[發明專利]基于神經網絡的交通需求逐日演變預測方法

有效

• 申請號: 201810431068.3
• 申請日: 2018-05-08
• 公開（公告）號: CN108615360B
• 公開（公告）日: 2022-02-11
• 發明（設計）人: 劉志遠;程啟秀;劉洋;魏薇;俞俊;李喆康
• 申請（專利權）人: 東南大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 王安琪

1.基于神經網絡的交通需求逐日演變預測方法，其特征在于，包括如下步驟：

(1)劃分城市交通網絡的具體分區為內部區域和外部區域并編號；

(2)基于步驟(1)中建立的交通網絡分區，確定神經網絡模型訓練和檢驗時的小區集合，集合內數據為外部區域與內部區域之間產生的OD量，OD量為手機信令數據；

(3)將已得的數據集根據出行生成小區和小時段進行分組，進行數據預處理；

(4)建立預測交通需求的特征級融合神經網絡模型，用于對各小區不同時間狀態下的函數估計和權值更新；建立預測交通需求的特征級融合神經網絡模型具體包括如下步驟：

(41)構建循環神經網絡模型，確定循環神經網絡模型的前向傳播過程，循環神經網絡模型由輸入單元、輸出單元和循環隱藏層構成，x_t為時間t時的輸入值，s_t為時間t時的隱藏層狀態

s_t＝f(Ux_t+Ws_t-1)

其中，函數f為非線性函數，U和W分別為相應的權值；

(42)確定循環神經網絡模型中的輸入值和隱藏層的計算方式，對于隱藏單元：

其中，長度為T的輸入序列x，其擁有I個輸入單元，H個隱藏單元以及K個輸出單元；代表時間為t時，輸入量i的值，和為時間t時整個交通網對隱藏單元h的輸入量和激發值，ω_ih和ω_h′h為調整權值，θ_h為到的激發函數；

(43)對于循環神經網絡模型，將OD矩陣數據和該地區的平均氣溫、天氣狀況和對應的日期、時間5個變量一起作為輸入量進行訓練，得到特征級融合神經網絡模型；

(44)使用BPTT算法得到特征級融合神經網絡模型中的權重；使用BPTT算法得到特征級融合神經網絡模型中的權重具體為：

(a)在區間內隨機初始化權重(U,V,W)，其中n為之前層級incomingconnections；

(b)令epoch＝1；

(c)運行特征級融合神經網絡模型中的前向傳播過程；

(d)計算損失函數L和狀態梯度和

(e)用隨機梯度下降和后向傳播過程訓練特征級融合神經網絡模型，epoch計數值加1；

(f)若epoch等于M，則停止循環，此時的(U,V,W)為所求的權重值，否則返回(c)；

(5)輸入各小區的出行生成量作為訓練樣本，完成特征級融合神經網絡模型的權值確定；在進行測試時，將測試的小區交通需求數據輸入到已經訓練完成的特征級融合神經網絡模型中進行計算，得到最終的特征級融合神經網絡模型。

2.如權利要求1所述的基于神經網絡的交通需求逐日演變預測方法，其特征在于，步驟(3)中，數據預處理具體包括如下步驟：

(31)填補缺失數據，單個數據缺失時，使用該數據臨近的兩個時間段的數據平均值代替，多個數據缺失時，使用后一天同時間段的數據代替；

(32)利用大小為r，步值為1的滑動時間窗提取特征；

(33)將需求數據進行標準化，

x＝(x-mean)/std

其中std為數據標準差。