一種基于MF-BiLSTM的城市路網(wǎng)短時交通流預(yù)測方法
一種基于nmf-bilstm的城市路網(wǎng)短時交通流預(yù)測方法
技術(shù)領(lǐng)域
1.本發(fā)明屬于城市路網(wǎng)交通流數(shù)據(jù)預(yù)測的技術(shù)領(lǐng)域，涉及城市路網(wǎng)交通數(shù)據(jù)的處理和數(shù)學(xué)建模的方法，尤其涉及一種基于nmf-bilstm的城市路網(wǎng)短時交通流預(yù)測方法，。
背景技術(shù)：
2.城市路網(wǎng)擁堵嚴(yán)重影響著城市的運行和可持續(xù)發(fā)展。交通擁堵的本質(zhì)問題是交通供給能力與交通運行需求的不平衡，從而造成部分區(qū)域交通流量過于集中、交通資源浪費的現(xiàn)象。城市路網(wǎng)交通流的預(yù)測是進(jìn)行交通管理和控制的前提，是實現(xiàn)交通流系統(tǒng)誘導(dǎo)、制定交通管控策略的關(guān)鍵。城市路網(wǎng)交通流的預(yù)測是實現(xiàn)智能交通和智慧城市的重要組成部分，可預(yù)測未來整個路網(wǎng)的交通狀態(tài)，對緩解交通擁堵、有效利用交通資源和合理優(yōu)化交通基礎(chǔ)設(shè)施配置具有重要作用。
3.在已有的交通流預(yù)測方法中，基于數(shù)理統(tǒng)計的預(yù)測方法構(gòu)建便捷，但是非線性捕捉能力不強，適應(yīng)性能力較差，預(yù)測精度不高；基于機器學(xué)習(xí)的預(yù)測模型雖然具有較好的非線性捕捉能力，但不適用于大數(shù)據(jù)；而深度學(xué)習(xí)預(yù)測模型雖然具有較好的數(shù)據(jù)特征捕捉能力，但存在一定的模型過擬合問題且模型構(gòu)建較為復(fù)雜。此外，龐大的城市路網(wǎng)包含海量的交通狀態(tài)數(shù)據(jù)，大部分交通流預(yù)測研究停留在道路的層面而沒有考慮路網(wǎng)的整體運行狀態(tài)。
4.申請?zhí)枮?01911219004.8的發(fā)明專利公開了一種城市路網(wǎng)短期交通運行狀態(tài)估計與預(yù)測方法，包括：(1)獲取異構(gòu)數(shù)據(jù)并進(jìn)行預(yù)處理，以城市兩信號交叉口之間路段為研究單元，利用gasm算法對研究單元的速度場重構(gòu)；(2)構(gòu)建城市路網(wǎng)空間權(quán)重矩陣，計算各路段間的時空相關(guān)性并采用topsis識別并量化脆弱路段；(3)依據(jù)重構(gòu)后的研究單元速度場取速度的平均值及選取合理脆弱路段構(gòu)建城市路網(wǎng)的時空特征矩陣；(4)根據(jù)bi-convlstm對全路網(wǎng)的交通狀態(tài)進(jìn)行估計與預(yù)測。本發(fā)明通過融合異構(gòu)數(shù)據(jù)重構(gòu)研究單元速度場，解決單一數(shù)據(jù)源導(dǎo)致的預(yù)測局限性，同時采用bi-convlstm考慮研究單元上游和下游的交通速度影響，充分挖掘交通流的時空特性，進(jìn)一步提高了預(yù)測的準(zhǔn)確率等優(yōu)點。但是，該方法難以對海量的城市路網(wǎng)交通數(shù)據(jù)進(jìn)行快速、有效的處理和分析。
技術(shù)實現(xiàn)要素：
5.針對已有交通流預(yù)測方法預(yù)測精度不高和運行效率低的技術(shù)問題，本發(fā)明提出一種基于nmf-bilstm的城市路網(wǎng)短時交通流預(yù)測方法，通過nmf分解的方式對海量數(shù)據(jù)進(jìn)行分解，僅通過對分解后的數(shù)據(jù)進(jìn)行bilstm建模實現(xiàn)路網(wǎng)交通流的預(yù)測，大大降低了時間復(fù)雜度和計算成本，且具有預(yù)測精度高、實時性良好的特點。
