,而且需要大量的数据和一个伟大的时间和空间来训练(3]。
区分交通流的规律,经验模态分解(EMD)和奇异谱分析(SSA)应用于减少交通流序列的噪声。陈等人。16]介绍了合奏EMD (EEMD)和小波抑制潜在的数据异常值然后LSTM履行提供交通流预测。Kolidakis et al。17SSA和安结合时间序列分析和预测道路交通容量。然而,这些算法组件分解可能消除一些随机交通流中的元素,导致失真的原始交通流。
考虑到交通流的复杂性特征,提出了一种混合模型(SSA-LSTM-SVR),流分解成不同的组件,根据各自的特点,采用不同的模型进行预测。首先,SSA用于分解交通流到一个主成分和多个随机组件。LSTM用来做短期预测的原则组件由于其规律性和周期性。介绍了随机组件,SVR模型来预测。所有组件的相应的预测结果叠加形成最终的预测价值。与此同时,粒子群优化(PSO)算法(18)应用于优化分解SSA-LSTM-SVR模型的参数。
剩下的纸是组织如下。部分2说明了方法。部分3包含了实验结果。部分4使深讨论实验结果。部分5包含了结论和未来的工作。
2。材料和方法
2.1。奇异谱分析(SSA)
奇异谱分析(SSA) [19)通常是应用于组件分解和时间序列信号的降噪。为了找出规律和高速公路交通流的随机因素,本文介绍了SSA算法将短期交通流的轨迹矩阵分解成原理和随机组件。SSA主要包括五个步骤:嵌入,奇异值分解(计算),分组、对角平均和组件分解(子组件提取)。步骤1。嵌入。鉴于一系列交通流的长度 , ,和嵌入维度 , 获得一个安排与时间延迟吗 跟踪矩阵: 在哪里 ,和嵌入维度也被称为窗口的长度吗 ,通常是一个整数的周期的倍数 。步骤2。奇异值分解)。圣言的获取执行特征值 和相应的正交特征向量 。让 和 和 在哪里 。 的奇异值吗 , 是左特征向量,是正确的特征向量,然后呢 是一个旅行的 。步骤3。分组。分解每一个 成组,然后 的贡献率来作为 ,顶部的贡献率 来将 步骤4。对角线平均(重建组件)。获得的对角平均值 ,和转换到时间序列 的长度 。这个过程称为重建组件(RC)和RCs的总和等于原始序列;也就是说, 的的成员所有成员的平均值吗 关于 ,细节如下所示: 第5步。组件分解。通过获得的对角平均值 ,我们获得时间序列 , 。根据下标秩序 ,它被分为部分的总和部分 构成一个新的具有某些特征的时间序列: 在哪里 和 。 原始时间序列的特性系列吗 ,和每一个人都有自己的特色,他们彼此不同。的总和等于原系列;也就是说, 为了使短期交通流的预测结果尽可能接近地面真理,我们首先将交通流分解成原则组件和一些随机组件通过使用SSA,在粒子群优化(PSO) (19)是用于优化SSA的分解参数。然后,根据各自特点,下一节将讨论相应的预测模型适用于各自的角色。
2.2。长短期记忆神经网络(LSTM)
从高速公路交通流的原理组件分解通过SSA可以反映交通流的周期性和规律,介绍了LSTM做出预测。LSTM是递归神经网络(RNN)的改进20.],它有效地解决了RNN的梯度和梯度爆炸消失的问题。LSTM可以获取长时间序列的短期依赖,它已被广泛应用于短期交通流预测。隐藏层LSTM由几个内存块,和每个内存块包含一个细胞和三个门,即输入门,忘记门,门的输出。的内存单元LSTM图所示1。
如图1所示,和代表输入和输出的时间间隔 。 , ,和忘记门的输出,输入,输出,分别和他们的映射函数如下: 在哪里 和 。
2.3。支持向量回归(SVR)
随着高速公路交通流的随机成分复杂和强大的非线性特性,介绍了支持向量回归(SVR)算法来预测这些组件。作为一种广泛使用的交通流预测模型,SVR数据点映射到高维状态空间的最优超平面尽可能实现回归和预测。对样本集 的大小 ,在这和的输入和输出值吗样本,SVR的回归函数 在哪里 表示向量的内积和 ,和是抵消。损失函数 的错误 。 和可以通过解决最小化目标函数 在哪里 是惩罚因子。在不同的内核函数,径向基核函数(RBF)广泛应用由于其良好的非线性,以及RBF被定义为 在哪里 。与此同时,拉格朗日乘数法和介绍了方程的对偶问题(12)。通过求解对偶问题在马的限制下, , ,和获得,SVR的回归函数提出了是吗
2.4。SSA-LSTM-SVR结构
