基于固定檢測(cè)器的動(dòng)態(tài)交通故障數(shù)據(jù)識(shí)別與修復(fù)

宋永朝,王 翠

(重慶交通大學(xué) 交通運(yùn)輸學(xué)院,重慶 400074)

0 引 言

隨著智能檢測(cè)設(shè)備的普及,城市道路存在大量固定檢測(cè)器,由于環(huán)境異常、突發(fā)事件、設(shè)備故障、通信網(wǎng)絡(luò)故障等原因,其采集的動(dòng)態(tài)交通狀態(tài)參數(shù)存在丟失、冗余、異常、噪聲污染及漂移現(xiàn)象[1],直接使用原始數(shù)據(jù)計(jì)算會(huì)降低數(shù)據(jù)質(zhì)量,影響交通流預(yù)測(cè)及狀態(tài)判別精度。因此,進(jìn)行有效的交通故障數(shù)據(jù)識(shí)別、異常數(shù)據(jù)修復(fù),可以得到可靠的動(dòng)態(tài)交通參數(shù),為解決城市交通問(wèn)題提供支持。

在交通故障數(shù)據(jù)識(shí)別方面,YIN Chunyong等[2]提出了基于邊緣計(jì)算感知數(shù)據(jù)流的異常檢測(cè)算法, 利用區(qū)間差對(duì)異常數(shù)據(jù)識(shí)別;陸百川等[3]考慮交通流數(shù)據(jù)時(shí)空特性結(jié)合馬氏距離,構(gòu)建了故障數(shù)據(jù)識(shí)別模型;陸化普等[4]根據(jù)S-G濾波法和數(shù)據(jù)驅(qū)動(dòng)方法,提出一套城市道路交通流檢測(cè)數(shù)據(jù)故障識(shí)別算法。在故障數(shù)據(jù)修復(fù)方面,苗旭等[5]考慮檢測(cè)器采集數(shù)據(jù)的周期性與時(shí)間變化特性,提出了基于時(shí)空相關(guān)性的異常數(shù)據(jù)修復(fù)方法;YE Miao等[6]提出了一種基于再生碼和混合遺傳算法的故障數(shù)據(jù)修復(fù)方法,減少了數(shù)據(jù)傳輸量,提高了修復(fù)效率;王薇等[7]考慮交通流數(shù)據(jù)的時(shí)空相關(guān)性,提出了基于3D形函數(shù)的時(shí)空插值修復(fù)方法,有效修復(fù)了高速路網(wǎng)交通流故障數(shù)據(jù)。目前,對(duì)各類檢測(cè)傳感器數(shù)據(jù)中所存在的故障數(shù)據(jù)識(shí)別、異常數(shù)據(jù)修復(fù)問(wèn)題,研究主要考慮如何準(zhǔn)確修復(fù)時(shí)間序列數(shù)據(jù)、如何挖掘利用數(shù)據(jù)的時(shí)空相關(guān)特性、如何提高模型算法的性能以及精度等。針對(duì)海量的城市動(dòng)態(tài)交通參數(shù),為滿足城市管理系統(tǒng)的數(shù)據(jù)要求,需要交通故障數(shù)據(jù)識(shí)別與修復(fù)需模型算法效率更快、精度更高。

筆者以動(dòng)態(tài)交通參數(shù)中常見(jiàn)的基本參數(shù)為例(如流量、速度)。首先采用閾值結(jié)合交通流機(jī)理進(jìn)行淺層次異常數(shù)據(jù)識(shí)別,并利用時(shí)序數(shù)據(jù)間的相關(guān)聯(lián)性,結(jié)合離群距離篩選出相對(duì)離群距離較大的異常數(shù)據(jù),進(jìn)行深層次異常數(shù)據(jù)識(shí)別;其次,提出改進(jìn)DE-LSTM數(shù)據(jù)修復(fù)模型,通過(guò)改進(jìn)DE算法優(yōu)化LSTM中隱含層和學(xué)習(xí)率,提高數(shù)據(jù)修復(fù)精度和降低模型時(shí)間成本;最后,采用實(shí)際道路固定檢測(cè)器采集數(shù)據(jù)進(jìn)行案例分析,檢驗(yàn)?zāi)Ｐ蛯?shí)際效果。