6.為了達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：一種基于nmf-bilstm的城市路網(wǎng)短時交通流預(yù)測方法，其步驟如下：
7.步驟1)：提取城市路網(wǎng)交通流的歷史狀態(tài)數(shù)據(jù)，基于nmf分解獲取歷史狀態(tài)數(shù)據(jù)的基矩陣和系數(shù)矩陣；
8.步驟2)：構(gòu)建bilstm系數(shù)矩陣預(yù)測模型，將歷史狀態(tài)數(shù)據(jù)的系數(shù)矩陣作為bilstm系數(shù)矩陣預(yù)測模型的輸入，定義bilstm系數(shù)矩陣預(yù)測模型的損失函數(shù)，實現(xiàn)bilstm系數(shù)矩陣預(yù)測模的訓(xùn)練獲得最優(yōu)的參數(shù)，作為訓(xùn)練后bilstm模型；
9.步驟3)：提取實時的城市路網(wǎng)交通流序列數(shù)據(jù)按步驟1)中的歷史狀態(tài)數(shù)據(jù)的分解結(jié)構(gòu)進(jìn)行nmf分解，獲取實時的路網(wǎng)交通流序列數(shù)據(jù)的基矩陣和系數(shù)矩陣；
10.步驟4)：將實時的路網(wǎng)交通流序列數(shù)據(jù)的系數(shù)矩陣作為步驟2)中訓(xùn)練后bilstm模型的輸入，并通過歷史狀態(tài)數(shù)據(jù)的基矩陣完成系數(shù)矩陣的預(yù)測，即為預(yù)測的路網(wǎng)交通流數(shù)據(jù)。
11.優(yōu)選地，所述步驟1)中的nmf分解的實現(xiàn)方法為：
12.am×n＝wm×
rhr
×n(1)
13.其中，am×n表示路網(wǎng)中交通流歷史狀態(tài)數(shù)據(jù)，m表示路網(wǎng)中的路段數(shù)，n表示前n個時段，且1≤n≤t，t表示總時段數(shù)；wm×r表示路網(wǎng)中交通流歷史狀態(tài)數(shù)據(jù)am×n經(jīng)nmf分解后的基矩陣，r表示基矩陣wm×r中基向量的個數(shù)，且r≤min(m,n)；hr×n表示系數(shù)矩陣；wm×r和hr×n均為非負(fù)矩陣。
14.優(yōu)選地，所述步驟2)中bilstm系數(shù)矩陣預(yù)測模型表示為：
15.i
t
＝σ(wix
t
+uis
t-1
)(2)
16.f
t
＝σ(wfx
t
+ufs
t-1
)(3)
17.o
t
＝σ(wox
t
+uos
t-1
)(4)
[0018][0019][0020][0021][0022]
其中，x
t
表示經(jīng)nmf分解后t時刻的輸入路網(wǎng)的系數(shù)矩陣hr×n，
⊙
表示hadamard乘積；σ和tanh分別表示sigmoid和tanh激勵函數(shù)；i
t
、f
t
和o
t
分別表示bilstm的輸入門、遺忘門和輸出門在t時刻的輸出，wi和ui表示bilstm輸入門的系數(shù)矩陣；wo和uo表示bilstm輸出門的系數(shù)矩陣；wf和uf表示遺忘門的系數(shù)矩陣；和分別表示在t時刻正向和反向的時間序列隱含層的狀態(tài)；wc和uc表示和的系數(shù)矩陣；表示新的隱含層的狀態(tài)，s
t-1
、s
t
、s
t+1
分別表示模型在t-1、t、t+1時刻最終的輸出。
[0023]
優(yōu)選地，所述bilstm系數(shù)矩陣預(yù)測模型的訓(xùn)練方法為：
