一种基于深度学习的城市快捷货运量预测方法技术

本发明专利技术公开了一种基于深度学习的城市快捷货运量预测方法。传统的快捷货运量预测方法，一般是基于统计，预测模型的实际预测效果一般。本发明专利技术首先获取邮政快递数据集，并进行处理，从而得到训练数据集；基于图神经网络、循环神经网络和卷积神经网络，构建收端到末端的快捷货运量预测原始模型；采用得到的训练数据集，对构建的快捷货运量预测原始模型进行训练，从而得到快捷货运量预测模型，进行实际情况下的快捷货运量预测。本发明专利技术从空间和时间两个维度提取特征进行多步预测，相较于传统方法省去了复杂的人工特征设计和提取过程，故稳定性和可靠性更高。性和可靠性更高。性和可靠性更高。

【技术实现步骤摘要】
一种基于深度学习的城市快捷货运量预测方法


[0001]本专利技术属于综合交通运输需求
，具体涉及一种基于深度学习的城市快捷货运量预测方法。

技术介绍

[0002]随着经济技术的发展和人们生活水平的提高，快捷货运量的预测已成为行业研究重点之一。高精度的快捷货运量预测可使交通管理机构更好地控制交通，减少拥堵；也可使旅行者能够预见道路上的交通状况，并相应地提前规划适当的路线；此外，精确的快捷货运量预测，还能够给导航系统提供未来短时的快捷货运量预测结果，从而为导航系统的路线规划等问题提供决策依据。
[0003]目前，各大城市市政道路和高等级公路都部署了众多的物流数据采集器、摄像头等信息收集设备。这些设备积累了大量的货流交通时间序列数据和地理位置信息，为快捷货运预测提供了坚实的数据基础。这使得越来越多的研究人员基于大数据等手段开展快捷货运量预测研究。
[0004]传统的快捷货运量预测方法，一般是基于统计的方法，该类方法通常基于一些假设，比如独立性假设等，但是实际的交通数据往往比较复杂，并不满足这些假设，所以在实际应用中，这些快捷货运量预测模型的实际预测效果一般。随着机器学习的流行，KNN和SVM这些常见且强大的机器学习方法得以在快捷货运量预测领域进行应用；该类方法能够对更加复杂的数据进行建模，并且能够取得相当不错的性能；但是缺点也很明显，该类方法一般也十分复杂。

