[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

本發明提供一種基于遞歸神經網絡的路網狀態預測方法，包括以下步驟：步驟一，建立樣本集；步驟二，遞歸神經網絡建模。步驟三，下一時刻路網狀態預測。本發明，從宏觀的角度把握路網狀態演變規律，采用遞歸神經網絡算法充分考慮路網狀態變化的時序規律，從而更好地做出預測。

技術領域

本發明涉及公共交通信息處理技術領域，具體地說是一種基于遞歸神經網絡的路網狀態預測方法。

背景技術

隨著城市化進程加快，交通擁堵問題日益突出，尤其是大城市，交通擁堵問題更為嚴峻，嚴重影響了人們的日常出行。城市道路日趨飽和，而汽車保有量卻逐年攀升，這種供需不平衡的關系加重了交通擁堵，而交通擁堵預測是緩解交通擁堵的重要途徑。

在現有的專利中，已經有一些針對交通狀態預測的方法，比較主流的方法包括Kalman濾波模型，時間序列模型，神經網絡模型，參數回歸模型等。交通狀態變化具有非線性的特點，還會因為一些突發事件而存在不確定性，Kalman濾波作為一種線性濾波器，適用性有限，而且存在滯后現象。時間序列模型不僅需要大量的歷史數據，且對交通狀態變化的時敏性差，難以應對突發事件，神經網絡對參數初始化非常敏感，需要多次預測求取平均值，計算量大，且存在局部最優解，容易出現過擬合，參數移植性較差。參數回歸模型難以表達交通狀態的不確定性、復雜性以及動態特性等。

此外，現有的專利大多是基于路段層面的交通狀態預測，難以從宏觀角度把握路網狀態演變規律，難以把握交通狀態的復雜性、不確定性。而且基于路段層面的預測對交通設備要求高，個別點的數據缺失對預測精度會造成較大的影響，而基于路網層面的預測將有效解決這一問題，因為從宏觀角度上看，個別點數據的缺失對整個路網狀態預測影響較小。

發明內容

本發明為解決以上現有技術的不足，提供一種基于遞歸神經網絡的路網狀態預測方法，該方法能夠充分考慮路網狀態變化的時序性。基于路網層面的狀態預測，對出行者來說，可以更好地規劃出行路徑，極大提高了出行效率。對管理者來說，從宏觀角度把握路網狀態演變趨勢，可以更好地分析路網交通狀況，規劃交通網絡，實現交通優化控制。

為了解決上述問題，本發明提供的技術方案包括：

一種基于遞歸神經網絡的路網狀態預測方法，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：