潘 浩，劉 俊

(杭州電子科技大學(xué)自動化學(xué)院，浙江 杭州 310018)

基于小波神經(jīng)網(wǎng)絡(luò)的行人流量預(yù)測研究

潘 浩，劉 俊

(杭州電子科技大學(xué)自動化學(xué)院，浙江 杭州 310018)

結(jié)合行人流量數(shù)據(jù)高度非線性和不確定等特點(diǎn)，提出了一種基于神經(jīng)網(wǎng)絡(luò)的方法直接對行人流量進(jìn)行檢測.采用了Morlet小波基替代sigmoid假設(shè)函數(shù).實(shí)驗(yàn)結(jié)果表明，采用小波神經(jīng)網(wǎng)絡(luò)方法檢測人流量擬合了絕大多數(shù)行人流量數(shù)據(jù)，平均預(yù)測精度達(dá)到了80.08%，逼近目前前沿的深度學(xué)習(xí)模型Faster RCNN行人檢測的準(zhǔn)確率.

行人流量預(yù)測；神經(jīng)網(wǎng)絡(luò)；小波基

0 引 言

智慧城市建設(shè)正在如火如荼地進(jìn)行，交通規(guī)劃和城市安防等是智慧城市建設(shè)的重要組成部分.行人流量預(yù)測是實(shí)現(xiàn)城市道路交通規(guī)劃和城市安防等智慧城市應(yīng)用過程中必須解決的一個(gè)關(guān)鍵技術(shù)問題，成為智慧城市應(yīng)用研究領(lǐng)域中的一個(gè)難點(diǎn)和熱點(diǎn)問題.

目前，實(shí)現(xiàn)行人流量預(yù)測的方法大致可以分為三類.第一類方法根據(jù)歷史采集的相對準(zhǔn)確的行人流量數(shù)據(jù)實(shí)現(xiàn)了對當(dāng)前及未來時(shí)間點(diǎn)的行人流量數(shù)據(jù)的預(yù)測，以線性估計(jì)模型為主，主要有自回歸移動平均(Auto Regression Moving Average，ARMA)模型、卡爾曼濾波模型等[1-2].該類方法存在的主要問題是不能很好地處理和解決現(xiàn)實(shí)情況中存在的行人流量隨機(jī)性和非線性問題，不能確保行人流量預(yù)測精度.第二類方法是基于機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺相結(jié)合的方法，實(shí)時(shí)采集現(xiàn)場視頻圖像，并對視頻圖像中的行人進(jìn)行檢測和識別，從而實(shí)現(xiàn)行人流量的統(tǒng)計(jì)計(jì)算，主要以基于圖像特征的機(jī)器學(xué)習(xí)方法為主.文獻(xiàn)[3]采用基于多尺度方向梯度直方圖特征(Histogram of Oriented Gradient，HOG)，并結(jié)合AdaBoost算子構(gòu)建了級聯(lián)分類器，得到了一個(gè)快速的行人檢測系統(tǒng)；文獻(xiàn)[4]提出了基于HOG-LBP特征的行人檢測方法，并采用支持向量機(jī)(Support Vector Machine，SVM)分類器，在一定程度上克服了HOG特征的缺陷，并較大地提高了行人檢測的準(zhǔn)確度；文獻(xiàn)[5]通過提取無背景的HOG特征，提高HOG特征提取的速度，并采用AdaBoost分類器進(jìn)行分類訓(xùn)練.該類方法提取的行人特征比較淺層，對于行人檢測和識別的概率不高，行人識別率普遍低于70%.第三類方法是基于深度學(xué)習(xí)和計(jì)算機(jī)視覺相結(jié)合的方法.通過在采集的大量行人圖像數(shù)據(jù)基礎(chǔ)上，應(yīng)用深度學(xué)習(xí)進(jìn)行行人檢測和識別，從而實(shí)現(xiàn)行人流量的統(tǒng)計(jì)計(jì)算，以深度學(xué)習(xí)方法為主.主要有區(qū)域采樣卷積神經(jīng)網(wǎng)絡(luò)(Region Proposal Neural Network，RCNN)模型[6]和其改進(jìn)版本快速區(qū)域采樣卷積神經(jīng)網(wǎng)絡(luò)(Fast Region Proposal Neural Network，F(xiàn)ast RCNN)模型[7].文獻(xiàn)[8]提出的極速區(qū)域采樣卷積神經(jīng)網(wǎng)絡(luò)Faster RCNN模型的行人識別方法，行人目標(biāo)平均識別率為82.3%.該類方法可以取得比較滿意的行人流量統(tǒng)計(jì)結(jié)果，但由于要消耗大量的GPU運(yùn)算資源，其存在著網(wǎng)絡(luò)訓(xùn)練過長，硬件要求過高，需要龐大的數(shù)據(jù)集支持的問題.

