一种基于时间卷积网络的车流量短期预测优化应用方法

本发明涉及车流量预测的技术领域，尤其涉及一种基于时间卷积网络的车流量短期预测优化应用方法。

背景技术：

一般而言，对于交通短期流量的预测模型可以大致分为基于统计的传统模型和基于神经网络的新式模型。由于建立在数学模型之上，在使用单一基于统计的传统模型时，它将具有明确的机理，可解释性良好。然而实际情况的复杂使预测值和实际值的误差较大，精度较低。例如，差分自回归移动平均模型(arimaautoregressiveintegratedmovingaveragemodel)为目前典型的基于统计的传统模型，是公认的交通预测框架。但是，这种类型模型的时间受到其固定时间假设的限制，即在对交通流量预测进行预测时，不考虑时空关系。不可避免地，使用这种方法对交通流量进行短期预测会使准确性降低。

最近的研究结果表明时间卷积网络(tcntemporalconvolutionalnetwork)在进行大规模序列建模任务时优于基线递归架构，如时序动作分割和语音分析与合成，相对于rnns及其变体，在不利用递归架构的情况下，tcns不仅实现了更好的性能，且减少了训练的计算成本。

然而，从实际意义出发，tcn不得不放弃较长时间之前、对预测区间几乎不起作用的数据。这会使tcn忽略很多有较高价值的历史数据。例如，从空间上看，某一地点的车流量长期以来在一固定时间段内的变化趋势保持着极大的相似性，由于这一相似性可以通过长期历史数据捕获，而这正是关注于短期预测的tcn所忽略的；同样，从时间上看，每年的同一时间段，如五一假期，往往也呈现出极为相似的车流量情况。而获取这类具有较高价值的信息，同样依赖于往年长期的历史数据，不幸的是tcn也同样忽略了这一信息。

近年来，注意力机制(attention)在自然语言处理(nlpnaturallanguageprocessing)领域能专注于某些能对结果产生重大影响的输入数据，并取得了很好的训练效果。显然，通过弥补tcn利用时间跨度长或空间相似度高的历史数据能力的缺陷，注意力机制与tcn的有机结合有着广阔前景。

技术实现要素：

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有预测车流量的技术存在的问题，提出了本发明。

因此，本发明解决的技术问题是：传统利用时间卷积网络进行车流量预测的方法，由于放弃了较长时间之前数据，使其忽略很多有较高价值的历史数据信息，因此降低了车流量预测的准确性和效率。

为解决上述技术问题，本发明提供如下技术方案：采集车流量数据信息；对所述数据信息进行预处理，统计车流量的实际值；根据所述实际值构建时间卷积网络，并对所述网络进行训练；将车流量的实时数据输入训练好的所述时间卷积网络，实现对车流量的短期预测。

作为本发明所述的基于时间卷积网络的车流量短期预测优化应用方法的一种优选方案，其中：所述对数据信息进行预处理包括，利用目标检测算法对视频数据进行识别并统计车流量实际值。

作为本发明所述的基于时间卷积网络的车流量短期预测优化应用方法的一种优选方案，其中：所述构建时间卷积网络包括，构建因果卷积网络；在所述因果卷积网络中加入膨胀卷积层和残差卷积层；构建包含因果卷积层以及所述膨胀卷积层、残差层的时间卷积网络；所述时间卷积网络结合注意力机制，使网络专注于输入数据的特征；输入车流量数据，训练所述时间卷积网络模型。

作为本发明所述的基于时间卷积网络的车流量短期预测优化应用方法的一种优选方案，其中：所述构建因果卷积网络包括，利用一维全卷积网络体系结构将任意长度的输入序列映射到长度相同的输出序列，其中每个隐藏层的长度与输入层的长度相同，零填充为添加以保持后续层的长度相同，将输入的序列转化为一个保证时序因果性的被卷积序列。

作为本发明所述的基于时间卷积网络的车流量短期预测优化应用方法的一种优选方案，其中：所述膨胀卷积层包括，一维序列输入和滤波器分别设置为：x∈r、f:{0,...,k-1}→r，所述膨胀卷积层计算在时间t内的交通流量f，其计算公式为：

其中：d为膨胀因子，k为滤波器大小，t-d·i为指示过去的方向。

作为本发明所述的基于时间卷积网络的车流量短期预测优化应用方法的一种优选方案，其中：所述残差卷积层包括，所述残差卷积层即构建残差块，所述残差块定义为：

y＝f(x,wi)+x

其中：y为要考虑的图层的输出向量，函数f(x,wi)为网络需要学习的残差映射，wi为第i层的权重。

作为本发明所述的基于时间卷积网络的车流量短期预测优化应用方法的一种优选方案，其中：所述时间卷积网络包括，在所述时间卷积网络中，将第i层和第j块的激活函数设定为所述时间卷积网络中每层的滤波器fw数量相同，和分别为在时间t时所述膨胀卷积层和残差卷积层的输出，其计算公式如下：

