一种单个路口的车流量预测方法及装置与流程

1.本发明涉及车流量预测技术领域，具体地说，是涉及一种单个路口的车流量预测方法及装置。


背景技术：

2.车流量预测是智慧交通的重要部分，是解决交通信息系统的一个关键点。每个城市，每个路口的交通流量都具有特定的复杂性，对于车流量预测具有十分重要的实际意义。
3.已有的对于单个路口的车流量预测方法通常只是采用rnn等方法学习车流量时间序列的表示，这种方式虽然学习了当前车流量的表示，但是忽略了时间规律对于车流量的影响，例如节假日。


技术实现要素：

4.本发明的目的在于提供一种单个路口的车流量预测方法及装置，以解决现有单个路口车流量预测忽略了节假日类时间规律对车流量影响的问题。
5.为了解决上述问题，本发明提供如下技术方案：
6.一种单个路口的车流量预测方法，包括以下步骤：
7.s1、采集单个路口以设定时间间隔统计的车流量和平均车速的历史数据，对其进行标准化处理后，分割成当前时间点、周周期、月周期的周期性数据；
8.s2、根据步骤s1的周期性数据构建训练集和测试集，构建lstm初始模型根据测试集进行车流量历史数据和车速历史数据的表征学习后，通过soft
‑
attention机制融合形成最终的表征后得到lstm模型；
9.s3、根据步骤s2的训练集训练步骤s2的lstm模型，输入待预测数据按步骤s1进行处理后输入训练后的lstm模型进行预测。
10.本发明对历史车流量和车速信息进行分割，获得当前时间点、月周期、周周期三个不同时段的车流量和车速序列数据；然后基于lstm模型和soft
‑
attention机制学习到当前时间点的车流量和车速数据表征；最后进行车流量的预测；融合了三个不同时间段的车流量和车速数据，考虑到了车流量的周期性，同时也考虑了车速，使预测的得到的结果更加准确具有意义。
11.进一步的，步骤s1中标准化处理的具体过程为：将时间节点车流量、车速为0的数据均替换为1；然后使用z
‑
score方法分别对车流量历史数据和车速历史数据进行标准化处理。
12.进一步的，步骤s1中分割成周期数据的具体过程为：依次将历史数据序列中每一个时间节点的车流量作为预测节点；设定预测节点为a，然后分别获取a节点前一周的车流量历史数据和车速历史数据；获取预测节a点前一周的时间节点为b，然后获取b节点前一周的车流量历史数据和车速历史数据；再获取a节点前一个月的时间节点为c，然后获取c节点前一周的车流量历史数据和车速历史数据。
13.进一步的，步骤s2数据集构建的具体过程如下：
14.x
cur_flow
＝[x
f1
,x
f2
,x
f3
,
……
,x
fn
‑1,x
fn
]，x
fi
表示第i条a节点前一周的车流量历史数；
[0015]
x
cur_speed
＝[x
s1
,x
s2
,x
s3
,
……
,x
sn
‑1,x
sn
]，x
si
表示第i条a节点前一周的车速历史数据；
[0016]
x
week_flow
＝[x
f_w_1
,x
f_w_2
,x
f_w_3
,
……
,x
f_w_n
‑1,x
f_w_n
]，x
f_w_i
表示第i条b节点前一周的车流量历史数据；
[0017]
x
week_speed
＝[x
s_w_1
,x
s_w_2
,x
s_w_3
,
……
,x
s_w_n
‑1,x
s_w_n
]，x
s_w_i
表示第i条b节点前一周的车速历史数据；
[0018]
x
month_flow
＝[x
f_m_1
,x
f_m_2
,x
f_m_3
,
……
,x
f_m_n
‑1,x
f_m_n
]，x
f_m_i
表示第i条c节点前一周的车流量历史数据；
[0019]
x
month_speed
＝[x
s_m_1
,x
s_m_2
,x
s_m_3
,
……
,x
s_m_n
‑1,x
s_m_n
]，x
s_m_i
表示第i条c节点前一周的车速历史数据；
[0020]
y＝[y1,y2,y3,
……
,y
y
‑1,y
n
]，y
i
表示第i个当前节点，即预测节点；
[0021]
将以上全部数据按设定比例分为训练集x
train
，y
train
和测试集x
test
，y
test
。
[0022]
进一步的，步骤s2中最终表征的形成过程为：通过分别构建lstm模型进行车流量历史数据和车速历史数据的表征学习，依据当前时间，一周前，一月前将车流量表征和车速表征进行融合；通过soft
‑
attention机制得到一周前，一月前的融合表征与当前时间表征的重点关注表征，并与当前表征进行融合，形成最终的表征并进行预测。
[0023]
进一步的，步骤s3训练lstm模型包括初始化该模型，其具体过程为：初始化全连接层的权重矩阵wp的值为正态分布，其均值为0，方差为0.1；初始化全连接层的偏置向量bp为0.1；初始化soft
‑
attention权重矩阵att_q，att_k，att_v为正太分布，其均值为0，方差为0.1。
[0024]
进一步的，步骤s3训练lstm模型在初始化该模型后，进行模型训练，其具体过程为：将训练集输入到初始化的模型中，采用平均绝对百分比误差法进行权重更新；经过若干次迭代后，得到收敛的神经网络模型，从而得到训练完成的stm模型模型。
[0025]
进一步的，平均绝对百分比误差法的损失函数如下：
[0026]
其中n表示值的个数，为预测值，y
i
为真实值。
[0027]
一种单个路口的车流量预测装置包括存储器：用于存储可执行指令；处理器：用于执行所述存储器中存储的可执行指令，实现一种单个路口的车流量预测方法。
[0028]
与现有技术相比，本发明具有以下有益效果：
[0029]
(1)本发明对历史车流量和车速信息进行分割，获得当前时间点、月周期、周周期三个不同时段的车流量和车速序列数据；然后基于lstm和soft
‑
attention机制学习到当前时间点的车流量和车速数据表征；最后进行车流量的预测；融合三个不同时间段的车流量和车速数据，考虑到车流量的周期性；同时考虑了车速信息，使预测的得到的结果更加准确具有意义。
[0030]
(2)本发明基于lstm和soft
‑
attention能够学习到更好的表征，使预测准确率有
了进一步提升。
附图说明
[0031]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，其中：
[0032]
