短期交通流预测:结合深层知识的一种方法

文摘

短期交通流预测可以为旅行者提供交通管理的基础和支持决策。准确的短期交通流预测也为可持续发展提供了必要条件的交通环境。尽管深度学习交通流预测方法的应用取得了良好的精度,结合多个问题的深度学习的方法来提高单个方法的预测精度为深入研究仍有优势。在本文中,结合深度学习预测(CDLP)模型包括两个平行的单一深度学习模型,CNN-LSTM-attention模型和CNN-GRU-attention模型,建立了。在模型中,一维卷积神经网络(1 dcnn)用于当地趋势提取交通流特性和RNN变体(LSTM和格勒乌)与注意力机制被用来提取长时间依赖的趋势特征。此外,一个动态最优加权系数算法(DOWCA)提出了计算的动态权重CNN-LSTM-attention和CNN-GRU-attention最小化的目标CDLP模型的平方误差的总和。神经元数量,损失函数,优化算法和其他CDLP模型的参数进行了讨论并通过实验设置。最后,训练集和测试集CDLP模型建立了交通流数据的处理。CDLP模型的训练和测试,和交通流的预测结果和分析。它表明,CDLP模型可以很好地适应交通流的变化趋势,并更好的性能。 Furthermore, under the same dataset, the results from the CDLP model are compared with baseline models. It is found that the CDLP model has higher prediction accuracy than baseline models.

1。介绍

随着经济发展,城市地区的机动车的数量迅速增长,交通拥堵和交通事故越来越严重。为了缓解城市交通问题,智能交通系统已经广泛实现(1- - - - - -4]。其中,短期交通流预测是智能交通系统的核心部分之一,它提供了交通管理的基础,交通控制和交通指南还提供了对旅游者的决策支持。短期交通流预测一直是一个热门话题在交通工程领域的学者。

短期交通流预测,早期的研究主要集中在统计学习方法基于传统的数学模型。某种概率分布的假设下,统计预测模型的参数估计通过理论推理,和模型的预测结果更强有力的解释。传统方法主要包括卡尔曼滤波模型、时间序列模型和非参数回归模型。

Okutani和Stephanedes5)提出了两种预测模型基于卡尔曼滤波理论的交通流预测的街道在名古屋。最新模型,预测误差和多个相邻道路的交通数据部分被认为是提高预测精度。谢et al。6)使用离散小波分解方法降噪的交通流数据,然后建立了一个卡尔曼滤波器模型预测交通流量,减少了当地的干扰噪声的原始数据和得到更好的预测结果。郭et al。7)提出了一种自适应卡尔曼滤波模型,它使用方差自适应更新方法来提高模型的参数,并验证了模型的预测精度比传统的卡尔曼滤波模型通过大量的公路交通数据。Emami et al。8)提出了一个消失的记忆从互联网上基于实时数据的卡尔曼滤波模型的车辆和蓝牙探测器。这个模型考虑权重的影响,降低了测量方法造成的错误。实验表明,该模型能够提高预测数据的准确性。

自回归综合移动平均(ARIMA)模型广泛应用于交通流预测。艾哈迈德和做饭9)调查了代表高速公路的ARIMA模型时间序列数据,发现ARIMA比移动平均线更准确,双指数平滑模型。哈米德et al。10)应用ARIMA模型预测交通量在城市干道,结果是最适当的模型复制所有原始时间序列和计算处理。除了ARIMA模型、自回归综合移动平均模型的解释变量,季节性自回归移动平均模型和其他变体结构ARIMA模型也被应用于交通流预测领域(11,12]。

再邻居(资讯)方法不需要复杂的先验知识和精确的函数表达式。它有一个简单的算法的优点和良好的可移植性和应用领域的交通流量预测。Zhang et al。13)使用资讯和加权均值资讯建立交通流预测模型和比较分析。程等。14)提出了一种自适应时空资讯模型全面考虑时空重量、时间窗口,和其他参数,仿真结果表明,交通流的预测效果进一步提高。资讯的核心内容是设计一个合适的搜索机制,及其预测结果依赖于历史数据。历史数据很大时,该方法的搜索效率将产生更大影响的实时性能预测模型。

的基本思想的支持向量机(SVM)方法对交通流预测是原始的交通流数据映射到高维特征空间通过核函数和找到线性划分平面映射空间来解决非线性问题的交通流数据。杨et al。15)提出了一个短期交通流预测模型基于时空相关性和自适应多核支持向量机的交通流的非线性和随机性。罗等。16]使用最小二乘支持向量机的方法来预测交通流的混合优化算法来选择最优参数,实验结果显示该模型可以提高预测能力和计算效率。唐et al。17)提出了一种交通流预测模型相结合的去噪方案和支持向量机算法来提高预测精度。结果显示该模型优于没有去噪策略。除了传统的支持向量机模型,SVM算法的变体,比如季节性SVM (18),认为交通数据的季节性和Online-SVR [19处理特殊事件),也被应用于交通流预测,取得较好的结果。

交通信息采集技术的发展和广泛应用,如感应探测器,地磁检测器、射频识别技术、雷达检测、视频检测和浮动车检测(20.- - - - - -24),提供大量的数据对交通流的预测。同时,随着人工智能技术的迅速发展,深入学习,强大的数据特征挖掘和非线性数据拟合功能,已成功应用于许多领域,如图像处理和语音识别25- - - - - -27),逐步用于交通参数预测(28- - - - - -31日]。

此外,交通流预测研究的重点也从传统的统计学习预测方法和浅神经网络(32- - - - - -34深度学习预测方法。浅神经网络,它只有一个隐藏层,不能学习更深层次的特性的交通流数据,预测精度往往低于深度学习网络。深度学习方法已经逐渐应用于交通流预测领域。

