基于WT-SLSTM模型的交通流预测研究.pdf
《基于WT-SLSTM模型的交通流预测研究.pdf》由会员分享,可在线阅读,更多相关《基于WT-SLSTM模型的交通流预测研究.pdf(5页珍藏版)》请在咨信网上搜索。
1、交通工程Aug.2023年8 月Shanxi Science&Technology of TransportationNo.4第4期(总第2 8 3期山西交通科技基于WT-SLSTM模型的交通流预测研究张瑞,席一丹,白惠君,周晓渊,韩峰宇(太原工业学院,山西太原030008)摘要:随着机动车保有量的增加,交通问题逐渐成为城市管理中的重要议题。尤其是交通事故频繁发生,给社会带来了巨大的安全隐患和经济损失。为了减少交通事故的发生率,学者们对交通流预测进行了深入研究。虽然传统的交通流预测取得了一定的成果,但其预测精度和预测滞后等问题仍然存在。为了解决这些问题,采用小波变换和堆叠式长短时记忆模型相结合
2、的WT-SLSTM(W a v e l e tTransform and Stacked LongShortTermMemory)模型,对北京市出租车车流量进行了分析预测。结果表明,WT-SLSTM模型在预测精度和拟合程度等方面都优于基准模型。因此,WT-SLSTM模型可以更好地对交通流进行预测,有助于交通部门对大流量路段的车辆管控,从而减少交通事故的发生,为构建智慧交通做出贡献。关键词:小波变换(WT);堆叠式长短时记忆(SLSTM)模型;交通流预测;LSTM模型中图分类号:U491.14文献标识码:A文章编号:10 0 6-352 8(2 0 2 3)0 4-0 12 9-0 5Resea
3、rch on Traffic Flow Forecast Based on WT-SLSTM ModelZHANG Rui,XI Yidan,BAI Huijun,ZHOU Xiaoyuan,HAN Fengyu(Taiyuan Institute of Technology,Taiyuan,Shanxi 030008,China)Abstract:As Chinas car parc increases,traffic has gradually become an important issue in urbanmanagement,especially the frequent traf
4、fic accidents that bring enormous safety endanger and economic lossto the society.Scholars have deeply studied the traffic flow forecast to reduce the incidence of trafficaccidents and have made certain progress,however,there still exist problems such as forecasting inaccuracyand lag.On this basis,t
5、his paper adopted the Wavelet Transform and Stacked Long Short Term Memory(WT-SLSTM)model to analyze and forecast the taxi traffic flow in Beijing City.The results showed that theaccuracy and fitting degree of the WT-SLSTM model was superior to that of the master model.Therefore,theWT-SLSTM model co
6、uld well forecast the traffic flow,which is conducive to the transportation departmentmanaging and controlling high-volume road vehicle traffic,further reducing traffic accidents and contributingto constructing intelligent transportation.Key words:wavelet transform(WT);stacked long short term memory
7、(SLSTM)model;traffic flowforecast;LSTM model0引言交通事故是一种严重的公共安全问题,对人民生命财产安全和社会稳定造成了巨大的影响。在当前交通管理的实践中,交通流预测是实现交通管控和优化交通系统运行的关键技术之一。交通流是指一定时间收稿日期:2 0 2 3-0 3-10;修回日期:2 0 2 3-0 4-12作者简介:张瑞(19 8 9 一),女,山西长治人,讲师,理学硕士,2 0 15年毕业于中国海洋大学统计学专业;席一丹(2 0 0 3一),女,河北邯郸人,太原工业学院本科在读;白惠君(2 0 0 1一),女,山西大同人,太原工业学院本科在读;周晓
8、渊(2 0 0 2 一),女,山西运城人,太原工业学院本科在读;韩峰宇(2 0 0 2 一),男,山西晋中人,太原工业学院本科在读。基金项目:山西省科技厅应用基础研究青年项目(2 0 2 2 0 30 2 12 12 336);太原工业学院大学生创新训练项目(CK2022259)1302023年第4期山西交通科技内通过道路或交通网络的车辆数量、速度和密度等交通参数的总体表现。通过对交通流进行预测,可以为路线规划、交通管理等方面提供决策支持。自2 0 世纪开始,部分国家开始投人大量精力对交通管控技术进行研究,于是,交通流预测的各种模型也就应运而生。目前,常用的预测模型主要包括传统统计学模型、机器
9、学习模型、深度学习模型。传统统计学模型应用于交通流时间较早,包括时间序列模型(Time-Series Model)、卡尔曼滤波模型(Kalman FilteringModel)等。徐翠翠等人使用ARIMA模型进行城市交叉路口交通流预测建模,该模型能够准确地预测早高峰和晚高峰时段的交通流。为了提高交通流预测的准确性,杨紫煜等人2 提出了一种新的方法,根据卡尔曼滤波理论,利用重构后的相位作为卡尔曼滤波的初始值进行预测。然而,由于统计学模型依赖于先验知识设定模型的参数,其算法结构相对简单,不能够深人挖掘交通流的深层次特征信息。与此相比,机器学习模型在处理非线性、非平稳序列方面具有优势。何祖杰等人3