1 故障數(shù)據(jù)識(shí)別

1.1 閾值結(jié)合交通流機(jī)理識(shí)別

根據(jù)交通流合理取值范圍,設(shè)置閾值區(qū)間,若交通流數(shù)據(jù)不在此區(qū)間范圍內(nèi),則判定該條交通流數(shù)據(jù)為故障數(shù)據(jù)[8]。固定檢測(cè)器采集的動(dòng)態(tài)交通基礎(chǔ)參數(shù)中,交通流3參數(shù)流量q、速度v、占有率o的閾值取值范圍如式(1):

(1)

式中:fc、fv分別為流量、速度修正系數(shù),取值范圍為[1.3,1.5][9];C為路段通行能力,pcu/h;T為檢測(cè)器數(shù)據(jù)采集時(shí)間間隔,min;vh為道路限速,km/h。

當(dāng)交通流參數(shù)值不為0時(shí),閾值法可初步識(shí)別交通故障數(shù)據(jù);交通參數(shù)值為0時(shí),無(wú)法判斷該采集數(shù)據(jù)是無(wú)車輛通過(guò)檢測(cè)器還是檢測(cè)器受到干擾,此時(shí)需要結(jié)合交通流機(jī)理進(jìn)行規(guī)則識(shí)別,如表1。

表1 交通流機(jī)理識(shí)別規(guī)則

由表1可得到:①無(wú)車輛通行時(shí):q=0、v=0、o=0;②車輛正常通行時(shí):q>0、v>0、o>0;③車輛處于擁堵占據(jù)檢測(cè)器時(shí):q=0、v=0、o=(95,100]。當(dāng)交通流3參數(shù)屬于以上3種情況,即為正常數(shù)據(jù),反之為異常數(shù)據(jù)。

運(yùn)用閾值結(jié)合交通流機(jī)理法初步識(shí)別出明顯不合理數(shù)據(jù)或不符合交通基本理論的數(shù)據(jù),對(duì)明顯不合理數(shù)據(jù)或缺失數(shù)據(jù)用歷史數(shù)據(jù)和采集時(shí)刻前后相關(guān)數(shù)據(jù)進(jìn)行補(bǔ)齊,將初步識(shí)別后的數(shù)據(jù)作為數(shù)據(jù)輸入,進(jìn)一步異常數(shù)據(jù)識(shí)別及修復(fù),提高數(shù)據(jù)質(zhì)量。

1.2 基于離群距離檢測(cè)的故障數(shù)據(jù)識(shí)別

固定檢測(cè)器所收集到的動(dòng)態(tài)交通數(shù)據(jù),在采集時(shí)間段內(nèi)有嚴(yán)格的時(shí)間順序,對(duì)于時(shí)間序列異常數(shù)據(jù)常用的檢測(cè)方法有:直接檢測(cè)、間接檢測(cè)、時(shí)間跨度檢測(cè)、序列跨度檢測(cè)[10]。交通流動(dòng)態(tài)故障識(shí)別定位,即為針對(duì)點(diǎn)位異常數(shù)據(jù)檢測(cè),進(jìn)行直接離群點(diǎn)位定位。筆者采用基于距離檢測(cè)的異常數(shù)據(jù)檢測(cè)算法來(lái)篩選更為隱含的錯(cuò)誤數(shù)據(jù),利用邊緣計(jì)算的思想提高數(shù)據(jù)處理效率,高效識(shí)別異常數(shù)據(jù)。

對(duì)于單個(gè)固定檢測(cè)器,其采集到的時(shí)序數(shù)據(jù),按采集時(shí)間表達(dá)如式(2):

