亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于ACGRU模型的短時交通流預(yù)測

        2020-11-10 07:10:56桂智明李壯壯郭黎敏
        計算機(jī)工程與應(yīng)用 2020年21期
        關(guān)鍵詞:交通流量觀測點交通流

        桂智明,李壯壯,郭黎敏

        北京工業(yè)大學(xué) 信息學(xué)部,北京 100124

        1 引言

        根據(jù)公安部交通管理局發(fā)布的數(shù)據(jù),截止到2019年6月,全國機(jī)動車保有量達(dá)3.4億輛,機(jī)動車駕駛?cè)诉_(dá)4.2 億人。隨著全國機(jī)動車保有量的不斷增加,城市交通擁堵問題越來越嚴(yán)重。交通擁堵不僅耽誤人們出行,減少社會活動效率,造成經(jīng)濟(jì)損失,還會浪費大量資源,造成城市空氣污染。為了解決交通擁堵問題,智能交通系統(tǒng)(Intelligent Transport System,ITS)應(yīng)運而生。交通流預(yù)測是ITS 的核心功能之一。由于交通流具有時變性,所以一般采用短時預(yù)測來對交通系統(tǒng)進(jìn)行誘導(dǎo)。短時交通流預(yù)測是指利用地磁、傳感線圈等設(shè)備實時獲取的交通流數(shù)據(jù)去預(yù)測未來半小時內(nèi)的交通流量。通過預(yù)測短時交通流不僅可以為公眾出行提供服務(wù),改善導(dǎo)航系統(tǒng),還可以為交通管理部門提供有效技術(shù)支持,提高道路資源的利用率。

        道路交通系統(tǒng)是一個典型的復(fù)雜系統(tǒng),周末節(jié)假日、交通出行早晚高峰、天氣狀況等因素以非線性方式相互作用,導(dǎo)致傳統(tǒng)的淺層預(yù)測模型在實際應(yīng)用中往往失效。近年來,深度學(xué)習(xí)在圖像識別、自然語言處理等研究領(lǐng)域取得了一系列突破。交通流數(shù)據(jù)與深度學(xué)習(xí)常用領(lǐng)域中的研究數(shù)據(jù)類似,具有豐富的時空特征,結(jié)合深度學(xué)習(xí)進(jìn)行短時交通流預(yù)測具有很大的研究價值。

        本文將卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)、門控循環(huán)單元(Gated Recurrent Unit,GRU)以及注意力機(jī)制技術(shù)應(yīng)用到交通流預(yù)測領(lǐng)域,提出基于深度神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測模型,準(zhǔn)確預(yù)估未來時刻的交通流量。本文的主要貢獻(xiàn)總結(jié)為:

        (1)提出了一種結(jié)合注意力機(jī)制的卷積門控循環(huán)單元預(yù)測模型,利用CNN和GRU提取交通流數(shù)據(jù)的時空特征,通過引入注意力機(jī)制,計算不同時刻交通流特征的重要性,同時利用交通流數(shù)據(jù)的周相似性提取周期特征。

        (2)在公開交通數(shù)據(jù)集上,對所提出的短時交通流預(yù)測模型進(jìn)行實驗驗證,并與傳統(tǒng)預(yù)測模型進(jìn)行對比分析。實驗表明,本文提出的模型提升了交通流的預(yù)測精度,可以更好地解決短時交通流預(yù)測問題。

        2 相關(guān)工作

        國內(nèi)外很多學(xué)者都對短時交通流預(yù)測進(jìn)行了研究,使用的統(tǒng)計理論模型主要包括歷史平均模型、卡爾曼濾波模型和差分自回歸移動平均模型(ARIMA)。Zhang等人[1]提出了具有周期性的季節(jié)性ARIMA 模型的一般表達(dá)式,給出了利用季節(jié)性ARIMA 模型建模和預(yù)測交通流的步驟,研究實驗表明,季節(jié)ARIMA模型可以對實際高速公路交通流進(jìn)行建模和預(yù)測,獲取較好的預(yù)測效果。Kumar 等人[2]提出了一種基于季節(jié)的ARIMA(SARIMA)預(yù)測模型,該模型相比傳統(tǒng)的ARIMA 考慮了不同季節(jié)對交通流量的影響。