[0024]
將nmf分解后歷史狀態(tài)數(shù)據(jù)的系數(shù)矩陣hr×n作為bilstm系數(shù)矩陣預(yù)測模型的輸入：
[0025]
h'r×
(n+1)
,...,h'r×
(n+p)
＝f
bilstm
(hr×
(n-(q-1))
,...,hr×n)(9)
[0026][0027]
其中，h'r×
(n+1)
,...,h'r×
(n+p)
表示預(yù)測n時段后的p個時段的預(yù)測系數(shù)矩陣；hr×
(n-(q-1))
,...,hr×n表示歷史n時段前的q個時段的真實系數(shù)矩陣；f
bilstm
表示bilstm系數(shù)矩陣預(yù)測模型的處理函數(shù)，即公式(2)～(8)所示；rmse表示預(yù)測系數(shù)矩陣和真實系數(shù)矩陣的
均方根誤差，作為bilstm系數(shù)矩陣預(yù)測模型的損失函數(shù)。
[0028]
優(yōu)選地，所述步驟3)中nmf分解的方法為：
[0029][0030]
其中，bm×v表示實時的城市路網(wǎng)交通流序列數(shù)據(jù)，m表示路網(wǎng)中路段的個數(shù)，v表示前v個時段；表示nmf分解的基矩陣，表示nmf分解的系數(shù)矩陣。
[0031]
優(yōu)選地，所述步驟4)中實時的路網(wǎng)交通流序列數(shù)據(jù)的系數(shù)矩陣輸入訓(xùn)練后bilstm模型的方法為：
[0032][0033]
其中，f
bilstm
表示bilstm系數(shù)矩陣預(yù)測模型的處理函數(shù)，表示v時段前q個時段的實時系數(shù)矩陣，表示預(yù)測v時段后的p個時段的系數(shù)矩陣。
[0034]
優(yōu)選地，所述步驟4)中系數(shù)矩陣的預(yù)測的方法為：結(jié)合nmf分解后歷史狀態(tài)數(shù)據(jù)的基矩陣，實現(xiàn)路網(wǎng)實時數(shù)據(jù)的交通流預(yù)測為：
[0035][0036]
其中，b'm×
(v+1)
,...,b'm×
(v+p)
表示預(yù)測的v時段后p個時段的路網(wǎng)交通流數(shù)據(jù)，實現(xiàn)了實時數(shù)據(jù)的短時預(yù)測。
[0037]
本發(fā)明的有益效果：本發(fā)明首先通過nmf分解的方法對已有的城市路網(wǎng)歷史數(shù)據(jù)進(jìn)行分解，獲取非負(fù)的基矩陣和系數(shù)矩陣，基矩陣很好體現(xiàn)路網(wǎng)交通狀態(tài)的整體特性；通過歷史路網(wǎng)數(shù)據(jù)的系數(shù)矩陣訓(xùn)練bilstm模型，大大降低了原始路網(wǎng)數(shù)據(jù)的維度；用訓(xùn)練好的bilstm模型對經(jīng)nmf分解的實時路網(wǎng)數(shù)據(jù)的系數(shù)矩陣進(jìn)行預(yù)測，結(jié)合歷史數(shù)據(jù)的基矩陣和預(yù)測的實時系數(shù)矩陣，最終實現(xiàn)城市路網(wǎng)數(shù)據(jù)的短時預(yù)測。本發(fā)明結(jié)合歷史數(shù)據(jù)的基矩陣，實現(xiàn)了路網(wǎng)實時數(shù)據(jù)的交通流預(yù)測，降低數(shù)據(jù)處理量的同時提高了預(yù)測精度。
附圖說明
[0038]
為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0039]
圖1為本發(fā)明的流程圖。
具體實施方式
[0040]
