Please wait a minute...
浙江大学学报(工学版)
浙江大学学报(工学版)  2021, Vol. 55 Issue (6): 1065-1071    DOI: 10.3785/j.issn.1008-973X.2021.06.006
交通工程、土木工程     
基于LSTM神经网络改进的路阻函数模型
王飞(),徐维祥*()
北京交通大学 交通运输学院，北京 100044
Improved model of road impedance function based on LSTM neural network
Fei WANG(),Wei-xiang XU*()
School of Traffic and Transportation, Beijing Jiaotong University, Beijing 100044, China
 全文: PDF(1501 KB)   HTML
摘要：

为了更加精确地计算道路的交通阻抗，对经典的BPR阻抗函数模型进行改进，建立长短期记忆(LSTM)神经网络预测改进函数中待定系数的正负，结合杭州市上塘高架至中河高架路段采集的交通数据进行验证. 与传统BPR阻抗函数方法、经典的EMME/2锥形延误函数计算方法、BP神经网络预测方法、LSTM神经网络预测方法得出的结果进行对比分析，结果显示在数据精度满足要求的前提下，改进的模型具有更高的准确性和可靠性. 说明使用改进模型计算得到的道路阻抗能够更为真实地反映道路的交通运行状况.
关键词： 城市交通;  改进BPR函数;  路阻函数;  长短期记忆神经网络;  行程时间计算    
Abstract:

The classical BPR impedance function model was improved in order to more accurately calculate the impedance value of road traffic. The long short-term memory (LSTM) neural network was established to predict the positive and negative of the undetermined coefficient value in the improved function. The traffic data collected from the Shangtang Elevated to Zhonghe Elevated sections of Hangzhou City were used to verify the model. The results were compared with the traditional BPR impedance function method, the classic EMME/2 cone delay function, the BP neural network prediction method and the LSTM neural network prediction method. Results show that the improved model has higher accuracy and reliability under the premise that the data accuracy meets the requirements, indicating that the road impedance calculated by using the improved model can more realistically reflect the traffic operation condition of the road.
Key words: urban traffic    improved BPR function    resistance function    long short-term memory neural network    travel time calculation
收稿日期: 2020-05-31 出版日期: 2021-07-30
CLC:  U 491  
基金资助: 国家自然科学基金资助项目（61672002）
通讯作者: 徐维祥     E-mail: 18120893@bjtu.edu.cn;wxxu@bjtu.edu.cn
作者简介: 王飞（1996—），男，硕士生，从事交通运输规划与管理的研究. orcid.org/0000-0002-9460-7430. E-mail： 18120893@bjtu.edu.cn
服务　　
把本文推荐给朋友
加入引用管理器
E-mail Alert
作者相关文章　　
王飞
徐维祥

引用本文:

王飞,徐维祥. 基于LSTM神经网络改进的路阻函数模型[J]. 浙江大学学报(工学版), 2021, 55(6): 1065-1071.

Fei WANG,Wei-xiang XU. Improved model of road impedance function based on LSTM neural network. Journal of ZheJiang University (Engineering Science), 2021, 55(6): 1065-1071.

链接本文:

https://www.zjujournals.com/eng/CN/10.3785/j.issn.1008-973X.2021.06.006    或    https://www.zjujournals.com/eng/CN/Y2021/V55/I6/1065

