[發明專利]一種基于傅里葉-遞歸神經網絡的交通流預測方法

在審

• 申請號: 202010120339.0
• 申請日: 2020-02-26
• 公開（公告）號: CN111462479A
• 公開（公告）日: 2020-07-28
• 發明（設計）人: 王存;董曉飛
• 申請（專利權）人: 南京新一代人工智能研究院有限公司
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06Q10/04;G06Q50/30;G06N3/04;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: 柏尚春

1.一種基于傅里葉遞歸神經網絡的交通流預測方法，其特征在于，包括以下步驟：

(1)對歷史交通流數據進行預處理，包括：

(11)當歷史交通流數據的采樣間隔小于預測所需間隔，對數據進行累加，得到歷史交通流數據的序列，若歷史交通流數據的采樣間隔不小于所需間隔，直接進行步驟(12)；

(12)對歷史交通流數據進行min-max歸一化預處理；

(2)設置窗口滑動距離S、窗口大小T、設置窗口函數G，將交通流歷史數據分段；

(3)對每段歷史交通流數據進行短時傅里葉變換，從時間域轉變換到頻率域；

(4)搭建傅里葉-遞歸神經網絡模型，將交通流歷史數據樣本輸入模型進行訓練；

(5)判斷訓練次數是否達到最大訓練次數，若達到，則結束訓練；

(6)根據訓練得到的傅里葉-遞歸神經網絡模型，輸入歷史交通流數據，計交通流預測結果。

2.根據權利要求1所述的基于傅里葉-遞歸神經網絡的交通流預測方法，其特征在于，所述步驟(3)采用以下公式計算，

式中，為復數信號，τ＝[0，n_s]，τ為分段序列在傅里葉變換后所得結果的索引；為傅里葉變換；x_t為輸入序列，輸入序列x_t被分為n_s段。

3.根據權利要求1所述的基于傅里葉-遞歸神經網絡的交通流預測方法，其特征在于，所述步驟(4)中包括以下步驟：

(41)設置遞歸神經網絡預測模型中網絡隱藏態n_h的大小，傅里葉變換后的頻率數n_f；

(42)對網絡中的權重進行初始化，將迭代次數α初始化為1，訓練樣本號n初始化為1；

(43)計算網絡的前向傳播輸出，并計算得隱狀態h_τ

z_τ＝W_ch_τ-1+V_cX_τ+b_c

h_τ＝f_a(z_τ)

式中，是復數權重矩陣，f_a是非線性激活函數；

對得到的隱狀態h_τ進行短時傅里葉逆變換，然后進行反歸一化處理，得到單個樣本的訓練輸出結果y_τ，

式中，W_pc為復數權重矩陣，h₀為初始隱狀態。

4.根據權利要求1所述的基于傅里葉-遞歸神經網絡的交通流預測方法，其特征在于，在步驟(1)中所述窗口函數為高斯函數。

5.根據權利要求1所述的基于傅里葉-遞歸神經網絡的交通流預測方法，其特征在于，所述步驟(5)包括以下步驟：

(51)將n加1，若n大于訓練樣本總數N，進入步驟(52)，否則返回步驟(4)；

(52)將α加1，若α大于指定的迭代次數A，終止訓練；否則將n重置為1，并返回步驟(4)。

6.根據權利要求1所述的基于傅里葉-遞歸神經網絡的交通流預測方法，其特征在于，所述步驟(4)和(5)之間包括以下步驟：

(7)計算網絡誤差E，E＝Y_τ-y_τ，所述Y_τ為樣本n的輸出，y_τ為神經網絡輸出結果，計算神經網絡中個節點的殘差；

(8)根據誤差和殘差計算誤差梯度，根據該梯度，更新網絡中的權重值。