基于改进独立循环神经网络的高速公路交通流预测方法技术

本发明专利技术揭示了一种基于改进独立循环神经网络的高速公路交通流预测方法，以高速公路交通流数据为预测基础，改进并重构独立循环神经网络；将DenseBlock作为隐藏特征提取器对交通流数据提取特征图，然后对提取的特征图信息进行全局平均池化，再将池化后的结果置于由IndRNNCells组成的预测头中，学习时序信息，进行前向预测。应用本发明专利技术该预测技术方案，基于改进IndRNN的神经网络结构能够自动学习流量数据几种流量之间隐藏的特征关系，有效克服了传统网络不能考虑交通流数据潜在趋势的不足，并且达到了较高模型精度的效果。

【技术实现步骤摘要】
基于改进独立循环神经网络的高速公路交通流预测方法
本专利技术涉及一种高速公路交通流预测方法，具体涉及一种基于改进独立循环神经网络的的高速公路交通流预测方法。
技术介绍
基于实时路况的交通流监控数据，对高速公路交通流进行预测，对推进交通信息化进程具有重要推动作用。其目的是通过视频摄像机、雷达等传感终端，实时准确的采集交通流数据；根据实际交通运行状况，提前干预，削弱各种因素对交通流的影响，防止因车辆故障和交通事故等原因造成高速公路拥堵。保证行车安全和道路通畅，实现人车路和谐运行。随着交通基础设施和运输网络的逐步完善，高速公路监控系统越来越受重视。然而，现有高速公路监控系统的发展相对迟缓，仍然存在许多问题，与发达国家相比还存在不小的差距，比如交通流预测能力偏弱。如何在原有监控数据基础上，高效地运用现有交通资源，提前预测并诱导交通流，提高路网运行效率，是目前高速公路监控方面亟待解决的关键问题。在此过程中，交通流预测研究具有重要作用。大量人工智能技术已经应用到了交通流量预测上。包括滑动平均模型，ｋ近邻模型，自回归模型，周期性的ARIMA模型和神经网络模型等。预测交通流量很大程度上依赖于历史和实时的交通数据，这些数据可从各种传感器，例如线圈，雷达，GPS以及多媒体数据中获取。深度学习技术的发展正如火如荼，深度学习模型在交通问题上的应用吸引了大量科研工作人员的注意。深度学习模型己经大量应用在了分类、自然语言处理目标检测等方面。其对交通流量预测也有过早期的尝试，比如使用栈式自动编码机(SAE)和深度置信网络(DBN)。这两种方式都是对原有的输入进行特征学习再将结果作为预测输入进行交通流量预测的。Hinton等提出了基于深度信念网络的快速学习算法，并应用于数字图形识别；此外，Kuremoto等应用了基于限制波尔兹曼机的深度信念网络模型的时间序列预测。国内，谭娟等人将深度学习应用到交通拥堵预测研究中，以及其他学者将深度学习应用到语音识别、行人检测。目前应用深度学习来进行交通预测的相关研究成果还比较少，Huang等应用了基于深度信念网络模型结构和多任务回归的交通预测方法，对单输出和多任务输出的流量进行了预测；Lv等针对大路网下的交通流，提出了自编码的深度网络模型预测方法，这两种方法采用的顶层预测模型均为对数回归模型，未考虑交通数据潜在的趋势项对预测结果的影响，且没有对整个路网流量进行预测。Zhang等针对轨道交通流数据，应用了残差网络模型结构，对交通流进行分析研究；Zhang等针对市区人流量数据，提出ST-ResNet网络，对人群的入流量和出流量进行有效预测，但对高速公路交通流的预测尚不完善，预测精度较差。
技术实现思路
鉴于上述现有技术的现状，本专利技术的目的旨在提出一种基于改进独立循环神经网络的高速公路交通流预测方法。为了实现上述目的，本专利技术的技术解决方案为：基于改进独立循环神经网络的高速公路交通流预测方法，其特征在于：以高速公路交通流数据为预测基础，改进并重构独立循环神经网络；将DenseBlock作为隐藏特征提取器对交通流数据提取特征图，然后对提取的特征图信息进行全局平均池化，再将池化后的结果置于由IndRNNCells组成的预测头中，学习时序信息，进行前向预测。优选的，上述基于改进独立循环神经网络的高速公路交通流预测方法，包括步骤：S1、输入交通流数据，根据时间区分周末和非周末数据，分场景构建训练集和测试集；S2、数据预处理，将训练集中的一维时间序列扩增为四维张量X[m,n,1,1]，并对训练数据进行归一化处理，其中m为样本个数，n为一个样本中观察的之前时刻交通流量数，前一个1表示默认序列的宽度，后一个1表示默认通道数；S3、构建网络，根据深层二维卷积网络中密集连接提取特征的方式堆叠DenseBlock，然后对特所提取的征图信息进行全局平均池化，再堆叠IndRNNCells构建预测头，组成全局网络；S4、训练网络，将步骤S2预处理好的四维张量输入到步骤S3所得的全局网络中，通过前向预测结果以及将误差反向传播更新网络参数的方式进行循环迭代，得到网络模型；S5、测试网络，利用完成训练的网络模型对测试集进行交通流预测。优选的，上述基于改进独立循环神经网络的高速公路交通流预测方法，其中对训练数据局进行归一化处理的公式为：，其中X为默认的归一化后的数据，XS为训练样本，Xmin和Xmax分别为交通流量数据的最小值和最大值。优选的，上述基于改进独立循环神经网络的高速公路交通流预测方法，其中改进并重构的所述独立循环神经网络主体由DenseBlocks、全局平均池化及IndRNNCells三部分构成，其中DenseBlocks由12个convblock构成，每个convblock的输入包含所有较早层的featuremaps，且输出被传递至每个后续层，所有featuremaps通过深度级联在一起；全局平均池化面向DenseBlocks所得特征图计算每张特征图的平均值作为代表信息输入后面预测图，并通过网络训练自动学习每张特征图的隐藏时间信息；IndRNNCells结合ReLU激活函数堆叠网络，搭建更深网络的预测头。更优选的，上述基于改进独立循环神经网络的高速公路交通流预测方法，其中所述convblock由卷积层、激活函数层以及BN层构成，其中卷积层采用16个卷积核，大小为3*1，卷积步长为1，padding为1，对输入大小为nx1的数据进行卷积，生成16个大小仍旧为nx1的特征图，BN层对每次训练输入到网络中的数据进行计算均值、方差标准化处理。优选的，上述基于改进独立循环神经网络的高速公路交通流预测方法，其步骤S4训练网络中，进行循环迭代得到网络模型的迭代次数上限为网络模型呈收敛状，计算损失函数为均方误差函数：，表示真实值大小，表示预测值大小。与现有技术相比，本专利技术具有突出的实质性特点和显著的进步性，该预测方法能够自动学习流量数据几种流量之间隐藏的特征关系，有效克服了传统网络不能考虑交通流数据潜在趋势的不足，并且达到了较高模型精度的效果。附图说明图1是本专利技术检测方法的实施流程示意图。图2是本专利技术应用本专利技术预测方法的训练结果曲线图。具体实施方式针对性研究现有技术对交通流量预测，尤是利用各类深度信念网络进行高速公路流量预测方面的不足，本专利技术提出了基于改进的独立循环神经网络的高速公路交通流预测方法，从而优化网络模型的预测精度。依赖于计算机系统的网络处理技术，本专利技术基于改进独立循环神经网络的高速公路交通流预测方法的概述特征：以高速公路交通流数据为预测基础，改进并重构独立循环神经网络；将DenseBlock作为隐藏特征提取器对交通流数据提取特征图，然后对提取的特征图信息进行全局平均池化，再将池化后的结果置于由IndRNNCells组成的预测头中，学习时序信息，进行前向预测。为更具象化理解，如图1所示，本专利技术预测方法的的具体实施步骤详述如下。S1、输入交通流数据X根据时间关系，将交通流数据X分为周末数据X1以及非周末数据X2，分场景构建训练集和测试集。定义X作为训练数据，Y为训练数据对应的标签即真实值。X的读取维度为（m，n），Y的维度为（m，1），其中，m表示根据原始数据构造的样本个数，n表示一个样本中观察的之前时刻交通流量的数目，Y中每一本文档来自技高网...

