基于深度学习的节假日高速公路交通流预测方法

doi:10.16182/j.issn1004731x.joss.19-0565

系统仿真学报 ›› 2020, Vol. 32 ›› Issue (6): 1164-1171.doi: 10.16182/j.issn1004731x.joss.19-0565

基于深度学习的节假日高速公路交通流预测方法

戢晓峰^1,2, 戈艺澄^1,2

1. 昆明理工大学交通工程学院，云南昆明 650504;
2. 云南综合交通发展与区域物流管理智库，云南昆明 650504

收稿日期:2019-10-08 修回日期:2020-01-07 出版日期:2020-06-25 发布日期:2020-06-25
作者简介:戢晓峰(1982-)，男，湖北随州，博士，教授，博导，研究方向为交通运输规划与管理等。
基金资助:
国家自然科学基金(71563023)，云南省院省校合作研究项目(SYSX201611)

Holiday Highway Traffic Flow Prediction Method Based on Deep Learning

Ji Xiaofeng^1,2, Ge Yicheng^1,2

1. School of Traffic Engineering, Kunming University of Science and Technology, Kunming 650504, China;
2. Yunnan Integrated Transportation Development and Regional Logistics Management Think Tank, Kunming 650504, China

Received:2019-10-08 Revised:2020-01-07 Online:2020-06-25 Published:2020-06-25

摘要/Abstract

摘要： 准确的预测节假日期间高速公路交通流量，能够为节假日高速公路应急管理提供重要的数据基础。利用深度学习的理论框架建立了LSTM-SVR 预测模型，利用BP 神经网络对样本数据进行处理，再将LSTM 捕获的数据特征输入SVR 回归层中实现交通流预测。选取“ 十一” 黄金周前后时段，利用位于丽江市的交调站流量监测数据对LSTM-SVR 模型进行验证，并将LSTM-SVR 模型与其它模型预测效果进行对比。发现LSTM-SVR 模型在节假日不同时段、天气、流量状态下的高速公路交通流预测中有较好的适用性。

关键词: 交通工程, 节假日交通流预测, 深度学习, LSTM-SVR, 高速公路交通流

Abstract: Accurately predicting highway traffic holiday flow can provide important data for the emergency management of highway. The LSTM-SVR prediction model is established by using the theoretical framework of deep learning. The BP neural network is used to process the sample data, and the data features captured by LSTM are input into the SVR regression layer to realize the traffic flow prediction. Before and after the “Eleventh” Golden Week, the LSTM-SVR model was verified by using the traffic monitoring data of the intermodulation station in Lijiang City and the prediction results were compared with the others. It is found that the LSTM-SVR model has good applicability in the highway traffic flow prediction of different periods, weathers and traffic conditions.

Key words: traffic engineering, holiday traffic flow prediction, deep learning, LSTM-SVR, expressway traffic flow

中图分类号:

TP391.9

戢晓峰, 戈艺澄. 基于深度学习的节假日高速公路交通流预测方法[J]. 系统仿真学报, 2020, 32(6): 1164-1171.

Ji Xiaofeng, Ge Yicheng. Holiday Highway Traffic Flow Prediction Method Based on Deep Learning[J]. Journal of System Simulation, 2020, 32(6): 1164-1171.

