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

        ?

        基于經(jīng)驗?zāi)B(tài)分解和長短期記憶神經(jīng)網(wǎng)絡(luò)的短期交通流量預(yù)測

        2021-01-21 03:23:32張曉晗馮愛民
        計算機應(yīng)用 2021年1期
        關(guān)鍵詞:交通流量殘差交通

        張曉晗,馮愛民,2*

        (1.南京航空航天大學計算機科學與技術(shù)學院,南京 210000;2.南京航空航天大學人工智能學院,南京 210000)

        0 引言

        隨著社會經(jīng)濟發(fā)展,私家車和人均汽車保有量激增,交通擁堵問題日益嚴重,交通管理部門面對當前交通壓力,提出兩種有效解決方案:其一,可通過擴大車道數(shù)量以增大道路汽車容量。但由于額外的土地成本和政府巨額支出,通常在許多地區(qū)并不可行?;诖耍褂昧髁靠刂撇呗砸杂行Ю矛F(xiàn)有道路網(wǎng)絡(luò)成為主要技術(shù)手段,不僅開支較低且多數(shù)情況下均可行,因此更為實用。本文提出一種流量控制策略以合理分配交通資源,從而節(jié)省時間并避免交通擁堵。

        本文的主要工作如下:

        1)長短期記憶神經(jīng)網(wǎng)絡(luò)解決了數(shù)據(jù)長期依賴問題,通過尋找長短期記憶(Long Short-Term Memory,LSTM)神經(jīng)網(wǎng)絡(luò)最優(yōu)參數(shù),可提高交通時序數(shù)據(jù)預(yù)測準確性;

        2)將原始交通數(shù)據(jù)流經(jīng)過經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)降噪,降低交通數(shù)據(jù)噪聲對預(yù)測的影響;

        3)應(yīng)用在實際交通數(shù)據(jù)集的實驗結(jié)果表明提出的EMDLSTM算法可有效提高交通數(shù)據(jù)預(yù)測精度。

        1 相關(guān)工作

        目前,基于流量控制策略人們提出了大量的流量預(yù)測模型,以關(guān)注不同模型結(jié)構(gòu)的預(yù)測性能,它們可以分為兩類:參數(shù)方法和非參數(shù)方法。參數(shù)方法包括歷史平均值[1]、灰色預(yù)測模型[2]、指數(shù)平滑方法[3]、卡爾曼濾波方法[4-6]、自回歸綜合移動平均值(AutoRegressive Integrated Moving Average,ARIMA)[7]模型、季節(jié)性自回歸綜合移動平均值(Seasonal AutoRegressive Integrated Moving Average,SARIMA)[8]、多元時間序列模型[9-10]、頻譜分析[11-12]和結(jié)構(gòu)時間序列模型[13]等。而非參數(shù)模型包括人工神經(jīng)網(wǎng)絡(luò)(Artificial Neutral Network,ANN)[14]、非參數(shù)回歸模型[15]、模糊邏輯系統(tǒng)方法[16-17]、支持向量回歸(Support Vector Regression,SVR)[18-20]等。這些算法在某些特定應(yīng)用中表現(xiàn)出高性能,然而也各自有局限性,比如當交通狀況急劇變化時,歷史平均方法在應(yīng)對意外事件方面具有關(guān)鍵缺陷;卡爾曼濾波方法容易產(chǎn)生過沖,從而降低預(yù)測精度值。非參數(shù)法中如劉明宇等[21]、羅文慧等[22]基于深度學習的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),交叉驗證法了非參數(shù)模型的預(yù)測性能,具有較高的精準度。而非參數(shù)模型采用未指定數(shù)量的參數(shù)來隱式存儲交通數(shù)據(jù)的微妙方面,由于運輸系統(tǒng)的外部環(huán)境復雜以及交通系統(tǒng)時空變化的不確定性,從檢測器收集的原始交通數(shù)據(jù)可能會受到一些不可觀察的因素干擾,這些干擾,稱之為噪聲,非參數(shù)模型不可避免地包括噪聲,這些噪聲將導致交通流量預(yù)測的可靠性和準確性下降,嚴重影響預(yù)測性能,所以非參數(shù)模型需要更多的時間和計算量來學習最佳參數(shù)。