【技术保护点】
1.基于改进独立循环神经网络的高速公路交通流预测方法，其特征在于：以高速公路交通流数据为预测基础，改进并重构独立循环神经网络；将DenseBlock作为隐藏特征提取器对交通流数据提取特征图，然后对提取的特征图信息进行全局平均池化，再将池化后的结果置于由IndRNNCells组成的预测头中，学习时序信息，进行前向预测。

【技术特征摘要】
1.基于改进独立循环神经网络的高速公路交通流预测方法，其特征在于：以高速公路交通流数据为预测基础，改进并重构独立循环神经网络；将DenseBlock作为隐藏特征提取器对交通流数据提取特征图，然后对提取的特征图信息进行全局平均池化，再将池化后的结果置于由IndRNNCells组成的预测头中，学习时序信息，进行前向预测。2.根据权利要求1所述基于改进独立循环神经网络的高速公路交通流预测方法，其特征在于包括步骤：S1、输入交通流数据，根据时间区分周末和非周末数据，分场景构建训练集和测试集；S2、数据预处理，将训练集中的一维时间序列扩增为四维张量X[m,n,1,1]，并对训练数据进行归一化处理，其中m为样本个数，n为一个样本中观察的之前时刻交通流量数，前一个1表示默认序列的宽度，后一个1表示默认通道数；S3、构建网络，根据深层二维卷积网络中密集连接提取特征的方式堆叠DenseBlock，然后对特所提取的征图信息进行全局平均池化，再堆叠IndRNNCells构建预测头，组成全局网络；S4、训练网络，将步骤S2预处理好的四维张量输入到步骤S3所得的全局网络中，通过前向预测结果以及将误差反向传播更新网络参数的方式进行循环迭代，得到网络模型；S5、测试网络，利用完成训练的网络模型对测试集进行交通流预测。3.根据权利要求1所述基于改进独立循环神经网络的高速公路交通流预测方法，其特征在于：对训练数据局进行归一化处理的公式为：，其中X为默认的归一化后的数据，...

【专利技术属性】
技术研发人员：李德志，成孝刚，汪涛，吕泓君，钱俊鹏，任俊弛，李海波，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32