本發(fā)明涉及一種基于深度特征提取網絡的交通流量預測時序方法，屬于交通流量預測技術領域。

背景技術：

城市交通是城市社會經濟活動的命脈，對促進城市經濟的發(fā)展、便捷人們的出行都具有重要的意義，隨著科學技術的進步和工業(yè)的發(fā)展，城市中交通量激增，原始的交通方式已不能滿足要求；同時，由于工業(yè)發(fā)展為城市交通提供的各種交通工具越來越多，從而加速了城市交通事業(yè)的發(fā)展。

但是城市發(fā)展的同時，也造成了交通堵塞、交通事故頻發(fā)等一系列的問題。而交通事故的頻發(fā)往往在交通擁堵的路段，因此，預測下一個時間周期的交通流就顯得尤為重要。

目前國內外在大規(guī)模的交通流量預測技術領域的研究還不夠深入，尤其是在進行公路建設項目可行性研究，往往只考慮有直接影響的某一條或幾條線路，缺乏對所建公路在公路網整體中的作用進行研究，往往造成預測交通量與實際交通量相差太遠。

技術實現(xiàn)要素：

本發(fā)明所要解決的技術問題是克服現(xiàn)有技術的缺陷，提供一種基于深度特征提取網絡的交通流量預測時序方法，運用深度學習來預測交通流量，可以對交通流量進行實時預測。

為解決上述技術問題，本發(fā)明提供一種基于深度特征提取網絡的交通流量預測時序方法，包括以下步驟：

1)獲取隨著時間傳遞的交通流量相關度動態(tài)語義圖；

2)在步驟1)獲得交通流量相關度語義圖的基礎上，應用深度特征提取網絡的交通流量時序模型預測下一時間周期的交通流量，具體步驟如下：

2-1)假設某一系列時刻t的交通流量x^t為：

其中，為第i個路段在系列時刻t的交通流量，n表示路段數(shù)，n表示時刻數(shù)，第k個路段的交通流量受到與它相連的上一個路段的交通流量的影響，假設與它相連的上一個路段有m段，每一段與其相連的交通流量都貢獻交通流量給第k個路段，則有：

其中，為第k個路段在系列時刻t預測的交通流量，是與第k個路段相連的所有上一個路段貢獻給的交通流量之和，是第j個路段的輔助參數(shù)，上標t-1為系列時刻t的前一個系列時刻，是第j個路段在系列時刻t-1的交通流量，εt是系列時刻的噪音，εt的分布是正態(tài)分布，即為方差；

2-2)估計輔助參數(shù)和的參數(shù)值；

2-3)優(yōu)化輔助參數(shù)并預測交通流量。

前述的交通流量相關度動態(tài)語義圖是指定義同一時間周期內，如果一個路段的交通流量在一定程度上影響另一個路段的交通流量，則這兩個路段路段之間具有相關度，把有相關度的路段彼此連接起來，每過一個時間周期動態(tài)更新實際觀察到的交通流量，即可獲得實時的交通流量動態(tài)語義圖。

前述的時序模型是指對某一個或一組變量進行觀察測量，并在一系列時刻t1,t2,...,tn按照時間次序排列，用于解釋變量和一系列時刻之間的相互關系的數(shù)學表達式。

前述的深度特征提取網絡是指從一個輸入中產生一個輸出所涉及的計算可通過一個流向圖來表示，流向圖是一種能夠表示計算的圖，在這種圖中每一個節(jié)點表示一個基本的計算以及一個計算的值，計算的結果被應用到這個節(jié)點的子節(jié)點的值。

前述的步驟2-2)中，估計輔助參數(shù)和的參數(shù)值的方法如下：

假設表示第1路段在系列時刻t-1的交通流量，表示第2路段在系列時刻t-1的交通流量，表示第3路段在系列時刻t的交通流量，表示第4路段在系列時刻t的交通流量，第1路段和第2路段與第3路段有相關度，第1路段和第2路段與第4路段有相關度；

設第1路段和第2路段流向第3路段的輔助參數(shù)為和第1路段和第2路段流向第4路段的輔助參數(shù)為和則根據(jù)公式(2)有：

又由于第1路段和第2路段的交通流和都分配給了第3路段和第4路段，則有：

則

則

將式(3)兩邊乘以得：

將式(4)兩邊乘以得：

則有式(7)＝(8)，將和看成變量，則有：

聯(lián)立式(5)和(9)得：

聯(lián)立式(6)和(10)得：

按照這樣的方法即可求出參數(shù)

