基于信息传播图与递归神经网络的航运交通流预测系统技术方案

本发明专利技术涉及航运交通技术领域，具体为基于信息传播图与递归神经网络的航运交通流预测系统，包括控制器、AIS数据模块和预测模块；AIS数据模块用于获取当前实时航道流量数据和历史航道流量数据，并反馈给控制器；预测模块包括航道网络图和预测单元，航道网络图为航运网络中具有相关性的检测点所组成的有向图，以确定各检测点之间的行驶方向和行驶距离，预测单元包括空间相关性预测单元和时间相关性预测单元，空间相关性预测单元和时间相关性预测单元均与控制器连接，以对未来航道流量信息进行综合预测，为水路航运的管控提供依据，提高水路航运效率。

【技术实现步骤摘要】
基于信息传播图与递归神经网络的航运交通流预测系统
本专利技术涉及航运交通
，具体为基于信息传播图与递归神经网络的航运交通流预测系统。
技术介绍
随着经济的快速发展，水路航运业务量也快速增长，航道的拥堵现象也日益严重。由于水路航道主要依赖于河流自身的体系，不能随意扩建，是有限资源，所以水路航道的合理管控，对提高航运效率就尤为重要。同时，交通流是随时间和空间变化的函数，短时交通流表现出很强的动态性、非线性、不确定性、周期性、非平稳性及空间相关性。航运管控和航运优化调度的目的是为了缓解或避免在未来一段时间的交通流的拥堵，提高通行效率。所以，对于未来一段时间的交通流的预测，是指导航运管控和优化调度的重要基础。短时航运交通流预测问题主要是研究基于历史的航道网络交通情况数据记录和当前实时的航道情况数据，预测短期之内的航道网络交通流变化的问题，是基于大数据的分析和挖掘进行短期动态交通流变化预测的问题。由于船舶的AIS，船载GPS，天气，水文数据的丰富信息现阶段都可以被充分记录和保留，这使得基于上述历史和实时数据，预测航运交通流的方法成为可能。
技术实现思路
(一)解决的技术问题为解决以上问题，本专利技术提供了基于信息传播图与递归神经网络的航运交通流预测系统，以对水路航运交通流进行预测，为水路航运的管控提供依据，提高水路航运效率。(二)技术方案为实现上述目的，本专利技术提供如下技术方案：基于信息传播图与递归神经网络的航运交通流预测系统，包括控制器、AIS数据模块和预测模块；AIS数据模块用于获取当前实时航道流量数据和历史航道流量数据，并反馈给控制器；预测模块包括航道网络图和预测单元，航道网络图为航运网络中具有相关性的检测点所组成的有向图，以确定各检测点之间的行驶方向和行驶距离，预测单元包括空间相关性预测单元和时间相关性预测单元，空间相关性预测单元和时间相关性预测单元均与控制器连接，以对未来航道流量信息进行综合预测。优选地，空间相关性预测单元通过对航道网络图上的单一检测点转移至其他检测点的稳态概率，即从而得到航道流量的传播卷积：进而得到航道流量的传播卷积层：以对航道流量进行空间相关性预测。优选地，时间相关性预测单元包括LSTM预测模型和GRU预测模型，以利用当前和历史的航道流量信息进行未来航道流量信息的状态预测。优选地，LSTM预测模型是以历史时间序列作为输入，用当前时间作为输出训练，来训练参数矩阵和偏置向量，建立循环神经网络的模型，以对航道流量进行时间相关性预测，其计算流程为：i(t)＝δ(Wi[x(t)，h(t-1)]+bi)f(t)＝δ(Wf[x(t)，h(t-1)]+bf)o(t)＝δ(Wo[x(t)，h(t-1)]+bo)其中，x(t)为输入的时间信号，是矩阵的对应元素相乘，Wi，Wf，Wc，Wo是模型的参数矩阵，bi，bf，bc，bo是偏置向量。优选地，GRU预测模型是以历史时间序列作为输入，用当前时间作为输出训练，来训练模型参数矩阵和偏置向量，建立时间序列信号的循环神经网络的模型，以对航道流量进行时间相关性预测，其计算流程为：r(t)＝δ(Wr[x(t)，h(t-1)]+br)z(t)＝δ(Wz[x(t)，h(t-1)]+bz)其中，x(t)为输入的时间信号，是矩阵的对应元素相乘，Wr，Wz，Wc是模型的参数矩阵，bi，bz，bc是偏置向量。优选地，空间相关性预测单元和GRU预测模型的综合预测执行流程为：建立航道网络图G＝(V，E，W)，并基于W矩阵，得到其中DO是每个顶点的出度权重之和；在每个GRU单元中，输入为Xt和H(t-1)，再用传播卷积来代替参数矩阵与[Xt，H(t-1)]的乘积，即：其中，Θ为参数矩阵，θk是Θ的第k个参数；进而，利用GRU预测模型可得：r(t)＝δ(Θr*[X(t)，H(t-1)]+br)z(t)＝δ(Θz*[X(t)，H(t-1)]+bz)(三)有益效果本专利技术提供了基于信息传播图与递归神经网络的航运交通流预测系统，具备以下有益效果：AIS数据模块记录当前实时航道流量数据和历史航道流量数据，并反馈给控制器，或者进一步反馈至空间相关性预测单元和时间相关性预测单元上，空间相关性预测单元和时间相关性预测单元通过对反馈数据进行计算后，再将水路航运交通流的预测信息反馈于控制器上，以供相关工作人员查阅，为水路航运的管控提供依据，提高水路航运效率。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制,在附图中：图1示出了本专利技术的实施例的结构框图；图2示出了本专利技术的实施例的LSTM预测模型的流程图；图3示出了本专利技术的实施例的GRU预测模型的流程图；图4示出了本专利技术的实施例的GRU循环神经网络的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参阅附图1-附图4，本专利技术实施例提供基于信息传播图与递归神经网络的航运交通流预测系统，包括控制器、AIS数据模块和预测模块；AIS数据模块用于获取当前实时航道流量数据和历史航道流量数据，并反馈给控制器；预测模块包括航道网络图和预测单元，航道网络图为航运网络中具有相关性的检测点所组成的有向图，以确定各检测点之间的行驶方向和行驶距离，预测单元包括空间相关性预测单元和时间相关性预测单元，空间相关性预测单元和时间相关性预测单元均与控制器连接，以对未来航道流量信息进行综合预测。根据上述方案，AIS数据模块获取当前实时航道流量数据和历史航道流量数据，并反馈给控制器，或者进一步反馈至空间相关性预测单元和时间相关性预测单元上，空间相关性预测单元和时间相关性预测单元通过对反馈数据进行计算后，再将水路航运交通流的预测信息反馈于控制器上，以供相关工作人员查阅，为水路航运的管控提供依据，提高水路航运效率。进一步地，空间相关性预测单元通过对航道网络图上的单一检测点转移至其他检测点的稳态概率，即从而得到航道流量的传播卷积：进而得到航道流量的传播卷积层：以对航道流量进行空间相关性预测。具体的，航道网络图为G＝(V,E,W),其中V代表航道的交通流检测点，|V|＝N，表示在航运网络中，N个交通流量检测点；E代表交通流量检测点之间的直接连边关系，即各个检测点之间是否有直接相连的航道；(i,j)∈E，如果顶点i，j之间有直接的航道，即i，j本文档来自技高网...

