技术特征:
1.一种基于3d动态时空残差卷积关联网络的交通流预测方法,其特征在于:包括如下步骤:
步骤1)采集城市道路的交通流数据,并将交通流数据实时传输至智慧城市交通大数据存储中心,对原始的交通流数据进行预处理来降低数据冗余度;
步骤2)根据城市道路的经纬度将预处理后的交通流数据转化为欧几里得结构交通栅格数据,对欧几里得结构交通栅格数据进行标准化处理,并将其划分成训练集和测试集;
步骤3)构建基于3d动态时空残差卷积关联网络,该网络由时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成;
步骤4)用步骤2)得到的训练集训练构建的基于3d动态时空残差卷积关联网络,用训练好的模型预测城市道路下一时刻的交通流。
2.根据权利要求1所述的一种基于3d动态时空残差卷积关联网络的交通流预测方法,其特征在于:所述步骤1)中,将智慧城市交通大数据存储中心接收到的每组交通流数据定义为datak,datak={idk,lonk,latk,timestampk,typek},idk,lonk,latk,timestampk,typek分别代表交通流的编号、经度、纬度、时间戳和车辆类型;当t时刻的datat出现交通流数据缺失,使用该节点上一周或者下一周相同时刻的交通流数据进行替换,将公式定义为:data(loss)t=data(t 7*24h)/(t-7*24h),data(loss)t代表t时刻缺失的交通流数据,data(t 7*24)/(t-7*24)代表t时刻上一周或者下一周在同一时刻的交通流数据;对于异常值采用3σ原则处理,对符合要求的数据进行保留,不符合要求的采用数据缺失方法进行替换。
3.根据权利要求1所述的一种基于3d动态时空残差卷积关联网络的交通流预测方法,其特征在于:所述步骤2)中,根据经纬度将交通流所在城市划分成欧几里得结构栅格网络,按照固定时间间隔δt,将预处理过后的交通流数据映射到欧几里得结构交通栅格网络中,生成欧几里得结构交通栅格数据xr={xi,j},xr中每个位置均匀分布,相邻位置之间距离相等;将交通流预测问题转化为给定历史交通栅格数据,预测n δt时刻的交通栅格数据xn δt,n是交通数据记录的最后时间节点;
交通栅格数据生成后,对其进行标准化处理以降低不同量纲对模型预测结果的影响;通过下式计算标准化后的交通栅格数据x*t:x*t=(xt-xμ)/xσ,其中xt为标准化前的交通栅格数据,xμ为交通栅格数据整体数据的平均值,xσ为交通栅格数据整体数据的标准差;交通栅格数据标准化完成后,对数据集进行拆分,按照固定比例将其划分成训练集和测试集。
4.根据权利要求1所述的一种基于3d动态时空残差卷积关联网络的交通流预测方法,其特征在于:所述步骤3)中,构建基于3d动态时空残差卷积关联网络,该网络由时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成,具体步骤如下:
步骤3-1:构造时空特征关联提取组件,具体步骤如下:
步骤3-1-1:确定时空特征关联提取组件的基本架构,确定以皮尔逊相关系数方法作为相关联度量的评价指标,将皮尔逊相关系数方法公式定义为:
步骤3-2:构造动态空间特征提取组件,具体步骤如下:
步骤3-2-1:确定动态空间特征提取组件总体网络架构,利用3d卷积操作对交通栅格数据的动态空间特征进行提取,时空栅格数据尺寸为i*i;选取步骤3-1-1空间序列中m个交通栅格数据构造成3d交通栅格数据,维度为m*i*i,对其进行3d卷积操作提取动态控件特征,选取卷积核维度为w*h*g,w、h、g分别为卷积核的宽、高和长。卷积核移动步长设置为s,补零圈数设置为z;将动态空间特征提取组件3d卷积操作定义为:
步骤3-2-2:卷积操作完成后,将步骤3-2-1的卷积特征输出作为残差单元的输入,用来捕获空间特征微小变化,残差操作定义为:
步骤3-2-3:设置动态空间特征提取组件中卷积层的激活函数为relu函数,神经元的输入和输出维度与交通栅格数据尺寸相同;
步骤3-3:构造动态时间特征提取组件,具体步骤如下:
步骤3-3-1:确定动态时间特征提取组件总体网络架构,将步骤3-1-1输入的时间序列中m个交通栅格数据的维度由(m,i,i)转化为(i*i,m),设计维度为(1,m)的卷积核对转其进行动态时间特性提取,生成维度为(1,i*i)的交通栅格数据xt2,将动态时间特征卷积公式定义为:
将提取动态时间后的交通栅格数据输入到lstm网络中保持长期时间特征,将公式定义为:
步骤3-3-2:设置动态时间特征提取组件中卷积层的激活函数为relu函数,lstm网络的激活函数由sigmoid函数和tanh函数组成;
步骤3-4:构造3d动态时空残差卷积关联网络,具体步骤如下:
步骤3-4-1:确定3d动态时空残差卷积关联网络总体架构;
步骤3-4-2:将动态空间特征提取组件的输出定义为xs3,将动态时间特征提取组件的输出定义为xt3,采用加权融合方法混合动态空间和时间特征提取组件的输出,公式为:xfusion=f(ws*xs1 wt*xt1),ws和wt分别代表动态空间特征、动态时间特征所占比重。
5.根据权利要求1所述的一种基于3d动态时空残差卷积关联网络的交通流预测方法,其特征在于:所述步骤4中,用步骤2)得到的训练集训练构建的基于3d动态时空残差卷积关联网络,用训练好的模型预测城市道路下一时刻的交通流,具体步骤如下:
步骤4-1:初始化模型结构,确定网路卷积核维度、初始权重、训练步长、激活函数、隐藏层层数和残差单元数量;
步骤4-2:利用步骤2得到的训练集来训练3d动态时空残差卷积关联网络;
步骤4-3:将训练集输入时空特征关联提取组件,分别得到空间序列输入xins和时间序列输入xint;
步骤4-4:将空间序列输入到动态空间特征提取组件,得到交通栅格数据的动态空间特征xs3;
步骤4-5:将时间序列输入到动态时间特征提取组件,得到交通栅格数据的动态时间特征xt3;
步骤4-6:利用步骤3-4-2对步骤4-3和4-4的输出进行融合,得到模型预测值;
步骤4-7:设置模型迭代次数,将均方根误差作为模型预测值和真实值的误差评价标准,利用反向传播算法更新模型的连接权重;
步骤4-8:模型训练完成后,利用测试集验证模型的预测精度。
技术总结
本发明公开了一种基于3D动态时空残差卷积关联网络的交通流预测方法,包括以下步骤:采集城市道路的交通流数据,对原始数据进行预处理;根据城市道路的经纬度将数据转化为欧几里得结构交通栅格数据,对栅格数据进行标准化处理,并将其划分成训练集和测试集;构建基于3D动态时空残差卷积关联网络,该网络由时空关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成;训练基于3D动态时空残差卷积关联网络,用训练好的模型预测城市道路下一时刻的交通流。本发明在对城市道路交通流进行时空关联分析的基础上,同时对城市道路交通流的动态空间和时间特征进行提取,提高对城市道路交通流的时空特征的动态捕获,从而提高城市交通流的预测精度。
技术研发人员:施佺;包银鑫;沈琴琴;邵叶秦;朱森来
受保护的技术使用者:南通大学
技术研发日:2021.05.28
技术公布日:2021.08.31
本文用于企业家、创业者技术爱好者查询,结果仅供参考。