深度信念网(DBN)早期深学习方法用于交通流量预测。黄等。35)设计了一种组合预测模型与无监督学习DBN底部层和多任务学习层顶部层监督预测。多任务学习层可以充分利用体重分享DBN,比预测的结果。Koesdwiady et al。36)结合天气和交通流数据在特征空间同时设计为无监督pretraining DBN网络,和相关数据从旧金山是用来进行实验来验证该方法的有效性。徐和江37)提出了一个DBN-support向量回归模型对短期交通流量,DBN的用来学习内部交通流特征和支持向量回归预测交通流量。实验表明,该模型可以有效地预测交通流量和具有良好的预测精度。汉和黄38]提出了一种交通流预测模型结合DBN和内核极端的学习分类器,在内部交通流特征数据提取的DBN和内核极端学习者用来预测交通流量。实验表明,该模型可以提高交通流预测的准确性和减少模拟时间。

卷积神经网络(CNN)也是一个深度学习的典型结构。这是一个前馈神经网络用于解决数据问题类似于网格结构。它可以准确地提取数据特征同时降低模型的复杂度。这个有效的局部特征提取能力有利于更好的找到交通流数据之间的空间相关性,然后它广泛应用于交通流预测(39]。Zhang et al。40)提出了一个基于CNN短期交通流预测模型,在这一时空特征选择算法确定最优输入数据时间滞后,大量的交通流数据;然后,CNN学习这些时空特性。模型的有效性验证通过比较预测结果与实际交通数据。一个et al。41)提出了一个fuzzy-based CNN交通流预测模型,模糊的方法是用来表示交通事故的特点。实验结果表明,该模型具有优越的性能。刘等人。42)提出了一个CNN-attention模型预测交通速度。实验结果表明,该模型有一个很大的优势在交通流预测和不同交通流时间和空间的影响交通流量数据可以通过可视化发现权重模型生成的关注。彭et al。43)提出了一种时空动态图反复CNN发病率预测城市交通客流和实验表明,该网络的预测性能优于传统的预测方法。

LSTM网络是一个深度学习结构和递归神经网络(RNN)的变体。RNN可以应用于相关预测领域的时间序列数据(44]。然而,RNN梯度的消失的问题,可以克服由LSTM [45]。LSTM已经应用领域的交通流量预测。马等。46)应用LSTM建立交通速度预测模型。结果表明,LSTM网络有效地捕获时间相关和非线性的交通状态,预测精度是比大多数统计方法。赵et al。47)提出了一个基于LSTM交通预测模型考虑交通系统的时空相关性。结果验证,该模型可以获得更好的预测性能预报模型与其他代表。田et al。48)提出了一种多尺度平滑方法来填充缺失的值在交通流数据,建立了一个LSTM模型预测交通流量。实验表明,LSTM模型具有更好的预测性能比其他预测方法。赵et al。49)建立了LSTM模型来预测交通流速度和验证的预测精度高于支持向量回归预测方法。王等人。50构造一个LSTM基于注意机制的编码和解码模型对时间序列的预测,其中包括周期模式和最近的时间模式。实验表明,该模型是有效的和可靠的长期预测的时间序列。

此外,结合交通流预测算法,特别是深入学习算法,得到了学者们的更多关注和产生一系列的成就。周et al。51]LSTM和SVR短期交通流预测,建立一个模型,使用遗传算法优化参数的SVR。结果表明,预测模型的精度高于LSTM和CNN。Zhang et al。52提出了短期流量预测模型,集成了一个图卷积算子和残余LSTM结构。模型是评价交通速度数据集,比六基线得到更好的预测结果。李等人。53)开发了一种基于深度学习方法,包括CNN和LSTM,迁移型实时信号交叉路口的交通量预测。在模型中,CNN应用学习交通量的空间特性和LSTM学习时间依赖性。夏et al。54)提出了一个分布式LSTM加权模型加上一个时间窗口和正态分布来提高交通流的预测能力。此外,实验结果表明,该模型精度提高。

总之,深度学习方法已经广泛应用于短期交通流预测,取得了一系列的成果。此外,从上面的文献研究,可以发现多个深度学习的结合方法,如CNN和LSTM的组合,可以提高预测模型的性能。LSTM RNN的一种变体,可以获得交通流的时间序列特征。RNN的同时,还有另一种变体,即格勒乌,也可以得到交通流的时间序列特征,使交通流预测(55,56]。LSTM和格勒乌的组合模型是用来预测交通流参数,讨论并应用于(57,58),其杰出的性能预测精度和稳定性证明。两部作品的文学,LSTM和格勒乌串行结构。LSTM首先用于学习的时空特征数据,然后格勒乌是用来预测交通参数或LSTM首先是用来预测价值,然后用天鹤座编码器进一步捕获输入序列和输出序列之间的关系。然而,LSTM的顺序组合结构和格勒乌不同时使用两者的优势互补,同时也缺乏CNN的指导当地的交通流的趋势。有必要应用三个深度学习的结合的方法来研究交通流的预测。此外,注意机制理论(59)的功能改善的数据提取功能深度学习通过模仿人类的视觉分配权重数据特性,已广泛应用于图像处理和语音识别60- - - - - -63年]。将它应用到CNN, LSTM格勒乌深学习交通流预测也值得讨论。

在本文中,提出了一种DOWCA,组合预测模型与CNN, LSTM,格勒乌,短期交通流量和注意力机制提出和讨论。本研究的主要贡献如下:(1)为了建立一个交通流预测模型相结合,动态最优加权系数算法(DOWCA)提出,每个单一预测方法的权重计算动态后添加新的预测结果。(2)结合深学习模型对短期交通流预测,即CDLP,建立基于CNN, LSTM,格勒乌,和注意力机制,包括平行CNN-LSTM-attention模型和CNN-GRU-attention模型。在CDLP,两种单一模型的动态权重计算DOWCA。(3)通过实验比较和分析参数设置后,CDLP模型训练和测试使用交通流数据的字段。结果表明,CDLP模型优于基准模型。