        由于交通流具有非線性和隨機(jī)性特點,為了更好地捕獲交通流數(shù)據(jù)之間的特征,一些機(jī)器學(xué)習(xí)方法被廣泛應(yīng)用于短時交通流預(yù)測。Hong[3]使用混沌模擬退火算法優(yōu)化SVR 的參數(shù),提升了支持向量機(jī)回歸模型的學(xué)習(xí)能力,并以臺灣北部的交通流量數(shù)據(jù)為例,驗證了所提出模型的預(yù)測準(zhǔn)確率。Hu 等人[4]將粒子群優(yōu)化(PSO)算法和SVR 算法相結(jié)合,采用PSO 來優(yōu)化SVR的參數(shù),從而提升了交通流的預(yù)測效果。為了提高短時交通流預(yù)測的準(zhǔn)確率,Liu等人[5]基于非參數(shù)回歸和SVR提出了一種KNN-SVR 模型,采用k近鄰算法重建與當(dāng)前交通流相似的歷史交通流序列,然后利用SVR 進(jìn)行交通流預(yù)測。

        隨著深度學(xué)習(xí)在語音、圖像和自然語言處理等研究領(lǐng)域的廣泛應(yīng)用,人們提出了許多深度學(xué)習(xí)方法來預(yù)測短時交通流[6-7]。Tian等人[8]發(fā)現(xiàn)大多數(shù)時間序列預(yù)測模型的輸入長度是靜態(tài)的,不能準(zhǔn)確地確定最佳的時間滯后,因此使用長短期記憶網(wǎng)絡(luò)(LSTM)預(yù)測交通流量序列,克服了最佳時間滯后的確定問題,并將LSTM 與支持向量機(jī)、單層前饋神經(jīng)網(wǎng)絡(luò)和層疊自動編碼器等幾個著名模型進(jìn)行了比較。Fu 等人[9]分別使用LSTM、GRU和ARIMA三個模型進(jìn)行短時交通流預(yù)測,并通過PeMS公開交通數(shù)據(jù)集論證了GRU 網(wǎng)絡(luò)具有最好的預(yù)測效果。王祥雪等人[10]首先對交通流時間序列進(jìn)行重構(gòu)和標(biāo)準(zhǔn)化處理,然后使用LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測短時交通流量,對比BP網(wǎng)絡(luò)模型,預(yù)測精度得到了大幅改進(jìn)。

        由于LSTM 和GRU 只關(guān)注交通流數(shù)據(jù)的時間特征,忽略了空間特征,而CNN 網(wǎng)絡(luò)更關(guān)注空間特征,因此出現(xiàn)了很多CNN-RNN預(yù)測模型。晏臻等人[11]提出將CNN和LSTM相結(jié)合的短時交通流預(yù)測模型,并驗證了考慮時空特征進(jìn)行交通流預(yù)測的有效性。Liu等人[12]將CNN 中的一維卷積和LSTM 相結(jié)合,構(gòu)成Conv-LSTM模塊提取交通流的時空特征,并使用Bi-LSTM 模塊提取交通流的周期特征,最后將特征融合,獲取交通流量的預(yù)測值。閆楊等人[13]用GRU代替LSTM,結(jié)合 Conv-GRU 和 Bi-GRU 預(yù)測交通流量,與 Conv-LSTM 方法相比,訓(xùn)練時間更短且不失預(yù)測性能。

        為了更好地挖掘交通流時空特征,一些學(xué)者將注意力機(jī)制應(yīng)用到短時交通流預(yù)測。李志帥等人[14]結(jié)合圖卷積網(wǎng)絡(luò)獲取路網(wǎng)流量的空間特征,并使用注意力機(jī)制調(diào)整網(wǎng)絡(luò)輸出,進(jìn)而提升交通流預(yù)測精度。Guo等人[15]提出一種結(jié)合注意力機(jī)制的時空圖卷積網(wǎng)絡(luò)來解決交通流預(yù)測問題,通過注意力機(jī)制有效捕獲交通數(shù)據(jù)中的動態(tài)時空關(guān)聯(lián)。

        基于上述研究,本文將CNN 和GRU 相結(jié)合,構(gòu)成卷積門控循環(huán)單元有效提取交通流數(shù)據(jù)的時空特征,并利用交通流數(shù)據(jù)的周相似性提取周期特征??紤]到不同時刻的交通流特征對預(yù)測時刻流量的影響具有差異性,在GRU層后面引入注意力機(jī)制層,自動捕獲不同時刻輸入特征的影響,形成含有注意力概率分布的交通流特征表示,以提升交通流的預(yù)測效果。