在行人流量隨機(jī)性和非線性情況下，既要保持對于行人流量的高檢測和識別概率，又要減少行人流量預(yù)測時(shí)間.為此，本文提出了一種基于小波神經(jīng)網(wǎng)絡(luò)的行人流量預(yù)測方法，基于大量的相對準(zhǔn)確的歷史行人流量數(shù)據(jù)，借鑒深度學(xué)習(xí)模型思維方法，同時(shí)結(jié)合小波變換良好的時(shí)域局域化性質(zhì)，通過建立小波神經(jīng)網(wǎng)絡(luò)來對采集的行人流量大數(shù)據(jù)進(jìn)行學(xué)習(xí)和訓(xùn)練，實(shí)現(xiàn)行人流量的預(yù)測.

1 小波神經(jīng)網(wǎng)絡(luò)模型與算法推導(dǎo)

圖1 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

1.1 模型結(jié)構(gòu)

小波神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示.

圖1中，小波神經(jīng)網(wǎng)絡(luò)有4層，神經(jīng)元連接方式為全連接方式.輸入單元分別為X1，X2，X3，X4，在訓(xùn)練網(wǎng)絡(luò)時(shí)依次表示為相鄰的4個(gè)時(shí)間段的行人流量.隱含層j有8個(gè)神經(jīng)元，分別為h(1)，h(2)，…，h(8)，隱含層k有4個(gè)神經(jīng)元，分別為z(1)，z(2)，z(3)，z(4)，計(jì)算公式為：

(1)

(2)

h(j)，z(k)為Morlet母小波基函數(shù)；α，b分別為小波基函數(shù)平移因子和伸縮因子；ωij，ωjk為權(quán)重.Morlet母小波基函數(shù)數(shù)學(xué)表達(dá)式為：

圖2 小波神經(jīng)網(wǎng)絡(luò)算法流程圖

(3)

其中，e為自然常數(shù)，輸出層Y1表示預(yù)測下一個(gè)時(shí)間節(jié)點(diǎn)的行人流量，計(jì)算方法如下：

(4)

1.2 算法流程

小波神經(jīng)網(wǎng)絡(luò)算法流程如圖2所示.

小波神經(jīng)網(wǎng)絡(luò)算法總體上看就是一個(gè)BP訓(xùn)練的過程，其中相關(guān)參數(shù)的更新方法如下：

(5)

(6)

(7)

(8)

(9)

(10)

其中，η為學(xué)習(xí)速率，J為代價(jià)函數(shù).

2 實(shí)驗(yàn)結(jié)果分析

將1h分為4個(gè)時(shí)間節(jié)點(diǎn)，并按時(shí)間先后作為小波神經(jīng)網(wǎng)絡(luò)的輸入.連續(xù)采集300d的行人流量數(shù)據(jù)，選取前200d的行人流量數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，后100d的行人流量數(shù)據(jù)作為測試集.算法首先使用0.001的步長迭代了1 000次，再使用0.000 1的步長迭代1 000次.采用Matlab編程，隨機(jī)選取一天的行人流量測試網(wǎng)絡(luò)，程序運(yùn)行結(jié)果如圖3所示.在測試集中隨機(jī)抽取10d的行人流量數(shù)據(jù)測試訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)，在每個(gè)時(shí)間節(jié)點(diǎn)設(shè)置誤差人數(shù)閾值，如果閾值小于10人則認(rèn)為預(yù)測準(zhǔn)確，最后計(jì)算整天各個(gè)時(shí)間點(diǎn)預(yù)測準(zhǔn)確的行人比例，得到平均準(zhǔn)確率.結(jié)果如表1所示.