Xi={x1,x2,…,xm,…,xn},1≤m≤n

(2)

式中:Xi為第i天交通流時(shí)間序列數(shù)據(jù)樣本集;xm為某個(gè)采集具體時(shí)刻tm的數(shù)據(jù)值;n為數(shù)據(jù)長(zhǎng)度。

對(duì)于交通流數(shù)據(jù)集合Xi,引入用來(lái)存放Xi部分?jǐn)?shù)據(jù)的滑動(dòng)窗口SW(slide window),其長(zhǎng)度為L(zhǎng)SW,滑動(dòng)窗口長(zhǎng)度一般與檢測(cè)器采集數(shù)據(jù)時(shí)間間隔相關(guān)。進(jìn)行長(zhǎng)度計(jì)算時(shí),只考慮時(shí)序數(shù)據(jù)在采集時(shí)刻的具體數(shù)據(jù)值,忽略時(shí)間標(biāo)簽,將滑動(dòng)窗口中時(shí)序數(shù)據(jù)簡(jiǎn)化表達(dá)如式(3):

XSW={s1,s2,…,sr,…,sn},1≤r≤n=LSW

(3)

(4)

(5)

更新中心子序列Xcentre,如式(6):

Xcentre=(sr-Lmove-1,sr-Lmove,…,sr,…,sr+Lmove)

(6)

其中滑動(dòng)窗口、子序列最小長(zhǎng)度和橫向移動(dòng)距離與故障數(shù)據(jù)在相同時(shí)間段的歷史數(shù)據(jù)高度相關(guān),考慮到歷史數(shù)據(jù)與當(dāng)前數(shù)據(jù)間,在滑動(dòng)窗口內(nèi)存在著基本相關(guān),根據(jù)Pearson相關(guān)系數(shù),可求出歷史數(shù)據(jù)與當(dāng)前數(shù)據(jù)的線性相關(guān)系數(shù)R,如式(7):

(7)

采用最小二乘法求解線性逼近函數(shù)y=kx+b,其系數(shù)計(jì)算如式(8)、式(9):

(8)

(9)

利用式(7)驗(yàn)證兩個(gè)數(shù)據(jù)之間的相關(guān)性,利用式(8) 、式(9)對(duì)滑動(dòng)窗口內(nèi)的數(shù)據(jù)依次進(jìn)行相對(duì)離群距離計(jì)算,則基于相對(duì)離群距離和數(shù)據(jù)間相關(guān)性的異常數(shù)據(jù)檢測(cè)步驟如下:

Step1基礎(chǔ)參數(shù)設(shè)置

設(shè)置固定滑動(dòng)窗口長(zhǎng)度LSW、子序列最小長(zhǎng)度Lmin、子序列橫向移動(dòng)距離Lmove、點(diǎn)位相對(duì)離群距離最小值εdis。

Step2計(jì)算相對(duì)離群距離

2 基于改進(jìn)DE-LSTM的故障數(shù)據(jù)修復(fù)

隨著多源信息技術(shù)快速發(fā)展,傳統(tǒng)數(shù)據(jù)驅(qū)動(dòng)模型難以滿足實(shí)時(shí)性、準(zhǔn)確性等要求,長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)模型具有實(shí)現(xiàn)簡(jiǎn)單,長(zhǎng)期記憶功能突出,模型泛化能力好的特點(diǎn),常用于處理與時(shí)間序列相關(guān)性特別高的問(wèn)題[11-12]。但由于LSTM在訓(xùn)練過(guò)程中,學(xué)習(xí)率和隱含層需要依據(jù)經(jīng)驗(yàn)不斷嘗試,會(huì)耗費(fèi)大量時(shí)間。差分進(jìn)化算法(DE)在處理非線性問(wèn)題有較強(qiáng)穩(wěn)定性,且算法收斂速度快、魯棒性強(qiáng),因此筆者提出改進(jìn)DE-LSTM故障數(shù)據(jù)修復(fù)模型。