本文的其余部分组织如下。节2CNN的方法论,LSTM格勒乌,注意力机制介绍。节3,提出了一种DOWCA CDLP模型。节4,并给出了实验结果和分析。最后,提出了未来工作的一个简短的结论和建议部分5。

2。方法

2.1。美国有线电视新闻网

CNN是一个前馈神经网络深层结构,主要由卷积层、汇聚层,和完整的连接层64年]。其中,CNN的卷积层是最重要的部分,它使用卷积核进行卷积计算数据从输入层和输出的回旋的特征数据。如果CNN模型包含多个回旋的层,然后输出卷积层特征参数的数量很大。为了减少参数的数量,池层是常常用来进行二次抽样操作的卷积特性数据中提取信息的一部分,防止模型过度拟合。完全连接层通常是使用结束的时候CNN损失模型来减少不必要的功能,所有功能集成和计算最终的输出。

2.2。LSTM网络

LSTM是RNN的变异结构,可解决问题RNN的梯度和梯度爆炸消失,可以更好的实现时间序列的预测序列。LSTM网络是由一系列的基本细胞。细胞的基本结构如图1,其中包括三个门结构:输入,输出,和忘记门。

橙色的线路图1代表输入门。输入门的主要功能是控制输入所有的信息在时间的过程t。信息输入过程主要包括两个部分。一部分更新当前时间信息的过程是通过双曲正切函数获得一个新的状态向量,另一部分是叠加的当前输入和输出信息隐藏层前面的时候通过s形的函数。具体的实现过程可以表示如下: 在哪里W_我,W_c,U_我,U_c盖茨是输入的重量;b_我和b_c盖茨是输入的偏见;和和双曲正切激活函数,公式如下:

图中的红线1代表忘记门,其主要功能是确定被丢弃的冗余信息。忘记门的输入包括输入X_t和输出h_t−1以前单位的时间。输出过程公式所示(3)。 在哪里W_f和U_f忘记门的重量和吗b_f代表忘记门的偏见。

忘记门使用乙状结肠函数将输入值X_t和h_t−1,输出值的范围仅限于[0,1];最后,产值乘以输出单元的状态C_t−1在前面的时刻。当输出值为0,这意味着信息将被完全废弃。当输出值为1,这意味着将被完全保留的信息。

忘记门的输出信息和输入通道,分别乘以,相互叠加在获得当前单元的输出状态。具体计算过程如下:

从这个公式可以看出C_t代表了所有历史的长期记忆的信息在当前的时刻。

紫色的线条图1代表输出门。输出门决定了输出结果的整个基本细胞,细胞输出状态有关C_t在当前的时刻。首先,使用c形的函数来处理输入单元获取的信息的一部分输出O_t输出的门,然后使用双曲正切函数来处理信息C_t。后两组处理信息增多,最终的输出h_t是获得。具体计算公式如下:

2.3。格勒乌网络

类似于LSTM,格勒乌也是一个RNN的变体结构算法,和它也有处理的功能梯度消失的问题RNN和无效的长期记忆序列。与LSTM相比,格勒乌减少结构的复杂性减少盖茨的架构。格勒乌的循环结构包含两个门结构,一个更新(紫色线)和重置登机口(红线),和其细胞结构如图2。

更新门z_t可以确定在前面的时间和内存信息的剩余部分信息在当前时间,继续剩下的信息转移到未来的时间,以获得整个网络传输过程的长期依赖。重设门r_t主要是用于获得短期的时间依赖性,控制隐藏状态信息的操作h_t−1和当前输入值x_t在前一刻,决定忘记过去的信息量。

公式(6)- (9)代表每个状态的计算过程在每个时间步在格勒乌细胞。 在哪里 , ,和input-related权重矩阵;U_z,U_h,周期性连接权重矩阵;和b_z,b_r,偏见有关。

2.4。注意机制

注意机制关注重要信息输入功能通过分配不同的权重。关注重要信息的过程表现为体重的计算过程。信息的重要性越高,较大的重量分配。在深度学习注意力机制的应用程序模型,计算过程涉及的上下文向量和重量如下。

输出深度学习模型应该是隐藏状态的 ,和上下文向量C_t可以计算如下:

在公式(10),的重量是h_我,权重之和为1。它可以计算如下: 在哪里e_t,我是一个对齐模型,其计算公式如下: 在哪里 ,U_一个,b_一个深度学习的网络参数模型和吗可以计算如下: 在哪里(·)表示深刻的学习网络。

基于公式(13),注意机制的输出表示如下: softmax哪里激活函数。

3所示。模型

3.1。动态最优加权系数算法

与单一预测模型相比,组合预测模型可以综合利用多种预测模型的优点,提高预测结果的准确性,具有更好的鲁棒性。组合预测模型,计算每一个预测模型的加权系数是关键。一般来说,最优加权系数算法(OWCA),在每个单一预测方法的权重系数计算的平方和最小化的目标错误的组合预测65年- - - - - -68年]。计算原则如下。

假设有米预测方法;的预测价值我th方法时t是y_它,在那里我= 1,2,…米;t= 1,2,…N。然后,预测误差的我th预测方法可以表示如下:

让l₁,l₂、…l_米的加权系数米预测方法,分别 = 1。组合预测方法的预测结果,贴上 ,可以计算如下: 和预测误差e_t组合预测方法的时间t可以得到:

让J代表平方误差的总和的预测方法相结合,然后解决问题的最优权重t可以表示为以下优化模型:

公式(18)可以用矩阵表示形式如下: 在哪里l= (l₁,l₂、…l_米)^T代表了加权系数列向量;R= (1,- 1,…,1)^T代表了米维列向量与所有1元素;E是预测误差矩阵的信息相结合,E= (E_ij)_m×m和E_ij表示如下: 在哪里e_我代表的预测误差列向量我th单一预测方法e_我=(e_我1,e_我2、…e_在)^T。