是模型殘差序列{εt}的方差，故有：

估計出即可按上式估計出

前述的優(yōu)化輔助參數(shù)的過程為：將一個系列時刻的與第k路段相連的路段的上一系列時刻t-1的交通流量代入到模型中，計算得到即為第k路段的預測值，選取多天同一系列時刻的數(shù)據(jù)進行多次預測，每一次預測值與對應的歷史觀測數(shù)據(jù)作運算，取的值最小時對應的作為優(yōu)化后的輔助參數(shù)。

前述的為了不使預測值和歷史觀測數(shù)據(jù)完全相等，在公式(2)的基礎上，再引進一個常數(shù)c來矯正以防過擬合，則有：

本發(fā)明的有益效果為：

本發(fā)明應用于交通出行的最優(yōu)路線設計過程中，可以對交通堵塞問題起到一定的緩解作用；本發(fā)明提供的基于深度特性提取網絡的交通流量預測時序模型，通過對大型交通流數(shù)據(jù)的分析可以更加準確地預測每一條路段的當前交通流。

附圖說明

圖1為交通流相關度動態(tài)語義圖；

圖2為時序模型示例；

圖3為深度特征提取網絡示意圖。

具體實施方式

下面對本發(fā)明作進一步描述。以下實施例僅用于更加清楚地說明本發(fā)明的技術方案，而不能以此來限制本發(fā)明的保護范圍。

本發(fā)明的基于深度特征提取網絡的交通流量預測時序方法，步驟如下：

步驟一：獲取隨著時間傳遞的交通流相關度動態(tài)語義圖：

設每一個路段在一定的時間內通過的車輛數(shù)目x為這個時間段的交通流，因此，每一個路段在每個時間段都會有一個特定的交通流，如x,y,z等。如果各個路段互不干擾的話，則在一定的時間周期內，每個路段的交通流都是一定的，但實際上，每個路段都會受到其他與其相通的路段的交通流的影響，從而自身路段的交通流也隨之改變，定義同一時間周期內，如果一個路段的交通流在一定程度上影響另一個路段的交通流，則這兩個路段路段之間具有相關度。把有相關度的路段彼此連接起來，每過一個時間周期t動態(tài)更新實際觀察到的交通流，即可以獲得實時的交通流動態(tài)語義圖。

如圖1所示：圖中描述了從下到上4個時間周期以及每個時間周期內a、b、c、d四個路段的交通流，圖中最底層為第一個時間周期，路段為a1、b1、c1、d1，對應的交通流分別為a1、b1、c1、d1，上一層為第二個時間周期，路段為a2、b2、c2、d2，對應的交通流分別為a2、b2、c2、d2，同理，再上一層為第三個時間周期，路段為a3、b3、c3、d3，對應的交通流分別為a3、b3、c3、d3，再上一層為第四個時間周期，路段為a4、b4、c4、d4，對應的交通流分別為a4、b4、c4、d4。假設路段a1與b2相通、b2與c3相通、c3與b4相通；與此同時，a1與c2也相通，c2與d3相通，d3與d4相通，在此我們就知道，a1的交通流a1，影響b2和c2的交通流，即b2和c2的交通流與a1具有一定的相關度，把有相關度的路段彼此連接起來，每過一個時間周期t動態(tài)更新，在t＝1(t＝1指的是第一個時間周期)時，a1路口的交通流a1會選擇通往b2或c2；t＝2時，b2上所獲得的交通流b2會通往c3，c2上所獲得的交通流c2會通往d3；同理，t＝3時，c3上所獲得的交通流c3會通往b4，d3上所獲得的交通流d3會通往d4，此時就獲取了隨著時間變化的流量傳遞圖，即獲取了隨著時間傳遞的交通流相關度動態(tài)語義圖。

步驟二：在步驟一獲得交通流量相關度語義圖的基礎上，應用深度特征提取網絡的交通流量時序模型預測下一個時間周期交通圖的交通流：

2-1)時序模型的定義為：在生產和科學研究中，對某一個或一組變量進行觀察測量，并在一系列時刻t1,t2,...,tn(ti為自變量)按照時間次序排列，可以用于解釋變量和一系列時刻之間的相互關系的數(shù)學表達式。

