基于深度学习的节假日高速公路交通流预测方法
发布时间：2021-03-04 07:37
准确的预测节假日期间高速公路交通流量,能够为节假日高速公路应急管理提供重要的数据基础。利用深度学习的理论框架建立了LSTM-SVR预测模型,利用BP神经网络对样本数据进行处理,再将LSTM捕获的数据特征输入SVR回归层中实现交通流预测。选取"十一"黄金周前后时段,利用位于丽江市的交调站流量监测数据对LSTM-SVR模型进行验证,并将LSTM-SVR模型与其它模型预测效果进行对比。发现LSTM-SVR模型在节假日不同时段、天气、流量状态下的高速公路交通流预测中有较好的适用性。
【文章来源】：系统仿真学报. 2020,32(06)北大核心
【文章页数】：8 页
【部分图文】：
LSTM结构图Fig.1LSTMstructurediagram
第32卷第6期Vol.32No.62020年6月戢晓峰,等:基于深度学习的节假日高速公路交通流预测方法Jun.,2020http:∥www.china-simulation.com1167测框架，对节假日高速公路交通流进行预测，框架如图2所示。其中，Epoch表示样本轮寻次数，Batchsize为训练样本的最小批量。图2节假日高速公路交通流短时预测框架Fig.2Holidayhighwaytrafficflowshort-termpredictionframework2.1时间序列预处理考虑到样本数据间因时间跨度大、波动频繁，使得初始的样本数据之间的量纲数量级差异较大，会对网络鲁棒性和收敛速度产生影响，因而样本数据的预处理是提高模型精度和训练速度的必要基矗考虑模型需求及数据特征，先后采用标准化和归一化方法对样本数据进行预处理，如式(13)所示。将预处理后的数据输入至已经训练好的BP神经网络中，数据序列分布趋势平稳，波动较校若未归一化处理，在模型构建和运行过程中极易出现问题，主要体现在学习率的大小与收敛速率不易掌控，学习率过大时，下降速率较慢；反之则会呈直角形下降，速度过快。归一化处理在消除数据量纲数量级差异同时，能够较为完整的保存原始数据的信息。"min()max()min()XXXXX(13)2.2时间序列微调将归一化后的数据输入至经过2000次迭代预训练的BP神经网络模型中进行时间序列微调。输入数据的维度为4，第一层隐含层节点个数256，设置第二层隐含层节点数为4以保证BP网络的输入和输出数据的维度不变。将隐含层的输出与BP网络输入层进行加和实现残差直连，避免过拟合问题同时提高了样本数据与LSTM模型的匹配度。此外，通过残差直连后，处理时间步长缩短、权值求导路径减小，避免了?
降法会使得训练过程产生震荡，且收敛速率较慢。为此，使用动量梯度下降法(GradientdescentwithMomentum)对每个参数的学习率进行调整，对每一系列梯度进行指数加权平均，当梯度维持初始方向下降时，增加下降的幅度，从而使得更快地达到最优值；当梯度下降方向发生改变时，使用动量梯度下降法使变量更加平滑，不仅弥补了网络初始值设置的缺陷，也使网络能较快地达到最优值而没有太多震荡。依据调整过后的样本数据特征，采用双层的LSTM-SVR模型，设置隐含层节点数30，时间间隔为4，各层输入输出维度如图3所示。图3交通流时间序列预测模型Fig.3Holidayhighwaytrafficflowshort-termpredictionmodel为防止过拟合，Dropout层设定随机断开70%的神经元，使用“Adagrad”进行随机优化，“tanh”为激活函数，损失函数为RMSE。同时，设置Batchsize为32、Epoch为238，迭代达5000次时学习趋近稳定，且当迭代次数继续增加时，模型的训练误差波动较小，趋于稳定。训练周期过长时存在模型过度拟合以及模型计算效率降低的风险。所以在模型训练过程中，应在兼顾精度与时效性的要求，确定Batchsize与Epoch的值。最终将LSTM学习的特征向量输入到SVR的回归层中进行预测，调整参数C=0.1，=0.01。3.3预测结果及误差分析(1)LSTMs模型在不同条件下的预测结果分析基于上述预测流程，选择实时预测的2018-09-30，2018-10-01，2018-10-03三日进行分析，如图4所示。实验发现，LSTM-SVR模型在不同时间、天气、流量的状态下均可以实现较好地拟合交通流的变化趋势。尤其当流量变化较为平稳时段，平均误差在21辆/h。在部分时
【参考文献】：
期刊论文
[1]基于公路交通流大数据的节假日旅游流时空分异特征——以云南省2017年7个节假日为例[J]. 戢晓峰,戈艺澄,陈方. 旅游学刊. 2019(06)
[2]基于深度学习的交通流量预测[J]. 刘明宇,吴建平,王钰博,何磊. 系统仿真学报. 2018(11)
[3]考虑货车因素的高速公路短期交通流风险预测[J]. 张兰芳,赵焜. 同济大学学报(自然科学版). 2018(02)
[4]基于深度学习的短时交通流预测研究[J]. 王祥雪,许伦辉. 交通运输系统工程与信息. 2018(01)
[5]基于CNN-SVR混合深度学习模型的短时交通流预测[J]. 罗文慧,董宝田,王泽胜. 交通运输系统工程与信息. 2017(05)
[6]高速路交通流短时预测方法[J]. 许岩岩,翟希,孔庆杰,刘允才. 交通运输工程学报. 2013(02)
