CN108335487A - 一种基于交通状态时序性的道路交通状态预测系统 - Google Patents

Abstract

本发明公开了一种基于交通状态时序性的道路交通状态预测系统。该系统包括数据采集模块、数据处理模块、预测模块、网络通信模块。首先收集某一路段交通信息检测设备历史若干天的车流量、车速信息；通过判断数据异常点、离群点，以及重新调整数据采样频率等数据处理方式，清洗原始数据；然后将处理后的数据输入预测模块中进行模型的迭代训练；最后通过交通状态信息预测得到未来若干时刻的预测数据，预测的交通状态数据可通过网络通讯模块传输到交通管理部门。本发明综合考虑交通状态的前后时序性特征，准确把握时序之间的内在关联，达到预测交通状态的目的，最终将数据传输到相关交通管理部门，并为其提供了一种新的管理依据。

Description

一种基于交通状态时序性的道路交通状态预测系统

技术领域

本发明属于智能交通技术领域，具体涉及一种考虑交通状态时序性的城市道路交通状态 预测系统，为交通部门提供了良好的管理依据。

背景技术

当前广泛使用的道路控制主要包括定时控制、感应控制和自适应控制，往往是已经产生 一定时间拥堵时，才开始控制优化，也就是说这些控制方法无法对未来路段状态进行预测， 那么当得到了未来若干时刻路段的状态信息后，可及时安排应急措施和提前执行控制方法。 交通状态预测是交通管理部门采取交通诱导措施主要依据，是智能交通系统研究的核心问题。 所以将交通状态预测装置应用到路段，对于缓解城市交通拥堵有着非常重要意义。

发明内容

针对当前道路交通控制存在的不足，本发明通过对大量交通状态历史数据的挖掘，结合 预测模块，可实现对道路交通状态的预测，同时通过网络通讯模块，将预测的数据发送给交 通管理部门。具体采用的技术方案如下：

系统包括数据采集模块，通过与路口信号机交互，读取信号机通信协议，得到路段交通 状态历史数据信息；数据处理模块，首先将采集后的数据分为工作日和非工作日两类，再对 数据进行平稳性分析，如果数据时序不平稳，则通过缺失值处理，以及异常点和离群点判别 来清洗数据；如果数据时序平稳，则对数据可视化描述并进行归一化处理；预测模块，将数 据处理模块输出的数据分为工作日和非工作日数据，工作日和非工作日数据的90％作为训 练数据，分别存入矩阵TrainDi[]和TrainUDi[]中，将工作日和非工作日数据剩下的10％作为 测试数据，分别存入矩阵TestDi[]和TestUDi[]中，并将以上四个矩阵分成若干MINI-Batch 矩阵；将训练数据输入到LSTM-EF预测模型中进行训练，确定模型各节点权重参数W矩 阵，然后用测试数据进行模型测试，最终得到预测结果；网络通信模块，用于系统各模块之 间的信号传输与通信交互。

优选地，所述LSTM-EF预测模型的预测方法为：

(1)建立遗忘门输出矩阵FG_t，通过Sigmoid函数控制上一时刻的神经元状态S_t-1保留 到这一个时刻的神经元状态S_t中的数量：

FG_t＝Sigmoid(W_f*[y_t-1,x_t]+B_f)

其中，W_f是遗忘门权重矩阵，B_f是遗忘门偏置矩阵，y_t-1是前一时刻的输出，x_t是当前 时刻的输入；Sigmoid函数取值范围为[0,1]，当Sigmoid(x)无限接近于0时，遗忘所有信息； 当Sigmoid(x)无限接近于1时，不遗忘信息；当0<Sigmoid(x)<1，遗忘部分信息；

(2)建立输入门矩阵IG_t，上一时刻的状态矩阵通过与遗忘门输出矩阵FG_t相乘，确定 需要忘记的上一时刻的信息，同时加上此时需要记忆的信息得到当前神经元的状态 S_t：

IG_t＝Sigmoid(W_i*[y_t-1,x_t]+B_i)

其中，W_i是输入门权重矩阵，B_i是输入门偏置矩阵，y_t-1是前一时刻的输出，x_t是当前 时刻的输入，是表示当前输入的状态，W_s、B_s分别表示当前状态的权重矩阵和偏置矩阵；

(3)建立输出门矩阵OG_t，得到输出值y_t：

OG_t＝Sigmoid(W_o*[y_t-1,x_t]+B_o)

y_t＝OG_t*Tanh(S_t)