2.1 差分進(jìn)化算法

差分進(jìn)化算法是一種基于種群的全局優(yōu)化算法,常被應(yīng)用在神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)挖掘、多源信息處理等領(lǐng)域[13]。其算法步驟主要包括初始化種群、變異、交叉和選擇,由于種群的更新策略以及交叉選擇的不同,算法存在著前期求解非全局最優(yōu),后期在最優(yōu)解附近震蕩、搜索停滯等問(wèn)題,針對(duì)DE算法存在的主要問(wèn)題,對(duì)下一代最優(yōu)種群的選取和變異交叉因子動(dòng)態(tài)調(diào)整進(jìn)行改進(jìn),改進(jìn)差分進(jìn)化算法步驟如下:

Step1初始化

固定檢測(cè)器采集數(shù)據(jù)種群初始化,維數(shù)D,種群數(shù)量N,初始化操作如式(10):

xi,g={xi,1,xi,2,…,xi,D},i=1,2,…,N

(10)

Step2變異

DE算法的變異策略是采用種群中兩個(gè)不同個(gè)體向量來(lái)干擾一個(gè)現(xiàn)有個(gè)體向量,進(jìn)行差分操作實(shí)現(xiàn)子代變異,傳統(tǒng)DE算法變異如式(11):

vi,g=xr1(g)+F×[(xr2(g)-xr3(g))]

(11)

式中:r1,r2,r3為3個(gè)相異個(gè)體且取值為[1,N];F為變異因子;g為當(dāng)前進(jìn)化代數(shù)。

對(duì)變異因子進(jìn)行改進(jìn),在傳統(tǒng)固定因子的基礎(chǔ)上,設(shè)置一個(gè)動(dòng)態(tài)變異因子,使得變異因子隨著迭代過(guò)程而動(dòng)態(tài)變化,在算法初期提高種群的搜索能力,后期提高尋優(yōu)能力。采用自適應(yīng)變異因子[14],改進(jìn)具體如式(12):

(12)

式中:F′為改進(jìn)變異因子;G為最大進(jìn)化代數(shù);g′為當(dāng)前進(jìn)化代數(shù)。

算法運(yùn)行初期,變異因子取值較大,以保持種群多樣性,擴(kuò)大搜索空間;隨著進(jìn)化次數(shù)逐漸增大,變異因子逐漸減小,以保持種群中的優(yōu)秀個(gè)體,當(dāng)變異因子維持0.5時(shí),算法整體性能最佳,提高了算法運(yùn)行效率。改進(jìn)后變異操作如式(13):

vi,g=xr1(g)+F′×[(xr2(g)-xr3(g))]

(13)

Step3交叉

差分進(jìn)化算法對(duì)于每個(gè)個(gè)體和它所生成的子代變異個(gè)體進(jìn)行交叉,即對(duì)每個(gè)個(gè)體分量按照一定概率的交叉因子P選擇子代變異個(gè)體(否則就是原個(gè)體)來(lái)進(jìn)行種群的交叉進(jìn)化,形成一個(gè)新的個(gè)體,操作如式(14):

(14)

交叉因子P影響DE算法的局部搜索能力及全局搜索平衡性,交叉因子取較大值時(shí),利于局部尋優(yōu)并提升算法運(yùn)算效率;交叉因子取較小值時(shí),利于全局并行搜索并維持種群的多樣性[15]。采用自適應(yīng)控制策略,對(duì)傳統(tǒng)交叉因子具體改進(jìn)操作如式(15)、式(16):

Pi,g=N(μi,g,0.1)

(15)

(16)

式中:Pi,g為當(dāng)前個(gè)體xi,g的交叉概率;a為常數(shù),a∈[0,0.5];μi,g為更新交叉概率的高斯分布均值,初始值為0.5。

Step4選擇

差分進(jìn)化算法采用貪婪算法,根據(jù)子代和父代的適應(yīng)度函數(shù)值對(duì)比,選擇更優(yōu)秀的個(gè)體作為下一代。具體操作如式(17):