[7]基于OD稳定模式的高速公路出口流量预测方法研究[J]. 张平,张明欣,宋国杰,董新品,谢昆青. 交通运输系统工程与信息. 2012(03)
本文编号：3062823
【文章来源】：系统仿真学报. 2020,32(06)北大核心
【文章页数】：8 页
【部分图文】：
LSTM结构图Fig.1LSTMstructurediagram
第32卷第6期Vol.32No.62020年6月戢晓峰,等:基于深度学习的节假日高速公路交通流预测方法Jun.,2020http:∥www.china-simulation.com1167测框架，对节假日高速公路交通流进行预测，框架如图2所示。其中，Epoch表示样本轮寻次数，Batchsize为训练样本的最小批量。图2节假日高速公路交通流短时预测框架Fig.2Holidayhighwaytrafficflowshort-termpredictionframework2.1时间序列预处理考虑到样本数据间因时间跨度大、波动频繁，使得初始的样本数据之间的量纲数量级差异较大，会对网络鲁棒性和收敛速度产生影响，因而样本数据的预处理是提高模型精度和训练速度的必要基矗考虑模型需求及数据特征，先后采用标准化和归一化方法对样本数据进行预处理，如式(13)所示。将预处理后的数据输入至已经训练好的BP神经网络中，数据序列分布趋势平稳，波动较校若未归一化处理，在模型构建和运行过程中极易出现问题，主要体现在学习率的大小与收敛速率不易掌控，学习率过大时，下降速率较慢；反之则会呈直角形下降，速度过快。归一化处理在消除数据量纲数量级差异同时，能够较为完整的保存原始数据的信息。"min()max()min()XXXXX(13)2.2时间序列微调将归一化后的数据输入至经过2000次迭代预训练的BP神经网络模型中进行时间序列微调。输入数据的维度为4，第一层隐含层节点个数256，设置第二层隐含层节点数为4以保证BP网络的输入和输出数据的维度不变。将隐含层的输出与BP网络输入层进行加和实现残差直连，避免过拟合问题同时提高了样本数据与LSTM模型的匹配度。此外，通过残差直连后，处理时间步长缩短、权值求导路径减小，避免了?
降法会使得训练过程产生震荡，且收敛速率较慢。为此，使用动量梯度下降法(GradientdescentwithMomentum)对每个参数的学习率进行调整，对每一系列梯度进行指数加权平均，当梯度维持初始方向下降时，增加下降的幅度，从而使得更快地达到最优值；当梯度下降方向发生改变时，使用动量梯度下降法使变量更加平滑，不仅弥补了网络初始值设置的缺陷，也使网络能较快地达到最优值而没有太多震荡。依据调整过后的样本数据特征，采用双层的LSTM-SVR模型，设置隐含层节点数30，时间间隔为4，各层输入输出维度如图3所示。图3交通流时间序列预测模型Fig.3Holidayhighwaytrafficflowshort-termpredictionmodel为防止过拟合，Dropout层设定随机断开70%的神经元，使用“Adagrad”进行随机优化，“tanh”为激活函数，损失函数为RMSE。同时，设置Batchsize为32、Epoch为238，迭代达5000次时学习趋近稳定，且当迭代次数继续增加时，模型的训练误差波动较小，趋于稳定。训练周期过长时存在模型过度拟合以及模型计算效率降低的风险。所以在模型训练过程中，应在兼顾精度与时效性的要求，确定Batchsize与Epoch的值。最终将LSTM学习的特征向量输入到SVR的回归层中进行预测，调整参数C=0.1，=0.01。3.3预测结果及误差分析(1)LSTMs模型在不同条件下的预测结果分析基于上述预测流程，选择实时预测的2018-09-30，2018-10-01，2018-10-03三日进行分析，如图4所示。实验发现，LSTM-SVR模型在不同时间、天气、流量的状态下均可以实现较好地拟合交通流的变化趋势。尤其当流量变化较为平稳时段，平均误差在21辆/h。在部分时
【参考文献】：
期刊论文
[1]基于公路交通流大数据的节假日旅游流时空分异特征——以云南省2017年7个节假日为例[J]. 戢晓峰,戈艺澄,陈方. 旅游学刊. 2019(06)
[2]基于深度学习的交通流量预测[J]. 刘明宇,吴建平,王钰博,何磊. 系统仿真学报. 2018(11)
[3]考虑货车因素的高速公路短期交通流风险预测[J]. 张兰芳,赵焜. 同济大学学报(自然科学版). 2018(02)
[4]基于深度学习的短时交通流预测研究[J]. 王祥雪,许伦辉. 交通运输系统工程与信息. 2018(01)
[5]基于CNN-SVR混合深度学习模型的短时交通流预测[J]. 罗文慧,董宝田,王泽胜. 交通运输系统工程与信息. 2017(05)
[6]高速路交通流短时预测方法[J]. 许岩岩,翟希,孔庆杰,刘允才. 交通运输工程学报. 2013(02)
[7]基于OD稳定模式的高速公路出口流量预测方法研究[J]. 张平,张明欣,宋国杰,董新品,谢昆青. 交通运输系统工程与信息. 2012(03)
本文编号：3062823
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3062823.html
