CN106781489A - 一种基于递归神经网络的路网状态预测方法 - Google Patents

Abstract

本发明提供一种基于递归神经网络的路网状态预测方法，包括以下步骤：步骤一，建立样本集；步骤二，递归神经网络建模。步骤三，下一时刻路网状态预测。本发明，从宏观的角度把握路网状态演变规律，采用递归神经网络算法充分考虑路网状态变化的时序规律，从而更好地做出预测。

Description

一种基于递归神经网络的路网状态预测方法

技术领域

本发明涉及公共交通信息处理技术领域，具体地说是一种基于递归神经网络的路网状态预测方法。

背景技术

随着城市化进程加快，交通拥堵问题日益突出，尤其是大城市，交通拥堵问题更为严峻，严重影响了人们的日常出行。城市道路日趋饱和，而汽车保有量却逐年攀升，这种供需不平衡的关系加重了交通拥堵，而交通拥堵预测是缓解交通拥堵的重要途径。

在现有的专利中，已经有一些针对交通状态预测的方法，比较主流的方法包括Kalman滤波模型，时间序列模型，神经网络模型，参数回归模型等。交通状态变化具有非线性的特点，还会因为一些突发事件而存在不确定性，Kalman滤波作为一种线性滤波器，适用性有限，而且存在滞后现象。时间序列模型不仅需要大量的历史数据，且对交通状态变化的时敏性差，难以应对突发事件，神经网络对参数初始化非常敏感，需要多次预测求取平均值，计算量大，且存在局部最优解，容易出现过拟合，参数移植性较差。参数回归模型难以表达交通状态的不确定性、复杂性以及动态特性等。

此外，现有的专利大多是基于路段层面的交通状态预测，难以从宏观角度把握路网状态演变规律，难以把握交通状态的复杂性、不确定性。而且基于路段层面的预测对交通设备要求高，个别点的数据缺失对预测精度会造成较大的影响，而基于路网层面的预测将有效解决这一问题，因为从宏观角度上看，个别点数据的缺失对整个路网状态预测影响较小。

发明内容

本发明为解决以上现有技术的不足，提供一种基于递归神经网络的路网状态预测方法，该方法能够充分考虑路网状态变化的时序性。基于路网层面的状态预测，对出行者来说，可以更好地规划出行路径，极大提高了出行效率。对管理者来说，从宏观角度把握路网状态演变趋势，可以更好地分析路网交通状况，规划交通网络，实现交通优化控制。

为了解决上述问题，本发明提供的技术方案包括：

一种基于递归神经网络的路网状态预测方法，所述方法包括以下步骤：步骤一、建立样本集；选取一路网，将路网划分为k个路段，并对各个路段进行编号，记为(1,2,3,…,k)，将一天24小时分成各个时间长度一样的j个时间段，计算各个路段在每个时间段的平均速度；计算完各个路段的平均速度之后，用一个状态向量表示该时间段的路网状态，即V_j＝[v_1,j,v_2,j,…,v_k,j]；考虑前三个时间段的路网状态，预测下一个时间段的路网状态，

因此，单个样本为[(V_j-2,V_j-1,V_j),(V_j+1)]其展开形式为：

整个样本集为所有时间段样本的集合；

步骤二、递归神经网络建模；首先，确定输入输出变量；输入变量是三个一维状态向量，分别j-2，j-1，j时间段的路网状态向量，输出变量一个是一维状态向量，即下一个时间段的路网状态,每个状态向量的维度均为k，即路网中的路段数目；其次，确定训练集和测试集，根据步骤一中的样本集按预定比例分为训练集和测试集；最后，进行递归神经网络模型参数标定；所述的递归神经网络包括输入层、隐藏层以及输出层。通过训练数据学习输入层与隐藏层、隐藏层与输入层之间的权重矩阵和偏置向量，其中所述隐藏层的每个记忆单元都有三个输入和两个输出，输入内容包括x(t)，h(t-1)，c(t-1)，输出包括h(t)，c(t)。他们之间的关系是通过三个门进行控制，分别是输入门、遗忘门和输出门，在t时刻有：

i_t＝sigmoid(w_hih_t-1+w_xix_t+b_i)

f_t＝sigmoid(w_hfh_t-1+w_hfx_t+b_f)

c_t＝f_t⊙c_t-1+i_t⊙tanh(w_hch_t-1+w_xcx_t+b_c)

o_t＝sigmoid(w_hoh_t-1+w_hxx_t+w_coc_t+b_o)

h_t＝o_t⊙tanh(c_t)