如果预测误差向量组米预测方法是线性无关的,那么组合预测误差矩阵的信息E是一个可逆矩阵。根据拉格朗日乘子法(69年),模型的最优解(18)可以获得如下: 在哪里是最优权向量,即最优加权系数的米预测方法。

根据OWCA和历史每个单一预测方法的预测误差,每个单一预测方法的最优加权系数可以进行组合预测。OWCA,每个单一预测方法的权重系数是固定的。然而,在对时间数据序列的预测,如交通流量,随着时间的增加,每个单一预测方法的预测结果也增加。更重要的是,每个单一预测方法的预测误差也不同。如果每个单一预测方法的权重系数是不变的,它不能反映新增的影响各单一预测方法的预测结果预测相结合,这也会影响组合预测结果的准确性。

因此,基于最优加权系数算法,动态的最优加权系数算法,即DOWCA提议。DOWCA,随着时间的增加,历史预测误差的数据量不断增加,每个单一预测方法的加权系数,即动态加权系数,贴上 … ,由OWCA重新计算。动态加权系数应用于每一个单一的预测方法和组合预测结果。整个过程DOWCA如图3,显示了DWOCA算法的伪代码1。

3.2。深度学习预测模型相结合

CNN有能力获得本地数据序列的趋势特征,而LSTM和格勒乌有能力获得长期依赖特性的数据序列。同时,注意机制可以使深学习模型关注重要的功能。在此基础上,结合深学习预测模型与CNN, LSTM,格勒乌,DOWCA是专为交通流预测,即CDLP模型。

LSTM CDLP模型中,CNN,注意顺序相连,成为顺序组合结构,命名为CNN-LSTM-attention模型,即。,一个单一的交通流预测模型在CDLP模型中。此外,CNN,格勒乌和注意力也设计成连续的组合结构和命名为CNN-GRU-attention模型,即。,另一个单一CDLP模型中的交通流量预测模型。然后,两个连续的组合结构是由DOWCA平行并结合。从一层的角度来看,CDLP模型有三层,输入层、隐藏层和输出层。隐藏层包括四层,CNN层,LSTM格勒乌层,层注意,辍学层。CDLP的整体结构模型如图4。

的输入层CDLP模型是交通流数据序列进行处理,包括训练集和测试集,同时输入两个平行的CNN层隐层的CDLP模型。

隐藏层CDLP包括两层CNN, LSTM和格勒乌层,两层的注意,两个辍学层序列。此外,他们都是平行的。CNN层,由于交通流量的周期性和序列数据,使用1 dcnn和1的输出计算dcnn ReLu激活函数。ReLu的公式如下:

关于LSTM和格勒乌层,如果选择太多的网络层,整个网络将庞大的计算,需要更多的训练时间。根据(70年),当两个预测模型的准确性和训练时间被认为是两个LSTM网络层是合适的,所以两个网络层在LSTM被选中。类似地,两个网络层在格勒乌被选中。输入第一个LSTM和格勒乌网络层是本地趋势特征提取1 dcnn及其输出当前LSTM的神经单元的状态和格勒乌层。第二LSTM和格勒乌网络层矿山的特征数据隐藏层和输出状态注意层。

注意层,输入状态 来自LSTM和格勒乌。相应地,在公式(·)(13)表示LSTM和格勒乌。

最后一层隐层,辍学层,目的是防止过度拟合的发生后注意层,即输出CDLP的隐层到输出层。此外,辍学的输入是输出层 ,…, , 从关注层。

CDLP模型旨在预测下一时刻的交通流量基于历史数据。因此,输出层包括两个平行的神经单元,这实际上是两种单一模型的输出,分别CNN-LSTM-attention模型和CNN-GRU-attention模型。两个输出神经单元完全与辍学层。此外,CDLP模型的输出层还包括重量计算的输出CNN-LSTM-attention模型和CNN-GRU-attention模型,DOWCA的使用。最后,交通流预测的值和输出的动态最优权重CNN-LSTM-attention和CNN-GRU-attention获得。

4所示。实验

4.1。数据处理和数据集

十字路口的交通流数据江西公路和在青岛福州南路中国,通过感应探测器收集的数据集的验证CDLP模型。原始数据集包含连续3个月的交通流数据为每个入口道路交叉路口段从2月15日,2019年,2019年5月15日。这些数据的统计时间间隔5分钟,总共25920块数据。

首先,原始数据中的异常和缺失数据处理,异常的数据被视为丢失数据。拉格朗日插值法用于处理缺失数据。在这个过程中,四个相邻数据之前和之后失踪的基准选择插值,以确保插值数据的可靠性。

然后,Min-Max方法用于规范化数据,计算公式如下: 在哪里y_最小值和y_马克斯交通流的最大和最小值,分别和y和交通流数据之前和之后被规范化,分别。

规范化数据分为训练集和测试集,2月15日的数据,2019年5月1日,2019年,作为训练集,和数据集从5月2日,2019年5月15日,2019年,测试集。

4.2。实验环境和选择评价指标

的硬件和软件条件本文的实验环境如表所示1。

为了评估的交通流预测性能CDLP模型,选择三个评价指标:日军,梅和RMSE。其计算公式如下: 在哪里n在测试集样本的总数,是我th实际值的样本,的预测价值吗我样本。

4.3。CDLP模型参数设置

4.3.1。损失函数

损失函数量化是多么接近给定的神经网络训练的理想状态。平均绝对误差函数和均方误差函数一般是作为损失函数。因为方便的计算均方误差函数,在CDLP模型中,均方误差函数被选中作为损失函数,计算公式如下: 在哪里是实际的价值,n是样品的总数,预测价值。

4.3.2。神经元数量CDLP模型

输入层和隐层的神经元数应在模型训练(输出层神经元的数量已确定部分3所示。2)。下面是设置的过程的数量在输入层和隐层神经元。

为了获得适当的输入层的神经元数,6、12、18、24选择,分别训练模型,优化神经元数量是通过测试集的误差分析。同样,LSTM层的神经元数量的设置和格勒乌层,16四个数字,32岁,64年和128年被选中,分别训练模型。此外,通过误差分析确定最佳的神经元数量的测试集。

