基于深度学习的交通流量预测

doi:10.16182/j.issn1004731x.joss.201811007

系统仿真学报 ›› 2018, Vol. 30 ›› Issue (11): 4100-4106.doi: 10.16182/j.issn1004731x.joss.201811007

基于深度学习的交通流量预测

刘明宇¹, 吴建平¹, 王钰博², 何磊³

1.清华大学土木系,北京 100084;
2.浙江大学竺可桢学院,浙江杭州 310000;
3.北京市公安局公安交通管理局,北京 100037

收稿日期:2018-05-23 修回日期:2018-06-29 发布日期:2019-01-04
作者简介:刘明宇(1993-),男,吉林,博士,研究方向为智能交通、机器学习。
基金资助:
国家自然科学基金(U1509205,U1709212),清华大学自主科研计划项目(2015THZ01), 北京市朝阳区科技计划项目(CYSF1701)

Traffic Flow Prediction Based on Deep Learning

Liu Mingyu¹, Wu Jianping¹, Wang Yubo², He Lei³

1. Department of Civil Engineering, Tsinghua University, Beijing 100084, China;
2. Chu Kochen Honors College, Hangzhou 310000, China;
3. Beijing Traffic Management Bureau, Beijing 100037, China

Received:2018-05-23 Revised:2018-06-29 Published:2019-01-04

摘要/Abstract

摘要： 交通流预测是城市智能交通系统的重要组成部分。随着人工智能和机器学习的不断发展,深度学习在交通工程领域得到了广泛的应用。选取门控循环单元(Gated Recurrent Unit, GRU)神经网络作为研究对象,利用交叉验证法探究GRU模型的最佳门控循环单元个数,并与支持向量机回归等三种预测模型通过不同指标进行综合评价和对比。结果表明,与其它3种模型相比,GRU模型具有良好的预测性能。

关键词: 交通工程, GRU, 交通流预测, 深度学习

Abstract: Traffic flow prediction is an important component of urban intelligent transportation system. With the development of machine learning and artificial intelligence, deep learning has been applied in traffic engineering area. Gated recurrent unit (GRU) neural network is selected to predict urban traffic flow. Cross-validation method is used to explore the optimal number of gated recurrent units. The GRU model is compared with other three predictors such as support vector regression and evaluated in different performance measurements. The results show that GRU model has better performance in traffic flow prediction than the other three models.

Key words: traffic engineering, GRU, traffic flow prediction, deep learning

中图分类号:

TP391.9

刘明宇, 吴建平, 王钰博, 何磊. 基于深度学习的交通流量预测[J]. 系统仿真学报, 2018, 30(11): 4100-4106.

Liu Mingyu, Wu Jianping, Wang Yubo, He Lei. Traffic Flow Prediction Based on Deep Learning[J]. Journal of System Simulation, 2018, 30(11): 4100-4106.

参考文献

[1] 清华同衡规划院. 2016停车行业发展白皮书[R]. 2017.
Tsinghua Tongheng Urban Planning Institute. China White Paper on Parking Industry Development [R]. 2017.
[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), 2015, 16(2): 865-873.
[3] 杨刚,王乐,戴丽珍, 等. 自适应权重粒子群优化 LS-SVM 的交通流预测[J]. 控制工程, 2017, 24(9): 1838-1843.
Gang Yang, Le Wang, Lizhen Dai, et al.Traffic Flow Prediction Based on Adaptive Particle Swarm Optimization of Least Square Support Vector Machine[J]. Control Engineering of China, 2017, 24(9): 1838-1843.
[4] Huang W, Song G, Hong H, et al.Deep architecture for traffic flow prediction: deep belief networks with multitask learning[J]. IEEE Transactions on Intelligent Transportation Systems (S1524-9050), 2014, 15(5): 2191-2201.
[5] 成云, 成孝刚, 谈苗苗, 等. 基于ARIMA和小波神经网络组合模型的交通流预测[J]. 计算机技术与发展, 2017, 27(1): 169-172.
Cheng Y, Cheng X G, Tan M M, et al.Traffic Flow Prediction Based on Hybrid Model of ARIMA and WNN[J]. Computer Technology & Development, 2017, 27(1): 169-172.
[6] 朱森来, 程琳, 褚昭明. 基于先验路段流的贝叶斯网络交通流量估计模型[J]. 东南大学学报(英文版), 2013, 29(3): 322-327.
Zhu S L, Cheng L, Chu Z M.Bayesian network model for traffic flow estimation using prior link flows[J]. Journal of Southeast University (English Edition), 2013, 29(3): 322-327.
[7] 刘钊, 杜威, 闫冬梅, 等. 基于K近邻算法和支持向量回归组合的短时交通流预测[J]. 公路交通科技, 2017, 34(5): 122-128.
Liu Z, Du W, Yan D M, et al.Short Term Traffic Flow Forecast Based on K Nearest Neighbor Algorithm and Support Vector Regression[J]. Journal of Highway and Transportation Research and Development, 2017, 34(5): 122-128.
[8] 张威威, 李瑞敏, 谢中教. 基于深度学习的城市道路旅行时间预测[J]. 系统仿真学报, 2017, 29(10): 2309-2315.
Zhang Weiwei, Li Ruimin, Xie Zhongjiao.Travel Time Prediction of Urban Road Based on Deep Learning[J]. Journal of System Simulation, 2017, 29(10): 2309-2315.
[9] Goodfellow I, Bengio Y, Courville A, et al.Deep learning[M]. Cambridge: MIT press, 2016.
[10] Kolen J F, Kremer S C.Gradient Flow in Recurrent Nets: The Difficulty of Learning LongTerm Dependencies [C]. Wiley-IEEE Press, 2001: 237-243.
[11] Hochreiter S, Schmidhuber J.Long short-term memory[J]. Neural Computation (S0899-7667), 1997, 9(8): 1735-1780.
[12] Greff K, Srivastava R K, Koutník J, et al.LSTM: A search space odyssey[J]. IEEE transactions on neural networks and learning systems (S2162-237X), 2017, 28(10): 2222-2232.
[13] Abdel-Nasser M, Mahmoud K.Accurate photovoltaic power forecasting models using deep LSTM-RNN[J]. Neural Computing & Applications (S0941-0643), 2017, 28(10): 1-14.
[14] Ma Y, Peng H, Khan T, et al.Sentic LSTM: a Hybrid Network for Targeted Aspect-Based Sentiment Analysis[J]. Cognitive Computation (S1866-9956), 2018, 10(4): 1-12.
[15] Cho K, Van Merriënboer B, Gulcehre C, et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation [J]. arXiv preprint arXiv:1406.1078, 2014.
[16] 陶汉卿. 感应线圈车辆检测器数据的预处理方法研究[J]. 西部交通科技, 2015 (7): 63-67.
Tao H Q.Study on the Preprocessing Methods of Induction Coil Vehicle Detector Data[J]. Western China Communications Science and Technology, 2015(7): 63-67.

基于深度学习的交通流量预测

Traffic Flow Prediction 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

[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]	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.
[13]	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.
[14]	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.
[15]	费蓉, 刘方, 谢国, 黑新宏, 李莎莎, 胡博. 基于门控循环单元的车辆跟驰行为仿真模型[J]. 系统仿真学报, 2020, 32(10): 1862-1873.