如图2,SSA分解输入交通流成子组件的参数, ,优化的PSO算法。根据公式(8),所有组件的总和等于和的总和= 1;也就是说,
第一主成分反映了交通流量在不同时刻,长期规律,交通流量的周期性。作为讨论的部分2。2,LSTM可以捕获这些主要的和长期的法律通过迭代的输入流,所以LSTM用于预测 。另一方面,左组件, ,主要包含短期交通流量的变化和波动,和SVR对短期变化更敏感;因此,应用SVR预测左随机流,分别。最后,相应的预测结果, ,不同的组件叠加形成了预测值的原始时间序列并表示为
3所示。案例研究
3.1。数据集描述和性能指标
347年人数站的流量在中国贵州省2016年1月。图3显示347个人数站的位置。最大程度上的每日平均交通量达到14120,最小值为5,从网站的网站流量有很大的差异。根据每日平均流量,人数站分为三种类型,即小于2000,2000年到6000年,超过6000。交通流与不同的卷46台长途车站(大约13.5%)选择一个月的实验数据来评估算法的性能。间隔设置为5、10、15、30、45、60分钟(min)。
通常情况下,平均绝对误差(MAE)、均方根误差(RMSE),平均绝对百分误差(日军),精度和拟合优度(R2)用于评估预测模型的性能,他们定义如下: 和 在哪里和预测价值和地面真理,的意思是 。较低的预测错误(美、RMSE和日军)和高精度R2意味着一个良好的预测性能。
3.2。交通流量和SSA分解的特性
设置有一天统计期和15分钟的时间间隔(分钟),作为一个例子,交通流在同一历史时期的2016年1月贵阳北收费站如图4。它可以看到每天的流量变化,与相对固定的变化趋势和法律和很强的随机性。
人口20,最大迭代次数为100,初始和终止重量系数为0.9和0.2,两个学习因素(和 )2,最小和最大移动速度−1和1,和目标函数拟合的美好(R2)。PSO和SSA应用于交通流量在15分钟的贵阳北收费站从1月25日至31日,2016年。然后,组件及其权重的数量,和他们 , , ,和 。图5展示了原始的交通流和分解4组件。(第一个图的原理组件5 (b))的大小和变化趋势基本上是一致的原始的交通流量,流量曲线和明显的变化规律是相对顺利。左边的三个随机组件(数字5 (c)- - - - - -5 (e))小的大小,大的随机干扰,没有明显的变化规律。这些字符将大大增加预测的难度;然而,他们对原来的交通流影响不容忽视,丢弃在交通流预测噪声。
(一)
(b)
(c)
(d)
(e)
3.3。预测性能
这些分解参数,交通流的人数的贵阳北站站5分钟,10分钟,15分钟,30分钟,45分钟,60分钟间隔选择验证SSA-LSTM-SVR模型的预测性能。五个预测模型、ARIMA、SVR, BP,然而,LSTM,介绍了比较分析。这5个比较模型有不同的实现机制,并获得时间序列数据的特点和变化规律,实现交通流预测在不同的意思。,ARIMA、英国石油公司和LSTM直接获得时间序列的时间依赖性,ARIMA更敏感的短期线性变化,和英国石油公司和LSTM都可以捕获时间序列的线性和非线性变化与长期短期依赖,比ARIMA更健壮和稳定。另一方面,SVR和资讯采用超平面和类似的模式匹配实现交通流量的预测。
如表所示1美,RMSE,日军SSA-LSTM-SVR模型都是最低,和拟合程度R2和预测精度高于其他人。他们都表明SSA-LSTM-SVR模型可以更好地识别时间序列短期交通流量的变化规律,更好的预测性能。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3.4。预测性能更多的电台
核实SSA-LSTM-SSR的推广,用同样的参数,我们进行更多的实验在其他45个收费站与不同交通卷在整个月。由于空间限制,只有预测结果在15分钟,30分钟和60分钟区间如表所示2。美,日军和RMSE SSA-LSTM-SVR模型仍然是最低的,和拟合程度R2和预测精度也高于ARIMA的SVR,然而,英国石油(BP)和LSTM。这表明SSA-LSTM-SVR模型具有良好的泛化和比别人更好的预测性能。日军SSA-LSTM-SSR模型减少了至少5.00%和6.33%平均预测精度是平均至少提高了5.0%和6%。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
