[发明专利]基于自回归差分移动平均-卷积神经网络的识别交通指数时间序列的方法

说明书

本发明涉及一种基于自回归差分移动平均‑卷积神经网络的识别交通指数时间序列的方法，包括：获取交通指数原始数据集，生成交通指数时间序列；将所述交通指数时间序列转化为平稳序列，再根据贝叶斯信息准则矩阵拟合自回归差分移动平均算法模型，实现交通指数预测；根据所述交通指数原始数据集，生成训练交通指数时间序列和测试交通指数时间序列，根据所述训练交通指数时间序列提取交通指数特征信息，获取最佳卷积神经网络模型，利用所述最佳卷积神经网络模型将所述交通指数特征信息整合成一维特征向量，再根据Softmax分类器确定所述一维特征向量的模式类别，进而识别测试交通指数时间序列所属的类别。

技术领域

本发明涉及一种基于自回归差分移动平均-卷积神经网络的识别交通指数时间序列的方法。

背景技术

交通是一个城市的命脉。随着城市经济的快速发展，交通拥堵问题也日益严峻，且经济越发达的地区越突出。为应对城市复杂多变的交通情况，缓解城市交通压力，交通管理部门出台了一系列的交通法律法规约束行车规范，科研机构也利用物联网等技术辅助交管部门监测道路拥堵情况。虽然各行业从多方面降低交通拥堵风险取得了一定成效，但面对复杂的环境、突发状况和人为干预等因素的影响，目前还不能消除交通拥堵给城市带来的负面影响。交通指数是研究城市交通运行状态的一个重要指标，反映了城市拥堵状况的量化结果，在时间维度上具有一定的规律。交通指数一般用0——10的数值表示，数值越大表示交通越拥堵，交通状况越恶劣。因此，若通过时间序列模式识别从历史交通指数中得到居民出行的潜在特征，区分出其所属类别，可为交通运行状态研究及预测提供基础数据，对城市交通拥堵疏解具有重要的价值。

目前，交通客流指数预测方法主要包括：卡尔曼滤波递推算法(Recursivealgorithm of Kalman filter)、灰色理论(Grey Theory)、支持向量机(Support VectorMachine)和深度学习(Deep Learning)等方法。虽然以卡尔曼滤波递推算法为基础的迭代估计模型已广泛应用于客流预测中，但是卡尔曼滤波递推算法需要大量矩阵和向量运算，存在着运算效率不足的问题(PeiYan, BiswasSwarnendu,Fusselldonald S,et al.Anelementary introduction to Kalman filtering[J]. Communications of the ACM,2019.Baptista M,Henriques E M P,De Medeiros I P,et al. Remaining useful lifeestimation in aeronautics:Combining data-driven and Kalman filtering[J].Reliability EngineeringSystem Safety,2019,184(APR.):228-239.Yang D.On post-processing day-ahead NWP forecasts using Kalman filtering[J].Solar Energy,2019,182(APR.):179-181.)。灰色理论模型通过鉴别系统因素之间发展趋势的相异程度，达到预测的目的，但是仅对数据短期预测效果较好，对数据长期预测效果不佳(Wang Q,Jiang F. Integrating linear and nonlinear forecasting techniques based ongrey theory and artificial intelligence to forecast shale gas monthlyproduction in Pennsylvania and Texas of the United States[J].Energy,2019,178.Huiming Duan,Di Wang,Xinyu Pang,Yunmei Liu,Suhua Zeng,A novel forecastingapproach based on Multi-Kernel Nonlinear Multivariable Grey Model:a casereport,Journal of Cleaner Production(2020))。支持向量机要将输入层映射到高维空间，并求解分离超平面，运算量非常庞大(Fan S,Chen L.Short-Term Load ForecastingBased on an Adaptive Hybrid Method[J].IEEE Transactions on Power Systems,2006, 21(1):p.392-401.Kalra A,Ahmad S.Using Oceanic-Atmospheric Oscillationsfor Long Lead Time Streamflow Forecasting[J].Water Resources Research,2009,45(3).Gwo-Fong,Lin,et al. Typhoon flood forecasting using integrated two-stageSupport Vector Machine approach[J]. Journal of Hydrology,2013)。长短期记忆网络(Long Short Term Memory，LSTM) 深度学习模型缓解了循环神经网络模型中存在的梯度消失问题，但LSTM模型需要线性层在每个序列时间步骤中运行，同时该层需要大量的存储带宽计算，训练量大耗时长(Azzouni A,Pujolle G.A Long Short-Term MemoryRecurrent Neural Network Framework for Network Traffic Matrix Prediction[J].2017.Gers F A,Schraudolph N N,Schmidhuber,Jürgen.Learning Precise Timingwith LSTM Recurrent Networks[J].Journal of Machine Learning Research,2003,3(1):115-143.Selvin S,Vinayakumar R,Gopalakrishnan E A,et al.Stock priceprediction using LSTM,RNN and CNN-sliding window model[C]//2017 InternationalConference on Advances in Computing,Communications and Informatics(ICACCI).IEEE,2017.)。而对于交通客流模式识别的方法主要包括：基于距离的模式识别和基于特征的模式识别。基于距离的模式识别一般采用欧氏距离(Euclidean distance)衡量交通客流的相似性，例如K近邻(K-Nearest Neighbor，KNN) 算法(Macqueen J.Some Methods forClassification and Analysis of Multi Variate Observations[C].Proc of BerkeleySymposium on Mathematical StatisticsProbability,1965. Saroj,Kavita.Review:Study on Simple k Mean and Modified K Mean Clustering Technique[J].International Journal of Computer Science Engineering and Technology,2016,6(7):279-281.)。基于特征的模式识别算法，一般寻找差异性子段来区分交通流所属类别，例如， Shapelet算法寻找数据中最具有代表性的连续子序列(Zhu L,Lu C,Sun Y.TimeSeries Shapelet Classification Based Online Short-Term Voltage StabilityAssessment[J].Power Systems,IEEE Transactions on,2016,31(2):1430-1439.)。虽然两类模式识别方法都能够在特定条件下获取良好的分类结果，但是受多方交通因素影响，且交通指数时间序列数据本身存在着一定的扭曲和变形现象，因此，传统基于距离和基于特征的识别方法对于交通指数时间序列数据的模式识别能力还有一定的不足。