[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

本發明公開了一種基于傅里葉遞歸神經網絡的交通流預測方法，包括以下步驟：(1)對交通流數據進行預處理；(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)對每段交通流歷史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；(6)根據訓練得到的傅里葉?遞歸神經網絡模型，計算交通流預測結果。本發明對于具有周期性規律的交通流數據的長時間預測更加準確，當序列較長、數據量較大時仍有較好的表現。

技術領域

本發明涉及一種基于傅里葉-遞歸神經網絡的交通流預測方法。

背景技術

交通流系統是一個不斷變化的復雜整體，其內在相關性和周期性表明了交通流中是有著某種可以被度量的規律的，交通流的各組成部分是相互聯系的，而其繁雜的時空特性和不確定性又揭示了交通流的隨機性和復雜性，要從如此復雜的交通流信息中找出這種規律，找出各種參數之間的內在聯系，是一項具有挑戰的任務。準確的交通預測信息可以為交通管理者提供有力的交通決策依據，同時也可以讓駕駛員選擇更為暢通的道路出行，進而避免或緩解交通擁堵的狀況。在交通流預測方面，目前主要有基于線性統計理論的預測模型和基于智能理論的預測模型等。在交通流中，前一時刻的交通流會對下一時刻的交通流產生影響，即現在和未來交通狀態受歷史交通狀態影響，并且交通流時間序列變化趨勢與歷史時間序列趨勢呈正相關。所以深度學習中的遞歸神經網絡模型非常適合交通流預測任務。由于基礎遞歸神經網絡(RNN)每次只處理一個時間步長，導致RNN在解決長期預測問題表現不佳。

發明內容

發明目的：本發明旨在提供一種基于傅里葉-遞歸神經網絡的交通流預測方法，以解決上述問題。

技術方案：本發明的基于傅里葉-遞歸神經網絡的交通流預測方法，包括以下步驟(1)對交通流數據進行預處理：

(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。

有益效果：與現有技術相比，本發明具有如下顯著優點：本發明的隱藏態乘法運算所需運算次數小，整體計算量小，計算速度更快；本發明對于具有周期性規律的交通流數據的長時間預測更加準確，當序列較長、數據量較大時仍有較好的表現。

附圖說明

圖1為本發明的流程示意圖。

具體實施方式

下面結合附圖對本發明的技術方案作進一步說明。

如圖1所示，本發明包括以下步驟：

(1)對交通流數據進行預處理，具體包括：

(11)當歷史交通流數據的采樣間隔小于預測數據所需間隔，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)。