【技术保护点】
1.基于信息传播图与递归神经网络的航运交通流预测系统，包括控制器，其特征在于，还包括AIS数据模块和预测模块；/n所述AIS数据模块用于获取当前实时航道流量数据和历史航道流量数据，并反馈给控制器；/n所述预测模块包括航道网络图和预测单元，所述航道网络图为航运网络中具有相关性的检测点所组成的有向图，以确定各检测点之间的行驶方向和行驶距离，所述预测单元包括空间相关性预测单元和时间相关性预测单元，所述空间相关性预测单元和时间相关性预测单元均与控制器连接，以对未来航道流量信息进行综合预测。/n

【技术特征摘要】
1.基于信息传播图与递归神经网络的航运交通流预测系统，包括控制器，其特征在于，还包括AIS数据模块和预测模块；
所述AIS数据模块用于获取当前实时航道流量数据和历史航道流量数据，并反馈给控制器；
所述预测模块包括航道网络图和预测单元，所述航道网络图为航运网络中具有相关性的检测点所组成的有向图，以确定各检测点之间的行驶方向和行驶距离，所述预测单元包括空间相关性预测单元和时间相关性预测单元，所述空间相关性预测单元和时间相关性预测单元均与控制器连接，以对未来航道流量信息进行综合预测。


2.根据权利要求1所述的基于信息传播图与递归神经网络的航运交通流预测系统，其特征在于，所述空间相关性预测单元通过对航道网络图上的单一检测点转移至其他检测点的稳态概率，即



从而得到航道流量的传播卷积：



进而得到航道流量的传播卷积层：



以对航道流量进行空间相关性预测。


3.根据权利要求2所述的基于信息传播图与递归神经网络的航运交通流预测系统，其特征在于，所述时间相关性预测单元包括LSTM预测模型和GRU预测模型，以利用当前和历史的航道流量信息进行未来航道流量信息的状态预测。


4.根据权利要求3所述的基于信息传播图与递归神经网络的航运交通流预测系统，其特征在于，所述LSTM预测模型是以历史时间序列作为输入，用当前时间作为输出训练，来训练参数矩阵和偏置向量，建立循环神经网络的模型，以对航道流量进行时间相关性预测，其计算流程为：
i(t)＝δ(Wi[x(t)，h(t-1)]+bi)



f(t)＝δ(Wf[x(t)，h...

【专利技术属性】
技术研发人员：耿雄飞，
申请(专利权)人：交通运输部水运科学研究所，
类型：发明
国别省市：北京;11