其中：w¹w²为权重参数，和为所述残差网络的权重和偏置项，对各个卷积层的输出结果进行跳跃连接相加，获得t时刻的预测结果。

作为本发明所述的基于时间卷积网络的车流量短期预测优化应用方法的一种优选方案，其中：所述获得t时刻的预测结果包括，在所述跳跃连接中，满足其中是的结果，根据对时间t的结果进行预测，其公式如下：

其中：为权重矩阵，c∈r^c为偏置项。

本发明的有益效果：本发明方法在利用时间卷积网络在处理预测问题时，解决了利用时间跨度长或空间相似度高的历史数据能力的缺陷，提高了短期车流量预测的精度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例提供的基于时间卷积网络的车流量短期预测优化应用方法的基本流程图；

图2为本发明一个实施例提供的基于时间卷积网络的车流量短期预测优化应用方法的膨胀卷积示意图；

图3为本发明一个实施例提供的基于时间卷积网络的车流量短期预测优化应用方法的残差卷积示意图；

图4为本发明二个实施例提供的基于时间卷积网络的车流量短期预测优化应用方法的工作原理示意图；

图5为本发明三个实施例提供的基于时间卷积网络的车流量短期预测优化应用方法的自回归积分滑动平均模型预测结果与实际车流量对比图；

图6为本发明三个实施例提供的基于时间卷积网络的车流量短期预测优化应用方法的gru神经网络预测结果与实际车流量对比图；

图7为本发明三个实施例提供的基于时间卷积网络的车流量短期预测优化应用方法的长短期记忆网络预测结果与实际车流量对比图；

图8为本发明三个实施例提供的基于时间卷积网络的车流量短期预测优化应用方法的本发明预测结果与实际流量对比图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～3，为本发明的一个实施例，提供了一种基于时间卷积网络的车流量短期预测优化应用方法，包括：

s1：采集车流量数据信息。其中需要说明的是，

采集到的车流量数据为视频数据，由智能路灯、智能信号灯及其他路面设施的摄像头捕获。

s2：对数据信息进行预处理，统计车流量的实际值。其中需要说明的是，

对数据信息进行预处理包括，利用目标检测算法(yolo)对视频数据进行识别并统计车流量实际值。

s3：根据实际值构建时间卷积网络，并对网络进行训练。其中需要说明的是，

构建时间卷积网络包括，

构建因果卷积网络；

在因果卷积网络中加入膨胀卷积层和残差卷积层；

构建包含因果卷积层以及膨胀卷积层、残差层的时间卷积网络；

时间卷积网络结合注意力机制，使网络专注于输入数据的特征；

输入车流量数据，训练时间卷积网络模型。

进一步的是，构建因果卷积网络包括，利用一维全卷积网络体系结构将任意长度的输入序列映射到长度相同的输出序列，其中每个隐藏层的长度与输入层的长度相同，零填充为添加以保持后续层的长度相同，将输入的序列转化为一个保证时序因果性的被卷积序列。

参照图2，膨胀卷积层包括，膨胀卷积层能够使接收场成指数增长，一维序列输入和滤波器分别设置为：x∈r、f:{0,...,k-1}→r，膨胀卷积层计算在时间t内的交通流量f，其计算公式为：

其中：d为膨胀因子，k为滤波器大小，t-d·i为指示过去的方向，其中膨胀因子为每两个相邻的过滤器之间的固定步长，并且膨胀的膨胀因子d＝1的卷积实际上是一个规律卷积，tcn的接收场由膨胀因子调整，在本发明的框架中，随着网络的深度d呈指数调整，从而增加感受野，因此，最高级别的输出能够代表更大范围的输入，同时，过滤器大小k也可以调整以增加tcn的感受野。

参照图3，构建残差卷积层包括，残差卷积层包含一个分支，引出系列变换系列f，将单次运算后的x序列加上f(x)，并将新的x序列作为新一轮运算的输入，在残差卷积层中，tcn有两个权重层，本发明使用整流线性单元(relurectifiedlinearunit)将其连接，同时为了增加模型的泛化能力和鲁棒性，增加模型的训练效率，防止梯度消失，在最后增加了dropout层，残差卷积层即构建残差块，残差块定义为：

y＝f(x,wi)+x

其中：y为要考虑的图层的输出向量，函数f(x,wi)为网络需要学习的残差映射，wi为第i层的权重。

完整时间卷积网络包括：一系列区块，每个块包含一个卷积层序列，每层都由膨胀卷积复合而成，并且膨胀卷积层与一个膨胀因子d和一个非线性激活函数f(.)关联，同样，残差层也被添加到每个膨胀卷积中，以保证不会出现梯度爆炸或梯度消失。