技术实现思路

[0005]为了弥补现有技术的不足，本专利技术提供一种基于深度学习的城市快捷货运量预测方法，可靠性高、准确性好且实施相对简单。
[0006]为了实现上述目的，本专利技术所采用的技术方案为：
[0007]一种基于深度学习的城市快捷货运量预测方法，其特征在于：包括如下步骤：
[0008]S1：获取邮政快递数据集，并进行处理，从而得到训练数据集；
[0009]S2：基于图神经网络、循环神经网络和卷积神经网络，构建收端到末端的快捷货运量预测原始模型；
[0010]S3：采用步骤S1得到的训练数据集，对步骤S2构建的快捷货运量预测原始模型进行训练，从而得到快捷货运量预测模型；
[0011]S4：采用步骤S3得到的快捷货运量预测模型，进行实际情况下的快捷货运量预测。
[0012]进一步，所述步骤S1具体包括：
[0013]A：在目标城市的设定区域设置传感器，传感器每隔设定时间进行交通量检测，从而得到大小为T
×
N的初始流量矩阵；其中初始流量矩阵的第一维T表示时间片数量，第二维N表示传感器数量；
[0014]B：对步骤A得到的初始流量矩阵进行标准化，从而得到标准化流量矩阵；
[0015]C：将步骤B得到的标准化流量矩阵，按照设定窗口大小进行步进采样和堆叠，从而得到T'
×
t1×
N大小的张量；其中t1为设定的窗口大小；T'为采样和堆叠后的时间步数，且T'＝T
‑
t1+1；
[0016]D：将步骤C得到的数据集中，70％的数据划分为训练集，10％的数据划分为验证集，20％的数据划分为测试集，从而得到最终的训练数据集。
[0017]进一步，所述步骤S2中快捷货运量预测原始模型包括编码器和解码器；
[0018]编码器采用图神经网络提取交通状态动态图中的空间相关性信息，然后采用循环神经网络中的GRU来提取交通状态动态图中的时间相关性信息；编码器在空间和时间两个维度提取交通状态动态图中的空间相关性信息和时间相关性信息，并输出节点的隐藏中间状态；
[0019]解码器采用卷积神经网络，对编码器输出的节点隐藏中间状态进行解码；解码器的输出结果为最终的快捷货运量预测结果。
[0020]进一步，所述编码器采用图神经网络提取交通状态动态图中的空间相关性信息，具体包括如下步骤：
[0021]图神经网络包括第一全连接层、串接的两层图卷积层、第二全连接层和softmax激活函数；第一全连接层、串接的两层图卷积层、第二全连接层和softmax激活函数依次串联；
[0022]第一全连接层和第二全连接层用于在输入数据的特征维度大于设定值时，将输入数据映射为维度较低的初始表示，从而便于进行正向传播；并接的两层图卷积层用于进行空间相关性的特征提取，采用如下公式进行图神经网络中图卷积的计算：
[0023][0024]式中H
(l+1）
为第l层的输出；σ()为ReLU激活函数；α
l
为设定的第一权重；为图神经网络中对图的邻接矩阵进行正则化处理后的参数，且P、D为一个对角矩阵，每个对角元素i表示带自环的图的第i个节点的度，H
(l)
为带自环的图邻接矩阵；H
(0)
为图神经网络最初的输入；β
l
为设定的第二权重；I
n
为单位矩阵；E为共享的可训练的节点嵌入矩阵；W
(l)
为第l层的权重池；b
(l)
为第l层的偏斜池。
[0025]在第一全连接层、每一层的图卷积层和第二全连接层前都进行随机失活操作，从而完成正则化过程，防止模型过拟合。
[0026]进一步，所述采用循环神经网络中GRU来提取交通状态动态图中的时间相关性信息，具体包括：
[0027]采用如下循环神经网络中GRU的公式进行处理：
[0028]z
t
，r
t
＝σ1(GCN
gate
([x
t
，h
t
‑1]))
[0029]c
t
＝tanh(GCN
update
([x
t
，z
t
*h
t
‑1]))
[0030]h
t
＝r
t
*h
t
‑1+(1
‑
r
t
)*c
t
[0031]式中z
t
为当前时刻更新门状态；r
t
为当前时刻重置门状态；σ1()为sigmoid激活函数；GCNgate()为重置门所用的图神经网络；GCNupdate()为更新门所用的图神经网络；x
t
为当前输入特征；h
t
为当前输出隐藏层状态；c
t
为候选状态；tanh()为tanh激活函数；[]为矩阵连接运算。
[0032]进一步，所述解码器采用卷积神经网络，具体包括：
[0033]采用二维卷积神经网络作为解码器；卷积神经网络对编码器输出的节点隐藏中间状态进行解码；二维卷积神经网络的卷积核大小为1*Henc，Henc为编码器中GRU的隐藏状态维度；
[0034]解码器输出大小为t2*N的二维矩阵，t2为预测的时长，N为传感器数量；矩阵中对应元素的值为最终预测的快捷货运量的值。
[0035]进一步，所述步骤S3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的城市快捷货运量预测方法，其特征在于：包括如下步骤：S1：获取邮政快递数据集，并进行处理，从而得到训练数据集；S2：基于图神经网络、循环神经网络和卷积神经网络，构建收端到末端的快捷货运量预测原始模型；S3：采用步骤S1得到的训练数据集，对步骤S2构建的快捷货运量预测原始模型进行训练，从而得到快捷货运量预测模型；S4：采用步骤S3得到的快捷货运量预测模型，进行实际情况下的快捷货运量预测。2.根据权利要求1所述的一种基于深度学习的城市快捷货运量预测方法，其特征在于：所述步骤S1具体包括：A：在目标城市的设定区域设置传感器，传感器每隔设定时间进行交通量检测，从而得到大小为T
×
N的初始流量矩阵；其中初始流量矩阵的第一维T表示时间片数量，第二维N表示传感器数量；B：对步骤A得到的初始流量矩阵进行标准化，从而得到标准化流量矩阵；C：将步骤B得到的标准化流量矩阵，按照设定窗口大小进行步进采样和堆叠，从而得到T'
×
t1×
N大小的张量；其中t1为设定的窗口大小；T'为采样和堆叠后的时间步数，且T'＝T
‑
t1+1；D：将步骤C得到的数据集中，70％的数据划分为训练集，10％的数据划分为验证集，20％的数据划分为测试集，从而得到最终的训练数据集。3.根据权利要求2所述的一种基于深度学习的城市快捷货运量预测方法，其特征在于：所述步骤S2中快捷货运量预测原始模型包括编码器和解码器；编码器采用图神经网络提取交通状态动态图中的空间相关性信息，然后采用循环神经网络中的GRU来提取交通状态动态图中的时间相关性信息；编码器在空间和时间两个维度提取交通状态动态图中的空间相关性信息和时间相关性信息，并输出节点的隐藏中间状态；解码器采用卷积神经网络，对编码器输出的节点隐藏中间状态进行解码；解码器的输出结果为最终的快捷货运量预测结果。4.根据权利要求3所述的一种基于深度学习的城市快捷货运量预测方法，其特征在于：所述编码器采用图神经网络提取交通状态动态图中的空间相关性信息，具体包括如下步骤：图神经网络包括第一全连接层、串接的两层图卷积层、第二全连接层和softmax激活函数；第一全连接层、串接的两层图卷积层、第二全连接层和softmax激活函数依次串联；第一全连接层和第二全连接层用于在输入数据的特征维度大于设定值时，将输入数据映射为维度较低的初始表示，从而便于进行正向传播；并接的两层图卷积层用于进行空间相关性的特征提取，采用如下公式进行图神经网络中图卷积的计算：式中H
(l+1)
为第l层的输出；σ()为ReLU激活函数；α
l
为设定的第一权重；为图神经网络中对图的邻接矩阵进行正则化处理后的参数，且P、D为一个对角矩阵，每个对角元素i表示带自环的图的第i个节点的度，H
(l)
为带...

【专利技术属性】
技术研发人员：王智鹏，陈希荣，宁骥龙，胡必松，吕颖，丁海涛，郎志峰，张鹏，张明，吴琼，马海超，戴随喜，屈卓然，尚宸宇，王浩，
申请(专利权)人：中铁第一勘察设计院集团有限公司，
类型：发明
国别省市：