W_o是输入门权重矩阵，B_o是输入门偏置矩阵，y_t-1是前一时刻的输出，x_t是当前时刻的 输入，Tanh()函数的取值范围是[-1，1]；

(4)当输出值y_t出现无限接近于0时，引入过遗忘补偿门，避免出现过遗忘状态：

ξ＝0.01

(5)通过梯度下降的方式，向后传播梯度值，经过若干次迭代后，收敛取得W_f、B_f、W_i、B_i、W_s、B_s、W_o、B_o等相对最优参数矩阵。

优选地，通过均方误差分析预测模型误差和评价模型预测精度，同时返回修改模型训练 参数、迭代次数，再次优化预测模型

其中，N:一个测试样本中采样点个数；yi:一个测试样本中采样点实际数值；prediction:模型 预测值。

本发明具有如下有益的技术效果：

(1)功能先进，可准确得到道路交通状态预测值。

(2)利用数据处理手段，将数据清洗，可提高时序数据样本特征表达程度，利用LSTM-EF(Long Short-Term Memory-Excessive Forgotten)预测方法可深度挖掘交通状态时 序的特征本质，提高预测精度。

附图说明

图1是数据处理模块、预测模块计算流程图。

图2是LSTM-EF(Long Short-Term Memory-Excessive Forgotten)模型示意图。

图3是LSTM-EF(Long Short-Term Memory-Excessive Forgotten)隐藏层神经元门结构 图。

图4是本发明系统结构图。

具体实施方式

图1主要是整个交通状态预测装置的数据处理模块和预测模块的计算流程图，主要 分为数据采集、数据处理模块、预测模块、误差分析等部分。数据准备环节是模型训练前至 关重要的环节，关系到模型训练的速度及准确度，数据准备环节最重要的就是交通状态时序 数据的稳定性判定，通过缺失值处理、异常值处理及自相关系数分析，提高时序数据的稳定 性。装置的预测模块主要是由LSTM-EF模型构成，由于LSTM-EF是神经网络算法的一种， 数据输入模型的方式有三种：批量输入(Batch Input)、随机单数值输入(StochasticInput)、 小批量输入(MINI-Batch Input)；输入方式的选择决定了BP梯度下降优化参数的速度及全 局最优解的结果，批量输入(Batch Input)虽然可以可得到局部相对最优解，但是梯度下降的 收敛速度会很慢；随机单数值(Stochastic Input)输入虽然收敛速度快，但是容易在在最优 解附近产生震荡，而影响最终结果的准确度；而小批量输入(MINI-BatchInput)既能保证 收敛的速度，同时还能找到相对最优解，所以选择小批量输入(MINI-Batch Input)的方式 输入LSTM-EF(Long Short-Term Memory-Excessive Forgotten)模型。LSTM-EF(Long Short-Term Memory-Excessive Forgotten)模型部分会在图2、图3部分具体说明。MSE误差 评估，是评价模型误差率的有效方式，通过MSE评估计算得到模型的性能指标，同时再调 节参数，继续优化模型。最终通过反归一化计算，输出最终的预测值并绘制预测数据。

(1)将采集后的数据分为工作日和非工作日两类，由于交通状态数据是时间序列数据， 所以首先要进行数据的平稳性分析；然后通过缺失值处理，异常点和离群点判别等数值分析 方式清洗数据。

(2)将步骤(1)中处理后的工作日和非工作日的90％数据作为训练数据，分别存入矩阵TrainDi[]和TrainUDi[]中，将工作日和非工作日剩下的10％数据作为测试数据，分别存 入矩阵TestDi[]和TestUDi[]中。并将以上四个矩阵分成若干MINI-Batch矩阵，以便数据输 入模型。

(3)将训练数据输入到LSTM-EF(Long Short-Term Memory-ExcessiveForgotten)预测 模型进行训练，确定模型各节点权重参数W矩阵。然后用测试数据进行模型测试。

(4)通过MSE(均方误差)分析模型误差、评价模型预测精度，同时返回步骤(3) 修改模型训练参数、迭代次数等，再次优化LSTM-EF(Long Short-Term Memory-ExcessiveForgotten)预测模型。