        因此,原始數(shù)據(jù)增加去噪過程是提高交通流量預(yù)測準確度的有效手段。本文提出了一種短期交通預(yù)測算法稱之為EMD-LSTM,可預(yù)測短期內(nèi)的交通量,經(jīng)驗?zāi)B(tài)分解(EMD)可以幫助確定復雜的非線性時間序列的特征,將原始時間序列信號分解為少量的振蕩模式以達到降噪目的,這些振蕩模式可以表示為某些本征模函數(shù)(Intrinsic Mode Function,IMF)和殘差,IMF 和殘差會保留原始信號的非周期性趨勢以及任何周期性波動。長短期記憶神經(jīng)網(wǎng)絡(luò)在長時間視野預(yù)測方面較其他通用的機器學習算法如ARIMA、ANN 等表現(xiàn)更為突出。

        2 方法及原理

        本章主要介紹實驗方法以及原理,包括經(jīng)驗?zāi)B(tài)分解以及長短期記憶神經(jīng)網(wǎng)絡(luò)。

        2.1 經(jīng)驗?zāi)B(tài)分解(EMD)

        經(jīng)驗?zāi)B(tài)分解(EMD)是一種將瞬時數(shù)據(jù)分解為多個本征模函數(shù)(IMF)和一個殘差r(t)同時獲得瞬時頻率模式的方法,這是Huang 等[23]在1998 年提出的一種時頻分析的自適應(yīng)方法。EMD 不僅突破了傅里葉變換的局限性,而且在確定小波基函數(shù)時避免了小波變換的主要問題。EMD 具有良好的時頻分辨率和適應(yīng)性,能夠完美地重建原始信號,同時具有突出信號中可能忽略的精細結(jié)構(gòu)的潛力。在噪聲抑制方面,EMD可以在將包含噪聲的信號分解后,將噪聲和有效信號分離為不同的本征模式函數(shù)和殘差,IMF 分量反映了原始時間序列的不同時間尺度的振蕩特性,殘差反映了原始數(shù)據(jù)的長期趨勢。也可以通過合理選擇IMF來重構(gòu)信號來達到消除噪聲的目的。分解后的IMF與原始交通數(shù)據(jù)序列相比具有更強的規(guī)律性,去除了一定噪聲影響。EMD 已應(yīng)用于圖像分析[24]、短期負荷數(shù)據(jù)降噪[25]、變速箱故障診斷[26]等許多領(lǐng)域,經(jīng)驗?zāi)B(tài)分解方法完全基于順序數(shù)據(jù)的固有信息,不同于傅里葉變換以及小波變換,該方法無需任何預(yù)定義的模式,并由于其具有數(shù)據(jù)自適應(yīng)功能而取得了巨大的成功。EMD 方法可以處理分析非線性、非平穩(wěn)數(shù)據(jù),這對于探索交通預(yù)測模型的隱藏時間序列關(guān)系起了至關(guān)重要的作用,該方法有助于揭示復雜的非線性時間序列的特征。IMF由以下步驟確定。

        對于原始時序數(shù)據(jù)x0(t),根據(jù)其上下極值點,分別確定其上包絡(luò)線u0(t)和下包絡(luò)線l0(t),如圖1所示。

        圖1 原始信號的上下包絡(luò)線Fig.1 Upper and lower envelopes of original signal

        a)平均包絡(luò)線m0(t)是上包絡(luò)線與下包絡(luò)線的平均值,通過計算原始數(shù)據(jù)x0(t)和平均包絡(luò)線m0(t)的差異,得出第一個IMF,即c0(t)以及第一個殘差r0(t)。

        b)殘差r0(t)將會作為下一輪的原始數(shù)據(jù),返回式(1)、(2)計算,得到一系列殘差,如式(4)所示,原始數(shù)據(jù)將被分解成一系列IMF和一個殘差rn:

        2.2 長短期記憶神經(jīng)網(wǎng)絡(luò)

        LSTM 神經(jīng)網(wǎng)絡(luò)是一種特殊類型的遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)架構(gòu),以解決長期依賴問題。LSTM神經(jīng)網(wǎng)絡(luò)在確定時間序列之間的影響的基礎(chǔ)上,在長時間預(yù)測方面比其他非參數(shù)模型表現(xiàn)更好。長短期記憶神經(jīng)網(wǎng)絡(luò)引入了三個門來控制和保護存儲單元中的信息。門定義為輸入門、輸出門和遺忘門,每個門的狀態(tài)由變量通過梯度下降的訓練來控制。LSTM模型中的每個門都有獨特的功能,遺忘門以一定的概率控制是否遺忘上一層的細胞狀態(tài)h(t-1),而輸入和輸出門控制輸入數(shù)據(jù)的流動方向。yt的每個輸出都取決于外部輸入xt和前單元細胞的輸出yt-1,圖2 為LSTM 細胞單元更新詳細過程。式(5)列出了LSTM 更新公式,運算符和×和+表示矩陣與元素的乘法和加法,Wi(i=f,h,u,o)是Ri(i=f,h,u,o) 對應(yīng)門的權(quán)重度量,相應(yīng)偏差是bi(i=f,h,u,o)。