        3 預(yù)測模型

        3.1 交通流數(shù)據(jù)特點分析

        交通流數(shù)據(jù)具有很強(qiáng)的規(guī)律性,通過分析交通流數(shù)據(jù)的特點,可以為短時交通流預(yù)測模型的建立提供參考依據(jù)。與常規(guī)時間序列預(yù)測數(shù)據(jù)不同,交通流數(shù)據(jù)具有以下幾個特點:

        (1)交通流數(shù)據(jù)具有豐富的時空特征。在時間上,一個觀測點可以在各個時刻持續(xù)收集交通流數(shù)據(jù),形成一個隨時間變化的交通流量序列。由于道路上車輛的聚集和發(fā)散是一個漸進(jìn)過程,所以之前時刻的交通流量會影響下一時刻的交通流量。在空間上,相鄰觀測點之間的交通流量是密切相關(guān)的。單個道路上下游觀測點的交通流量存在時延關(guān)系,分叉道路不同觀測點的交通流量存在和差關(guān)系。

        (2)交通流數(shù)據(jù)具有周期特征。人們每天的工作時間通常是固定的,因此出行產(chǎn)生的交通流量存在以日、周、月為單位的相似規(guī)律。在各個周期單位中,以周為時間尺度的交通流量具有最強(qiáng)的相似規(guī)律,如星期二的交通流量曲線與上周星期二的交通流量曲線趨勢相似,相似度較高,與本周星期一和上周末的交通流量曲線相似度較低。

        (3)交通流數(shù)據(jù)構(gòu)成的時間序列具有復(fù)雜的相關(guān)性。通常來說,交通流量在相鄰時間點之間會表現(xiàn)出更強(qiáng)的相關(guān)性。然而,交通流量會受到天氣、交通擁堵等外部因素的影響,對于交通流預(yù)測,較遠(yuǎn)過去時間點的重要性不一定低于較近過去時間點。不能只依靠時間上的臨近程度去區(qū)分不同時刻的重要程度。

        短時交通流預(yù)測的難點在于如何有效利用數(shù)據(jù)的時空特征、周期特征和時間上的復(fù)雜相關(guān)性。交通流數(shù)據(jù)復(fù)雜多變,不同觀測點和不同時間點上的交通流量相互影響,使得準(zhǔn)確預(yù)測交通流變得十分困難。

        3.2 模型設(shè)計

        針對交通流數(shù)據(jù)的特點,本文提出了一種結(jié)合注意力機(jī)制的卷積門控循環(huán)單元預(yù)測模型(Attention-based CNN-GRU,ACGRU)。如圖1 所示,ACGRU 模型主要由四部分構(gòu)成,第一部分使用CNN 層提取交通流的空間特征;第二部分是時間特征提取,使用一個引入注意力機(jī)制的GRU 網(wǎng)絡(luò)完成,注意力機(jī)制可以計算交通流特征在各個時間步的重要性,綜合考慮各個時間步上的信息;第三部分是另一個通道上的周期特征提取,同樣使用一個引入注意力機(jī)制的GRU 網(wǎng)絡(luò);第四部分是一個全連接層,綜合時空特征和周期特征進(jìn)行回歸預(yù)測。下面的章節(jié)將對模型各部分進(jìn)行詳細(xì)介紹。

        3.3 基于卷積神經(jīng)網(wǎng)絡(luò)的空間特征提取

        道路上某個觀測點的交通流量不僅與自身歷史交通流量有關(guān),還與相鄰觀測點上的交通流量有關(guān)。卷積神經(jīng)網(wǎng)絡(luò)是一種經(jīng)典的深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu),具有強(qiáng)大的特征提取能力。本文選用卷積神經(jīng)網(wǎng)絡(luò)來挖掘交通流數(shù)據(jù)的空間特征。卷積神經(jīng)網(wǎng)絡(luò)主要由卷積層、池化層和全連接層三部分組成,具有局部連接和權(quán)值共享等特性。這些特性可以大大減少網(wǎng)絡(luò)的參數(shù)數(shù)量,加速訓(xùn)練速度,降低特征提取的復(fù)雜度。