N:一个测试样本中采样点个数；yi:一个测试样本中采样点实际数值；prediction:模型预 测值；

图2、图3分别是LSTM-EF(Long Short-Term Memory-Excessive Forgotten)的宏观 结构以及隐藏层内部神经元的逻辑结构，LSTM-EF(Long Short-Term Memory-Excessive Forgotten)是通过大量的时序数据样本训练模型，使得模型能够找到并记忆样本数值序列之 间的前后关系，在输入测试数据时能预测出未来的时序变化。LSTM-EF(LongShort-Term Memory-Excessive Forgotten)是由三层网络构成：输入层、隐藏层、输出层构成。通过路段 历史车速数据v评估此路段的交通状态，为路段1的t时刻的平均车速值，预测交通状态 的任务就是利用某一路段历史平均车速序列去预测下一时刻t+1的平 均车速数值，如图2所示。由于LSTM-EF模型有着逻辑门结构的特点，解决了传统RNN 在BP梯度下降优化参数时由于时序序列过长带来的梯度爆炸和梯度消散等问题。如图3所 示，每个神经元都有表示当前时刻状态的矩阵St，通过遗忘门忘掉不需要的冗杂时序信息； 通过输入门输入当前时刻的信息，并且更新状态矩阵St；由于输出量要经过Sigmoid()函数， 所以会出现过遗忘现象，也就是输出结果yt近似为0，所以通过加入过遗忘补偿门和输出门 的逻辑判断，决定是否需要将上一时刻的输出yt-1补偿到当前时刻，以解决过遗忘问题。 最终将预测好的速度数据Vt+1通过网络通信模块传送给交管部门。

图4是预测装置模块构造示意图，预测装置的模块主要包括：信号机通信模块、数据处理和预测模块、网络通信模块。通过与路口信号机通信模块，读取信号机通信协议，进而得到路段交通信息检测设备中历史200天交通状态大数据信息，数据信息为车辆速度v，车速在大于30km/h，道路畅通；车速在20km/h-30km/h之间，行驶缓慢；车速在10km/h-20km/h,堵塞状态；车速在10km/h以下，严重拥堵。网络通信模块支持GPRS、4G等无线通信传输技术，也支持光纤等有线通信传输技术。进而，可以将得到的预测数据通过网络通信模块传送给交管部门。

基于LSTM-EF(Long Short-Term Memory-Excessive Forgotten)预测的方法，原理阐述 及步骤如下：

LSTM-EF(Long Short-Term Memory-Excessive Forgotten)预测方法是循环神经网络 (RNN)的变形算法，主要由输入层、输出层、隐藏层构成，隐藏层神经元的序列记忆机制是通过四个门结构控制的，对序列较长的数据有着较强的记忆能力。

(下文中的*代表矩阵对应元素相乘)

(一)LSTM-EF(Long Short-Term Memory-Excessive Forgotten)预测方法的向前计算

(1)遗忘门(Forget Gate)

FG_t＝Sigmoid(W_f*[y_t-1,x_t]+B_f)

W_f是遗忘门权重矩阵，B_f是遗忘门偏置矩阵，y_t-1是前一时刻的输出，x_t是当前时刻的输 入。遗忘门的作用是通过Sigmoid函数控制上一时刻的神经元状态S_t-1有多少能保留到这一 个时刻的神经元状态S_t中。

Sigmoid函数取值范围为[0,1]，当Sigmoid(x)无限接近于0时，表示遗忘所有信息；当 Sigmoid(x)无限接近于1时，表示不遗忘信息；当0<Sigmoid(x)<1,遗忘门可遗忘部分信息。

(2)输入门(Input Gate)

IG_t＝Sigmoid(W_i*[y_t-1,x_t]+B_i)

W_i是输入门权重矩阵，B_i是输入门偏置矩阵，y_t-1是前一时刻的输出，x_t是当前时刻的 输入。是表示当前输入的状态，W_s、B_s分别表示当前状态的权重矩阵和偏置矩阵。S_t-1是上一时刻的状态矩阵，通过与遗忘门输出矩阵FG_t相乘，确定需要忘记的上一时刻的信息，同时加上此时需要记忆的信息就得到了当前神经元的状态S_t。

(3)输出门(Output Gate)

OG_t＝Sigmoid(W_o*[y_t-1,x_t]+B_o)

y_t＝OG_t*Tanh(S_t)

W_o是输入门权重矩阵，B_o是输入门偏置矩阵，y_t-1是前一时刻的输出，x_t是当前时刻的 输入。OG_t决定了神经元状态矩阵哪部分被输出，Tanh(S_t)将S_t的值压缩到[-1，1]之间，最终 得到输出值y_t。