(17)

2.2 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)

處理有嚴(yán)格時(shí)間序列的檢測(cè)器采集數(shù)據(jù)時(shí),常選用循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks),但其只有短期記憶,因而存在下降梯度消失的問(wèn)題,長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory)中新的記憶細(xì)胞可有效解決該問(wèn)題。因此, LSTM的隱藏計(jì)算模塊在RNN基礎(chǔ)上引入一個(gè)新的內(nèi)部狀態(tài):記憶細(xì)胞(memory cell),記憶細(xì)胞在3個(gè)控制傳遞的邏輯門(輸入門、遺忘門、輸出門)之間進(jìn)行信息傳輸。LSTM采用一定的方法將短期記憶與長(zhǎng)期記憶相結(jié)合,克服了時(shí)序過(guò)長(zhǎng)時(shí),RNN容易忘記前較久遠(yuǎn)時(shí)間段的信息,越近的時(shí)間點(diǎn)對(duì)此刻的輸入影響越大。常見(jiàn)LSTM結(jié)構(gòu)如圖1。

圖1 LSTM數(shù)據(jù)傳輸結(jié)構(gòu)Fig. 1 LSTM data transmission structure diagram

ft=σ(Wf·[ht-1,xt]+bf)

(18)

it=σ(Wi·[ht-1,xt]+bi)

(19)

ct=tanh(Wc·[ht-1,xt]+bc)

(20)

(21)

ot=σ(Wo·[ht-1,xt]+bo)

(22)

ht=ot×tanh(Ct)

(23)

(24)

(25)

式中:帶下標(biāo)的W、b均為參數(shù)矩陣;xt為輸入值;ht為t時(shí)刻輸出值;Ct為t時(shí)刻時(shí),記憶細(xì)胞狀態(tài)參數(shù);σ為s型激活函數(shù)。

2.3 基于改進(jìn)DE-LSTM的故障數(shù)據(jù)修復(fù)方法

通過(guò)改進(jìn)差分進(jìn)化算法優(yōu)化長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò),對(duì)神經(jīng)網(wǎng)絡(luò)中學(xué)習(xí)率、隱含層節(jié)點(diǎn)進(jìn)行自動(dòng)尋優(yōu),提高了模型計(jì)算效率且避免了陷入局部最優(yōu),使得提出的改進(jìn)DE-LSTM模型對(duì)交通時(shí)序故障數(shù)據(jù)有較好的修復(fù)能力及較高的精度。改進(jìn)DE-LSTM的故障數(shù)據(jù)修復(fù)模型流程如圖2。

圖2 基于改進(jìn)DE-LSTM的故障數(shù)據(jù)修復(fù)流程Fig. 2 Fault data repair process based on improved DE-LSTM

改進(jìn)DE-LSTM的故障數(shù)據(jù)修復(fù)步驟如下:

Step1導(dǎo)入固定檢測(cè)器采集的交通流時(shí)序數(shù)據(jù),對(duì)工作日內(nèi)處理后的采集數(shù)據(jù)劃分訓(xùn)練集、測(cè)試集,并對(duì)不同源數(shù)據(jù)進(jìn)行歸一化。

Step2建立長(zhǎng)短期記憶網(wǎng)絡(luò)訓(xùn)練模型,設(shè)置輸入層節(jié)點(diǎn)數(shù)3,輸出層節(jié)點(diǎn)數(shù)1,最大迭代次數(shù)50次,將神經(jīng)網(wǎng)絡(luò)模型中的學(xué)習(xí)率及隱含層節(jié)點(diǎn)數(shù)定為尋優(yōu)參數(shù)。

Step3對(duì)差分進(jìn)化算法中的參數(shù)進(jìn)行初始化賦值,設(shè)置最大迭代次數(shù)為50、縮放因子及交叉因子按式(12)、式(15)取值,并對(duì)檢測(cè)器時(shí)間序列數(shù)據(jù)種群初始化。