图 1  微波检测器位置及编号
图 2  引入 $x$后 $\;\beta $散点分布图
图 3   $\;\beta $拟合曲线
图 4  单个LSTM单元内部结构
图 5  LSTM神经网络结构
图 6  本文模型与经典路阻模型的 $T/{T_{\rm{f}}}$计算结果对比图
图 7  本文模型与神经网络的 $T/{T_{\rm{f}}}$计算结果对比
图 8  本文模型与经典路阻模型的行程时间计算结果对比
图 9  本文模型与神经网络的行程时间计算结果对比
模型 MAE MAPE RMSE
经典BPR 6.34 0.22 11.06
经典EMME/2 锥形延误函数 7.78 0.29 12.31
BP神经网络 18.29 0.69 136.44
LSTM神经网络 5.87 0.21 10.86
本文方法 2.54 0.09 4.91
表 1  本文模型与经典模型拟合结果误差对比
1 ZHAO Z, CHEN W, WU X LSTM network: a deep learning approach for short-term traffic forecast[J]. IET Intelligent Transport Systems, 2017, 11 (2): 68- 75
doi: 10.1049/iet-its.2016.0208
2 DUAN Y J, LV Y S, WANG F Y. Travel time prediction with LSTM neural network[C]// 2016 IEEE 19th International Conference on Intelligent Transportation Systems. Brazil: IEEE, 2016: 1053-1058.
3 SIRIPANPORNCHANA C, PANICHPAPIBOON S, CHAOVALIT P. Travel-time prediction with deep learning[C]// Region 10 Conference. Singapore: IEEE, 2017: 1859-1862.
4 LI Y F, CHEN M N, ZHAO W Z Investigating long-term vehicle speed prediction based on BP-LSTM algorithms[J]. IET Intelligent Transport Systems, 2019, 13 (8): 1281- 1290
doi: 10.1049/iet-its.2018.5593
5 MA Y, ZHANG Z, IHLER A, et al Multi-lane short-term traffic forecasting with convolutional LSTM network[J]. IEEE Access, 2020, 2020 (8): 34629- 34643
6 XU W X, ZHAO J M. Research on traffic flow time series model and shortest path algorithm of urban traffic based on travel plans[C]// 2019 International Conference on Intelligent Computing, Automation and Systems. Chongqing: IEEE, 2019: 369-373.
7 徐维祥, 李娇娇. 一种基于出行计划预测未来交通拥堵状况方法及其系统: CN108320508A [P]. 2018-07-24.
8 DAVIDSON K B The theoretical basis of a flow-travel time relationship for use in transportation planning[J]. Australian Road Research, 1978, 8 (1): 32- 35
9 SPIESS H Conical volume-delay functions[J]. Transportation Science, 1990, 24 (2): 153- 158
doi: 10.1287/trsc.24.2.153
10 傅白白, 刘法胜, 冯恩民 交通网络费用函数的标定与分析[J]. 交通运输系统工程与信息, 2003, 3 (4): 53- 57
FU Bai-bai, LIU Fa-sheng, FENG En-min Traffic network costs analysis and validation[J]. Journal of Transportation Systems Engineering and Information Technology, 2003, 3 (4): 53- 57
doi: 10.3969/j.issn.1009-6744.2003.04.010
11 王树盛, 黄卫, 陆振波 路阻函数关系式推导及其拟合分析研究[J]. 公路交通科技, 2006, 23 (4): 107- 110
WANG Shu-sheng, HUANG Wei, LU Zhen-bo Deduction of link performance function and its regression analysis[J]. Journal of Highway and Transportation Research and Development, 2006, 23 (4): 107- 110
doi: 10.3969/j.issn.1002-0268.2006.04.026
12 四兵锋, 钟鸣, 高自友 城市混合交通条件下路段阻抗函数的研究[J]. 交通运输系统工程与信息, 2008, 2 (1): 68- 73
SI Bing-feng, ZHONG Ming, GAO Zi-you A link resistance function of urban mixed traffic network[J]. Journal of Transportation Systems Engineering and Information Technology, 2008, 2 (1): 68- 73