让时间间隔15分钟。SVR、LSTM SSA-LSTM-SVR选择进一步观察预测值之间的差异和不同流量的地面真理三站。如图6所示,可以看出SSA-LSTM-SVR适应地面实况的预测值在非高峰,高峰时间,它可以捕获的细微变化时间序列包括向下和向上的倾向。SVR的总体预测错误和LSTM相对较大,特别是在交通流量的突然变化。随着交通流量的下降和提升,LSTM和SVR不能及时捕捉变化的倾向。
(一)
(b)
(c)
4所示。讨论
任何预测模型都有其适用范围,优点,缺点。例如,时间序列ARIMA适用于稳定,很难获得本系列的非线性关系。当查询模式没有出现在历史数据库中,然而,将产生一个较大的预测误差,当输入时间步LSTM超过32,预测性能将会下降。因此,选择合理的模型准确预测的基础。高速公路交通流的周期,突然,和随机变化,单个模型很难获得所有特征和相应的作出准确的短期预测。
在我们SSA-LSTM-SVR模型,计算首先分解跟踪矩阵由交通流序列,相当于发现和提取交通流序列的内在的自相关关系。然后根据这些相关性,SSA发现的内在变化规律,通过分组序列的随机特性,重建和组件分解。这些操作将交通流序列分解成不同的组件和有利于突出各自的规律和特点,削弱组件杂种性引起的相互影响。为了充分利用获得的特性不同的组件,SSA-LSTM-SVR提出的概念分别预测。LSTM更适合原则组件的规律性和平滑度,而SVR更适合左组件的随机和突然变化。最后,根据各自的预测结果,SSA-LSTM-SVR模型获得更准确的预测性能,这实际上反映了高速公路交通流的短期变化。在SSA-LSTM-SVR, SSA实现组件分解根据交通流的线性自相关序列,和LSTM SVR捕捉不同组件的非线性关系。因此,与ARIMA相比,然而,BP, SVR, LSTM模型,提出SSA-LSTM-SVR模型可以捕捉更多的功能和相应的达到一个更好的预测性能。SSA-LSTM-SVR,预测值和真实值之间的差异的是至少和拟合效果是最好的。
上面的实验和讨论说明单个模型很难完全捕捉复杂的特点,高速公路的交通流序列,而混合模型将是一个更合理的选择。
5。结论和未来的工作
高速公路交通流的实时预测一直是交通管理的一个重要话题。由于高速公路交通流的固有的复杂性,单一模型的预测精度是有限的;因此,本文提出的组合预测模型。首先,交通流的特点,分解成1原则由SSA组件和3随机组件。原则组件的大小和变化规律基本上是一致的与原来的交通流量,平滑变化,LSTM应用于捕捉这些特性,使短期预测。自左三个随机组件有小幅度大的随机干扰,并没有明显的变化规律,分别介绍了SVR预测。每个组件的估计,然后加在一起来获得最终的预测价值。贵州高速公路的实际流量实验表明,与ARIMA相比,LSTM,然而,英国石油(BP)和SVR模型,SSA-LSTM-SVR模型具有更好的预测性能,其预测值和真实值之间的差异至少和善良是最好的。与此同时,日军SSA-LSTM-SSR减少至少5.0%和6.33%平均预测精度是平均至少提高了5.0%和6%。
从研究结果,我们建议如果时间序列具有复杂特征,如规律性,意外,和随机性,它可能是一个最佳选择使用混合模型对短期预测。本文只考虑单个收费站的交通流量。在未来的研究中,交通流的交互情感的收费站之间的高速公路网络将进一步讨论,从而达到更准确的短期交通流预测。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突有关这篇文章的出版。
引用
- l . n . n, n . Taherifar和h l . Vu”调查的神经网络模型对短期交通状态预测,“威利跨学科显示挖掘和知识发现,9卷,不。1,2019。视图:出版商的网站|谷歌学术搜索
- p .谢“城市流预测从时空数据使用机器学习:一项调查,“信息融合卷,59岁,1 - 12,2020页。视图:出版商的网站|谷歌学术搜索
- 美国诉Kumar和l . Vanajakshi”短期交通流预测使用季节性ARIMA模型和有限的输入数据,”欧洲交通研究回顾,7卷,不。3,2015。视图:出版商的网站|谷歌学术搜索
- c .叮,j .段y,吴x,和g . Yu”使用一个ARIMA-GARCH建模方法改善地铁短期客流量预测占动态波动,”IEEE智能交通系统,19卷,不。4、1054 - 1064年,2018页。视图:出版商的网站|谷歌学术搜索