圖3 預(yù)測行人流量與實(shí)際行人流量對比曲線圖

表1 小波神經(jīng)網(wǎng)絡(luò)模型測試數(shù)據(jù)

測試序號準(zhǔn)確率/%訓(xùn)練時(shí)間/ms測試時(shí)間/ms182.5614.510.91285.3014.491.30377.8314.380.93479.3914.321.30580.3514.331.30681.6314.271.30768.3314.351.40882.5614.261.40980.2414.221.301082.5814.361.50平均值80.0814.351.26

由圖3可以看出，本文所設(shè)計(jì)的4層小波神經(jīng)網(wǎng)絡(luò)模型擬合了大多數(shù)時(shí)間點(diǎn)數(shù)據(jù).文獻(xiàn)[8]中基于FasterRCNN模型的方法平均準(zhǔn)確率為82.3%，訓(xùn)練時(shí)間大于1d，測試時(shí)間為2ms.表1中，本文方法得到的平均準(zhǔn)確率為80.08%，略低于FasterRCNN模型的平均準(zhǔn)確率，高出的準(zhǔn)確率是通過消耗大量的GPU運(yùn)算資源取得的.小波神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練時(shí)間和測試時(shí)間上遠(yuǎn)低于FasterRCNN模型方法.與此同時(shí)，通過增大算法的誤差閾值可以進(jìn)一步增加平均準(zhǔn)確率.

3 結(jié)束語

基于小波神經(jīng)網(wǎng)絡(luò)模型的短時(shí)行人流量的預(yù)測方法，在預(yù)測精度上逼近了前沿的FasterRCNN算法，算法時(shí)間復(fù)雜度遠(yuǎn)低于FasterRCNN模型，并且不需要消耗GPU運(yùn)算資源.為了得到更好的泛化能力和收斂速度，還可以對小波神經(jīng)網(wǎng)絡(luò)實(shí)行進(jìn)一步的調(diào)優(yōu)工作，擴(kuò)大網(wǎng)絡(luò)的深度也會進(jìn)一步增加算法的預(yù)測精度.

[1]楊顯立,許倫輝,周勇.基于小波神經(jīng)網(wǎng)絡(luò)的道路交通流量實(shí)時(shí)預(yù)測模型研究[J].公路交通技術(shù),2013(5):111-114.

[2]聶佩林，余志，何兆成.基于約束卡爾曼濾波的短時(shí)交通流量組合預(yù)測模型[J].交通運(yùn)輸工程學(xué)報(bào),2008,8(5):86-90.

[3]ZHUQ,YEHMC,CHENGKT,etal.Fasthumandetectionusingacascadeofhistogramsoforientedgradients[C]//2006IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition(CVPR’06).IEEE, 2006: 1491-1498.

[4]WANGX,HANTX,YANS.AnHOG-LBPhumandetectorwithpartialocclusionhandling[C]//2009IEEE12thInternationalConferenceonComputerVision.IEEE, 2009: 32-39.

[5]QUJ,LIUZ.Non-backgroundHOGforpedestrianvideodetection[C]//NaturalComputation(ICNC), 2012EighthInternationalConferenceon.IEEE, 2012: 535-539.

[6]GIRSHICKR,DONAHUEJ,DARRELLT,etal.Richfeaturehierarchiesforaccurateobjectdetectionandsemanticsegmentation[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition, 2014: 580-587.

[7]GIRSHICK R. Fast r-cnn[C]//Proceedings of the IEEE International Conference on Computer Vision, 2015: 1440-1448.

[8]REN S, HE K, GIRSHICK R, et al. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks[J]. Pattern Analysis & Machine Intelligence, IEEE Transactions on, 2016:1-9.

Pedestrian Flowrate Prediction Based on Wavelet Neural Network

PAN Hao, LIU Jun

(SchoolofAutomation,HangzhouDianziUniversity,HangzhouZhejiang310018,China)

This paper aims to propose a method toward pedestrian flowrate prediction. Because of the nonlinearity and uncertainty of pedestrian flowrate, neural network is chosen to predict the pedestrian flowrate. Morlet wavelet basis replaces the Sigmoid function. The experiment results show that the proposed method can fit the pedestrian flowrate data, the average precision is 80.08%.This precision is close to the state of the art Faster RCNN model.

pedestrian flowrate prediction; neural network; wavelet basis

10.13954/j.cnki.hdu.2017.01.015

2016-09-14

潘浩(1991-)，男，安徽馬鞍山人，碩士研究生，非線性信號處理.通信作者:劉俊教授，E-mail:junliu@hdu.edu.cn.

TP183

A

1001-9146(2017)01-0068-03