        為了充分提取交通流數(shù)據(jù)的時空特征,首先需要將原始一維交通流數(shù)據(jù)轉(zhuǎn)換為二維的交通流量矩陣,矩陣的兩個維度分別為時間維度和空間維度。假設(shè)需要對S個觀測點的交通流量進(jìn)行預(yù)測,每個觀測點收集了連續(xù)T個時刻的交通流數(shù)據(jù),用xts表示第s個觀測點在t時刻收集到的交通流量,那么所有觀測點在t時刻的交通流量可以表示為F=(xt1,xt2,…,xts),將S個觀測點T個時刻的交通流數(shù)據(jù)進(jìn)行組合得到的交通流量輸入矩陣可以表示為:

        卷積層主要是使用不同的卷積核來對上一層的輸入特征進(jìn)行卷積運算來提取不同的局部特征,卷積核的所有參數(shù)通過反向傳播算法計算。本文使用一維卷積來處理交通流量輸入矩陣中的每一行元素,通過滑動一維卷積的卷積核獲取相鄰觀測點的空間特征。本文使用以下公式表示卷積操作:

        公式中,Wc、bc為需要學(xué)習(xí)的參數(shù),f表示激活函數(shù)。因為短時交通流預(yù)測任務(wù)中交通數(shù)據(jù)的空間維度往往是有限的,為了充分保留特征,不使用池化層來對特征矩陣進(jìn)行壓縮,只使用卷積層提取特征。

        3.4 引入注意力機(jī)制的GRU網(wǎng)絡(luò)

        RNN 是一種用于處理時間序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。與基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)不同,RNN 隱藏層中的節(jié)點不再是無連接的而是有連接的,隱藏層的輸入不僅含有輸入層的輸出,還含有上一時刻隱藏層的輸出。傳統(tǒng)的RNN網(wǎng)絡(luò)處理長期依賴問題時存在梯度消失問題,LSTM神經(jīng)網(wǎng)絡(luò)的提出解決了該問題,被廣泛運用在時間序列數(shù)據(jù)預(yù)測領(lǐng)域中。然而LSTM的內(nèi)部結(jié)構(gòu)十分復(fù)雜,導(dǎo)致網(wǎng)絡(luò)訓(xùn)練需要耗費大量時間,因此在LSTM的基礎(chǔ)上又出現(xiàn)了GRU 網(wǎng)絡(luò)。與LSTM 相比,GRU 的網(wǎng)絡(luò)參數(shù)更少,容易進(jìn)行訓(xùn)練,同時還保持了LSTM 的預(yù)測效果。GRU單元通過以下公式計算得到隱藏層狀態(tài)ht:

        圖1 ACGRU模型結(jié)構(gòu)圖

        圖2 觀測點分布圖

        公式中,zt和rt分別表示更新門和重置門,表示ht的候選狀態(tài),σ表示sigmoid 激活函數(shù),W*,U*,b*為需要學(xué)習(xí)的參數(shù)。更新門為LSTM 遺忘門和輸入門的組合,用于控制前一時刻有多少狀態(tài)信息被帶入到當(dāng)前狀態(tài),重置門控制前一時刻狀態(tài)信息的忽略程度。本文將CNN 層提取的流量模式作為GRU 層的輸入,使交通流量模式保持時間上的連續(xù)性。

        注意力機(jī)制通過模擬人腦注意力的特點,對重要的信息給予更多的關(guān)注。由于各個時刻的交通流特征對預(yù)測時刻流量的影響程度不同,所以需要在傳統(tǒng)的GRU 層后面,引入注意力機(jī)制層。通過注意力機(jī)制計算各個時刻輸入特征的重要性,生成含有注意力概率分布的交通流特征表示。針對GRU單元輸出的隱藏層狀態(tài)ht,本文采用以下注意力機(jī)制公式:

        公式中,ve,We,be為需要學(xué)習(xí)的參數(shù),et為第t個時刻GRU單元輸出向量ht對應(yīng)的注意力評分值。本文使用softmax函數(shù)對et進(jìn)行歸一化得到αt,然后將各個時刻對應(yīng)的權(quán)重系數(shù)αt和輸出ht相乘求和得到輸出c。向量c對GRU 單元的輸出進(jìn)行了加權(quán),表示含有注意力概率分布的交通流特征。

