[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

本發明公開了一種基于神經網絡的交通需求逐日演變預測方法，根據需求預測區域內各小區之間的手機信令數據，構建某時間段內交通出行的生成吸引OD矩陣，利用機器學習中深度學習的方法，建立循環神經網絡模型和特征級融合神經網絡模型，從而預測該區域逐日演變的動態交通需求量，并且充分考慮了時間和空間的內在關聯性。本發明提出循環神經網絡模型和特征級融合神經網絡模型，對于短期動態交通需求預測有著很高的靈活性及準確度。

技術領域

本發明涉及城市交通技術領域，尤其是一種基于神經網絡的交通需求逐日演變預測方法。

背景技術

交通需求預測，是根據過去和現狀的交通狀況和特征建立模型，預測未來的交通流量變化。解決城市交通問題的關鍵在于實現交通供需平衡，而準確的進行交通需求分析又是解決供需矛盾的基礎。

出行生成預測是城市交通規劃中交通需求預測的基礎，為有效、準確的動態交通分配模型提供了重要的支持。然而，已有的交通需求預測模型主要基于傳統的人工調查方式和大量經濟、人口等相關數據，不僅耗費巨大的人力物力，其結果還缺少準確性和時效性，無法滿足智能交通系統中對大范圍交通網動態、實時的管理要求。

綜上所述，現有的交通需求預測方法存在諸多缺陷；傳統的以四階段交通需求預測方法為基礎的交通生成預測研究，忽略了交通網絡的時空內在關聯性，更無法做到短時間內大范圍交通網的動態實時分析。

發明內容

本發明所要解決的技術問題在于，提供一種基于神經網絡的交通需求逐日演變預測方法，利用手機信令資源進行數據挖掘，解決了交通規劃領域中傳統的交通需求預測方法在精度和效率方面的缺陷，充分考慮了交通網絡逐日動態演化過程中每一天的路網性能，具有較強的適用性。

為解決上述技術問題，本發明提供一種基于神經網絡的交通需求逐日演變預測方法，包括如下步驟：

(1)劃分城市交通網絡的具體分區并編號；

(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時的小區集合與模型校驗時的小區集合；

(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循環神經網絡模型和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；

(5)輸入各小區的出行生成量作為訓練樣本，完成循環神經網絡模型和特征級融合神經網絡模型的權值確定；在進行預測時，將測試的小區交通需求數據輸入到已經訓練完成的循環神經網絡模型和特征級融合神經網絡模型中進行計算，最終得到該地區的預測交通需求量。

優選的，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。

優選的，步驟(4)中，建立預測交通需求的循環神經網絡模型和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和特征級融合神經網絡模型，確定RNN模型的前向傳播過程，RNN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)