[發明專利]一種交通流速度預測方法及系統

在審

• 申請號: 201710889703.8
• 申請日: 2017-09-27
• 公開（公告）號: CN107481523A
• 公開（公告）日: 2017-12-15
• 發明（設計）人: 唐進君;劉芳;黃合來
• 申請（專利權）人: 中南大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06Q10/04
• 代理公司: 北京高沃律師事務所11569
• 代理人: 王戈

1.一種交通流速度預測方法，其特征在于，所述方法包括：

獲取樣本數據，所述樣本數據為t時刻采集到的交通流速度數據，所述樣本數據為多個；

對模糊神經網絡模型進行改進，具體包括：

對所述樣本數據進行分類；

根據所述樣本數據的分類結果確定模糊神經網絡模型中模糊變量的隸屬函數中的參數；

采用最小二乘估計法優化所述模糊神經網絡模型中的規則函數；

采用改進后的神經網絡模型對所述樣本數據進行訓練，得到t時刻的交通流速度的神經網絡預測值。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

對所述交通流速度數據的周期特性采用三角函數多項式進行曲線擬合，得到所述交通流速度數據隨時間變化的擬合曲線；

根據所述擬合曲線獲取t時刻的交通流速度的周期特性擬合曲線預測值；

根據所述交通流速度的神經網絡預測值和周期特性擬合曲線預測值，綜合確定t時刻的交通流速度。

3.根據權利要求1所述的方法，其特征在于，所述對所述樣本數據進行分類，具體包括：

采用K均值法對所述樣本數據進行分類。

4.根據權利要求1所述的方法，其特征在于，所述根據所述樣本數據的分類結果確定模糊神經網絡模型中模糊變量的隸屬函數中的參數，具體包括：

獲取每類樣本數據的聚類中心；

將所述隸屬函數中的參數μ確定為所述聚類中心的值；

將所述隸屬函數中的參數σ確定為所述樣本數據與所述樣本數據所屬類的聚類中心之間的距離的方差。

5.根據權利要求1所述的方法，其特征在于，所述對所述交通流速度數據的周期特性采用三角函數多項式進行曲線擬合，得到所述交通流速度數據隨時間變化的擬合曲線，具體包括：

采用三角函數多項式對所述交通流速度數據進行曲線擬合，其中，M_t表示擬合的采樣時刻為t的周期性函數，t＝1,2,…720，n表示三角函數多項式的數量，m₀,m₁,…,m_2n為系數。

6.根據權利要求2所述的方法，其特征在于，所述根據所述交通流速度的神經網絡預測值和周期特性擬合曲線預測值，確定t時刻的所述交通流速度，具體包括：

根據公式計算t時刻的所述交通流速度S_t，其中，為神經網絡預測值，M_t為周期特性擬合曲線預測值。

7.一種交通流速度預測系統，其特征在于，所述系統包括：

樣本數據獲取模塊，用于獲取樣本數據，所述樣本數據為t時刻采集到的交通流速度數據，所述樣本數據為多個；

神經網絡模型改進模塊，用于對模糊神經網絡模型進行改進，所述神經網絡模型改進模塊具體包括：

分類單元，用于對所述樣本數據進行分類；

參數確定單元，用于根據所述樣本數據的分類結果確定模糊神經網絡模型中模糊變量的隸屬函數中的參數；

規則函數優化單元，用于采用最小二乘估計法優化所述模糊神經網絡模型中的規則函數；

神經網絡模型預測模塊，用于采用改進后的神經網絡模型對所述樣本數據進行訓練，得到t時刻的交通流速度的神經網絡預測值。

8.根據權利要求7所述的系統，其特征在于，所述系統還包括：

周期特性曲線擬合模塊，用于對所述交通流速度數據的周期特性采用三角函數多項式進行曲線擬合，得到所述交通流速度數據隨時間變化的擬合曲線；

周期特性曲線擬合預測模塊，用于根據所述擬合曲線獲取t時刻的交通流速度的周期特性擬合曲線預測值；

交通流速度確定模塊，用于根據所述交通流速度的神經網絡預測值和周期特性擬合曲線預測值，確定t時刻的所述交通流速度。