参考文献

[1] Vlahogianni E I, Karlaftis M G, Golias J C. Short-term traffic forecasting: Where we are and where we’re going[J]. Transportation Research Part C Emerging Technologies (S0968-090X), 2014, 43(1): 3-19.
[2] Lv Y, Duan Y, Kang W, et al. Traffic flow prediction with big data: A deep learning approach[J]. IEEE Transactions on Intelligent Transportation Systems (S1524-9050), 2014, 16(2): 1-9.
[3] 刘明宇, 吴建平, 王钰博, 等. 基于深度学习的交通流量预测[J]. 系统仿真学报, 2018, 30(11): 4100-4105, 4114.
Liu Mingyu, Wu Jianping, Wang Yubo, et al. Traffic flow prediction based on deep learning[J]. Journal of System Simulation, 2018, 30(11): 4100-4105, 4114.
[4] 罗文慧, 董宝田, 王泽胜. 基于CNN-SVR 混合深度学习模型的短时交通流预测[J]. 交通运输系统工程与信息, 2017, 17(5): 68-74.
Luo Wenhui, Dong Baotian, Wang Zesheng. Short-term traffic flow prediction based on CNN-SVR hybrid deep learning model[J]. Journal of Transportation Systems Engineering and Information, 2017, 17(5): 68-74.
[5] 王祥雪, 许伦辉. 基于深度学习的短时交通流预测研究[J]. 交通运输系统工程与信息, 2018, 18(1): 81-88.
Wang Xiangxue, Xu Lunhui. Research on short-term traffic flow prediction based on deep learning[J]. Journal of Transportation Systems Engineering and Engineering, 2018, 18(1): 81-88.
[6] 许岩岩, 翟希, 孔庆杰, 等. 高速路交通流短时预测方法[J]. 交通运输工程学报, 2013, 13(2): 114-119.
Xu Yanyan, Zhai Xi, Kong Qingjie, et al. Short-term prediction method of traffic flow in expressway[J]. Journal of Traffic and Transportation Engineering, 2013, 13(2): 114-119.
[7] 张平, 张明欣, 宋国杰, 等. 基于OD 稳定模式的高速公路出口流量预测方法研究[J]. 交通运输系统工程与信息, 2012, 12(3): 122-128.
Zhang Ping, Zhang Mingxin, Song Guojie, et al. Research on highway export flow forecasting method based on OD stabilization mode[J]. Journal of Transportation Systems Engineering and Information, 2012, 12(3): 122-128.
[8] 张兰芳, 赵焜. 考虑货车因素的高速公路短期交通流风险预测[J]. 同济大学学报(自然科学版), 2018, 46(2): 208-214.
Zhang Lanfang, Zhao Kun. Short-term traffic flow risk prediction of expressway considering truck factors[J]. Journal of Tongji University(Natural Science Edition), 2018, 46(2): 208-214.
[9] 戢晓峰, 戈艺澄, 陈方. 基于公路交通流大数据的节假日旅游流时空分异特征——以云南省2017 年7 个节假日为例[J]. 旅游学刊, 2019, 34(6): 37-47.
Ji Xiaofeng, Ge Yicheng, Chen Fang. Spatial and temporal differentiation characteristics of holiday tourism flow based on highway traffic flow big data: A case study of seven holidays in 2017 in Yunnan Province[J]. Tourism Tribune, 2019, 34 (6): 37-47.
[10] Li W, Hu J, Chen B H. A deep quasi- linear kernel composition method for support vector machines[C]//Proceedings of the International Joint Conference on Neural Networks. Vancouver, Canada: Institute of Electrical and Electronics Engineers Inc, 2016: 1639-1645.

[1]	康旭, 张晓峰. 基于生成对抗神经网络的雷达遥感数据增广方法[J]. 系统仿真学报, 2022, 34(4): 920-927.
[2]	林硕, 安磊, 高治军, 单丹, 尚文利. 结合栈式自编码及长短时记忆的入侵检测研究[J]. 系统仿真学报, 2021, 33(6): 1288-1296.
[3]	程文聪, 史小康, 王志刚. 基于生成对抗网络的仿真卫星云图生成方法[J]. 系统仿真学报, 2021, 33(6): 1297-1306.
[4]	董书琴, 张斌. 面向不平衡数据的网络流量异常检测方法[J]. 系统仿真学报, 2021, 33(3): 679-689.
[5]	王霄汉, 张霖, 任磊, 谢堃钰, 王昆玉, 叶飞, 陈真. 基于强化学习的车间调度问题研究简述[J]. 系统仿真学报, 2021, 33(12): 2782-2791.
[6]	王步维, 王敏, 范谦, 王雅男, 章涵文, 乐云亮. 基于深度学习的晶体性质预测研究[J]. 系统仿真学报, 2021, 33(12): 2854-2863.
[7]	冯晓, 张辉, 周蕊, 乔璐, 魏东, 李丹丹, 张玉尧, 郑国清. 基于深度学习和籽粒双面特征的玉米品种识别[J]. 系统仿真学报, 2021, 33(12): 2983-2991.
[8]	杜金莲, 李淑飞, 金雪云. 三维烟雾流场超分辨率数据生成网络模型的研究[J]. 系统仿真学报, 2021, 33(10): 2381-2389.
[9]	刘展宏, 杨秀建, 吴相稷, 黄震. 基于元胞自动机的雾天车辆跟驰建模与仿真[J]. 系统仿真学报, 2021, 33(10): 2399-2410.
[10]	刘瑞军, 王向上, 张晨, 章博华. 基于深度学习的视觉SLAM综述[J]. 系统仿真学报, 2020, 32(7): 1244-1256.
[11]	阴敬方, 朱登明, 石敏, 王兆其. 基于引导对抗网络的人体深度图像修补方法[J]. 系统仿真学报, 2020, 32(7): 1312-1321.
[12]	孔锐, 谢玮, 雷泰. 基于神经网络的图像描述方法研究[J]. 系统仿真学报, 2020, 32(4): 601-611.
[13]	周晨静, 高亚聪, 荣建. 微观交通仿真模型参数标定方法改善研究[J]. 系统仿真学报, 2020, 32(11): 2112-2120.
[14]	秦胜伟, 李重, 李金锋, 陈梓浩, 丁靖骞, 刘万顺. 校园漫游互动AR系统设计与实现[J]. 系统仿真学报, 2019, 31(7): 1367-1376.
[15]	叶继华, 时淑霞, 李汉曦, 王仕民, 杨思渝. 基于深度学习的驾驶关注区域检测研究与实现[J]. 系统仿真学报, 2019, 31(7): 1421-1428.

基于深度学习的节假日高速公路交通流预测方法

Holiday Highway Traffic Flow Prediction Method Based on Deep Learning

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价