基于小波神经网络的行人流量预测研究

潘 浩，刘 俊

(杭州电子科技大学自动化学院，浙江 杭州 310018)

基于小波神经网络的行人流量预测研究

潘 浩，刘 俊

(杭州电子科技大学自动化学院，浙江 杭州 310018)

结合行人流量数据高度非线性和不确定等特点，提出了一种基于神经网络的方法直接对行人流量进行检测.采用了Morlet小波基替代sigmoid假设函数.实验结果表明，采用小波神经网络方法检测人流量拟合了绝大多数行人流量数据，平均预测精度达到了80.08%，逼近目前前沿的深度学习模型Faster RCNN行人检测的准确率.

行人流量预测；神经网络；小波基

0 引 言

智慧城市建设正在如火如荼地进行，交通规划和城市安防等是智慧城市建设的重要组成部分.行人流量预测是实现城市道路交通规划和城市安防等智慧城市应用过程中必须解决的一个关键技术问题，成为智慧城市应用研究领域中的一个难点和热点问题.

目前，实现行人流量预测的方法大致可以分为三类.第一类方法根据历史采集的相对准确的行人流量数据实现了对当前及未来时间点的行人流量数据的预测，以线性估计模型为主，主要有自回归移动平均(Auto Regression Moving Average，ARMA)模型、卡尔曼滤波模型等[1-2].该类方法存在的主要问题是不能很好地处理和解决现实情况中存在的行人流量随机性和非线性问题，不能确保行人流量预测精度.第二类方法是基于机器学习和计算机视觉相结合的方法，实时采集现场视频图像，并对视频图像中的行人进行检测和识别，从而实现行人流量的统计计算，主要以基于图像特征的机器学习方法为主.文献[3]采用基于多尺度方向梯度直方图特征(Histogram of Oriented Gradient，HOG)，并结合AdaBoost算子构建了级联分类器，得到了一个快速的行人检测系统；文献[4]提出了基于HOG-LBP特征的行人检测方法，并采用支持向量机(Support Vector Machine，SVM)分类器，在一定程度上克服了HOG特征的缺陷，并较大地提高了行人检测的准确度；文献[5]通过提取无背景的HOG特征，提高HOG特征提取的速度，并采用AdaBoost分类器进行分类训练.该类方法提取的行人特征比较浅层，对于行人检测和识别的概率不高，行人识别率普遍低于70%.第三类方法是基于深度学习和计算机视觉相结合的方法.通过在采集的大量行人图像数据基础上，应用深度学习进行行人检测和识别，从而实现行人流量的统计计算，以深度学习方法为主.主要有区域采样卷积神经网络(Region Proposal Neural Network，RCNN)模型[6]和其改进版本快速区域采样卷积神经网络(Fast Region Proposal Neural Network，Fast RCNN)模型[7].文献[8]提出的极速区域采样卷积神经网络Faster RCNN模型的行人识别方法，行人目标平均识别率为82.3%.该类方法可以取得比较满意的行人流量统计结果，但由于要消耗大量的GPU运算资源，其存在着网络训练过长，硬件要求过高，需要庞大的数据集支持的问题.

在行人流量随机性和非线性情况下，既要保持对于行人流量的高检测和识别概率，又要减少行人流量预测时间.为此，本文提出了一种基于小波神经网络的行人流量预测方法，基于大量的相对准确的历史行人流量数据，借鉴深度学习模型思维方法，同时结合小波变换良好的时域局域化性质，通过建立小波神经网络来对采集的行人流量大数据进行学习和训练，实现行人流量的预测.

1 小波神经网络模型与算法推导

图1 小波神经网络结构图

1.1 模型结构

小波神经网络模型结构如图1所示.

图1中，小波神经网络有4层，神经元连接方式为全连接方式.输入单元分别为X1，X2，X3，X4，在训练网络时依次表示为相邻的4个时间段的行人流量.隐含层j有8个神经元，分别为h(1)，h(2)，…，h(8)，隐含层k有4个神经元，分别为z(1)，z(2)，z(3)，z(4)，计算公式为：

(1)

(2)

h(j)，z(k)为Morlet母小波基函数；α，b分别为小波基函数平移因子和伸缩因子；ωij，ωjk为权重.Morlet母小波基函数数学表达式为：

图2 小波神经网络算法流程图

(3)

其中，e为自然常数，输出层Y1表示预测下一个时间节点的行人流量，计算方法如下：

(4)

1.2 算法流程

小波神经网络算法流程如图2所示.

小波神经网络算法总体上看就是一个BP训练的过程，其中相关参数的更新方法如下：

(5)

(6)

(7)

(8)

(9)

(10)

其中，η为学习速率，J为代价函数.

2 实验结果分析

将1h分为4个时间节点，并按时间先后作为小波神经网络的输入.连续采集300d的行人流量数据，选取前200d的行人流量数据训练网络，后100d的行人流量数据作为测试集.算法首先使用0.001的步长迭代了1 000次，再使用0.000 1的步长迭代1 000次.采用Matlab编程，随机选取一天的行人流量测试网络，程序运行结果如图3所示.在测试集中随机抽取10d的行人流量数据测试训练好的小波神经网络，在每个时间节点设置误差人数阈值，如果阈值小于10人则认为预测准确，最后计算整天各个时间点预测准确的行人比例，得到平均准确率.结果如表1所示.

图3 预测行人流量与实际行人流量对比曲线图

表1 小波神经网络模型测试数据

测试序号准确率/%训练时间/ms测试时间/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

由图3可以看出，本文所设计的4层小波神经网络模型拟合了大多数时间点数据.文献[8]中基于FasterRCNN模型的方法平均准确率为82.3%，训练时间大于1d，测试时间为2ms.表1中，本文方法得到的平均准确率为80.08%，略低于FasterRCNN模型的平均准确率，高出的准确率是通过消耗大量的GPU运算资源取得的.小波神经网络模型在训练时间和测试时间上远低于FasterRCNN模型方法.与此同时，通过增大算法的误差阈值可以进一步增加平均准确率.

3 结束语

基于小波神经网络模型的短时行人流量的预测方法，在预测精度上逼近了前沿的FasterRCNN算法，算法时间复杂度远低于FasterRCNN模型，并且不需要消耗GPU运算资源.为了得到更好的泛化能力和收敛速度，还可以对小波神经网络实行进一步的调优工作，扩大网络的深度也会进一步增加算法的预测精度.

[1]杨显立,许伦辉,周勇.基于小波神经网络的道路交通流量实时预测模型研究[J].公路交通技术,2013(5):111-114.

[2]聂佩林，余志，何兆成.基于约束卡尔曼滤波的短时交通流量组合预测模型[J].交通运输工程学报,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，安徽马鞍山人，硕士研究生，非线性信号处理.通信作者:刘俊教授，E-mail:junliu@hdu.edu.cn.

TP183

A

1001-9146(2017)01-0068-03