[發明專利]一種基于遞歸神經網絡的路網狀態預測方法

有效

• 申請號: 201611244476.5
• 申請日: 2016-12-29
• 公開（公告）號: CN106781489B
• 公開（公告）日: 2019-07-26
• 發明（設計）人: 王云鵬;吳志海;于海洋;馬曉磊;代壯;胡雅雯;張俊峰
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G08G1/01
• 分類號: G08G1/01
• 代理公司: 北京和信華成知識產權代理事務所(普通合伙) 11390
• 代理人: 胡劍輝

1.一種基于遞歸神經網絡的路網狀態預測方法，其特征在于，所述方法包括以下步驟：

步驟一、建立樣本集

選取一路網，將路網劃分為k個路段，并對各個路段進行編號，記為(1,2,3,…,k)，將一天24小時分成各個時間長度一樣的j個時間段，計算各個路段在每個時間段的平均速度；計算完各個路段的平均速度之后，用一個狀態向量表示該時間段的路網狀態，即V_j＝[v_1,j,v_2,j,…,v_k,j]；考慮前三個時間段的路網狀態，預測下一個時間段的路網狀態，

因此，單個樣本為[(V_j-2,V_j-1,V_j),(V_j+1)]其展開形式為：

整個樣本集為所有時間段樣本的集合；

步驟二、遞歸神經網絡建模

首先，確定輸入輸出變量；輸入變量是三個一維狀態向量，分別j-2，j-1，j時間段的路網狀態向量，輸出變量一個是一維狀態向量，即下一個時間段的路網狀態,每個狀態向量的維度均為k，即路網中的路段數目；

其次，確定訓練集和測試集，根據步驟一中的樣本集按預定比例分為訓練集和測試集；

最后，進行遞歸神經網絡模型參數標定；所述的遞歸神經網絡包括輸入層、隱藏層以及輸出層；通過訓練數據學習輸入層與隱藏層、隱藏層與輸入層之間的權重矩陣和偏置向量，其中所述隱藏層的每個記憶單元都有三個輸入和兩個輸出，輸入內容包括x_t，h_t-1，c_t-1，輸出包括h_t，c_t；他們之間的關系是通過三個門進行控制，分別是輸入門、遺忘門和輸出門，在t時刻有：

其中i_t,f_t,o_t分別代輸入門、遺忘門和輸出門的輸出，w_·,b_·分別是系數矩陣和偏置向量，“.”是點乘運算，sigmoid和tanh是激活函數，c_t代表t時刻隱藏層的記憶單元的輸出，h_t-1是在t-1時刻隱藏層的輸出，是在t時刻隱藏層的輸出；

隱藏層之間的權重矩陣W是一個[k,z]矩陣，z為隱藏層單元個數，k為路段的數量；連接輸入層和隱藏層之間的權值矩陣U是一個[z,z]矩陣；連接隱藏與輸出層之間的輸出矩陣V是一個[z,k]矩陣；隱藏層和輸出層的關系為：

Y_j+1＝HV+b_y

其中，H＝[h₁,h₂,……h_z]，h_z是z時刻的隱藏層單元的輸出值,所述b_y是連接隱藏層和輸出層的偏置函數Y_j+1＝[y_1,j+1,y_2,j+1,…,y_k,j+1]；

得到輸出層后建立損失函數，損失函數是用來衡量輸出層的輸出值與真實值的差異，利用損失函數對各個參數求導，計算其梯度；所述的遞歸神經網絡的訓練時采用批量梯度下降法學習模型參數，模型參數包括所有的權重矩陣和偏置向量；

步驟三、下一時刻路網狀態預測

將測試數據的輸入變量輸入到步驟二中已訓練好的模型中，獲得輸出向量，那么該輸出向量就是所預測的下一個時間段的路網狀態。

2.根據權利要求1所述的方法，其特征在于，所述平均速度的計算方法是：

在某一時間段內，在某一路段通過的所有車輛平均速度的均值，如式(1)所示，其中n代表在該時間段在該路段通過的車輛數目，m代表路網中的第m個路段，m∈(1,2,…,k)，j是時間段編號，s代表該第m個路段的長度，Δt代表時間段的長度，代表車輛i在Δt的平均速度；

若某一路段在Δt內沒有車輛通過，在用上一個時間段的平均速度替代當前時間段的平均速度，即

v_m,j＝v_m,j-1；

計算完各個路段的平均速度之后，用一個狀態向量表示該時間段的路網狀態，V_j＝[v_1,j,v_2,j,…,v_k,j]。