基于LSTM 神经网络的降雨天旅行时间预测研究

交通运输系统工程与信息 ›› 2020, Vol. 20 ›› Issue (1): 137-144.

基于LSTM 神经网络的降雨天旅行时间预测研究

王志建^*，李达标，崔夏

北方工业大学北京市城市道路交通智能控制技术重点实验室，北京 100144

收稿日期:2019-10-22 修回日期:2019-12-11 出版日期:2020-02-25 发布日期:2020-03-02
作者简介:王志建(1982-)，男，河北石家庄人，副教授.
基金资助:
国家自然科学基金/National Natural Science Foundation of China(61503006)；北京市自然科学基金/Natural Science Foundation of Beijing, China(8172018)；北京市教委基础科研计划项目/Beijing Municipal Education Commission Basic Scientific Research Project(110052971921/023).

Travel Time Prediction Based on LSTM Neural Network in Precipitation

WANG Zhi-jian, LI Da-biao, CUI Xia

Beijing Key Lab of Urban Intelligent Traffic Control Technology, North China University of Technology, Beijing 100144, China

Received:2019-10-22 Revised:2019-12-11 Online:2020-02-25 Published:2020-03-02

摘要/Abstract

摘要：

降雨给城市道路行程时间的计算和预测带来了许多不确定因素. 以出租车GPS数据为研究对象，在考虑降雨数据的基础上，设计一个基于非最小路段的行程时间计算方法，建立基于LSTM(Long Short-Term Memory)循环神经网络的行程时间预测模型进行算法验证. 最后，以北京市中关村西区出租车行驶的10 d 的GPS数据进行方法验证. 结果表明，加入降雨特征预测的结果比未加入降雨特征拥有更高的准确率. 并与应用较为广泛的BP 神经网络和 SVM进行对比分析，发现在满足数据精度的前提下，本文应用的算法和预测模型有较高的训练速度和预测可靠性.

关键词: 智能交通, 旅行时间, LSTM神经网络, 浮动车, 降雨量

Abstract:

The precipitation brings many uncertainties to calculation and prediction of travel time in urban road. This paper used GPS data of taxi as the research, considered the precipitation data and then designed a travel time calculation method based on non-minimum section. Meanwhile, we had established a travel time prediction model based on the LSTM (Long Short-Term Memory) to verification the algorithm. Finally we used 10 days GPS data which is from taxi in zhongguancun west of Beijing to verify the method. The results show that the prediction results with rainfall characteristics are more accurate than those without. Compared with BP neural network and SVM witch are widely used, the algorithm and prediction model in our paper has higher training speed and prediction reliability under the premise of satisfying the accuracy.

Key words: intelligent transportation, travel time, LSTM neural network, floating car, precipitation

中图分类号:

U121

王志建，李达标，崔夏. 基于LSTM 神经网络的降雨天旅行时间预测研究[J]. 交通运输系统工程与信息, 2020, 20(1): 137-144.

WANG Zhi-jian, LI Da-biao, CUI Xia. Travel Time Prediction Based on LSTM Neural Network in Precipitation[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(1): 137-144.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract19987.shtml

http://www.tseit.org.cn/CN/Y2020/V20/I1/137

参考文献

[1] 许方经. 降雨条件下城市道路通行能力影响分析[D]. 西安: 长安大学, 2017. [XU F J. Calculation and analysis of urban road capacity under rainfall condition [D]. Xi'an: Chang' an University, 2017.]

[2] 姜桂艳, 常安德, 张玮. 基于GPS浮动车的路段行程时间估计方法比较[J]. 吉林大学学报(工学版), 2009, 39 (S2): 182-186. [ JIANG G Y, CHANG A D, ZHANG W. Comparison of link travel- time estimation methods based on GPS equipped floating car[J]. Journal of Jilin University (Engineering Edition), 2009, 39(S2): 182- 186.]

[3] 丁宏飞, 李演洪, 刘博. 基于BP神经网络与SVM的快速路行程时间组合预测研究[J]. 计算机应用研究, 2016, 33(10): 2929-2932. [DING H F, LI Y H, LIU B. Expressway's travel time prediction based on combined BP neural network and support vector machine approach [J]. Computer Application Research, 2016, 33(10): 2929-2932.]

[4] DUAN Y J, LV Y, WANG F Y. Travel time prediction with LSTM neural network[C]// 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), IEEE, 2016.