Step4根據(jù)改進(jìn)差分進(jìn)化算法,對(duì)交通流信息數(shù)據(jù)按設(shè)置好的基礎(chǔ)參數(shù)進(jìn)行變異、交叉、選擇產(chǎn)生下一代個(gè)體。

Step5判斷是否達(dá)到迭代終止條件,即當(dāng)前進(jìn)化代數(shù)是否為預(yù)設(shè)最大迭代次數(shù)G=50,若進(jìn)化代數(shù)達(dá)到50次則輸出當(dāng)前種群,否則轉(zhuǎn)Step4。

Step6重復(fù)執(zhí)行Step4、Step5,得到最優(yōu)的下一代種群。

Step7對(duì)輸出的種群進(jìn)行適應(yīng)度評(píng)價(jià),最小適應(yīng)度值所對(duì)應(yīng)的子個(gè)體即為算法最優(yōu)解,將得到的最優(yōu)參數(shù)作為L(zhǎng)STM輸入。

Step8將優(yōu)化后學(xué)習(xí)率和隱含層節(jié)點(diǎn)數(shù)輸入LSTM中,構(gòu)建改進(jìn)DE-LSTM故障數(shù)據(jù)修復(fù)模型。

Step9根據(jù)評(píng)價(jià)指標(biāo)進(jìn)行分析總結(jié),選取修復(fù)精度最高的模型進(jìn)行交通時(shí)序故障數(shù)據(jù)修復(fù)。

3 算例驗(yàn)證

選取某交通示范區(qū)實(shí)際交通路段所采集交通數(shù)據(jù),進(jìn)行固定檢測(cè)器動(dòng)態(tài)交通數(shù)據(jù)故障識(shí)別及修復(fù)模型驗(yàn)證,該交通路段地理位置如圖3。以固定檢測(cè)數(shù)據(jù)采集時(shí)間間隔5 min為例,考慮到交通流的時(shí)空相關(guān)性,同一路段在工作日和周末交通狀態(tài)差異較明顯,因此選取同一微波檢測(cè)器所采集周一至周五(以2016年7月11日—7月15日為例)的1 440個(gè)交通數(shù)據(jù)為研究對(duì)象,部分采集數(shù)據(jù)集如表2。

圖3 實(shí)際路網(wǎng)及檢測(cè)器布設(shè)位置Fig. 3 Actual road network and detector layout

表2 微波采集部分?jǐn)?shù)據(jù)

3.1 故障識(shí)別驗(yàn)證

為更好模擬故障異常數(shù)據(jù)的出現(xiàn),以7月12日數(shù)據(jù)為研究對(duì)象,人為設(shè)置流量異常數(shù)據(jù)34個(gè)、速度異常數(shù)據(jù)32個(gè),采用閾值結(jié)合交通流機(jī)理進(jìn)行初步識(shí)別,其中修正系數(shù)fc=1.4。

利用閾值結(jié)合交通流機(jī)理診斷結(jié)果如圖4。

圖4 基于閾值結(jié)合交通流機(jī)理的異常數(shù)據(jù)識(shí)別Fig. 4 Abnormal data recognition based on threshold combined with traffic flow mechanism

利用閾值結(jié)合交通流機(jī)理的方法能夠初步識(shí)別明顯的異常數(shù)據(jù),對(duì)明顯超過(guò)閾值或數(shù)據(jù)為0時(shí)的異常數(shù)據(jù)識(shí)別率較高,對(duì)隱含在數(shù)據(jù)中更加深層次的異常數(shù)據(jù)識(shí)別率較低。識(shí)別出的流量及速度異常數(shù)據(jù)個(gè)數(shù)均為16個(gè)。

利用距離檢測(cè)算法進(jìn)行深層次異常數(shù)據(jù)識(shí)別,診斷結(jié)果如圖5。

圖5 基于離群距離檢測(cè)算法的異常數(shù)據(jù)識(shí)別Fig. 5 Abnormal data identification based on outlier distance detection algorithm