下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有付出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。
[0041]
如圖1所示，一種基于nmf-bilstm的城市路網(wǎng)短時交通流預(yù)測方法，包括如下步
驟：
[0042]
步驟1)：提取城市路網(wǎng)交通流歷史狀態(tài)數(shù)據(jù)，基于nmf分解獲取路網(wǎng)交通流數(shù)據(jù)的基矩陣和系數(shù)矩陣。
[0043]
通過敷設(shè)在路邊的線圈獲取每條路段的歷史交通流狀態(tài)數(shù)據(jù)，城市路網(wǎng)中的多條路段的交通狀態(tài)數(shù)據(jù)共同構(gòu)成了城市路網(wǎng)交通流歷史狀態(tài)數(shù)據(jù)，該主要包括速度數(shù)據(jù)和流量數(shù)據(jù)。
[0044]
nmf分解的一般表達(dá)式如下：
[0045]am
×n＝wm×
rhr
×n(1)
[0046]
其中，am×n表示路網(wǎng)中交通流歷史狀態(tài)數(shù)據(jù)，m表示路網(wǎng)中的路段數(shù)，n表示前n個時段，且1≤n≤t，t表示總時段數(shù)；wm×r表示路網(wǎng)中交通流歷史狀態(tài)數(shù)據(jù)am×n經(jīng)nmf分解后的基矩陣，r表示基矩陣wm×r中基向量的個數(shù)，且r≤min(m,n)；hr×n表示系數(shù)矩陣；wm×r和hr×n均為非負(fù)矩陣。
[0047]
步驟2)：構(gòu)建bilstm系數(shù)矩陣預(yù)測模型，將路網(wǎng)交通流歷史狀態(tài)數(shù)據(jù)分解的系數(shù)矩陣hr×n作為bilstm系數(shù)矩陣預(yù)測模型的輸入，定義bilstm系數(shù)矩陣預(yù)測模型的損失函數(shù)，實現(xiàn)系數(shù)矩陣的訓(xùn)練，得到訓(xùn)練后bilstm模型。
[0048]
bilstm系數(shù)矩陣預(yù)測模型的表達(dá)式一般如下表示：
[0049]it
＝σ(wix
t
+uis
t-1
)(2)
[0050]ft
＝σ(wfx
t
+ufs
t-1
)(3)
[0051]ot
＝σ(wox
t
+uos
t-1
)(4)
[0052][0053][0054][0055][0056]
其中，x
t
表示經(jīng)nfm分解后t時刻的輸入路網(wǎng)系數(shù)矩陣hr×n，
⊙
表示hadamard乘積；σ和tanh分別表示sigmoid和tanh激勵函數(shù)；i
t
、f
t
和o
t
分別表示bilstm的輸入門、遺忘門和輸出門在t時刻的輸出，wi和ui表示bilstm輸入門的系數(shù)矩陣；wo和uo表示bilstm輸出門的系數(shù)矩陣；wf和uf表示遺忘門的系數(shù)矩陣；和分別表示在t時刻正向和反向的時間序列隱含層的狀態(tài)；wc和uc表示和的系數(shù)矩陣；表示新的隱含層的狀態(tài)，s
t-1
、s
t
、s
t+1
分別表示模型在t-1、t、t+1時刻最終的輸出。激勵函數(shù)和hadamard乘積也是已知的，其他參數(shù)是訓(xùn)練獲得。
[0057]
將路網(wǎng)交通流歷史狀態(tài)數(shù)據(jù)分解的系數(shù)矩陣hr×n作為bilstm系數(shù)矩陣預(yù)測模型的輸入，實現(xiàn)系數(shù)矩陣hr×n的訓(xùn)練，其一般表達(dá)式如下所述：
[0058]
h'r×
(n+1)