doi: 10.3969/j.issn.1009-6744.2008.01.011
13 王素欣, 王雷震, 高利, 等 BPR路阻函数的改进研究[J]. 武汉理工大学学报: 交通科学与工程版, 2009, 33 (3): 446- 449
WANG Su-xin, WANG Lei-zhen, GAO Li, et al Improvement study on BPR link performance function[J]. Journal of Wuhan University of Technology: Transportation Science and Engineering, 2009, 33 (3): 446- 449
doi: 10.3963/j.issn.1006-2823.2009.03.011
14 刘宁, 赵胜川, 何南 基于BPR函数的路阻函数研究[J]. 武汉理工大学学报: 交通科学与工程版, 2013, 37 (3): 545- 548
LIU Ning, ZHAO Sheng-chuan, HE Nan Further study of impedance function based on BPR function[J]. Journal of Wuhan University of Technology: Transportation Science and Engineering, 2013, 37 (3): 545- 548
doi: 10.3963/j.issn.2095-3844.2013.03.023
15 李昂, 李硕, 李玲 城市道路路段行程时间计算模型研究[J]. 公路工程, 2016, 41 (3): 193- 197
LI Ang, LI Shuo, LI Ling Research on the calculation models of vehicle travel time on urban road segments[J]. Highway Engineering, 2016, 41 (3): 193- 197
doi: 10.3969/j.issn.1674-0610.2016.03.040
16 潘义勇, 余婷, 马健霄 基于路段与节点的城市道路阻抗函数改进[J]. 重庆交通大学学报: 自然科学版, 2017, 36 (8): 76- 81
PAN Yi-yong, YU Ting, MA Jian-xiao Improvement of urban road impedance function based on section impedance and node impedance[J]. Journal of Chongqing Jiaotong University: Natural Science, 2017, 36 (8): 76- 81
17 李彦瑾, 罗霞 基于模糊神经网络的混合交通流路阻测算模型[J]. 吉林大学学报: 工学版, 2019, 49 (1): 53- 59
LI Yan-jin, LUO Xia Calculation model of road resistance in mixed traffic flow based on fuzzy neural network[J]. Journal of Jilin University: Engineering and Technology Edition, 2019, 49 (1): 53- 59
[1] 余佳洁,季彦婕,卜卿,郑岳标. 考虑断点成本的长干线分段绿波控制方法[J]. 浙江大学学报(工学版), 2022, 56(4): 640-648.
[2] 李根,翟伟,邬岚. 基于梯度提升决策树的汇合交互作用研究[J]. 浙江大学学报(工学版), 2022, 56(4): 649-655.
[3] 陈永恒,吴场建,白乔文,熊帅,李婉宁,李浩楠. 快速路出口匝道衔接段交通特性与安全分析[J]. 浙江大学学报(工学版), 2022, 56(2): 379-387.
[4] 曹宁博,赵利英. 路段环境自动驾驶汽车通行权决策方法[J]. 浙江大学学报(工学版), 2022, 56(1): 118-127.
[5] 张楠,董红召,佘翊妮. 公交专用道条件下公交车辆轨迹的Seq2Seq预测[J]. 浙江大学学报(工学版), 2021, 55(8): 1482-1489.
[6] 赵晨馨,董红召,郝伟娜. 公交时分复用车道设置条件及交通临界模型[J]. 浙江大学学报(工学版), 2021, 55(4): 704-712.
[7] 张琦,陈红,周继彪,张敏,郭璘,杨仁法. 道路开口对临近交叉口交通安全的影响[J]. 浙江大学学报(工学版), 2021, 55(4): 720-726.
[8] 王忠宇,王玲,王艳丽,吴兵. 基于网络变结构优化的大型活动交通拥堵预防方法[J]. 浙江大学学报(工学版), 2021, 55(2): 358-366.
[9] 张翕然,陈绍宽,汪波,刘爽,王卓. 考虑替代救援可靠度的应急配置优化模型[J]. 浙江大学学报(工学版), 2021, 55(1): 20-30.
[10] 曾佳棋,王殿海. 双向干线协调控制的改进数解算法[J]. 浙江大学学报(工学版), 2020, 54(12): 2386-2394.
[11] 马新卫,季彦婕,金雪,徐洋,曹睿明. 租赁自行车用户出行特征及方式的影响因素分析[J]. 浙江大学学报(工学版), 2020, 54(6): 1202-1209.
[12] 卢凯,田鑫,林观荣,邓兴栋. 交叉口信号相位设置与配时同步优化模型[J]. 浙江大学学报(工学版), 2020, 54(5): 921-930.
[13] 朱文韬,钱国敏,马东方,王殿海. 考虑路口上游停靠站影响的公交延误模型[J]. 浙江大学学报(工学版), 2020, 54(4): 796-803.
[14] 孙超,李孟晖,韩飞. 智慧公路多源数据下的交通出行演化模型[J]. 浙江大学学报(工学版), 2020, 54(3): 546-556.
[15] 田秀娟,于德新,周户星,邢雪,王世广. 基于改进Newman算法的动态控制子区划分[J]. 浙江大学学报(工学版), 2019, 53(5): 950-956.