关于测试的误差分析,日军被选中为主要评价指标,而梅和RMSE用作辅助评价指标。测试集的结果评价指标在不同神经元数字输入和LSTM层,其中包括日军,美,和RMSE,如表所示2。

从表2可以看出,当输入层的神经元数设置为12和两个LSTM层的神经元数目设置为128年和128年,分别;美,日军和RMSE模型的测试集都是最小的。这表明,输入层和隐层的神经元数为模型是最好的训练效果在此设置。此外,两个格勒乌层的神经元数目的相同LSTM,即。128年和128年,分别。

4.3.3。优化算法

深度学习模型的训练过程中,一个优化算法用于模型参数进行迭代来减少损失函数值,模型的训练过程往往是随着迭代次数的增加稳定。优化算法主要包括RMSprop和亚当。这两种算法应用于火车CDLP模型和更好的选择作为一个优化算法根据预测的结果。训练后CDLP模型下RMSProp算法和亚当算法,分别得到了三个评价指标的结果和表所示3。

它可以从表中找到3当亚当算法用于训练CDLP模型,日军,美,和RMSE不到RMSProp的算法。它表明,亚当算法比RMSProp更有效的选择算法和CDLP模型的优化算法。

4.3.4。其他参数

1 dcnn层中,卷积操作由卷积实现内核,和64年卷积核的大小2×1,即。、过滤器= 64,大小= 2。在辍学层,辍学的损失率函数设置为20%。此外,时代是设置为500次迭代,批量大小设置为128。

4.4。结果和分析

CDLP模型训练和测试设计的训练集和测试集后,上述确定模型参数。同时,为了验证CDLP模型的优点,从单一CNN-LSTM-attention模型预测结果和单一CNN-GRU-attention模型提取过程中CDLP模型的训练和测试。此外,得到了相应的结果。图5显示了损失函数曲线的训练集和测试集CNN-LSTM-attention CNN-GRU-attention。图6显示了预测CDLP模型测试集的结果。

从图5(一个)可以看出,损失函数的训练集CNN-LSTM-attention稳步下降迅速,随着迭代次数的增加,最后趋于一种稳定状态。然后,测试集的损失函数经过初始波动随着迭代的进行,很快就会失去训练集的函数,并且是在一个稳定的状态。从图可以看出5 (b)的损失函数,类似于CNN-LSTM-attention CNN-GRU-attention网络的训练集稳步迅速下降,最后趋于稳定状态和损失函数的测试集也逐渐倾向于初始波动后的训练集。最后,损失函数在一个稳定的状态。的损失函数曲线的训练集和测试集CNN-LSTM-attention CNN-GRU-attention表明CNN-LSTM-attention的设计和CNN-GRU-attention网络CDLP模型是合理的。

图6包含一个比较CDLP模型的交通流预测结果与实际值(图)和预测交通流的错误(如下图)。从上面的图,可以发现CDLP模型符合交通流的变化趋势很好,表明该模型学习的时间变化特征交通流量系列,实现更好的预测。此外,从图6错误,可以看出,总体保持稳定,其中大部分是-20和20的变化在一定范围内。此外,基于交通流预测的误差,日军曲线得到,如图7。从图中,可以发现日军曲线的趋势首先迅速上升到最大值,然后迅速降低,逐渐稳定。最后,日军曲线往往是5.12%。这表明CDLP模型具有良好的鲁棒性和获得小错误,进一步表明CDLP模型可以更好地实现交通流量的预测。

此外,为了进一步验证CDLP模型的预测效果,人物8显示了交通流的绝对误差比较CDLP模型的预测值,CNN-LSTM-attention模型,CNN-GRU-attention模型。数据8(一个)和8 (b)显示交通流量预测错误的第一周和第二周在三种模式下的测试集。从图可以看出,预测误差曲线的波动幅度CDLP模型是最小的,其次是CNN-LSTM-attention和CNN-GRU-attention。这表明CDLP模型的预测精度优于CNN-LSTM-attention或CNN-GRU-attention还显示的优势组合模型比单一模型。

与此同时,一些基线模型近年来发表,LSTM,格勒乌,CNN, CNN-LSTM, CNN-GRU, CNN-LSTM-attention, CNN-GRU-attention,用于验证CDLP模型的准确性。CDLP和基线模型的评价指标,日军,美,和RMSE得到,如表所示4。此外,CDLP和基线模型的训练时间如表所示5。从表可以看出4CDLP模型的评价指标是最小,其次是基线模型。这表明CDLP模型的预测精度是最好的。此外,它可以从表中找到5CDLP模型的训练时间只要CNN-LSTM-attention模型,但其预测精度高于CNN-LSTM-attention模型。CNN模型的训练时间是最短的,但预测精度是最低的,所以CDLP模型是相对较高的鲁棒性。

此外,根据DOWCA,权重CDLP CNN-LSTM-attention模型和CNN-GRU-attention模型的计算模型,如图9。

图9显示的重量CNN-LSTM-attention CNN-GRU-attention是动态的和不断变化的,这表明这两种方法有不同的预测结果相同的交通流数据。此外,从图可以看出8这两个模型的权重逐渐减少在开始时从一个大变化,最终成为稳定,它反映了系统的动态加权系数算法的可行性,即收敛。此外,它表明CNN-LSTM-attention模型的权重大于那些CNN-GRU-attention模型,表明CNN-LSTM-attention模型的预测精度高于CNN-GRU-attention模型,这与表中的结果是一致的4。

