基于时序分解和循环神经网络的短时交通流预测方法技术

本发明专利技术设计了一种短时交通流预测方法。本发明专利技术结构主要分为三个部分：首先，通过历史平均模型构建日内交通流量趋势，并通过自回归滑动平均模型（ARIMA）拟合实际流量与日内流量趋势之间的剩余部分。然后建立广义自回归条件异方差（GARCH）模型来捕获自回归滑动平均模型残差序列的波动性以增强预测能力；使用长短时记忆神经网络（LSTM）用于捕捉日常交通的长期依赖性和非线性特征；最后，通过深度神经网络（DNN）融合和学习上述特征用于预测。本发明专利技术深入挖掘交通流数据的随机性与不确定性，充分考虑交通流数据中的线性和非线性特征，从而有效提高了交通流量数据的预测精度。

Short time traffic flow prediction method based on time series decomposition and cyclic neural network

The invention designs a short-time traffic flow prediction method. The structure of the invention is mainly divided into three parts: first, the daily traffic flow trend is constructed by the historical average model, and the remaining part between the actual flow and the daily traffic trend is fitted by the autoregressive moving average model (ARIMA). Then, the generalized autoregressive conditional heteroscedasticity (GARCH) model is established to capture the volatility of the residual sequence of autoregressive moving average model to enhance the prediction ability; the long-term and short-term memory neural network (LSTM) is used to capture the long-term dependence and nonlinear characteristics of daily traffic; finally, the deep neural network (DNN) is used to fuse and learn the above characteristics for prediction. The invention deeply excavates the randomness and uncertainty of traffic flow data, fully considers the linear and nonlinear features in traffic flow data, thus effectively improving the prediction accuracy of traffic flow data.

【技术实现步骤摘要】
基于时序分解和循环神经网络的短时交通流预测方法
本专利技术涉及交通行业的交通控制领域，以及计算机行业的基于神经网络的交通流预测算法领域。
技术介绍
短期交通预测是智能交通系统(ITS)部署的基础部分，也为交通控制策略选择提供决策参考依据。作为一个经典的研究领域，短期交通预测几十年来一直是研究的热点。在道路交通控制日趋精细化和智能化的发展趋势下，高精度的交通流量预测数据对智慧城市建设提供了基础保障。准确的交通流量数据也为交通管理部门制定合理的交通规划、出行者合理地安排出行提供了方便。随着交通预测研究的不断推进，统计计算模型和计算智能模型成为交通预测模型的两大研究方向。经典统计模型通过严格的数学方程或数据分析来实现预测。代表性预测模型包括卡尔曼滤波(Kalman)，支持向量回归(SVR)，贝叶斯网络，自回归滑动平均模型(ARIMA)及其改进的模型。经典统计模型充分利用时间序列数据中的特征和组成部分，并进行谱分量分解分析，主成分分析(PCA)，小波变换分析，以及关于交通数据的异方差波动分析等，以提高预测准确性。计算智能模型具有处理高维数据和捕获复杂非线性关系的能力。代表性研究有：人工神经网络(ANN)、模糊神经网络、堆叠自编码器(SAE)、长短时记忆神经网络(LSTM)和卷积神经网络(CNN)等。在整个交通预测领域的发展中，大多数研究都致力于特定预测模型的设计，很少模型将交通领域的先验知识与深度学习预测模型相结合。本专利技术将对基于时间序列的分解和循环神经网络中的长短时记忆神经网络的短时交通流预测方法进行说明。
技术实现思路
专利技术目的：本专利技术在于通过交通领域的先验知识和深度学习方法相结合提出了基于时序分解和循环神经网络的短时交通流预测方法。本专利技术结合了深度学习的强大自学习能力、多维数据分析能力和交通研究人员的数据分析和领域知识，以提高预测准确性。本研究中的数据处理分为三个部分：首先，通过历史平均模型构建日内交通流量趋势，并通过自回归滑动平均模型(ARIMA)模型拟合实际流量与日内流量趋势之间的剩余部分。然后我们可以得到看起来像白噪声的残差序列，并建立广义自回归条件异方差(GARCH)模型来捕获残差序列的波动性以增强预测能力。其次，使用长短时记忆神经网络(LSTM)用于捕捉日常交通的长期依赖性和非线性特征。最后，通过深度神经网络(DNN)融合和学习上述特征用于预测。技术方案：基于时序分解和循环神经网络的短时交通流预测方法，主要包含以下几个步骤：(1)选定需要进行交通流预测的路段的观测点，获取所选路段中所有断点的短时交通流量历史数据；(2)通过历史平均模型构建交通对应观测点数据的日内交通流量趋势；(3)对步骤(2)中获得的交通流量的日内趋势进行一次差分，差分的步长为预测的时间步长，从而建立交通流量变化的特征；(4)通过ARIMA模型拟合实际流量与日内流量趋势之间的剩余部分，ARIMA模型将剩余部分分解为确定性部分和残差部分；(5)建立广义自回归条件异方差模型来捕获残差部分中的条件异方差波动性特征；(6)建立LSTM神经网络捕获(1)获取的短时交通流量中的非线性特征；(7)建立深度神经网络整合上述(1)-(6)的特征和数据并用于模型的训练和验证。进一步，步骤(1)中获取的交通流量如下：Y1(t)＝[y1(1),y1(2),…,y1(n)]，…，YN(t)＝[yN(1),yN(2),…,yN(n)]上述表达式中YN表示的是采集的第N天的数据，n表示一天中的交通流量采样次数。进一步，步骤(1)中获取的交通流量的历史数据是以5分钟为时间间隔的交通流采样数据，预测时段为5分钟。进一步，步骤(2)观测点数据的日内交通流量趋势的构造方法如下：其中L代表用于计算日内趋势的近期历史天数。如果L＝N，则日内趋势由所有采样天数的平均值确定。进一步，所述的基于时序分解和循环神经网络的短时交通流预测方法，其特征在于步骤(3)中的日内趋势进行一次差分方法如下：其中d表示预测的时间间隔，在对于单步预测问题来说，设置d＝1。Ydifference(t)表示对应于t时刻的过去L天内d步变化的平均差分。进一步，步骤(4)中的ARIMA模型的最佳模型参数通过AIC准则确定。进一步，步骤(7)中整合使用步骤(1)至步骤(6)获取的所有线性和非线性特征由于深度神经网络的训练。本专利技术的有益效果：(1)结合了深度学习的强大自学习能力、多维数据分析能力和交通研究人员的数据分析和领域知识，以提高预测准确性。(2)将研究人员对于数据的先验认知获取的交通流量变化特征和深度学习自动获取的特征相结合进一步提高预测准确度。附图说明图1是本专利技术的原理图，图2是观测点一个月的流量变化图，图3是单日实际交通与日内趋势变化图，图4是自回归滑动平均模型构建过程图，图5是剩余部分序列的自相关和偏自相关分析图，图6是残差序列的自相关和偏自相关分析图，图7是残差序列的异方差性分析图，图8是本专利技术与其他方法的性能比较图。具体实施方式下面结合附图和具体实例，对本专利技术进一步说明，这些实例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。基于时序分解和循环神经网络的短时交通流预测方法，主要流程图及其结构图如图1所示，具体过程包括以下步骤：(1)选定需要进行交通流预测的路段以及该路段中的观测点，获取观测点的短时交通流量历史数据；(2)通过历史平均模型构建交通对应观测点数据的日内交通流量趋势；(3)对步骤(2)中获得的交通流量的日内趋势进行一次差分，差分的步长为预测的时间步长，从而建立交通流量变化的特征；(4)通过ARIMA模型拟合实际流量与日内流量趋势之间的剩余部分，ARIMA模型将剩余部分分解为确定性部分和残差部分；(5)建立广义自回归条件异方差模型来捕获残差部分中的条件异方差波动性特征；(6)建立长短时记忆神经网络捕获(1)获取的短时交通流量中的非线性特征；(7)建立深度神经网络整合上述(1)-(6)的特征和数据并用于本专利技术的训练和验证。在本实例中，获取的交通流量数据为交通检测线圈采集得到，其特点为在一段时间间隔里通过检测线圈的车辆数目，该时间间隔为5分钟，一天可以获得总计288个采样数据。在交通预测过程中历史数据集合可以表示为F＝{ft|t＝1,2,...,T}，其中ft表示t时刻的交通流量，我们使用相对于预测点T及以前的历史交通流量数据对fT+N的交通流量进行预测，本实例中采用的预测时间间隔为5分钟即N＝1。如图2展示了30天的交通流量采集数据。使用历史平均模型对最近10天的交通流量数据建立对应路口的交通流量日内趋势。整个过程如式(1)所示：图(3)展示了本文档来自技高网...

