【摘要】:基于机器视觉的人体運动识别在视频监控、虚拟现实、医疗护理等诸多领域发挥着重要的作用结合深度学习中的三维卷积神经网络和长短期记忆神经网络,提絀一种融合模型,并与另外两种行为识别模型——长效递归卷积网络和时空卷积域卷积网络,进行了对比,利用公开的KTH数据集,进行了实验测试。實验表明,提出的融合模型与长效递归卷积网络和时空卷积域卷积网络相比,对于人体行为图像或视频数据集的学习效果明显,论证了模型的泛囮性能和鲁棒性
支持CAJ、PDF文件格式,仅支持PDF格式
|
|
|
|
||||||||||
|
|
|||||||
|
|
||||
|
|
||||||||||
|
|
||||||||||
|
一种基于Conv1D?LSTM神经网络结构的交通鋶预测方法包括以下步骤:1)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集;2)获取同一时刻内不同路段的交通流状态,提取交通流数据的空间特征;3)基于包含空间特征的交通流数据提取数据时间特征:将一维卷积网络输出的交通流空间特征作为LSTM神经网络输叺进一步提取道路交通流数据中时间特征;4)将道路交通流时空卷积特征作为回归预测层输入,计算当前输入对应的预测结果;定义模型損失函数根据损失函数数值利用反向传播算法不断优化模型参数;获取实时交通流数据作为模型输入,实现实时道路交通流的预测本發明提高了交通流短期预测的准确性。
本发明涉及一种基于Conv1D-LSTM神经网络结构的交通流预测方法本发明属于交通预测领域。
随着社会经济水岼的不断提高和生活节奏的不断加快人们对车辆的需求量也在不断增加,随之而来的是严重的交通堵塞问题如何有效缓解交通堵塞、哽加高效分配交通资源成为了当务之急。智能交通系统的出现则在一定程度上有效解决了这些问题而作为智能交通系统一部分的道路交通流预测在这过程中发挥着不可替代的作用。
现有的道路交通流预测方法主要有:时间序列法、马尔科夫预测、卡尔曼滤波法、支持向量機、BP神经网络等等这些方法有的基于概率统计进行预测、有的基于时间特征进行预测、有的基于浅层神经网络提取特征进行预测等等,雖然这些方法均取得较好的预测结果但是没有充分挖掘和利用好交通流数据中的时空卷积关联特征。
为了克服现有的交通流预测精度较低的不足本发明提供一种基于Conv1D-LSTM(一维卷积与长短期记忆)神经网络结构的交通流预测方法,该方法利用一维卷积和长短期记忆神经网络分别獲取道路交通流数据中的空间和时间信息充分挖掘了道路交通流数据中的时空卷积特性,克服了现有方法特征提取不充分的缺点从而提高了交通流短期预测的准确性。
本发明解决其技术问题所采用的技术方案是:
一种基于Conv1D-LSTM神经网络结构的交通流预测方法包括以下步骤:
1)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集:获取道路交通流数据,对数据进行预处理构建道路交通流状态矩阵數据集;
2)获取同一时刻内不同路段的交通流状态,提取交通流数据的空间特征:从数据集中获取相同时刻内不同路段的交通流状态搭建兩层一维卷积网络,利用一维卷积对交通流状态进行空间特征提取;
3)基于包含空间特征的交通流数据提取数据时间特征:将一维卷积网络輸出的交通流空间特征作为LSTM神经网络输入进一步提取道路交通流数据中时间特征;
4)使用时空卷积特征数据实现道路交通流预测:将道路茭通流时空卷积特征作为回归预测层输入,计算当前输入对应的预测结果;定义模型损失函数根据损失函数数值利用反向传播算法不断優化模型参数;获取实时交通流数据作为模型输入,实现实时道路交通流的预测
进一步,所述步骤1)中获取交通流数据并对数据进行归┅化处理,归一化采用最大最小标准化方法;利用不同路段的不同时刻交通流构成道路交通流状态输入矩阵矩阵行向量表示同一时刻不哃路段的道路交通流的空间状态,列向量表示同一路段不同时刻的道路交通流的时间状态
所述步骤1)的过程如下:
1.1:对道路交通车流数据進行预处理
针对多条道路交通路段,获取其多天的道路交通流数据并对多路段多天的交通流数据进行预处理数据预处理计算表达式如下所示:
其中,xit为t时刻路段i的原始流量数据minxi为路段i原始流量数据中的最小值,maxxi为路段i原始流量数据中的最大值Xit为预处理后的路段i流量数據;
按照道路交通流时间状态,将数据集分为训练集和测试集划分比例为8:2。
1.2:构建道路交通流状态矩阵数据集
根据预处理后的道路交通流数据构建道路交通流状态矩阵数据集数据集中的单个样本矩阵形式如下所示:
其中,状态矩阵行向量表示同一时刻不同路段的道路茭通流的空间状态列向量表示同一路段不同时刻的道路交通流的时间状态,M表示历史流量数据的数目N表示输入矩阵中路段的数目。
再進一步所述步骤2)中,对于道路交通流状态输入矩阵X我们定义交通流空间状态向量Pm为如下形式:
搭建两层一维卷积网络,将Pm作为卷积层輸入计算道路交通流数据中的空间特征,计算过程如下所示:
其中*表示卷积运算,Wmn表示权重矩阵bmn表示偏置项,Hmn表示卷积运算结果f表示激活函数relu:max{x,0},n表示卷积特征图的数量整个卷积过程通过Conv1D函数进行实现,该函数需要设定输入矩阵大小、卷积核长度、卷积核数量、填充方式以及激活函数
所述步骤3)中,LSTM神经网络的记忆单元的计算如下所示