10、提出了一种基于IGWO-SVM的短期交通流预测模型,通过与实际数据进行对比分析,结果表明该模型具有良好的预测能力。深度学习是现在研究的焦点,自2 0 10 年以来热度增长迅速。深度学习模型应用于许多领域,包括空气污染预测 4、股票市场预测 5、物理 6 等。循环神经网络模型(RecurrentNeural Network,简称RNN)7在序列预测任务中取得了显著的成绩。Hochreater和Schmidhu-ber8提出了长短期记忆(LongShorttermMemory,简称LSTM)神经网络来解决RNN的梯度爆炸和梯度消失问题。李雪梅等人9 使用基于双向长短期记忆网络(Bi-directi
11、on Long Short Term Memory,简称Bi-LSTM)的预测模型利用雨天和非雨天、工作日和非工作日影响因子分别对交通流进行预测,并与LSTM进行比较,结果表明Bi-LSTM的预测效果较好。滕腾等人O采用堆叠式长短期记忆网络(StackLongShortTermMemoryNetwork,简称SLSTM)模型对长期状态进行处理。在SLSTM模型中,存在多个隐藏LSTM层,每层包含多个LSTM单元,上层的LSTM结构输出一个隐藏状态序列,输人到下一层结构中,可以更好地捕捉信息。李楷等人II提出了一种SLSTM神经网络来对交通流进行短期预测,结果表明所提出方法优于常用的机器学习和经
12、典的LSTM方法。然而,交通流的预测受到许多因素的影响。NiamArchana等人12 通过利用过去和当前的交通和天气信息捕捉交通和降雨数据之间的时空相关性,得出降雨对道路交通流预测具有影响。AttallahMustafa等人 131提出了一种实时高分辨率天气雷达数据与交通流数据融合的预测模型,通过与无天气雷达数据模型对比,得出天气因素对交通流预测有较大影响。由于交通流的复杂性和不确定性,预测模型存在着预测精度不高和预测滞后等问题,因此需要寻求更加高效和精确的交通流预测方法,学者们对此问题展开了广泛的研究。刘兵等人14 采用物联网与大数据相结合的模型,提高了预测精度,减小了预测滞后。陆百川等人
13、5 分析了交通流的时空特征和数据特征,建立了空间邻接矩阵;其次,通过时空相关性函数量化不同时间延迟对交通的影响,并结合神经网络构建了交通流预测模型,使预测结果更加精准。尽管交通流预测已经取得了一定的成果,但其预测精度和预测滞后等问题仍然需要提高和改进。为了解决这些问题,本文提出了WT-SLSTM(W a v e l e t T r a n s-form and Stacked Long Short TermMemory)模型。具体而言,首先,采用小波变换将最初的短时交通流分解成在各个尺度空间和小波空间上的时间序列信号;接着,将各个时间序列信号传递到SLSTM神经网络模型中,在调整学习率、滞后时
14、间和批量大小等参数的基础上进行预测;最后,将各信号的预测值进行小波重组,得到最终预测值。为了证明WT-SLSTM模型的优越性,本文对北京市出租车车流量数据进行了预处理,并使用预处理后的数据进行训练和预测;从常用评价指标和折线图两个方面对预测性能进行了比较。试验结果表明,WT-SLSTM模型优于基准模型,极大地提高了交通流预测的精度1模型说明1.1SLSTM模型LSTM神经网络模型是RNN的一种重要变体,由Hochreater和Schmidhuber于19 9 7 年首次提出。相比于传统的RNN模型,LSTM神经网络模型引人了输门At),遗忘门i(t)和输出门o(t),以实现更好的信息处理和传递
15、能力。在神经网络的训练过程中,通过门结构增添和遗忘信息,不同的神经网络可以通过其单元状态上的门结构来选择性地记住或遗忘哪些信息。Jt)、i(t)、o(t)分别对t时刻时上一单元的隐藏状态ht-和当前输人x进行初步特征提取。LSTM模型单元运算包括以下几个步骤:首先,在遗忘门中输人信息并激活函数来选择要丢弃的信息,公式如式(1):f(t)=ow(h-1 x.)+b(1)式中:ht-1,x,作为输人信息;表示激活函数sigmoid函1数,即(x)=1+e*然后,输入门(t)决定哪个状态要更新,将该状态与tanh激活函数所生成的向量c(t)相加,计算公式如131张STM模型的交通流预测研究2023年
16、第4期式(2)式(4):i(t)=ow,(ht-1,x.)+b.(2)c(t)=tan hw(hr-1,x,)+b.(3)c(t)=f(t)c(t-1)+i(t)c(t)(4)结合当前记忆c(t)和长期记忆c(t-1),形成了新的单元状态。其中tanh表示正切双函数,即tanh(x)=2最后,输出门产生最终输出,计算公式如式(5)式(6):o(t)=gW.(+6(5)h(t)=o(t)tanhc(t)(6)式中:W、W、W。W.表示遗忘门、输人门、输出门和记忆单元的权重系数矩阵;b,、b、b。、b.表示遗忘门、输人门、输出门和记忆单元的偏置条件。1.2SLSTM模型在2 0 15年,Dyer等
17、学者16 提出了SLSTM模型,该模型是LSTM模型的改进形式,由多个LSTM层和一个Softmax函数组成。由于单一的LSTM神经网络在提取时间序列数据方面的能力有限,所以通常将多个LSTM单元组合起来进行训练以提高模型的精度。随着层数的增加,输入观察时间的抽象级别也增加。此外,多个LSTM单元的输人值和输出值之间仅有一些微小的区别,在本质上仍然是一致的。相比于传统的LSTM,SLSTM不仅考虑当前时刻的输人值,还考虑了上一时刻的输入值。因此,SLSTM模型的隐藏层更加深人,比LSTM内部的记忆单元更有助于预测。其3层时序结构如图1所示。时间图13层LSTM时序结构1.3小波变换小波变换是一
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 WT SLSTM 模型 通流 预测 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。