图1为本发明的结构示意图。
具体实施方式
[0033]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合图1对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0034]
实施例1
[0035]
如图1所示，一种单个路口的车流量预测方法及装置包括以下步骤：
[0036]
1.数据预处理
[0037]
1.1将单个路口的以设定时间间隔统计的车流量和平均车速信息按照时间顺序进行排序，将时间节点车流量、车速为0的数据均替换为1；然后使用z
‑
score方法分别对车流量历史数据和车速历史数据进行标准化处理；在本实施例中，统计结果如下表所示。
[0038]
表一
[0039]
时间车流量平均车速2017
‑9‑
18 00:00:002668.22017
‑9‑
18 00:05:002668.12017
‑9‑
18 00:10:003768.7
………
[0040]
1.2依次将历史数据序列中每一个时间节点的车流量作为预测节点；假设预测节点为a，然后分别获取a节点前一周的车流量历史数据和车速历史数据；获取预测节a点前一周的时间节点为b，然后获取b节点前一周的车流量历史数据和车速历史数据；再获取a节点前一个月的时间节点为c，然后获取c节点前一周的车流量历史数据和车速历史数据。
[0041]
1.3按照1.2对数据进行分割；
[0042]
x
cur_flow
＝[x
f1
,x
f2
,x
f3
,
……
,x
fn
‑1,x
fn
]，x
fi
表示第i条a节点前一周的车流量历史数；
[0043]
x
cur_speed
＝[x
s1
,x
s2
,x
s3
,
……
,x
sn
‑1,x
sn
]，x
si
表示第i条a节点前一周的车速历史数据；
[0044]
x
week_flow
＝[x
f_w_1
,x
f_w_2
,x
f_w_3
,
……
,x
f_w_n
‑1,x
f_w_n
]，x
f_w_i
表示第i条b节点前一周的车流量历史数据；
[0045]
x
week_speed
＝[x
s_w_1
,x
s_w_2
,x
s_w_3
,
……
,x
s_w_n
‑1,x
s_w_n
]，x
s_w_i
表示第i条b节点前一周的车速历史数据；
[0046]
x
month_flow
＝[x
f_m_1
,x
f_m_2
,x
f_m_3
,
……
,x
f_m_n
‑1,x
f_m_n
]，x
f_m_i
表示第i条c节点前一周
的车流量历史数据；
[0047]
x
month_speed
＝[x
s_m_1
,x
s_m_2
,x
s_m_3
,
……
,x
s_m_n
‑1,x
s_m_n
]，x
s_m_i
表示第i条c节点前一周的车速历史数据；
[0048]
y＝[y1,y2,y3,
……
,y
y
‑1,y
n
]，y
i
表示第i个当前节点，即预测节点；
[0049]
以上所有n的取值范围均为训练集数据的总数量；
[0050]
在本实施例中，车流量x
fi
，x
f_w_i
，x
f_m_i
的表示形如[26，26，37，20,22,28,24]，车速x
si
，x
s_w_i
，x
s_m_i
的表示形如[68.2,68.1,68.7,68.8,68.4,66.4,66.7]。
[0051]
2.模型构建
[0052]
通过分别构建长短期记忆模型(long
‑
short term memory，lstm)进行车流量历史数据和车速历史数据的表征学习，依据当前时间，一周前，一月前将车流量表征和车速表征进行融合；通过soft
‑
attention机制得到一周前，一月前的融合表征与当前时间表征的重点关注表征，并与当前表征进行融合，形成最终的表征并进行预测的lstm模型。
[0053]
3.训练预测模型
[0054]
3.1初始化预测模型
[0055]
将步骤2中的lstm模型初始化全连接层的权重矩阵wp的值为正态分布，其均值为0，方差为0.1；初始化全连接层的偏置向量bp为0.1；初始化soft
‑
attention权重矩阵att_q，att_k，att_v为正太分布，其均值为0，方差为0.1。
[0056]
3.2模型训练
[0057]
将训练集输入到初始化的lstm模型模型中，采用平均绝对百分比误差(mean absolute percentage error，mape)进行权重更新；经过若干次迭代后，得到收敛的神经网络模型，从而得到训练完成的预测模型。
[0058]
mape损失函数如下：
[0059]
其中n表示值的个数，为预测值，y
i
为真实值。
[0060]
4.车流量预测
[0061]
将待预测的数据按照(1)所属方法处理得到数据集，然后输入(3)中已训练好的模型进行预测。
[0062]
实施例2
[0063]
一种单个路口的车流量预测装置包括存储器：用于存储可执行指令；处理器：用于执行所述存储器中存储的可执行指令，实现一种单个路口的车流量预测方法。
[0064]
本发明中单个路口的车流量预测通过对单个路口的车辆历史数据进行特征提取和分析，然后预测当前的车流量；增加了月周期性和周周期性，并且通过soft
‑
attention机制学习月周期和周周期车流量对于当前车流量的重要影响，提高了预测值的意义和准确性。
[0065]
本发明通过构建周期性历史数据，利用lstm attention机制更好的进行数据表征学习，从而得到理想的预测效果，改进特征提取方法来提高车流量预测的准确率。
[0066]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图
显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0067]
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0068]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0069]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0070]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。