[发明专利]一种基于深度时空卷积循环网络的路网状态预测方法

摘要

本专利公开了一种基于深度时空卷积循环网络的路网状态预测方法，所述方法包括：步骤一：建立样本集，并划分训练集和测试集；步骤二，路网状态预测模型建模；所述路网状态预测模型包括卷积神经网络和递归神经网络两个部分，所述卷积神经网络用于提取路网空间特征，所述递归神经网络用于提取路网演变的时序规律；步骤三，未来某一时间段路网状态预测本专利通过深度卷积神经网络提取路网中各个路段之间的联系。本专利通过递归神经网络用于提取路网演变的时序规律；充分考虑路网时空信息的条件下可以获得更精确的路网交通状态的预测。

主权项

1.一种基于深度时空卷积循环网络的路网状态预测方法，其特征在于，所述方法包括如下步骤：步骤一：建立样本集，并划分训练集和测试集选取目标路网，将路网划分为k个路段，并对各个路段进行编号，记为1,2,3,…,k；将一天24小时分成各个时间长度一样的时间段；首先，计算各个路段在每个时间段的平均速度,平均速度的计算方法是：在某一时间段内，在某一路段通过的所有车辆平均速度的均值，如式(1)所示，其中n代表在该时间段在该路段通过的车辆数目，a代表路网中的第a个路段，a∈(1,2,…,k)，j是时间段编号，即j个时间段，S代表该路段的长度，Δt代表时间段的长度，代表车辆i在Δt的平均速度；若某一路段在Δt内没有车辆通过，在用上一个时间段的平均速度替代当前时间段的平均速度，即v_a,j＝v_a,j‑1；其次，将各个路段的平均速度投影到路网中，建立路网中各个路段与该路段的平均速度的对应关系；最后，对路网所在的地理区域进行网格化处理，划分为多个网格，划分好网格后对每个网格进行取值，对没有路段的网格区域，其取值为零；当一网格有一条路段通过的时候，网格的值为这条路段的速度值；当一网格有多条路段通过的时候，网格的值为这些路段的速度均值；从而将每个时间段的路网状态用一张路网网格化图片来表示，记为p_j，待预测的路网状态可用一个状态向量来表示，记为V_j+m，V_j+m＝[v_1,j+m,v_2,j+m,L,v_k,j+m]，其中j是时间段编号，即j个时间段；m代表未来第m个时间段；步骤二，路网状态预测模型建模所述路网状态预测模型包括卷积神经网络和递归神经网络两个部分，所述卷积神经网络用于提取路网空间特征，所述递归神经网络用于提取路网演变的时序规律；所述卷积神经网络的建模包括：首先，确定输入输出变量，输入变量是某一路网状态p_j，输出变量为该路网状态的特征表达向量用x^(j)表示，j是时间段编号，即j个时间段，维度大小与v_j相同；其次，构建深度卷积神经网络模型，设置卷积神经网络的结构参数，输出层神经元个数与该路网的路段数目相同；通过“输入层‑卷积层‑池化层‑输出层”结构的深度卷积神经网络提取路网中各个路段之间的联系；所述递归神经网络的建模包括：构建输入层、隐藏层以及输出层，其中采用LSTM单元作为隐藏层单元；所述的神经网络包含两层递归神经网络，基于在前预定数量时间段的特征预测未来某一个时间段的路网状态；将卷积神经网络的输出作为递归神经网络的输入，用于学习输入特征序列之间的时序变化模式，再将其输入到输出层做预测，所述递归神经网络模型具体表示为：其中，表示第一层递归神经网络在t和t‑1时刻的状态，即LSTM的输出，表示第二层递归神经网络在t和t‑1时刻的状态，y表示输出数据，b_y均为模型参数，σ(g)表示sigmoid激活函数；其表达式为：得到输出层后建立损失函数，损失函数是用来衡量输出层的输出值与真实值的差异，利用BPTT算法最小化损失函数获得最优的模型参数；步骤三，未来某一时间段路网状态预测将用于预测的在前路网状态数据作为输入变量输入到步骤二中已训练好的模型中，获得输出向量，该输出向量就是所预测的下一个时间段的路网状态。