其中i_t,f_t,o_t分别代输入门、遗忘门和输出门的输出，w_.,b_.分别是系数矩阵和偏置向量，⊙是点乘运算，sigmoid和tanh是激活函数，c_t代表t时刻隐藏层的记忆单元的输出，h_t-1是在t-1时刻隐藏层的输出，h_t是在t时刻隐藏层的输出；

隐藏层之间的权重矩阵W是一个[k,z]矩阵，z为隐藏层单元个数，k为路段的数量；连接输入层和隐藏层之间的权值矩阵U是一个[z,z]矩阵；连接隐藏与输出层之间的输出矩阵V是一个[z,k]矩阵；隐藏层和输出层的关系为：

Y_j+1＝HV+b_y

其中，H＝[h₁,h₂,……h_z]，h_i是j时刻的隐藏层单元的输出值,所述by是连接隐藏层和输出层的偏置函数Y_j+1＝[y_1,j+1,y_2,j+1,…,y_k,j+1]；得到输出层后建立损失函数，损失函数是用来衡量输出层的输出值与真实值的差异，利用损失函数对各个参数求导，计算其梯度。所述的递归神经网络的训练时采用批量梯度下降法学习模型参数，模型参数包括所有的权重矩阵和偏置向量；

步骤三、下一时刻路网状态预测；将测试数据的输入变量输入到步骤二中已训练好的模型中，获得输出向量，那么该向量就是所预测的下一个时间段的路网状态。

本发明的优点：

(1)本发明最大的优点是提供一种路网状态预测方法，从宏观的角度把握路网状态演变规律。

(2)本发明采用递归神经网络算法充分考虑路网状态变化的时序规律，从而更好地做出预测。

附图说明

图1是本发明的流程图；

图2是LSTM结构图；

图3是本发明所使用的递归神经网络模型图；

图4是递归神经网络与BP神经网络预测对比图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明，使得本领域技术人员参照说明书文字能够据以实施。

本发明提供一种基于递归神经网络的路网状态预测方法，流程如图1所示，包括以下步骤：

步骤一，建立样本集。

选取某一路网，将路网划分为各个小路段，假设分为k个路段，并对各个路段进行编号，记为(1,2,3,…,k)，将一天24小时分成各个时间长度一样的时间段(比如每2分钟作为一个时间段)，计算各个路段在每个时间段的平均速度。平均速度的计算方法是：在某一时间段内，在某一路段通过的所有车辆平均速度的均值，如式(1)所示，其中n代表在该时间段在该路段通过的车辆数目，m代表路网中的第m个路段，m∈(1,2,···,k)，j是时间段编号，s代表该路段的长度，Δt代表时间段的长度，代表车辆i在Δt的平均速度。

若某一路段在Δt内没有车辆通过，在用上一个时间段的平均速度替代当前时间段的平均速度，即

v_m,j＝v_m,j-1。

计算完各个路段的平均速度之后，用一个状态向量表示该时间段的路网状态，即V_j＝[v_1,j,v_2,j,…,v_k,j]。

本发明具体实施方式中考虑前三个时间段的路网状态，预测下一个时间段的路网状态，

因此本发明的单个样本形如[(V_j-2,V_j-1,V_j),(V_j+1)]

其展开形式为：

整个样本集为所有时间段样本的集合。

步骤二，递归神经网络建模。

首先，确定输入输出变量。输入变量是三个一维状态向量，分别j-2，j-1，j时间段的路网状态向量，输出变量一个是一维状态向量，即下一个时间段的路网状态,每个状态向量的维度均为k，即路网中的路段数目。

其次，确定训练集和测试集，根据步骤一中的样本集按一定比例分为训练集和测试集。

最后，递归神经网络模型参数标定。所述的递归神经网络包括输入层、隐藏层以及输出层。该步骤需要通过训练数据学习输入层与隐藏层、隐藏层与输入层之间的权重矩阵和偏置向量，本发明为了充分考虑路网状态演变的时序特性，采用LSTM(Long Short-TermMemory,长短时记忆)单元作为隐藏层单元，结构如图2所示。