利用距離檢測(cè)算法進(jìn)一步進(jìn)行異常數(shù)據(jù)識(shí)別,除去可以明顯識(shí)別超過(guò)閾值和不符合交通流運(yùn)行規(guī)律數(shù)據(jù)之外,更進(jìn)一步地識(shí)別出數(shù)據(jù)中的深層次異常數(shù)據(jù),對(duì)于異常數(shù)據(jù)識(shí)別個(gè)數(shù)的結(jié)果為:流量異常數(shù)據(jù)識(shí)別30個(gè)、速度異常數(shù)據(jù)31個(gè),較閾值結(jié)合交通流機(jī)理法準(zhǔn)確率提升41.2%和46.8%。

3.2 故障修復(fù)驗(yàn)證

對(duì)識(shí)別出的異常故障數(shù)據(jù)進(jìn)行剔除,通過(guò)改進(jìn)DE-LSTM算法對(duì)數(shù)據(jù)進(jìn)行補(bǔ)齊;將2016年7月11日—7月14日速度數(shù)據(jù)作為歷史數(shù)據(jù)輸入,對(duì)模型訓(xùn)練,修改的2016年7月15日速度數(shù)據(jù)作為模型測(cè)試集,并將通過(guò)模型修復(fù)后的數(shù)據(jù)與7月15日原始速度數(shù)據(jù)做對(duì)比(假定7月15日原始數(shù)據(jù)不存在數(shù)據(jù)故障問(wèn)題,修復(fù)性能對(duì)比為模型修復(fù)后的數(shù)據(jù)與當(dāng)天完整原始數(shù)據(jù)之間的對(duì)比),并采用平均均方誤差和相對(duì)精度對(duì)模型進(jìn)行準(zhǔn)確性評(píng)價(jià)。設(shè)定LSTM訓(xùn)練過(guò)程采用adam優(yōu)化器進(jìn)行優(yōu)化[16],適應(yīng)度函數(shù)為L(zhǎng)STM訓(xùn)練集、測(cè)試集均方誤差,利用差分進(jìn)化算法對(duì)LSTM學(xué)習(xí)率、隱含層節(jié)點(diǎn)數(shù)進(jìn)行動(dòng)態(tài)尋優(yōu)。

為驗(yàn)證改進(jìn)差分進(jìn)化算法能夠優(yōu)化基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)算法,先采用LSTM算法對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)修復(fù),以7月11—7月14日速度數(shù)據(jù)作為歷史數(shù)據(jù)輸入,7月15日數(shù)據(jù)為預(yù)測(cè)集,設(shè)定輸入層為3、輸出層為1、隱含層為6、初始學(xué)習(xí)率為0.01、迭代次數(shù)88次,基于LSTM的數(shù)據(jù)預(yù)測(cè)修復(fù)模型結(jié)果如圖6。

圖6 基于LSTM算法的數(shù)據(jù)預(yù)測(cè)修復(fù)Fig. 6 Data prediction repair based on LSTM algorithm

LSTM模型中的學(xué)習(xí)率以及隱含層節(jié)點(diǎn)數(shù)設(shè)置通常都是根據(jù)文獻(xiàn)及經(jīng)驗(yàn)直接給出,未考慮數(shù)據(jù)情況,數(shù)據(jù)訓(xùn)練預(yù)測(cè)精度與參數(shù)設(shè)定高度相關(guān),因此引入DE算法對(duì)種群自動(dòng)尋優(yōu),得到最優(yōu)的學(xué)習(xí)率及隱含層節(jié)點(diǎn)數(shù),提高LSTM算法效率。