- 问:z侯,j .愣,g . Ma w·刘,和y,“一种自适应混合模型对短期城市交通流预测,“自然史统计力学及其应用,527卷,2019年。视图:出版商的网站|谷歌学术搜索
- l·r·蔡问:陈,w . Cai和徐x,“SVRGSA:混合学习短期交通流预测模型的基础上,“专业智能运输系统,13卷,不。9日,第1355 - 1348页,2019年。视图:出版商的网站|谷歌学术搜索
- c . p . k . Li, j .宁王y,和c·朱”分析选择最佳的时间粒度下的预测精度在不同的地铁站,”可持续性,11卷,不。19日,2019年。视图:出版商的网站|谷歌学术搜索
- h .郑凌x, x, z . Chen和y徐,“自适应multi-kernel SVM与对短期交通流预测的时空相关性,”IEEE智能交通系统,20卷,不。6,2001 - 2013年,2019页。视图:出版商的网站|谷歌学术搜索
- f . g . Habtemichael和m . Cetin短期交通流量预测基于识别类似的交通模式,”交通研究部分C:新兴技术卷,66年,第78 - 61页,2016年。视图:出版商的网站|谷歌学术搜索
- f·s . f . Cheng, p .彭和吴,“短期流量预测:一个自适应ST-KNN模型,考虑空间异质性,”电脑、环境和城市系统卷,71年,第198 - 186页,2018年。视图:出版商的网站|谷歌学术搜索
- x y田,k, j . Li林,和b·杨“LSTM-based交通流量预测与缺失的数据,”Neurocomputing卷,318年,第305 - 297页,2018年。视图:出版商的网站|谷歌学术搜索
- l . T .备忘录,p .犏牛,h·谢和y陈”,T。-Lstm:长短期记忆神经网络增强了时间信息对交通流预测,“IEEE访问ID 98053条,卷。7日,2019年。视图:出版商的网站|谷歌学术搜索
- l . h . y . k . Wu Tan秦,b,, z . Jhang”基于混合深度学习的交通流预测方法及其理解,“交通研究部分C:新兴技术卷,90年,第180 - 166页,2018年。视图:出版商的网站|谷歌学术搜索
- t·博尔加特公元Masegosa s A z胡安,e . Onieva和p . Hellinckx”图CNN-LSTM长期和短期流量预测神经网络基于轨迹数据,”交通研究部分C:新兴技术卷,112年,第77 - 62页,2020年。视图:出版商的网站|谷歌学术搜索
- t .张和g .郭”图注意LSTM: spatio-temperal交通流预测方法,”IEEE智能交通系统杂志,2020年。视图:出版商的网站|谷歌学术搜索
- 陈x, h . Chen y杨et al .,“交通流预测的整体框架和数据去噪和深度学习模型,”自然史答:统计力学及其应用文章ID 125574卷,565年,2021年。视图:出版商的网站|谷歌学术搜索
- s . Kolidakis g . Botzoris诉Profillidis, p . Lemonakis”道路交通预测混合方法结合人工神经网络和奇异谱分析,“经济分析和政策卷,64年,第171 - 159页,2019年。视图:出版商的网站|谷歌学术搜索
- p .亚当和a . Kotsialos“二阶宏观交通流模型验证使用自动分化与弹性反向传播和粒子群优化算法,”交通研究部分C:新兴技术卷,71年,第381 - 356页,2016年。视图:谷歌学术搜索
- h . Hassani和a . Zhigljavsky奇异谱分析:方法和应用经济学数据,”《系统科学和复杂性,22卷,不。3、372 - 394年,2009页。视图:出版商的网站|谷歌学术搜索
- h . Sak a高级,f . Beaufays”长期短期记忆递归神经网络架构大型声学建模、”15年会学报》国际言语交际协会(Interspeech 2014),1 - 4卷,第342 - 338页,2014年9月,新加坡。视图:出版商的网站|谷歌学术搜索
版权
版权©2021春燕帅等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。