,...,h'r×
(n+p)
＝f
bilstm
(hr×
(n-(q-1))
,...,hr×n)(9)
[0059][0060]
其中，h'r×
(n+1)
,...,h'r×
(n+p)
表示預(yù)測n時段后的p個時段的預(yù)測系數(shù)矩陣；hr
×
(n-(q-1))
,...,hr×n表示歷史n時段前的q個時段的真實系數(shù)矩陣；f
bilstm
表示bilstm系數(shù)矩陣預(yù)測模型的處理函數(shù)，其一般表達(dá)式如公式(2)～(8)所示。以歷史的數(shù)據(jù)進(jìn)行訓(xùn)練，輸入輸出都是已知的，所以可以訓(xùn)練得到參數(shù)，將訓(xùn)練好的參數(shù)再應(yīng)用到后續(xù)實時數(shù)據(jù)當(dāng)中。rmse表示預(yù)測系數(shù)矩陣和真實系數(shù)矩陣的均方根誤差，作為bilstm系數(shù)矩陣預(yù)測模型的損失函數(shù)。公式(10)是計算訓(xùn)練過程中真實的和預(yù)測的差距，通過不斷訓(xùn)練供水(9)的bilstm模型使得(10)rmse越來越小。
[0061]
步驟3)：提取實時的城市路網(wǎng)交通流序列數(shù)據(jù)按步驟1)中的歷史狀態(tài)數(shù)據(jù)分解結(jié)構(gòu)進(jìn)行nmf分解，獲取實時的路網(wǎng)交通流序列數(shù)據(jù)的基矩陣和系數(shù)矩陣，其一般步驟如下所示：
[0062][0063]
其中，bm×v表示實時的城市路網(wǎng)交通流序列數(shù)據(jù)，m表示路網(wǎng)中路段的個數(shù)，v表示前v個時段；表示nmf分解的基矩陣，表示nmf分解的系數(shù)矩陣。
[0064]
步驟4)：將實時的路網(wǎng)交通流序列數(shù)據(jù)的nmf分解的系數(shù)矩陣作為步驟2)中訓(xùn)練后bilstm模型的輸入，并通過歷史交通流狀態(tài)數(shù)據(jù)nmf分解的基矩陣完成系數(shù)矩陣的預(yù)測，即為預(yù)測的路網(wǎng)交通流數(shù)據(jù)。
[0065]
一般步驟如下所示：
[0066][0067]
其中，f
bilstm
表示bilstm系數(shù)矩陣預(yù)測模型的處理函數(shù)，表示v時段前q個時段的實時系數(shù)矩陣，表示預(yù)測v時段后的p個時段的系數(shù)矩陣。
[0068]
結(jié)合歷史數(shù)據(jù)nmf分解的基矩陣，實現(xiàn)路網(wǎng)實時數(shù)據(jù)的交通流預(yù)測，其基本步驟如下：
[0069][0070]
其中，b'm×
(v+1)
,...,b'm×
(v+p)
表示預(yù)測的v時段后p個時段的路網(wǎng)交通流數(shù)據(jù)，實現(xiàn)了實時數(shù)據(jù)的短時預(yù)測。
[0071]
具體實例：一種基于nmf-bilstm的城市路網(wǎng)短時交通流預(yù)測方法，包括如下步驟：
[0072]
1)提取城市路網(wǎng)交通流歷史狀態(tài)數(shù)據(jù)，基于nmf分解獲取路網(wǎng)交通流數(shù)據(jù)的基矩陣和系數(shù)矩陣
[0073]
本次試驗以北京二環(huán)內(nèi)6條路段作為研究路網(wǎng)，在2011年6月1日～14日(共14天)相同測試點實測的路網(wǎng)速度數(shù)據(jù)(采樣間隔為2分鐘)作為樣本序列，路段信息表1所示。
[0074]
表1路段信息
[0075][0076]