5。结论和未来的工作

交通流量预测是智能交通系统的重要组成部分。在本文中,一个动态加权系数提出了组合预测模型的算法,即DOWCA。格勒乌,此外,基于CNN LSTM DOWCA,结合深度学习短期交通流预测模型,提出了即CDLP模型。CDLP的结构模型和一个输入层、隐藏层和输出层设计。从组合模型,CDLP模型包括两个平行的单一模型,即。,CNN-LSTM-attention模型和CNN-GRU-attention模型。CDLP模型的参数由实验,包括损失函数、神经元数量,优化算法。

收集的数据字段的十字路口,CDLP模型是通过不正常的数据集和缺失数据处理和标准化处理,分为训练集和测试集,CDLP模型训练和测试。结果表明,CDLP模型可以预测交通流的可行性与精度高。此外,为了进一步验证的性能模型,建立基于相同的数据集和相同的参数设置CDLP模型中,基线模型,分别用来预测交通流。在分析这些模型的预测结果,结果表明,CDLP模型的准确性高于基线模型。和DOWCA验证获得的最优加权系数CNN-LSTM-attention和CNN-GRU-attention CDLP动态模型。

CDLP模型的结构设计及其参数设置在本文中。然而,一些参数,例如,输入层和隐层的节点数在模型中通过实验是基于短期交通流参数的选择。如何优化的参数组合深度学习模型需要进一步研究。此外,交通流预测涉及到几个参数;深度学习结构基于组合算法可以扩展到多维输入变量,如交通速度和入住率。

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。

确认

本研究支持中国博士后科学基金资助项目(2019 m652437),科学研究基金会的山东科技大学招募人才(2019 rcjj014),山东博士后创新项目(201903030)和山东省重点研发项目(2019 ggx101008)。