假設某一系列時刻t的交通流量x^t為：

其中，為第i個路段在系列時刻t的交通流量，n表示路段數(shù)，n表示時刻數(shù)，第k個路段的交通流量受到與它相連的上一個路段的交通流量的影響，假設與它相連的上一個路段有m段，每一段與其相連的交通流都貢獻一部分交通流給第k個路段，則有：

其中，為第k個路段在系列時刻t預測的交通流量，是與第k個路段相連的所有上一個路段貢獻給的交通流量之和，是第j個路段的輔助參數(shù)，上標t-1為系列時刻t的前一個系列時刻，是第j個路段在系列時刻t-1的交通流量，εt是系列時刻的噪音，εt的分布是正態(tài)分布，即為方差。

2-2)參數(shù)估計：根據(jù)歷史觀測數(shù)據(jù)和估計出和的參數(shù)值。方法如下：

如圖2所示，圖中，表示第1路段在系列時刻t-1的交通流量，表示第2路段在系列時刻t-1的交通流量，表示第3路段在系列時刻t的交通流量，表示第4路段在系列時刻t的交通流量。圖中，箭頭表示交通流向，可以看出，第3路段和第4路段均受第1路段和第2路段的交通流量的影響，即第1路段和第2路段與第3路段有相關度，第1路段和第2路段與第4路段有相關度。

設第1路段和第2路段流向第3路段的輔助參數(shù)為和第1路段和第2路段流向第4路段的輔助參數(shù)為和則根據(jù)公式(2)有：

公式(3)、(4)中的交通流量和為歷史觀測數(shù)據(jù)，其具體數(shù)值里面已經含有噪音參數(shù)了，因此公式(3)、(4)中無需再加入噪音參數(shù)εt了，否則就是重復計算了。

又由于第1路段和第2路段的交通流和都分配給了第3路段和第4路段，則有：

則

則

將式(3)兩邊乘以得：

將式(4)兩邊乘以得：

則有式(7)＝(8)，將和看成變量，則有：

聯(lián)立式(5)和(9)得：

聯(lián)立式(6)和(10)得：

按照這樣的方法即可求出參數(shù)

是模型殘差序列{εt}的方差，故有：

估計出即可按上式估計出

2-3)深度特征提取網絡：

從一個輸入中產生一個輸出所涉及的計算可以通過一個流向圖來表示，流向圖是一種能夠表示計算的圖，在這種圖中每一個節(jié)點表示一個基本的計算以及一個計算的值，計算的結果被應用到這個節(jié)點的子節(jié)點的值。

2-3.1)深度特征提取網絡如圖3所示，是指把數(shù)據(jù)“喂給”時序模型，然后不斷的優(yōu)化參數(shù)，讓模型的預測越準確。將深度特征提取網絡應用在交通流量時序模型，輸入一個通過步驟一獲取交通流相關度動態(tài)語義圖，找到與該路段相連的上一個路段的交通流根據(jù)和的歷史觀測數(shù)據(jù)估算出參數(shù)和將所得到的參數(shù)以及當前時間的交通流量代入公式(2)中，得出輸出層

2-3.2)優(yōu)化模型參數(shù)并預測交通流：

此處將一天分成p個時刻，每一天都有一個系列時刻t，排除一些非理想狀態(tài)的因素影響，假設一個路段的每一天同一時刻的交通流比較相近，比如在每天上下班的時候，人們在上下班經過的路段基本一定，代入第k路段的與其相連的路段的上一系列時刻t-1的交通流量到模型中，計算得到即為第k路段的預測值，選取多天同一系列時刻的數(shù)據(jù)進行多次預測，每一次預測值與對應的歷史數(shù)據(jù)作運算，取的值越小時對應的即為優(yōu)化的采用該優(yōu)化的以及計算的來預測當前時刻的交通流量。

如果要預測一個路段下一個系列時刻的交通流量，只需把與這個路段相連的所有路段的當前時間的交通流量代進去計算即可計算出所要預測的路段的下一個系列時刻的交通流量為了不使預測值和歷史真實值完全相等，因為完全相等的話就是過擬合了，因此，在公式(2)的基礎上，再引進一個常數(shù)c來矯正以防過擬合，則有：

通過輸入實際觀察到的找到各個路段所對應的與其相連的上一個路段的t-1時刻的交通流的動態(tài)語義圖，通過深度特征提取網絡，輸出所預測的再把所得出的時序模型拿來預測交通流量，這樣就預測出了相對比較準確的交通流量值。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發(fā)明技術原理的前提下，還可以做出若干改進和變形，這些改進和變形也應視為本發(fā)明的保護范圍。