從道理交通特征參考序列中提取6條路段的道路交通歷史數(shù)據(jù)，每條路段每天的采集數(shù)據(jù)為720，并將其變換為m
×
n的矩陣，即m為6，n為720，記為：amⅹn，則
[0077]am
×n＝wm×
rhr
×n(1)
[0078]
其中，am×n表示路網(wǎng)中的歷史交通流狀態(tài)數(shù)據(jù)，m表示路網(wǎng)中的路段數(shù)，n(1≤n≤t)表示前n個時段，t表示總時段數(shù)；wm×r表示路網(wǎng)歷史交通狀態(tài)數(shù)據(jù)am×n經(jīng)nmf分解后的基矩陣，其中r表示wm×r中基向量的個數(shù)，且r≤min(m,n)；hr×n表示系數(shù)矩陣；wm×r和hr×n的元素均不小于0。r是在訓(xùn)練的過程中進(jìn)行選擇的，r得到后，基矩陣和系數(shù)矩陣的結(jié)構(gòu)也可以得到。
[0079]
2)構(gòu)建bilstm系數(shù)矩陣預(yù)測模型，將歷史路網(wǎng)交通流數(shù)據(jù)分解的系數(shù)矩陣hr×n作為bilstm系數(shù)矩陣預(yù)測模型的輸入，定義預(yù)測模型的損失函數(shù)，實現(xiàn)系數(shù)矩陣的訓(xùn)練，bilstm的表達(dá)式一般如下表示：
[0080]it
＝σ(wix
t
+uis
t-1
)(2)
[0081]ft
＝σ(wfx
t
+ufs
t-1
)(3)
[0082]ot
＝σ(wox
t
+uos
t-1
)(4)
[0083][0084][0085][0086][0087]
其中，
⊙
表示hadamard乘積，i
t
，f
t
和o
t
分別表示bilstm的輸入門、遺忘門和輸出門在t時刻的輸出，wi，wf和wo分別表示對應(yīng)輸入門、遺忘門和輸出門的系數(shù)矩陣；和分別表示在t時刻正向和反向時間序列隱含層的狀態(tài)，表示新的隱含層狀態(tài)，s
t
表示最終bilstm的輸出。
[0088]
將歷史路網(wǎng)交通流數(shù)據(jù)分解的系數(shù)矩陣hr×n作為bilstm模型的輸入，實現(xiàn)系數(shù)矩陣的訓(xùn)練，其一般表達(dá)式如下所述：
[0089]
h'r×
(n+1)
,...,h'r×
(n+p)
＝f
bilstm
(hr×
(n-(q-1))
,...,hr×n)(9)
[0090][0091]
其中，h'r×
(n+1)
,...,h'r×
(n+p)
表示預(yù)測n時段后的p個時段的系數(shù)矩陣；hr×
(n-(q-1))
,...,hr×n表示歷史n時段前的q個時段的系數(shù)矩陣；f
bilstm
表示bilstm模型，其一般表達(dá)式如公式(2)～(8)。rmse表示預(yù)測系數(shù)矩陣和真實系數(shù)矩陣的均方根誤差。
[0092]
3)提取實時的城市路網(wǎng)交通流序列數(shù)據(jù)按歷史數(shù)據(jù)分解結(jié)構(gòu)進(jìn)行nmf分解，獲取實時數(shù)據(jù)的基矩陣和系數(shù)矩陣，其一般步驟如下所示：
[0093][0094]
其中，bm×v表示實時的路網(wǎng)交通流序列數(shù)據(jù)，m表示路網(wǎng)中路段個數(shù)，v表示前v個時段；表示nmf分解的基矩陣，表示nmf分解的系數(shù)矩陣。
[0095]
4)將實時路網(wǎng)數(shù)據(jù)分解的系數(shù)矩陣作為bilstm模型的輸入，完成系數(shù)矩陣的預(yù)測，其一般步驟如下所示：
[0096][0097]
其中，f
bilstm
表示bilstm模型，表示v時段前的q個時段的實時系數(shù)矩陣，表示預(yù)測v時段后的p個時段的系數(shù)矩陣。