引用

1. p . Ersoy g . Bruhan,“智能交通系统及其应用在公路运输行业在土耳其,”学报》第12届国际会议上物流与可持续交通Celje,页11 - 13日,斯洛文尼亚,2015年6月。视图:谷歌学术搜索
2. n .崔张k, y, b . Chen x Liu和j .周”路线指导策略的影响在智能交通系统中,交通排放”自然史答:统计力学及其应用卷。513年,32-44,2019页。视图:出版商的网站|谷歌学术搜索
3. i o . Olayode l·k。Tartibu, m . o . Okwu和美国f . Uchechi“智能交通系统,un-signalized路十字路口和交通拥堵在约翰内斯堡:系统回顾,“Procedia CIRP卷,91年,第850 - 844页,2020年。视图:出版商的网站|谷歌学术搜索
4. a级,M.-O。平静的,r . Ebendt和m .朔尔茨”,对一个城市发展综合考虑新颖的智能交通系统:城市发展考虑小说运输,”技术预测和社会变革文章ID 119970卷,155年,2020年。视图:出版商的网站|谷歌学术搜索
5. 即Okutani和y . j . Stephanedes”动态预测的交通量通过卡尔曼滤波理论,“交通研究B部分:方法论,18卷,不。1、1 - 11,1984页。视图:出版商的网站|谷歌学术搜索
6. 你们谢y, y,和z,“短期交通量预测离散小波分解,用卡尔曼滤波”计算机辅助土木与基础设施工程,22卷,不。5,326 - 334年,2007页。视图:出版商的网站|谷歌学术搜索
7. j .郭w·黄和b·m·威廉姆斯,“自适应卡尔曼滤波方法对随机短期交通流量预测和量化不确定性,”交通研究部分C:新兴技术,43卷,50 - 64年,2014页。视图:出版商的网站|谷歌学术搜索
8. a . Emami m . Sarvi, s . a . Bagloee“短期交通流预测基于褪色的记忆卡尔曼滤波融合的数据连接车辆和蓝牙传感器,”仿真建模实践和理论文章ID 102025卷,102年,2019年。视图:出版商的网站|谷歌学术搜索
9. m . s .艾哈迈德·a·r·库克,“高速公路交通时间序列数据的分析利用Box-Jenkins技术,”交通运输研究委员会,卷773,不。722年,页1 - 9,1979。视图:谷歌学术搜索
10. m·m·哈米德·h·r·Al-Masaeid z . m . b .说,“短期交通量预测在城市干道,”交通运输工程学报,卷121,不。3、249 - 254年,1995页。视图:出版商的网站|谷歌学术搜索
11. b·m·威廉姆斯和洛杉矶Hoel”,作为一个季节性ARIMA建模和预测交通流过程:理论基础和实证结果,“交通运输工程学报,卷129,不。6,664 - 672年,2003页。视图:出版商的网站|谷歌学术搜索
12. b·m·威廉姆斯,“多元交通流预测:ARIMAX建模、评价”交通研究记录:《交通研究委员会,卷1776,不。1,第200 - 194页,2001。视图:出版商的网站|谷歌学术搜索
13. w·l·张问:Liu Yang:魏、d .盾,“一种改进再短期交通流预测模型”Procedia——社会和行为科学卷,96年,第662 - 653页,2013年。视图:出版商的网站|谷歌学术搜索
14. f·s . Cheng陆、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
15. 王z, y,问:关,“基于支持向量机的短期交通流预测方法。”吉林大学学报(工程技术版)36卷,第884 - 881页,2006年。视图:谷歌学术搜索
16. 曹c罗,黄c . j . et al .,“短期交通流预测基于最小二乘支持向量机和混合优化算法,”神经处理信件,50卷,不。3、2305 - 2322年,2019页。视图:出版商的网站|谷歌学术搜索
17. j . Tang x, z,宗庆后,c .汉和l·李,“交通流预测基于支持向量机和数据去噪方案,“自然史答:统计力学及其应用文章ID 120642卷,534年,2019年。视图:出版商的网站|谷歌学术搜索
18. w .香港,“交通流预测季节性SVR与混沌模拟退火算法”Neurocomputing,卷74,不。12 - 13,2096 - 2107年,2011页。视图:出版商的网站|谷歌学术搜索
19. m . Castro-Neto Y.-S。宋,M.-K。宋,l·d·汉”Online-SVR短期交通流预测典型和非典型流量条件下,“专家系统与应用程序,36卷,不。3、6164 - 6173年,2009页。视图:出版商的网站|谷歌学术搜索
20. w·h . Wang, w . y .奥臣,“智能道路基础螺栓双车道交通监视。”智能交通系统杂志》上,24卷,不。5,480 - 493年,2020页。视图:出版商的网站|谷歌学术搜索
21. s . f . Wong h . c . Mak c . h . Ku和i Ho,“发展先进交通违章检测系统和射频识别技术智能城市,”《IEEE国际工业工程与工程管理会议,新加坡,2018年2月。视图:谷歌学术搜索
22. a·克莱恩、m·凯利和m·米尔斯“台湾交通检测技术的评价,”学报学报卷。2344年,42-53,1995页。视图:谷歌学术搜索
23. j . Versavel和b . Boucke traficon视频交通数据和事件检测,”学报》第五届国际会议上先进技术在交通工程中的应用美国纽波特海滩,CA, 1998年4月。视图:谷歌学术搜索
24. d . Llorca m . Sotelo桑切斯,m . Ocana j . Rodriguez-Ascariz和m·加里多”交通数据收集对浮动车数据增强V2I网络”EURASIP在信号处理的发展》杂志上文章ID 719294卷,2010年,13页,2010。视图:出版商的网站|谷歌学术搜索
25. l .赛思w·史,a·坎宁安和f . Huszar“有损图像压缩,压缩autoencoders”第五届国际会议上学习表示学报》上2017年3月,法国土伦。视图:谷歌学术搜索
26. 郭l .高z h·张,x,和h t .沈,“视频字幕引起LSTM和语义一致性,“IEEE多媒体,19卷,不。9日,第2055 - 2045页,2017年。视图:出版商的网站|谷歌学术搜索
27. a .坟墓和n . Jaitly”端到端与复发性神经网络语音识别,”31日学报》国际会议上机器学习5卷,第3779 - 3771页,北京,中国,2014年6月。视图:谷歌学术搜索
28. H.-F。杨、t·s·狄龙和Y.-P。陈平,“优化结构的交通流预测模型与深度学习的方法,”IEEE神经网络和学习系统,28卷,不。10日,2371 - 2381年,2017页。视图:出版商的网站|谷歌学术搜索
29. h . y . Wu Tan l .秦跑,和江z,“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
30. r . j . Wang Chen和z,“交通速度预测城市交通网络:一个基于路径的深度学习的方法,”交通研究部分C:新兴技术卷,100年,第385 - 372页,2019年。视图:出版商的网站|谷歌学术搜索
31. t·h·w . Wang Zhang et al .,“一个可说明的模型对短期交通流预测,“数学和计算机模拟卷,171年,第278 - 264页,2020年。视图:出版商的网站|谷歌学术搜索
32. 郭x和朱问:”,基于BP神经网络的交通流预测模型,”《国际会议上电力电子和智能交通系统IEEE,页311 - 314年,深圳,中国,2010年1月。视图:谷歌学术搜索
33. h .黄问:唐,z . Liu”自适应调整城市交通流量预测方法基于Fuzzyc-mean集群和先进的神经网络,”应用数学学报ID 195824条,卷。2013年,7页,2013。视图:出版商的网站|谷歌学术搜索
34. t·李和l .盛”预测短期交通流优化的小波神经网络模型的基础上,“国际计算机科学与信息技术杂志》上,7卷,不。2、2015。视图:出版商的网站|谷歌学术搜索
35. w·黄g .歌曲,h .香港,k .谢”架构交通流预测:深深相信网络在多任务学习,”IEEE智能交通系统,15卷,不。5,2191 - 2201年,2014页。视图:出版商的网站|谷歌学术搜索