每个记忆单元都有三个输入，两个输出，输入内容包括x(t)，h(t-1)，c(t-1)，输出包括h(t)，c(t)。他们之间的关系是通过三个门进行控制，分别是输入门(input gate)、遗忘门(forget gate)、输出门(output gate)，在t时刻有：

i_t＝sigmoid(w_hih_t-1+w_xix_t+b_i) (3)

f_t＝sigmoid(w_hfh_t-1+w_hfx_t+b_f) (4)

c_t＝f_t⊙c_t-1+i_t⊙tanh(w_hch_t-1+w_xcx_t+b_c) (5)

o_t＝sigmoid(w_hoh_t-1+w_hxx_t+w_coc_t+b_o) (6)

h_t＝o_t⊙tanh(c_t) (7)

其中i_t,f_t,o_t分别代input gate、forget gate、output gate的输出，w_·,b_·分别是系数矩阵和偏置向量，⊙是点乘运算，sigmoid和tanh是激活函数，c_t代表t时刻LSTM记忆cell单元的输出，h_t-1是在t-1时刻LSTM单元的输出，h_t是在t时刻LSTM单元的输出。

本发明的模型结构图如图3所示，其中Y_j+1是预测结果，即下一时间段的路网状态。U是连接输入层和隐藏层之间的权值矩阵，W是连接隐藏层之间的权重矩阵，V是连接隐藏与输出层之间的输出层。而且不同边之间的权值是共享的。W是一个[k,h]矩阵，h为隐藏层单元个数。U是一个[h,h]矩阵，V是一个[h,k]矩阵。隐藏层和输出层的关系如式(8)所示：

Y_j+1＝HV+b_y (8)

其中，h_i是j时刻的LSTM单元的输出值，

得到输出层后需要建立损失函数，所述的递归神经网络的训练时采用批量梯度下降法学习模型参数。

通过上述部分完成本发明的模型参数标定。

步骤三，下一时刻路网状态预测。将测试数据的输入变量输入到步骤二中已训练好的模型中，获得输出向量，那么该向量就是所预测的下一个时间段的路网状态。由于在实际应用中，用我们所获取的路段速度值来描述路网状态可靠性有限，因此我们将速度值转化为拥堵程度，具体指标如下表1所示：

表1拥堵程度指标表

速度值	拥堵指标
		小于等于20km/h	拥堵
20～40km/h	缓行
		大于等于40km/h	畅通

实施例

需要说明的是，本发明所使用的数据由某公司提供的北京市某一路网，数据包括9个字段，如表2所示，路段数据是每2分钟更新一次，其中与本发明有直接关系数据字段包括时间，路段编号，速度三个字段，时间跨度3个月，路段数目为278个。

表2：

本发明的实现路线包括以下几步：

步骤一，建立样本集。

用一个状态向量表示上述数据在某一时间段的路网状态，时间段长度为2分钟，向量中的元素值是各个路段的速度值，元素值将按路段编号排序，即V_j＝[v_1,j,v_2,j,…,v_278,j]，j表示第j个时间段。如下图所示，这样每2分钟就有一个状态向量。

本发明考虑前三个时间段的路网状态，预测下一个时间段的路网状态，因此本发明的单个样本形如[(V_j-2,V_j-1,V_j),(V_j+1)]其展开形式为：

表示的是用j-2，j-1，j时间段的路网状态预测第j+1时间段的路网状态。整个样本集为所有时间段样本的集合。

步骤二，递归神经网络建模。

首先，确定输入输出变量。输入变量是三个一维状态向量，分别j-2，j-1，j时间段的路网状态向量，输出变量一个是一维状态向量，即下一个时间段的路网状态,每个状态向量的维度均为278，即路网中的路段数目。

其次，确定训练集和测试集，根据步骤一中的样本集以2:1比例分为训练集和测试集。

最后，递归神经网络模型参数标定。所述的递归神经网络包括输入层、隐藏层以及输出层。该步骤需要通过训练数据学习输入层与隐藏层、隐藏层与输入层之间的权重矩阵和偏置向量，本发明为了充分考虑路网状态演变的时序特性，采用LSTM(Long Short-TermMemory,长短时记忆)单元作为隐藏层单元。结构如图2所示。每个记忆单元都有三个输入，两个输出，输入内容包括x(t)，h(t-1)，c(t-1)，输出包括h(t)，c(t)。他们之间的关系是通过三个门进行控制，分别是输入门(input gate)、遗忘门(forget gate)、输出门(outputgate)，在t时刻有：

i_t＝sigmoid(w_hih_t-1+w_xix_t+b_i) (3)

f_t＝sigmoid(w_hfh_t-1+w_hfx_t+b_f) (4)

c_t＝f_t⊙c_t-1+i_t⊙tanh(w_hch_t-1+w_xcx_t+b_c) (5)

o_t＝sigmoid(w_hoh_t-1+w_hxx_t+w_coc_t+b_o) (6)

h_t＝o_t⊙tanh(c_t) (7)