(4)过遗忘补偿门(EF Gate)

由于输出矩阵y_t受到Sigmoid()函数影响，所以有可能出现输出结果无限接近于0，当存 在此情况时，会导致下一个神经元的y_t-1输入分量接近于0，从而出现过遗忘现象，所以需 要引入过遗忘补偿门。

ξ＝0.01

(二)：LSTM-EF(Long Short-Term Memory-Excessive Forgotten)预测方法通过梯度下降 的方式，向后传播梯度值，经过若干次迭代后，收敛取得W_f、B_f、W_i、B_i、W_s、B_s、W_o、 B_o等相对最优参数矩阵。

Claims (3)

1.一种基于交通状态时序性的道路交通状态预测系统，其特征在于，该系统包括

数据采集模块，通过与路口信号机交互，读取信号机通信协议，得到路段交通状态历史数据信息；

数据处理模块，首先将采集后的数据分为工作日和非工作日两类，再对数据进行平稳性分析，如果数据时序不平稳，则通过缺失值处理，以及异常点和离群点判别来清洗数据；如果数据时序平稳，则对数据可视化描述并进行归一化处理；

预测模块，将数据处理模块输出的数据分为工作日和非工作日数据，工作日和非工作日数据的90％作为训练数据，分别存入矩阵TrainDi[]和TrainUDi[]中，将工作日和非工作日数据剩下的10％作为测试数据，分别存入矩阵TestDi[]和TestUDi[]中，并将以上四个矩阵分成若干MINI-Batch矩阵；将训练数据输入到LSTM-EF预测模型中进行训练，确定模型各节点权重参数W矩阵，然后用测试数据进行模型测试，最终得到预测结果；

网络通信模块，用于系统各模块之间的信号传输与通信交互。

2.如权利要求2所述的基于交通状态时序性的道路交通状态预测系统，其特征在于，

所述LSTM-EF预测模型的预测方法为：

(1)建立遗忘门输出矩阵FG_t，通过Sigmoid函数控制上一时刻的神经元状态S_t-1保留到这一个时刻的神经元状态S_t中的数量：

FG_t＝Sigmoid(W_f*[y_t-1,x_t]+B_f)

其中，W_f是遗忘门权重矩阵，B_f是遗忘门偏置矩阵，y_t-1是前一时刻的输出，x_t是当前时刻的输入；Sigmoid函数取值范围为[0,1]，当Sigmoid(x)无限接近于0时，遗忘所有信息；当Sigmoid(x)无限接近于1时，不遗忘信息；当0<Sigmoid(x)<1，遗忘部分信息；

(2)建立输入门矩阵IG_t，上一时刻的状态矩阵通过与遗忘门输出矩阵FG_t相乘，确定需要忘记的上一时刻的信息，同时加上此时需要记忆的信息得到当前神经元的状态S_t：

IG_t＝Sigmoid(W_i*[y_t-1,x_t]+B_i)

其中，W_i是输入门权重矩阵，B_i是输入门偏置矩阵，y_t-1是前一时刻的输出，x_t是当前时刻的输入，是表示当前输入的状态，W_s、B_s分别表示当前状态的权重矩阵和偏置矩阵；

(3)建立输出门矩阵OG_t，得到输出值y_t：

OG_t＝Sigmoid(W_o*[y_t-1,x_t]+B_o)

y_t＝OG_t*Tanh(S_t)

W_o是输入门权重矩阵，B_o是输入门偏置矩阵，y_t-1是前一时刻的输出，x_t是当前时刻的输入，Tanh()函数的取值范围是[-1，1]；

(4)当输出值y_t出现无限接近于0时，引入过遗忘补偿门，避免出现过遗忘状态：

ξ＝0.01

(5)通过梯度下降的方式，向后传播梯度值，经过若干次迭代后，收敛取得W_f、B_f、W_i、B_i、W_s、B_s、W_o、B_o等相对最优参数矩阵。

3.如权利要求2所述的基于交通状态时序性的道路交通状态预测系统，其特征在于，

通过均方误差分析预测模型误差和评价模型预测精度，同时返回修改模型训练参数、迭代次数，再次优化预测模型

其中，N:一个测试样本中采样点个数；yi:一个测试样本中采样点实际数值；prediction:模型预测值。