        圖2 LSTM細胞單元更新詳細過程Fig.2 Detailed process of LSTM cell unit update

        3 EMD-LSTM的預(yù)測模型

        本章將原始數(shù)據(jù)進行了經(jīng)驗?zāi)B(tài)分解,根據(jù)分解得到的IMF以及殘差構(gòu)建了基于EMD-LSTM預(yù)測模型。

        3.1 模型流程及建模過程

        使用圖3 所示的EMD-LSTM 預(yù)測模型,實現(xiàn)步驟如下所示:

        圖3 LSTM-EMD預(yù)測模型Fig.3 LSTM-EMD prediction model

        輸入 原始時序數(shù)據(jù)x0(t)。

        3.2 EMD結(jié)果

        以3 個周期的數(shù)據(jù)為例,原始交替數(shù)據(jù)經(jīng)過EMD 如圖4所示。從圖4 可以看出:IMF1、IMF2、IMF3 頻率較高,為交通數(shù)據(jù)中高頻分量;IMF4、IMF5、IMF6 周期性明顯,為交通數(shù)據(jù)中低頻分量;殘差R為整體變化趨勢,為交通數(shù)據(jù)中的趨勢分量。EMD 分解了3 個周期的交通數(shù)據(jù),表明IMF 比原始數(shù)據(jù)更穩(wěn)定。

        圖4 EMD結(jié)果Fig.4 Results of EMD

        4 實驗分析

        本章主要介紹實驗數(shù)據(jù)集、實驗評價指標、實驗設(shè)置,將參數(shù)法ARIMA 和ANN 與LSTM 分別對比分析,解決數(shù)據(jù)長期依賴問題,將LSTM 與EMD-LSTM 混合模型進行對比預(yù)測,并在不同時間步中分析預(yù)測結(jié)果。

        4.1 實驗數(shù)據(jù)集

        本實驗使用加利福尼亞州所有高速公路交通數(shù)據(jù)集,如圖5 所示,其中包含部分路段2000 年至今近20 年的流量監(jiān)測數(shù)據(jù)。該數(shù)據(jù)集由加州Caltrans 性能測量系統(tǒng)(PeMS)每30 s實時采集一次,截止目前該系統(tǒng)在加州各大城市的高速公路上部署了約4.5 萬個探測器。數(shù)據(jù)集提供聚合以后的5 min粒度的數(shù)據(jù),主要字段包括流量、速度、占有率等,也包含傳感器站的地理信息。

        圖5 加利福尼亞交通數(shù)據(jù)集Fig.5 California traffic dataset

        數(shù)據(jù)集部分特征值如表1 所示,時間一列記錄間隔開始的日期和時間,例如,時間08:00:00 表示聚合包含在08:00:00和08:04:59之間收集的數(shù)據(jù)信息;方向一列代表公路的方向;道路類型一列表示公路類型,比如ML(Mainline)表示主干道,OR(On Ramp)表示斜道等;車流量一列表示5 min 內(nèi)所有車道的流量總和;車道平均占用率一列表示所有車道的平均占用率,取值為0 到1 之間;平均速度一列表示所有車道在5 min內(nèi)的流量加權(quán)平均速度。

        表1 實驗數(shù)據(jù)集部分特征值Tab.1 Some engenvalues of experimental dataset

        4.2 實驗評價評價指標

        1)平均絕對誤差(Mean Absolute Error,MAE)。平均絕對誤差能更好地反映預(yù)測值誤差的實際情況,公式如下:

        其中:fi為預(yù)測值,yi為真實值。

        2)平均絕對百分誤差(Mean Absolute Percentage Error,MAPE):范圍為[0,+∞),MAPE 越小表示模型效果越好。公式如下:

        其中:fi為預(yù)測值,yi為真實值。MAPE 只比MAE 多個分母,MAE考量絕對誤差,MAPE考量相對誤差。

        4.3 實驗設(shè)置

        當使用1 h 的交通數(shù)據(jù)預(yù)測時間步長為1 即5 min 后的交通流量時,表2顯示了LSTM 神經(jīng)網(wǎng)絡(luò)使用不同數(shù)量的層和神經(jīng)單元個數(shù)時訓練集以及測試集不同MAPE,可以得出,采用如圖6所示的LSTM 神經(jīng)網(wǎng)絡(luò)(每層有32個神經(jīng)單元的3層網(wǎng)絡(luò))能夠在訓練集上產(chǎn)生非常低的誤差,再持續(xù)增加層數(shù)和神經(jīng)元只會改善訓練集的精度,不僅不會提高測試數(shù)據(jù)的性能,還會增加算法時間復雜度,增加模型訓練時長。為了提高測試數(shù)據(jù),采用Dropout為正則化方法,優(yōu)化器使用RMSProp[27],損失函數(shù)使用可使模型有效收斂的MSE 指標,其余參數(shù)包括學習速率等使用默認參數(shù),迭代1 000次得到訓練模型。數(shù)據(jù)集70%用于訓練數(shù)據(jù),30%用于測試。