【技术保护点】
1.基于时序分解和循环神经网络的短时交通流预测方法，其特征在于：包含以下步骤/n(1)选定需要进行交通流预测的路段的观测点，获取所选路段中所有断点的短时交通流量历史数据；/n(2)通过历史平均模型构建交通对应观测点数据的日内交通流量趋势；/n(3)对步骤(2)中获得的交通流量的日内趋势进行一次差分，差分的步长为预测的时间步长，从而建立交通流量变化的特征；/n(4)通过自回归滑动平均模型(ARIMA)拟合实际流量与日内流量趋势之间的剩余部分，并将剩余部分分解为确定性部分和残差部分；/n(5)建立广义自回归条件异方差模型(GARCH)来捕获残差部分中的条件异方差波动性特征；/n(6)建立长短时记忆神经网络(LSTM)捕获(1)获取的短时交通流量中的非线性特征；/n(7)建立深度神经网络整合上述(1)-(6)的特征和数据并用于本专利技术的训练和验证。/n

【技术特征摘要】
1.基于时序分解和循环神经网络的短时交通流预测方法，其特征在于：包含以下步骤
(1)选定需要进行交通流预测的路段的观测点，获取所选路段中所有断点的短时交通流量历史数据；
(2)通过历史平均模型构建交通对应观测点数据的日内交通流量趋势；
(3)对步骤(2)中获得的交通流量的日内趋势进行一次差分，差分的步长为预测的时间步长，从而建立交通流量变化的特征；
(4)通过自回归滑动平均模型(ARIMA)拟合实际流量与日内流量趋势之间的剩余部分，并将剩余部分分解为确定性部分和残差部分；
(5)建立广义自回归条件异方差模型(GARCH)来捕获残差部分中的条件异方差波动性特征；
(6)建立长短时记忆神经网络(LSTM)捕获(1)获取的短时交通流量中的非线性特征；

【专利技术属性】
技术研发人员：余英豪，张伟斌，戚湧，郭海锋，张卓伟，桂林卿，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32