[发明专利]基于深度集合经验模态分解的高速公路OD预测方法

说明书

本专利公开了一种基于深度集合经验模态分解的高速公路OD预测方法，所述方法包括：步骤一、提取高速公路OD序列；步骤二：基于集合经验模态分解的时间特征提取；步骤三：基于GRU网络的OD序列预测。本发明提出的预测方法组合了集合经验模态分解模型和深度学习网络，一方面模型能够将非平稳非线性数据转为平稳线性数据，对预测模型挖掘时序关系起到极大的辅助作用，增加模型预测精度；另一方面可以降低模型复杂度，提高模型的计算效率。

技术领域

本发明涉及交通信息领域，尤其是涉及一种基于深度集合经验模态分解的高速公路OD预测方法。

背景技术

我国高速公路里程的逐年增加，截止2020年底我国高速公路通车里程达15.5万公里，有效支撑了国家建设和发展。随之也产生了大量的高速公路出入口收费数据，其中包含了车牌号码、入口站点位置、入口过车时间、出口站点位置、出口过车时间等信息。通过对收费数据的分析计算能够获取出发地和目的地(OD)之间一定时间段内的交通量，用于一定程度上反应高速公路路网运行时空状态和出行需求。对OD量进行预测能够帮助交通管理者提前制定管控策略，减缓高速公路路网压力，减少交通事故。

高速公路OD预测是一个时间序列预测问题，近年来随着人工智能和大数据技术的发展，为时间序列预测提供了更多可靠准确的方法，如深度学习、遗传算法、支持向量机等。其中深度学习凭借其学习和计算能力强、预测精确度高等优点在时间序列预测问题中得到了广泛的应用。门控循环单元(GRU)神经网络是一种改进的循环神经网络(RNN)，其采用门控制机制，具备长期记忆功能，解决了RNN在计算过程中出现梯度消失和梯度爆炸的问题。相比于经典的长短时记忆(LSTM)神经网络，GRU具备更加简单的结构单元，计算效率更高。因此，GRU网络模型在时间序列预测方面具有极大优势。由于OD数据具有一定的复杂性和随机性，将其直接输入到GRU网络中无法获取较好的结果。为此，我们提出了一种深度集合经验模态分解模型。

发明内容

本专利要解决的技术问题是提供一种基于深度集合经验模态分解的高速公路OD预测方法，以增加模型预测精度并提高模型的计算效率。

为了解决上述技术问题，本专利提供的技术方案包括：一种基于深度集合经验模态分解的高速公路OD预测方法，其特征在于，所述方法包括：步骤一、提取高速公路OD序列；从数据库中选取高速公路路网中所有的收费数据，剔除重复数据和异常数据。并将数据按照进出口位置以及过车时间进行排序，进而提取高速公路所有OD对的时间序列数据N_j，表示第j个OD对的时间序列；步骤二：基于集合经验模态分解的时间特征提取；针对时间序列N_j，对其进行集合经验模态分解，得到K个本征模态分量作为N_j的时间特征；步骤三：基于GRU网络的OD序列预测；高速公路路网中所有的J个OD对的时间序列数据进行集合经验模态分解后得到各自的K个本征模态分量和剩余分量，在每一个时间周期c内，将所有OD对中同一阶段的本征模态分量进行组合，作为一个时间步长内的GRU网络的输入特征向量；经过C个时间步长的计算，预测出第C+1个时间周期内的OD量；其包括：首先计算GRU网络模型的输入特征向量，将c时刻的各OD对的本征模态分量进行组合，得到输入向量X_c，其中表示所有OD对在c时刻的第K个本征模态分量组合成的特征向量；按照时间顺序将每个时间周期c内的输入向量X_c输入到GRU网络模型中，并通过设置网络层数，隐藏层节点数参数，对网络模型中的参数进行训练；最终得到第C+1个时间周期内的所有OD对的K个本征模态分量，分别将各OD对的本征模态分量与剩余分量叠加重构，得到其中表示C+1个时间周期内第j个OD对的流量预测结果，为GRU网络模型得到的第k阶预测本征模态分量，r_k为k阶的剩余分量。