        當輸入為12 維、步長為1 的LSTM 最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

        圖6 步長為12的LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 LSTM neural network structure with step size of 12

        4.4 實驗結(jié)果

        首先解決交通數(shù)據(jù)長期依賴的問題。為了比對預(yù)測結(jié)果,此處選用了參數(shù)法ARIMA 和非參數(shù)法ANN 與LSTM 進行交通流量預(yù)測,而考慮到實際應(yīng)用場景,這里使用1 h 的流量數(shù)據(jù)分別預(yù)測5 min后以及1 h后的流量,結(jié)果如表3所示。

        表3 ARIMA、ANN、LSTM交通流量預(yù)測結(jié)果對比Tab.3 Comparison of ARIMA,ANN,LSTM traffic flow prediction results

        如實驗結(jié)果可見,在預(yù)測5 min的交通時序數(shù)據(jù)上,LSTM算法的MAE 比ARIMA 以及ANN 的分別低了2.802 19 和0.042 53,MAPE 比ARIMA 以及ANN 的分別低了3.613 48 個百分點和0.106 個百分點;在預(yù)測1 h 的交通時序數(shù)據(jù)上,LSTM 算法的MAE 比ARIMA 以及ANN 的分別低了4.030 49和0.069 4,MAPE比ARIMA以及ANN的分別低了5.323 08個百分點和0.143 75 個百分點。ARIMA 算法較為適用于穩(wěn)定交通流量預(yù)測,當有外界干擾導致數(shù)據(jù)不穩(wěn)定時會使預(yù)測準確率降低,非參數(shù)法比參數(shù)法性能更好;LSTM 比ANN 算法預(yù)測精度更高,而且在長時預(yù)測中較ANN表現(xiàn)也更為突出。

        進一步降低交通數(shù)據(jù)集的噪聲影響,將2019 年1 月份數(shù)據(jù)的70%作為的訓練集,30%作為測試集,進行EMD 得到9個IMF和1個殘差,一共10個分量分別進行預(yù)測,使用12 h的數(shù)據(jù)預(yù)測1 h 后的交通數(shù)據(jù),最后進行結(jié)果重構(gòu)。其中1 d 后的預(yù)測結(jié)果如圖7所示,實驗得到的預(yù)測指標如表4所示。

        圖7 LSTM與EMD-LSTM預(yù)測結(jié)果Fig.7 Prediction results of LSTM and EMD-LSTM

        表4 各算法交通流量預(yù)測效果對比Tab.4 Comparison of prediction effects of different algorithms

        圖7 可以看出,本文所提出的EMD-LSTM 模型的預(yù)測曲線更接近于原始交通曲線。在噪聲影響較多的時間段(圖中23:00~5:00)的預(yù)測準確性遠遠高于單一模型。在表4 中,將通過降噪處理以及未降噪模型進行對比分析,總體精度性能從表4 中可以明顯看出,EMD-LSTM 的MAE 比LSTM 低了1.916 32,EMD-LSTM 的MAPE 比LSTM 降低了4.645 45 個百分點,混合模型的預(yù)測效果明顯優(yōu)于單個LSTM神經(jīng)網(wǎng)絡(luò)。

        進一步研究表明,通過重構(gòu)結(jié)果即去除部分本征函數(shù)IMF的影響,如表4所示可進一步提高預(yù)測精度,實驗證明,去除IMF1和IMF2的效果是最好的,比全預(yù)測結(jié)果重構(gòu)的MAPE降低了0.368 08個百分點,而僅去除IMF2之后的任何一個本征模函數(shù)都沒有全IMF 預(yù)測重構(gòu)預(yù)測精度高,如圖8 所示。實驗表明EMD 方法將含有噪聲的數(shù)據(jù)分成單獨的IMF 并確定實時序列的總體趨勢,降低了交通數(shù)據(jù)噪聲對預(yù)測的影響,從而有效地提高了預(yù)測性能和模型的魯棒性。