[5] SIRIPANPORNCHANA C, PANICHPAPIBOON S, CHAOVALIT P. Travel- time prediction with deep learning[C]// Region 10 Conference, IEEE, 2017.

[6] 涂丽佳. 基于轨迹数据的长距离路径通行时间估计问题[D]. 哈尔滨: 哈尔滨工业大学, 2017. [TU L J. Travel time estimation of a long path using trajectory data[D]. Harbin: Harbin Institute of Technology, 2017.]

[7] 王笑. 暴雨天气下城市快速路交通流特性研究[D]. 北京: 北京交通大学, 2015. [WANG X. Study on traffic flow characteristics of urban expressway in rainstorm weather[D]. Beijing: Beijing Jiao Tong University, 2015.]

[8] 宋现敏, 刘明鑫, 马林, 等. 基于极限学习机的公交行程时间预测方法[J]. 交通运输系统工程与信息, 2018, 18(5): 140-146, 154. [SONG X M, LIU M X, MA L. Bus travel time prediction based on extreme learning machine[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(5): 140-146, 154.]

[1]	郭烈, 胥林立, 秦增科, 王旭. 自动驾驶接管影响因素分析与研究进展[J]. 交通运输系统工程与信息, 2022, 22(2): 72-90.
[2]	徐猛, 刘涛, 钟绍鹏, 姜宇. 城市智慧公交研究综述与展望[J]. 交通运输系统工程与信息, 2022, 22(2): 91-108.
[3]	程君, 张立炎, 陈启宏. 一种基于地图辅助的自动驾驶视-惯融合定位方法[J]. 交通运输系统工程与信息, 2022, 22(2): 117-126.
[4]	王国栋, 刘立, 孟宇, 马智萍, 郑淏清, 顾青, 白国星. 一体式车辆避撞轨迹规划与跟踪控制[J]. 交通运输系统工程与信息, 2022, 22(2): 127-136.
[5]	陈鼎, 周水庭, 陈云, 苏敏咸. 拥堵指数自适应调节的交通运行状态识别方法及应用研究[J]. 交通运输系统工程与信息, 2022, 22(2): 137-144.
[6]	马东方, 陈曦, 吴晓东, 金盛. 基于强化学习的干线信号混合协同优化方法[J]. 交通运输系统工程与信息, 2022, 22(2): 145-153.
[7]	许波桅, 王玲玲, 李军军. 自动化码头多级作业超网络延误传导特性研究[J]. 交通运输系统工程与信息, 2022, 22(2): 280-289.
[8]	田会娟, 刘嘉伟, 翟佳豪, 邓琳琳. 基于多入侵线的视频车速检测方法[J]. 交通运输系统工程与信息, 2022, 22(1): 49-56.
[9]	贾彦峰, 曲大义, 赵梓旭, 王韬, 宋慧. 基于安全势场的网联自主车辆跟驰行为决策及模型[J]. 交通运输系统工程与信息, 2022, 22(1): 85-97.
[10]	刘文, 汪文博. 基于秩最小化矩阵去噪的船舶轨迹重构方法[J]. 交通运输系统工程与信息, 2022, 22(1): 106-114.
[11]	赵建东, 陈溱, 焦彦利, 张凯丽, 韩明敏. 重点营运车辆的异常驾驶行为识别研究[J]. 交通运输系统工程与信息, 2022, 22(1): 282-291.
[12]	徐东伟, 彭航, 商学天, 魏臣臣, 杨艳芳. 基于图自编码-生成对抗网络的路网数据修复[J]. 交通运输系统工程与信息, 2021, 21(6): 33-41.
[13]	游峰, 梁健中, 曹水金, 肖智豪, 吴镇江, 王海玮. 面向多目标跟踪的密集行人群轨迹提取和运动语义感知[J]. 交通运输系统工程与信息, 2021, 21(6): 42-54.
[14]	王福建, 俞佳浩, 赵锦焕, 梅振宇. 基于站点实时关联度的短时公交客流预测方法[J]. 交通运输系统工程与信息, 2021, 21(6): 131-144.
[15]	张毅, 姚丹亚, 李力, 裴华鑫, 晏松, 葛经纬. 智能车路协同系统关键技术与应用[J]. 交通运输系统工程与信息, 2021, 21(5): 40-51.