[發明專利]基于RBF神經網絡城市道路速度預測方法

無效

• 申請號: 201210080038.5
• 申請日: 2012-03-23
• 公開（公告）號: CN102610092A
• 公開（公告）日: 2012-07-25
• 發明（設計）人: 吳昊;王文俊
• 申請（專利權）人: 天津大學
• 主分類號: G08G1/00
• 分類號: G08G1/00;G06N3/02
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 程毓英

技術領域

本發明屬于智能交通領域，直接應用于城市智能交通管理系統的開發，并可擴展應用于智能交通相關的其他交通信息參數預測。

背景技術

隨著近年來我們城市化的發展速度加快，城市車輛保有量不斷增加，交通擁堵問題已經成為備受關注的重要社會問題之一。對于交通管理部門，如何有效的進行道路交通疏導，交通基礎設施建設，保證城市交通暢通已經成為一個重要課題；對于普通市民，能夠及時了解前方道路狀況、選擇最佳的行車出行路線也成為一個迫切的需求。本發明所涉及的城市道路速度預測正是解決以上問題的一個有效的方法。

發明內容

本發明的目的是提供一個適用于智能交通管理的高效、準確的城市道路交通速度的預測方法，方便用戶對交通信息的管理，制定有效規劃。本發明的技術方案如下：

一種基于RBF神經網絡城市道路速度預測方法，包括下列步驟：

1)針對某條道路，采集原始數據，獲取該條道路的車輛速度數據；

2)將原始數據整合成神經網絡訓練所需的訓練樣本集和測試樣本集；

3)對以上數據均做S型函數標準化處理，得到樣本數據在[0.5，1]中的良好分布；

4)對于RBF的輸入層和輸出層，分別確定神經元個數，對隱藏層采用MATLAB內置函數，構建RBF神經網絡；

5)利用訓練樣本集，訓練RBF神經網絡；

6)設置MATLAB訓練神經網絡函數的初始參數；

7)使用神經網絡訓練函數，訓練得到一個用于道路速度預測的RBF網絡；

8)對于測試樣本集里的測試樣本，運行網絡仿真函數，得到對應的道路速度仿真預測結果；

9)根據道路速度仿真預測結果和測試輸出樣本計算出測試集的誤差，與預設誤差進行比較，若目前誤差大于預設誤差，則改變網絡訓練函數參數并返回5)，重新訓練RBF網絡；否則結束本步驟進入下一步，或者當訓練次數達到預設訓練次數最大值，亦進入下一步；

10)生成較優RBF網絡，用于進行真實道路速度預測。

本發明提供了一套智能交通流參數預測與MATLAB軟件結合的技術方案，并通過海量的已有數據進行神經網絡訓練建模，彌補現有交通流參數預測方法復雜、預測效果無法保證的缺陷。經過對大量路段數據進行訓練、仿真實驗，結果表明本發明提出的基于RBF網絡的城市道路速度預測方法，彌補了當前智能交通預測領域對于城市道路速度預測的空白，既實現了對城市道路速度高效、準確的預測，同時還能夠容易的擴展到其他交通指標的預測。利用本發明，可以提高城市道路速度預測的簡潔性和可操作性，提升交通管理部門對實時路況的管理效率以及快速處理能力，還可以提供更具參考價值和權威性的路徑搜索選擇策略，進一步保證城市道路的整體穩定、暢通。此外，本發明極易嵌入智能交通管理系統中，批量訓練道路速度預測RBF網絡，提高了系統的開發效率，相比于其他預測方法降低了開發人員的編程量。

附圖說明

圖1訓練集真實數據與預測數據對比。

圖2測試集真實數據與預測數據對比。

圖3RBF網絡預測流程圖。

具體實施方式

在過去的幾十年里，預測理論與方法得到了很好的發展，涌現出了一系列預測方法。本發明所針對的交通系統本質上是復雜的大系統，考慮的是人、車、路構成的開放性系統，交通系統的動力學行為通常不能用當前使用確定性線性函數的預測方法進行描述，這樣不僅不能夠提供準確的預測結果，而且具有很高的編程代碼復雜性。所以，更適合本發明所采用的神經網絡方法進行交通信息預測。同時，本發明結合MATLAB軟件，很好的提高了方法的推廣性，無需代碼編程基礎。

RBF神經網絡是以函數逼近理論為基礎而構造的一類前向型網絡，即對于輸入空間的某一個局部區域只有少數的神經元用于決定網絡的數據。這類網絡的學習等價于在多維空間中尋找訓練數據的最佳擬合平面。RBF網絡通常由輸入層、隱含層和輸出層組成。