其中i_t,f_t,o_t分别代input gate、forget gate、output gate的输出，w.,b.分别是系数矩阵和偏置向量，⊙是点乘运算，sigmoid和tanh是激活函数，c_t代表t时刻LSTM记忆cell单元的输出，h_t-1是在t-1时刻LSTM单元的输出，h_t是在t时刻LSTM单元的输出。

本发明的模型结构图如图3所示，其中Y_j+1是预测结果，即下一时间段的路网状态。U是连接输入层和隐藏层之间的权值矩阵，W是连接隐藏层之间的权重矩阵，V是连接隐藏与输出层之间的输出层。而且不同边之间的权值是共享的。W是一个[278,500]矩阵，h为隐藏层单元个数。U是一个[500,500]矩阵，V是一个[500,278]矩阵。隐藏层和输出层的关系如式(8)所示：

Y_j+1＝HV+b_y (8)

其中，h_i是j时刻的LSTM单元的输出值，Y_j+1＝[y_1,j+1,y_2,j+1,…,y_k,j+1]。

得到输出层后需要建立损失函数，所述的递归神经网络采用BP(backpropagation)算法学习，从而确定模型的权值及偏置，为了加快训练速度，本发明采用批量梯度下降算法对参数进行迭代更新。本发明的参数初始化均采用(0,1)的均分布随机数，输入变量归一化后在输入到模型中。

通过上述部分完成本发明的模型参数标定。

步骤三，下一时刻路网状态预测。将测试数据的输入变量输入到步骤二中已训练好的模型中，获得输出向量，那么该向量就是所预测的下一个时间段的路网状态。

本发明的路网状态预测，采用的是递归神经网络算法，工具是Python2.7，选取前两个月的样本集作为训练集，第三个月的样本集作为测试集。将本发明与传统的BP神经网络作对比，图4所示的是随机选取的一个时间段RNN与BPNN的预测结果。

从图中可以看出RNN预测值比BPNN更靠近真实值，预测精度高一些，由于在实际应用中，用我们所获取的路段速度值来描述路网状态可靠性有限，因此我们将速度值转化为拥堵程度，即路网中各个路段有不一样的拥堵程度，具体指标如表1所示，只要真实拥堵程度与预测拥堵程度一致，即可认为预测正确，因此本发明利用整体有效率和整体有效率对模型进行评价，如表3所示。本发明中每个状态向量有278个路段，每天有720个状态向量(两分钟更新一次)，测试集(一个月)中一共有21600个状态向量。若将每个路段在不同时间的拥堵程度视为一个样本的话，一共有6004800个样本。

正样本：拥堵程度预测正确的样本

正样本中的畅通样本：预测值或真实值为畅通的路段

整体准确率：正样本数/总样本数

整体有效率：(正样本数-正样本中的畅通样本)/(总样本数-正样本中的畅通样本)

表3模型评价表

模型	整体准确率	整体有效率
			递归神经网络模型	86.04％	81.48％
BP神经网络模型	75.88％	71.23％

同BP神经网络对比，本发明所采用的模型(递归神经网络)整体有效率提高了10.16％，整体有效率提高了10.25％，从预测的精度来看，本发明提供了一种比较可靠且稳定的路网状态预测方法，有助于出行者更好地规划路径可以更好规划路径，提高出行效率。

Claims (2)

1.一种基于递归神经网络的路网状态预测方法，其特征在于，所述方法包括以下步骤：

步骤一、建立样本集

选取一路网，将路网划分为k个路段，并对各个路段进行编号，记为(1,2,3,…,k)，将一天24小时分成各个时间长度一样的j个时间段，计算各个路段在每个时间段的平均速度；计算完各个路段的平均速度之后，用一个状态向量表示该时间段的路网状态，即V_j＝[v_1,j,v_2,j,…,v_k,j]；考虑前三个时间段的路网状态，预测下一个时间段的路网状态，