        最后為了驗證預(yù)測模型在不同時間步中的表現(xiàn),使用12 h 的數(shù)據(jù)分別預(yù)測1 h 后、24 h 后以及48 h 后的交通數(shù)據(jù),結(jié)果如表5所示。

        實驗結(jié)果所示,準確性隨著預(yù)測時長增加而降低,EMDLSTM 混合模型的表現(xiàn)均比LSTM 好,在短期(1 h)預(yù)測上性能提升最明顯,較中長期(24 h、48 h)的預(yù)測準確性雖有提升,但是不明顯。兩個不同的預(yù)測時間尺度之間的比較表明,雖然LSTM神經(jīng)網(wǎng)絡(luò)可以最大限度地提高原始數(shù)據(jù)的準確性,可解決所預(yù)測數(shù)據(jù)依賴長期的具有時序性輸入的問題,但是在短期預(yù)測上比長期預(yù)測的準確率要高。

        圖8 各算法交通流量預(yù)測效果對比Fig.8 Comparison of prediction effects of different algorithms

        表5 不同時間步的交通數(shù)據(jù)預(yù)測效果對比Tab.5 Comparison of prediction effects of traffic data with different time steps

        5 結(jié)語

        本文提出了EMD-LSTM 模型,解決了交通數(shù)據(jù)長期依賴的問題,LSTM在長時間視野預(yù)測方面較參數(shù)法以及其他人工智能方法表現(xiàn)更為突出。對于高度不穩(wěn)定的交通流量分布,引入降噪算法EMD,以便在進行預(yù)測之前將原始交通數(shù)據(jù)分解為更多固定的分量,這使原始時間序列信號分解為固定的振蕩模式以達到降噪目的,因此只需分別這些分量構(gòu)建合適預(yù)測模型,重構(gòu)最終預(yù)測結(jié)果。研究結(jié)果表明,將原始交通數(shù)據(jù)降噪后分別進行預(yù)測,預(yù)測精度明顯優(yōu)于為降噪處理的單一模型。但是準確性隨著預(yù)測時長增加而降低,短期預(yù)測的效果最優(yōu)。未來工作將考慮如何優(yōu)化對于中長期的預(yù)測,并且本文研究只考慮了數(shù)據(jù)的時序性,并沒有考慮交通數(shù)據(jù)的空間性,未來工作將考慮如何加入空間性進一步提高預(yù)測精度。

        猜你喜歡
        交通流量殘差交通
        基于雙向GRU與殘差擬合的車輛跟馳建模
        繁忙的交通
        童話世界(2020年32期)2020-12-25 02:59:14
        基于殘差學習的自適應(yīng)無人機目標跟蹤算法
        基于XGBOOST算法的擁堵路段短時交通流量預(yù)測
        基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
        自動化學報(2019年6期)2019-07-23 01:18:32
        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
        小小交通勸導員
        平穩(wěn)自相關(guān)過程的殘差累積和控制圖
        河南科技(2015年8期)2015-03-11 16:23:52
        基于復合卡和ETC的交通流量采集研究
        MLFF系統(tǒng)在交通流量控制中的應(yīng)用
        777米奇色狠狠俺去啦| 白白白色视频在线观看播放| 国产av剧情久久精品久久| 亚洲人成电影网站色| 精品国产三级a∨在线观看| 日韩在线观看网址| 人妻少妇偷人精品视频| av无码小缝喷白浆在线观看| 中文字幕无码不卡一区二区三区| 久久久久久久一线毛片| 偷窥偷拍一区二区三区| 国产午夜精品无码| 毛茸茸的中国女bbw| 99re国产电影精品| 成人一区二区三区激情视频| 国产精品久久久久高潮| 国产av无码专区亚洲av手机麻豆| 中文字幕日韩精品美一区二区三区| av在线播放免费网站| 免费成人在线电影| 99热成人精品免费久久| 18禁成人免费av大片一区| 日本在线视频www色| 国产无遮挡裸体免费视频| 国产精品日日摸夜夜添夜夜添 | 国产自拍在线观看视频| 国产乱人激情h在线观看| 日韩中文网| 淫秽在线中国国产视频| 久久亚洲精品国产亚洲老地址| 疯狂做受xxxx高潮欧美日本| 国产裸体AV久无码无遮挡| 91久久偷偷做嫩模影院| 国产精品综合一区二区三区| 无码一区二区三区在线在看| 视频区一区二在线观看| 成人免费a级毛片| 99国产免费热播视频| 亚洲男人的天堂色偷偷| 中文字幕精品一区二区精品| 亚洲在AV极品无码天堂手机版 |