        3.5 周期特征

        受人們每天的作息規(guī)律影響,交通流數(shù)據(jù)具有周期特征。對于預(yù)測時刻的交通流,前一周相同時刻和前后相鄰時刻的交通流都包含有用信息。本文利用交通流數(shù)據(jù)的周相似性建立以周為單位的周期特征,構(gòu)造周期流量輸入矩陣如下:

        其中,t表示預(yù)測時刻在前一周相對應(yīng)的同一時刻,n表示周期時間步長,本文取前一周相同預(yù)測時刻和該時刻前后各n個時刻的數(shù)據(jù)作為輸入,S表示需要預(yù)測的觀測點的數(shù)量。對于周期特征,不同觀測點的空間影響較小,僅需提取時序特征,因此使用一個引入注意力機(jī)制的GRU網(wǎng)絡(luò)進(jìn)行特征提取。通過去掉周期通道上的空間卷積可以減小ACGRU模型的網(wǎng)絡(luò)規(guī)模,加快模型的訓(xùn)練速度。將提取的周期特征和時空特征合并,一起輸入到全連接層中處理,最終輸出所有觀測點下一時刻的交通流量。

        4 實驗與結(jié)果分析

        4.1 實驗數(shù)據(jù)

        為了評估本文模型的有效性,選取美國加利福尼亞州的交通局性能測量系統(tǒng)(Caltrans Performance Measurement System,PeMS)數(shù)據(jù)集進(jìn)行分析,該數(shù)據(jù)集是短時交通流預(yù)測最常用的數(shù)據(jù)集。PeMS系統(tǒng)通過布設(shè)在道路上的各種傳感器,包括感應(yīng)線圈探測器、高頻雷達(dá)等,持續(xù)地檢測交通流數(shù)據(jù),并以30 s 一次的頻率向工作站發(fā)送檢測數(shù)據(jù)。這些交通流數(shù)據(jù)(包括交通流量、占有率和速度)被聚合成間隔為5 min的聚合數(shù)據(jù)發(fā)布到網(wǎng)絡(luò)上,供人們出行參考和學(xué)術(shù)研究。本文選取I10高速公路上連續(xù)16個觀測點作為預(yù)測的目標(biāo)站點,觀測點的分布如圖2 所示。以2018 年5 月26 日到2018年7月31日共67天的交通流量作為實驗數(shù)據(jù),并選取前60天的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),后7天的數(shù)據(jù)作為測試數(shù)據(jù)。

        圖3 為 2018 年 6 月 18 日 到 2018 年 7 月 9 日連續(xù)四周每個周一的交通流數(shù)據(jù)折線圖。從圖中可以看出交通流數(shù)據(jù)具有強(qiáng)烈的周相似性,早高峰和晚高峰的時間基本一致,反映了人們在工作日的出行規(guī)律。

        圖3 連續(xù)四個周一的交通流

        4.2 評價指標(biāo)

        本文選用回歸問題最常用的三個評價指標(biāo)來對短時交通流預(yù)測模型進(jìn)行評價,三個指標(biāo)分別是平均絕對誤差(MAE)、均方根誤差(RMSE)和平均絕對百分比誤差(MAPE)。三個指標(biāo)的定義如下所示:

        公式中,Pi表示觀測點的交通流預(yù)測值,F(xiàn)i表示相應(yīng)的交通流真實值,N是預(yù)測值的個數(shù)。MAE、RMSE和MAPE的值越小,表明模型的預(yù)測效果越好。

        4.3 參數(shù)設(shè)置

        本實驗將時間窗口設(shè)置為12,即使用之前60 min的數(shù)據(jù)去預(yù)測未來5 min 的交通流量,周期窗口設(shè)置為13,將前一周相同預(yù)測時刻和該時刻前后各30 min的數(shù)據(jù)作為輔助輸入代表周期特征。本文提出的ACGRU模型主要有5個網(wǎng)絡(luò)參數(shù)需要調(diào)節(jié),分別是CNN層卷積核的個數(shù)m,卷積核的大小s,CNN 的層數(shù)n,GRU 層的隱藏單元數(shù)p,GRU 的層數(shù)q。使用網(wǎng)格搜索對這些參數(shù)尋優(yōu),多次實驗表明CNN 設(shè)置為2 層,每層卷積核個數(shù)設(shè)置為12,卷積核大小設(shè)置為3,GRU 設(shè)置為2層,每層單元個數(shù)設(shè)置為48,在測試集上可以達(dá)到最佳預(yù)測效果。模型訓(xùn)練階段,將批大?。˙atch Size)設(shè)為64,訓(xùn)練輪數(shù)設(shè)為100,采用Adam 優(yōu)化器,學(xué)習(xí)率設(shè)為0.001,使用早停法(Early Stop)防止過擬合。