采用傳統(tǒng)差分進(jìn)化算法對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練,取F=0.5、P=0.6、最大進(jìn)化代數(shù)為50,得到基于差分進(jìn)化算法優(yōu)化的超參數(shù)為:神經(jīng)元個(gè)數(shù)35、學(xué)習(xí)率0.024 8。通過(guò)傳統(tǒng)DE優(yōu)化LSTM算法對(duì)數(shù)據(jù)預(yù)測(cè)修復(fù)過(guò)程及結(jié)果如圖7。

圖7 基于DE-LSTM算法的數(shù)據(jù)預(yù)測(cè)修復(fù)Fig. 7 Data prediction repair based on DE-LSTM algorithm

通過(guò)差分進(jìn)化算法優(yōu)化長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò),算法迭代收斂運(yùn)行效率提高,避免了陷入局部最優(yōu),并在傳統(tǒng)固定因子的基礎(chǔ)上,設(shè)置一個(gè)動(dòng)態(tài)變異因子和交叉因子,增強(qiáng)迭代初期算法尋優(yōu)能力,提高迭代后期算法計(jì)算效率,基于改進(jìn)DE-LSTM算法對(duì)數(shù)據(jù)修復(fù)補(bǔ)齊過(guò)程及結(jié)果如圖8。

圖8 基于改進(jìn)DE-LSTM算法的數(shù)據(jù)預(yù)測(cè)修復(fù)Fig. 8 Data prediction repair based on improved DE-LSTM algorithm

由圖7、圖8可知:改進(jìn)后的DE算法迭代收斂過(guò)程更快,尋優(yōu)能力更強(qiáng),較傳統(tǒng)DE算法收斂速度提升較大,提高算法運(yùn)行效率,改進(jìn)DE尋優(yōu)超參數(shù)結(jié)果為:神經(jīng)元個(gè)數(shù)12、學(xué)習(xí)率0.048 7。

通過(guò)LSTM、DE-LSTM、改進(jìn)DE-LSTM分別對(duì)交通速度數(shù)據(jù)進(jìn)行訓(xùn)練、測(cè)試,3種算法結(jié)果對(duì)比如圖9,算法性能對(duì)比如表3。

圖9 算法對(duì)比Fig. 9 Comparison of algorithms

表3 指標(biāo)對(duì)比

由平均均方誤差可以看出,LSTM算法均方誤差較大、DE-LSTM算法次之、改進(jìn)DE-LSTM算法均方誤差最小,通過(guò)訓(xùn)練后的速度曲線都較為接近原始數(shù)據(jù)曲線,DE-LSTM算法和改進(jìn)DE-LSTM算法對(duì)數(shù)據(jù)預(yù)測(cè)效果都較LSTM更為接近理想目標(biāo),預(yù)測(cè)效果較好,但改進(jìn)DE-LSTM算法通過(guò)對(duì)交叉因子、變異因子的改進(jìn),使得算法尋優(yōu)訓(xùn)練時(shí)間大幅減小,改進(jìn)DE-LSTM較于LSTM網(wǎng)絡(luò)運(yùn)行時(shí)間更長(zhǎng),但是對(duì)數(shù)據(jù)預(yù)測(cè)修復(fù)精度更好。

4 結(jié) 論

1) 根據(jù)固定檢測(cè)器采集的動(dòng)態(tài)交通參數(shù)存在的故障問(wèn)題,利用交通流時(shí)序數(shù)據(jù)的自身連續(xù)性,提出了基于離群距離檢測(cè)的故障數(shù)據(jù)識(shí)別算法,在算例驗(yàn)證過(guò)程中,比較固定閾值結(jié)合交通流機(jī)理法,準(zhǔn)確率提升41.2%和46.8%,故障數(shù)據(jù)識(shí)更為高效。

2) 提出了基于改進(jìn)差分進(jìn)化算法優(yōu)化長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)修復(fù)模型,算例驗(yàn)證過(guò)程中的LSTM、DE-LSTM及改進(jìn)DE-LSTM模型的相關(guān)系數(shù)分別為0.802 1、0.867 6、0.918 7,表明改進(jìn)的DE-LSTM模型精度更高、性能更優(yōu)。