36. a . Koesdwiady r . Soua f . Karray,“改善交通流量预测的天气信息连接汽车:深度学习的方法,”IEEE车辆技术,卷65,不。12日,第9517 - 9508页,2016年。视图:出版商的网站|谷歌学术搜索
37. 许h和c江”,深层信念基于网络的支持向量回归方法对交通流预测,“神经计算和应用,32卷,不。7,2027 - 2036年,2020页。视图:出版商的网站|谷歌学术搜索
38. l .汉和y s黄”,还是短期交通流预测基于深度学习的道路网络,”专业智能运输系统,14卷,不。6,495 - 503年,2020页。视图:出版商的网站|谷歌学术搜索
39. 戴马x, z, z, j . Ma和王y, y . Wang”学习交通图片:深卷积神经网络用于大规模交通网络速度预测,“传感器,17卷,不。4、2017。视图:出版商的网站|谷歌学术搜索
40. w·张,y, y气,f,和y王,“短期交通流预测基于时空分析和CNN深度学习,”Transportmetrica答:运输科学,15卷,不。2、1688 - 1711年,2019页。视图:出版商的网站|谷歌学术搜索
41. j .一个l .傅m . Hu w . Chen和j·詹,“小说fuzzy-based卷积神经网络交通流预测方法确定交通事故信息,“IEEE访问7卷,第20722 - 20708页,2019年。视图:出版商的网站|谷歌学术搜索
42. 问:刘、王b和y朱,“短期交通速度预测基于卷积神经网络干道的关注,“计算机辅助土木与基础设施工程,33卷,不。11日,第1016 - 999页,2018年。视图:出版商的网站|谷歌学术搜索
43. b . h, h . Wang Du et al .,“空间时间发生动态图神经网络交通流预测,“信息科学卷,521年,第290 - 277页,2020年。视图:出版商的网站|谷歌学术搜索
44. 美国马赫和p . Biswajee严重性与递归神经网络预测交通事故,”应用科学,7卷,不。6,476 - 486年,2017页。视图:谷歌学术搜索
45. ,的Hochreiter和j。施密德胡贝尔表示“长短期记忆。”神经计算,9卷,不。8,1735 - 1780年,1997页。视图:出版商的网站|谷歌学术搜索
46. x, z, y . Wang h . Yu和y王,“长短期记忆神经网络交通速度预测使用远程微波传感器数据,”交通研究部分C:新兴技术54卷,第197 - 187页,2015年。视图:出版商的网站|谷歌学术搜索
47. z赵,w·陈,吴x, p . c . y . Chen和j·刘,“LSTM网络:一个深度学习方法短学期交通预测,“专业智能运输系统,11卷,不。2、68 - 75年,2017页。视图:出版商的网站|谷歌学术搜索
48. 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
49. j .赵y高,z呗,h . Wang和美国,“交通速度预测下临时堵塞:基于LSTM方法和北斗导航卫星系统的数据,”IEEE智能交通系统杂志,11卷,不。2、70 - 81年,2019页。视图:出版商的网站|谷歌学术搜索
50. l z . Wang张,z叮”混合time-aligned和上下文的注意力时间序列预测,“以知识为基础的系统文章ID 105937卷,198年,2020年。视图:出版商的网站|谷歌学术搜索
51. 程j .周h . Chang x, x赵,“多尺度和高精度LSTM-GASVR短期交通流预测模型,”复杂性ID 1434080条,卷。2020年,17页,2020。视图:出版商的网站|谷歌学术搜索
52. y y, t . Cheng任,k .谢”小说残余图卷积深度学习短期基于网络流量预测模型,”国际地理信息科学杂志》上,34卷,不。5,969 - 995年,2020页。视图:出版商的网站|谷歌学术搜索
53. x j . w . Li禁令,j .郑h .刘x和y,“迁移型实时信号交叉路口的交通量预测。”交通运输工程学报:系统,卷146,不。8篇文章ID 04020081, 2020。视图:出版商的网站|谷歌学术搜索
54. d·夏m .张x, y呗,和h·李,“分布式WND-LSTM模型地图减少对短期交通流预测,“神经计算和应用,33卷,不。7,2393 - 2410年,2020页。视图:出版商的网站|谷歌学术搜索
55. 杜,t·李x锣,s . j . Horng”混合交通流预测方法使用多通道深度学习,”国际期刊的计算智能系统,13卷,不。1,p。85年,2018。视图:出版商的网站|谷歌学术搜索
56. g .戴马c和x徐,“城市道路短期交通流预测方法部分基于时空分析和格勒乌,”IEEE访问7卷,第143035 - 143025页,2019年。视图:出版商的网站|谷歌学术搜索
57. y顾,w . Lu, l .秦m·李和z . Shao,“短期预测lane-level交通速度:融合深度学习模式,”交通研究部分C:新兴技术卷。106年,硕士论文,2019页。视图:出版商的网站|谷歌学术搜索
58. C.-M。的f·沙,w·道,“三联体解码器神经网络集成系统和交通速度t-conversion序列预测,“IEEE访问7卷,第162082 - 162070页,2019年。视图:出版商的网站|谷歌学术搜索
59. d . Bahdanau k .赵,y Bengio”神经共同学习对齐和翻译机器翻译,计算机科学,”2021年,http://arxiv.org/abs/1409.0473。视图:谷歌学术搜索
60. 程阴,x, x,和m .赵“大气粒子的识别和分类基于SEM图像使用卷积神经网络与注意力机制,“复杂性ID 9673724条,卷。2020年,13页,2020。视图:出版商的网站|谷歌学术搜索
61. l .你们和王y, z . Liu”双重卷积LSTM指图像分割网络”IEEE多媒体,22卷,不。12日,第3235 - 3224页,2020年。视图:出版商的网站|谷歌学术搜索
62. 赵z和W.-Q。张,”端到端基于注意机制和关键字搜索系统能源得分手低资源语言,“神经网络卷,139年,第334 - 326页,2021年。视图:出版商的网站|谷歌学术搜索
63. j . d . Li刘、杨z l .太阳和z . Wang”使用递归神经网络的语音情感识别与定向self-attention”专家系统与应用程序文章ID 114683卷,173年,2021年。视图:出版商的网站|谷歌学术搜索
64. j . j .顾z . Wang Kuen et al .,“最近卷积神经网络的进步,”模式识别卷,77年,第377 - 354页,2018年。视图:出版商的网站|谷歌学术搜索
65. g .杨娇,j。Liu t Lei, x元,“误差扩散法与优化加权系数为二进制全息图的一代,”应用光学,卷。58岁的没有。20日,第5555 - 5547页,2019年。视图:出版商的网站|谷歌学术搜索
66. d·l·冈s Pateux c . Labit g . Moury和d . Lebedeff“最佳改编权重车载卫星图像编码的小波系数”IEEE国际地球科学与遥感学报》研讨会,卷2,檀香山,嗨,美国,2000年2月。视图:谷歌学术搜索
67. 王h . j .沈,“研究无人机光伏模块的电压预测新组合优化算法的基础上,“国际交易电气能源系统卷,29号7日,2019年。视图:出版商的网站|谷歌学术搜索
68. 瞿z,谢,r·冯n .瞿h . Lv和z太极,“电力销售电力市场的非线性回归预测模型结合的最佳体重,”电脑杂志,30卷,不。5,75 - 87年,2019页。视图:谷歌学术搜索
69. Guillen d, l·m·卡斯特罗:Gonzalez-Cabrera, j . Tovar-Hernandez和g . Gutierrez-Alcaraz”有效方法为最优经济运行问题点对点VSC-HVDC连接交流电网基于拉格朗日乘数法,“电力系统研究文章ID 106493卷,187年,2020年。视图:出版商的网站|谷歌学术搜索
70. 问:王、美国波士顿大学和z,“实现预测和主动维护与LSTM-RNN高速铁路电力设备,“IEEE工业信息,16卷,不。10日,6509 - 6517年,2020页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Chuanxiang任等。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。