[0098]
結(jié)合歷史數(shù)據(jù)分解的基矩陣，實現(xiàn)路網(wǎng)實時數(shù)據(jù)的交通流預(yù)測，其基本步驟如下：
[0099][0100]
其中，b'm×
(v+1)
,...,b'm×
(v+p)
表示預(yù)測v時段后p個時段的路網(wǎng)交通流數(shù)據(jù)，實現(xiàn)了實時數(shù)據(jù)的短時預(yù)測。
[0101]
本發(fā)明的預(yù)測效果主要由m、n、r、p、q等參數(shù)決定，即對于不同的參數(shù)(m，n，r，p，q)，單獨分析每個參數(shù)對算法精度的影響并不能確保算法的最優(yōu)，因此在進(jìn)行分析時應(yīng)該同時考慮所有參數(shù)對該路網(wǎng)交通流預(yù)測結(jié)果的影響。
[0102]
引入實時數(shù)據(jù)預(yù)測的平均絕對百分比誤差(mape)作為路網(wǎng)交通流預(yù)測精度的衡量指標(biāo)，其計算公式分別如下所示：
[0103][0104]
其中，b
t
為測量值，b'
t
為預(yù)測值。mape為預(yù)測數(shù)據(jù)的平均絕對百分比誤差。
[0105]
即對于不同的參數(shù)(m，n，r，p，q)，存在與之對應(yīng)的平均絕對百分比誤差mape，故存在如下等式：
[0106]
mape＝θ(m,n,r,p,q)(15)
[0107]
即參數(shù)(m，n，r，p，q)與mape存在某種分布關(guān)系θ，尋mape最小時對應(yīng)的參數(shù)(m，n，r，p，q)，即為最優(yōu)參數(shù)設(shè)定過程。故可以得到如下模型：
[0108]
minθ(m,n,r,p,q)
[0109]
[0110]
最終(m，n，r，p，q)的取值可以通過道路交通歷史數(shù)據(jù)的訓(xùn)練確定。
[0111]
實驗結(jié)果：將1～12日的數(shù)據(jù)作為歷史數(shù)據(jù)，13、14日的數(shù)據(jù)作為實時數(shù)據(jù)。基于路網(wǎng)交通歷史數(shù)據(jù)，獲取最優(yōu)參數(shù)(m，n，r，p，q)；提取路網(wǎng)交通實時數(shù)據(jù)，基于nmf-bilstm的路網(wǎng)短時交通流預(yù)測方法，實現(xiàn)路網(wǎng)交通數(shù)據(jù)的實時預(yù)測。
[0112]
選取均方根誤差(rmse)、平均絕對誤差(mae)和平均絕對百分比誤差(mape)作為路網(wǎng)交通流預(yù)測精度的指標(biāo)。其計算公式分別如下：
[0113][0114][0115][0116]
其中，b
t
和b’t
分別表示t時段實時路網(wǎng)數(shù)據(jù)的真實值和預(yù)測值。
[0117]
2011年6月13、14日路網(wǎng)速度預(yù)測誤差結(jié)果統(tǒng)計，如表2所示。
[0118]
表2預(yù)測誤差結(jié)果統(tǒng)計
[0119]
日期rmsemaemape(％)6月13日11.467.889.956月14日9.478.459.74
[0120]
從表2中的結(jié)果可以看出，平均絕對誤差mae的值控制在9以下，平均絕對百分比誤差mape的值控制在10％以下，說明本發(fā)明的誤差可以控制在10％以下，是一種行之有效的城市路網(wǎng)短時交通流預(yù)測方法。
[0121]
以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