更进一步的是，在时间卷积网络中，将第i层和第j块的激活函数设定为时间卷积网络中每层的滤波器fw数量相同，和分别为在时间t时膨胀卷积层和残差卷积层的输出，其计算公式如下：

其中：w¹w²为权重参数，和为残差网络的权重和偏置项，对各个卷积层的输出结果进行跳跃连接相加，获得t时刻的预测结果，在跳跃连接中，满足其中是的结果，根据对时间t的结果进行预测，其公式如下：

其中：为权重矩阵，c∈r^c为偏置项。

s4：将车流量的实时数据输入训练好的时间卷积网络，实现对车流量的短期预测。其中需要说明的是，

对车流量的短期预测包括，利用目标检测算法统计车流量数据，并将其输入时间卷积网络模型，使用sklearn，tensorflow等库对模型进行训练，获得预测区间的车流量预测值。

实施例2

参照图4，为本发明的第二个实施例，与第一个实施例不同的是，本实施例提供了本发明的部署方案。

部署方案涉及3个信息处理主体(摄像头、下位机、上位机)与4个示例信息使用主体(下位机、城市交通管理系统、导航软件、用户)间的信息传输与信息交互。

其中需要进行说明的是，将摄像头采集到的车流量数据实时传输至上位机，上位机对拍摄到的车流量数据进行分析，对车流量实现短期预测，并且将预测到的结果传输至下位机，下位机具有对其他设备的控制能力，其他设备包括路灯、红绿灯等路面设备，便于进行城市交通的管理，进一步的是，采集车流量数据的摄像头直接安装在下位机。

在下位机的应用中，下位机本身不与外界相连，上位机得到的预测数据可以在下位机控制的小范围内进行适时调整，以智能路灯和智能红绿灯为例，对于智能路灯，为了应对未来可能突然增多的车流量，下位机可以控制电压输出以调整灯光亮度，提前确保道路亮度达标，减少发生交通意外的可能；对于智能红绿灯，在节假日、早晚高峰等车流量变化大的时间段，可以对红灯绿灯的时长进行调整，并保持一个较高的交通运行效率，减少了如十字路口一个方向车辆积压一个方向空无一人的情况。

在城市交通管理系统的应用中，本发明为城市交通系统提供了一种新的信息来源途径，并有助于提升城市交通系统的效率，在对所有路段进行采集车流量数据装置的部署后，上位机每过一个单位时间把这个时间段的实际车流量和下个时间段的预测车流量上传到城市交通管理系统，一方面帮助统计城市车流量的历史情况，方便对数据进行分析；一方面根据预测的车流量，可对未来车流量过大的地段通过广播等方式进行人为预警，避免或减轻本可能发生的拥堵。

在导航软件、用户的应用中，通过导航软件，普通居民也可以通过本发明获益，将本发明对所有路段进行部署后，上位机每过一个单位时间把这个时间段的实际车流量和下个时间段的预测车流量上传到导航软件后台，经过可视化处理后，将预测的车流量信息应用于可以访问的导航客户端，便于用户了解所需的交通信息，并且依据预测数据，导航软件可以更为精确地预测路程时间，让用户获得更好的使用体验。

实施例3

参照图5～8，为本发明另一个实施例，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

为了验证本发明的有益效果，从英国roadtraffic网站中，提取有关英国高速公路上主干道和次干道路交通流量的统计数据，收集过去18年的34,416个手动计数点的道路交通统计信息的数据作为预测模型的训练数据，选取gru神经网络、长短期记忆网络(lstm)以及自回归积分滑动平均(arima)模型，与本发明的预测模型进行对比，利用python将收集到的数据输入四个预测模型中进行训练，所得到的训练结果如下图5～8所示，分别为arima模型、gru模型、lstm模型以及本发明与实际数据的对比。

从图中可以看出，本发明方法的所得的预测车流量曲线以及其他三个模型所得的预测车流量曲线与实际车流量曲线相比，本发明的预测模型曲线与实际曲线最为相近，从数值上来看，本发明预测的准确率达到95％，高于其他模型，并且其均方误差和平均绝对误差也小于其他模型，因此可以证明本发明模型具有较高的预测精度，可以作为预测车流量的有利工具。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。