        4.4 實驗結(jié)果分析

        4.4.1 模型預(yù)測結(jié)果

        本文選取第9號觀測點在7月30日的交通流量進(jìn)行分析,預(yù)測結(jié)果如圖4 所示。從圖中可以看出ACGRU預(yù)測模型具有良好的預(yù)測效果,各個時間點的預(yù)測值與真實值基本吻合,較為準(zhǔn)確地反映了交通流的變化趨勢。

        圖4 第9號觀測點的交通流預(yù)測結(jié)果

        4.4.2 基準(zhǔn)模型比較

        為了比較ACGRU模型的預(yù)測性能,本文選取了已有工作中的五個經(jīng)典預(yù)測模型作為基準(zhǔn)對比模型。五個模型分別是:線性回歸算法LASSO[16]、非線性回歸算法SVR、棧式自編碼神經(jīng)網(wǎng)絡(luò)SAE[17]、卷積神經(jīng)網(wǎng)絡(luò)(CNN)和門控循環(huán)單元(GRU)。其中LASSO是帶有正則項的線性回歸模型,相比傳統(tǒng)的線性回歸模型可以有效防止過擬合。SVR采用徑向基函數(shù)作為核函數(shù),懲罰參數(shù)C設(shè)置為1.0。SAE是由多個隱含層構(gòu)成的深度學(xué)習(xí)模型,不同于傳統(tǒng)的BP網(wǎng)絡(luò),SAE網(wǎng)絡(luò)隱含層的權(quán)重參數(shù)通過預(yù)訓(xùn)練得到,隱含層可以看成對原始數(shù)據(jù)的抽象表示。SAE 在預(yù)訓(xùn)練結(jié)束后,需要加入一個BP 網(wǎng)絡(luò)來實現(xiàn)回歸。

        表1 給出了所有模型的預(yù)測結(jié)果誤差。從該表中可以看出,ACGRU 模型相對其他基準(zhǔn)模型的各類誤差均更小,RMSE指標(biāo)平均降低了9%,相比最好的基準(zhǔn)模型GRU 降低了5%。該結(jié)果表明,本文提出的ACGRU模型的預(yù)測性能相對基準(zhǔn)模型而言有明顯的提高。

        表1 模型預(yù)測性能比較

        為了更加直觀比較模型預(yù)測效果,本文選取預(yù)測性能較好的CNN、GRU 模型來與ACGRU 模型對比。預(yù)測目標(biāo)為4 號觀測點早上8 點到8 點55 分的交通流量。對比結(jié)果如圖5 所示,從圖中可見ACGRU 模型的擬合效果最好。

        圖5 模型預(yù)測結(jié)果對比

        圖6為所有模型對各個觀測點的RMSE指標(biāo)對比,從圖中可見,ACGRU模型在16個觀測點的預(yù)測誤差都比基準(zhǔn)模型低。

        圖6 各個觀測點預(yù)測性能評估

        4.4.3 變體模型比較

        為評估ACGRU 模型各個模塊的有效性,本小節(jié)將ACGRU 模型與其他變體模型相比較,變體模型如下所示。

        (1)ACGRU-nCNN 模型:在 ACGRU 模型基礎(chǔ)上,去掉提取空間特征的卷積層。

        (2)ACGRU-nPeriod 模型:在ACGRU 模型基礎(chǔ)上,去掉周期特征提取模塊。

        (3)ACGRU-nAttention 模型:在ACGRU 模型基礎(chǔ)上,去掉注意力機(jī)制層。

        表2 給出了所有變體模型的實驗結(jié)果。從該表中可以看出,相比三個變體模型,ACGRU模型的各個誤差指標(biāo)均最小,表明ACGRU 模型的各個模塊均有作用,組合在一起可以獲得最好的預(yù)測性能。因為CNN網(wǎng)絡(luò)可以有效提取交通流數(shù)據(jù)的空間特征,所以ACGRU-nCNN模型的預(yù)測效果比ACGRU模型差。對比ACGRU模型和ACGRU-nPeriod 模型可以發(fā)現(xiàn),周期特征可以作為交通流預(yù)測的一個輔助特征,提升預(yù)測準(zhǔn)確率。將ACGRU模型和ACGRU-nAttention模型對比可以發(fā)現(xiàn),引入注意力機(jī)制層可以計算不同時刻交通流特征的重要性,使模型更關(guān)注重要性大的交通流特征,從而提升交通流預(yù)測效果。