因此，单个样本为[(V_j-2,V_j-1,V_j),(V_j+1)]其展开形式为：

$\[\left(\begin{array}{c}{v}_{1,j-2},v_{2,j-2},...,v_{k,j-2}\\ v_{1,j-1},v_{2,j-1},...,v_{k,j-1}\\ v_{1,j},v_{2,j},v_{3,j},...,v_{k,j}\end{array}\right),(v_{1,j+1},v_{2,j+1},...,v_{k,j+1})\]$

整个样本集为所有时间段样本的集合；

步骤二、递归神经网络建模

首先，确定输入输出变量；输入变量是三个一维状态向量，分别j-2，j-1，j时间段的路网状态向量，输出变量一个是一维状态向量，即下一个时间段的路网状态,每个状态向量的维度均为k，即路网中的路段数目；

其次，确定训练集和测试集，根据步骤一中的样本集按预定比例分为训练集和测试集；

最后，进行递归神经网络模型参数标定；所述的递归神经网络包括输入层、隐藏层以及输出层。通过训练数据学习输入层与隐藏层、隐藏层与输入层之间的权重矩阵和偏置向量，其中所述隐藏层的每个记忆单元都有三个输入和两个输出，输入内容包括x(t)，h(t-1)，c(t-1)，输出包括h(t)，c(t)。他们之间的关系是通过三个门进行控制，分别是输入门、遗忘门和输出门，在t时刻有：

i_t＝sigmoid(w_hih_t-1+w_xix_t+b_i)

f_t＝sigmoid(w_hfh_t-1+w_hfx_t+b_f)

c_t＝f_t⊙c_t-1+i_t⊙tanh(w_hch_t-1+w_xcx_t+b_c)

o_t＝sigmoid(w_hoh_t-1+w_hxx_t+w_coc_t+b_o)

h_t＝o_t⊙tanh(c_t)

其中i_t,f_t,o_t分别代输入门、遗忘门和输出门的输出，w_·,b_·分别是系数矩阵和偏置向量，⊙是点乘运算，sigmoid和tanh是激活函数，c_t代表t时刻隐藏层的记忆单元的输出，h_t-1是在t-1时刻隐藏层的输出，h_t是在t时刻隐藏层的输出；

隐藏层之间的权重矩阵W是一个[k,z]矩阵，z为隐藏层单元个数，k为路段的数量；连接输入层和隐藏层之间的权值矩阵U是一个[z,z]矩阵；连接隐藏与输出层之间的输出矩阵V是一个[z,k]矩阵；隐藏层和输出层的关系为：

Y_j+1＝HV+b_y

其中，H＝[h₁,h₂,……h_z]，h_i是j时刻的隐藏层单元的输出值,所述by是连接隐藏层和输出层的偏置函数Y_j+1＝[y_1,j+1,y_2,j+1,…,y_k,j+1]；

得到输出层后建立损失函数，损失函数是用来衡量输出层的输出值与真实值的差异，利用损失函数对各个参数求导，计算其梯度。所述的递归神经网络的训练时采用批量梯度下降法学习模型参数，模型参数包括所有的权重矩阵和偏置向量；

步骤三、下一时刻路网状态预测

将测试数据的输入变量输入到步骤二中已训练好的模型中，获得输出向量，那么该向量就是所预测的下一个时间段的路网状态。

2.根据权利要求1所述的方法，其特征在于，所述平均速度的计算方法是：

在某一时间段内，在某一路段通过的所有车辆平均速度的均值，如式(1)所示，其中n代表在该时间段在该路段通过的车辆数目，m代表路网中的第m个路段，m∈(1,2,…,k)，j是时间段编号，s代表该路段的长度，Δt代表时间段的长度，代表车辆i在Δt的平均速度；

$v_{m,j}=\frac{\underset{i=1}{\overset{n}{\Σ}}{\stackrel{\‾}{v}}_i}{n}---\left(1\right)$

${\stackrel{\‾}{v}}_i=\frac{s}{\mathrm{\Δ}t}---\left(2\right)$

若某一路段在Δt内没有车辆通过，在用上一个时间段的平均速度替代当前时间段的平均速度，即

v_m,j＝v_m,j-1；

计算完各个路段的平均速度之后，用一个状态向量表示该时间段的路网状态，V_j＝[v_1,j,v_2,j,…,v_k,j]。