        表2 變體模型預(yù)測性能比較

        5 結(jié)束語

        本文提出了一種ACGRU 深度學(xué)習(xí)模型來進(jìn)行短時交通流預(yù)測。該模型利用CNN 和GRU 提取交通流數(shù)據(jù)的時空特征,并在GRU層后面引入注意力機(jī)制層,綜合考慮各個時刻的交通流特征,同時添加周期特征作為輔助模塊來提升預(yù)測性能。實驗結(jié)果表明,ACGRU預(yù)測模型可以有效提升短時交通流預(yù)測的預(yù)測精度,與CNN 模型和GRU 模型相比,誤差評價指標(biāo)MAE 和RMSE值均有明顯降低,其預(yù)測結(jié)果對緩解城市交通壓力有著十分重要的意義。然而,本文預(yù)測的交通流區(qū)域不夠大,以后可以擴(kuò)大研究范圍,采用更加復(fù)雜的路網(wǎng)數(shù)據(jù)進(jìn)行實驗。交通流會受到天氣、交通事故等其他因素的影響,如何利用這些輔助信息來提高預(yù)測精度也是以后的重要研究點。

        猜你喜歡
        交通流量觀測點交通流
        高速公路網(wǎng)連續(xù)式交通量調(diào)查觀測點布設(shè)方法研究
        智能城市(2021年3期)2021-04-12 04:40:50
        基于XGBOOST算法的擁堵路段短時交通流量預(yù)測
        洛陽市老城區(qū)西大街空間形態(tài)與熱環(huán)境耦合關(guān)系實測研究
        綠色科技(2019年12期)2019-07-15 11:13:02
        基于GA-BP神經(jīng)網(wǎng)絡(luò)的衡大高速公路日交通流量預(yù)測
        交通流隨機(jī)行為的研究進(jìn)展
        張掖市甘州區(qū)代表性觀測點地下水位變化特征分析
        路內(nèi)停車對交通流延誤影響的定量分析
        基于升降溫全曲線的鋼筋混凝土梁溫度場分析
        具有負(fù)壓力的Aw-Rascle交通流的Riemann問題
        基于復(fù)合卡和ETC的交通流量采集研究
        欧美日韩另类视频| 亚洲av午夜成人片精品电影| 成人精品视频一区二区| 亚洲人成网7777777国产| 久久亚洲日本免费高清一区| 国产一区二三区中文字幕| 日本道色综合久久影院| 天堂aⅴ无码一区二区三区| 亚洲a∨天堂男人无码| av在线男人的免费天堂| 国产精品妇女一区二区三区| 亚洲 另类 日韩 制服 无码| 日本欧美在线播放| 亚洲综合网中文字幕在线| 精品综合一区二区三区| 亚洲色欲久久久综合网| 亚洲AV无码成人精品区网页| 日本一区二区三区在线观看视频| 欧美疯狂性受xxxxx喷水| 欧美猛男军警gay自慰| 日韩在线视精品在亚洲 | 在线中文字幕乱码英文字幕正常| 亚洲精品黑牛一区二区三区| 北岛玲中文字幕人妻系列 | 亚洲av午夜一区二区三| 一本一道波多野结衣av中文| 国产一区二区三区啪| 香蕉蜜桃av一区二区三区| 色欲欲www成人网站| 97人人超碰国产精品最新o| 国产高清黄色在线观看91| 国产日产桃色精品久久久| 亚洲无亚洲人成网站77777| 国产精品亚洲А∨天堂免下载 | 国产白色视频在线观看| 少妇下面好紧好多水真爽播放| 中国大陆一级毛片| 国产精品自产拍av在线| 中文字幕人乱码中文字幕| 久久99精品国产99久久| 亚洲国产日韩精品综合|