[發明專利]預測車流量的方法、裝置及電子設備

有效

• 申請號: 202010138277.6
• 申請日: 2020-03-03
• 公開（公告）號: CN111369049B
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 覃錫忠;祁欣學;賈振紅
• 申請（專利權）人: 新疆大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G08G1/01;G08G1/065;G06N3/04
• 代理公司: 北京鼎佳達知識產權代理事務所(普通合伙) 11348
• 代理人: 王亮;劉鐵生

1.一種預測車流量的方法，其特征在于，包括：

根據預設車流量的時滯值和預設參數組合規則配置神經網絡參數，得到時滯池，所述時滯池包括多個神經網絡，所述神經網絡的輸入節點數等于所述時滯值；

對每一個所述時滯池執行預測訓練，確定每一個所述時滯池中的最優網絡組；所述預測訓練包括：根據所述神經網絡的輸入節點數抽取車流樣本數據，訓練每一個所述神經網絡的第一層預測器和每一個所述神經網絡的第二層預測器；根據所述第一層預測器的第一預測結果和所述第二層預測器的第二預測結果確定所述時滯池的最優網絡組；根據所述時滯值對車流數據進行處理，得到所述車流樣本數據，將所述車流樣本數據分別從所述神經網絡的各個輸入節點輸入，對所述時滯池中的每一個神經網絡進行訓練；所述神經網絡是非負約束稀疏自動編碼器；所述時滯值等于所述非負約束稀疏自動編碼器的輸入節點數，在將所述車流樣本數據分別從所述非負約束稀疏自動編碼器的各個輸入節點中輸入，對所述非負約束稀疏自動編碼器的第一層預測器和第二層預測器進行訓練，在完成訓練后，一個所述時滯池中具有多個第一層預測器和第二層預測器；分別以第一層預測器和第二層預測器對車流數據進行預測，確定出每一個所述時滯池中的最優網絡組；

在預測精度提升的情況下，集成所有所述時滯池的最優網絡組，得到堆棧神經網絡集成預測模型，并利用所述堆棧神經網絡集成預測模型預測車流量。

2.根據權利要求1所述的方法，其特征在于，所述在預測精度提升的情況下，集成所有所述時滯池的最優網絡組，得到堆棧神經網絡集成預測模型，包括：

以任一所述時滯池的所述最優網絡組為基網絡組，執行集成循環，直至所有所述時滯池的所述最優網絡組均與所述基網絡組執行一次集成，得到所述堆棧神經網絡集成預測模型；

其中，所述集成循環包括：所述最優網絡組與所述基網絡組集成，得到集成預測網絡；判斷所述集成預測網絡的預測精度；在所述預測精度提升的情況下，集成所述最優網絡組與所述基網絡組；在所述預測精度未提升的情況下，拋棄所述最優網絡組。

3.根據權利要求1所述的方法，其特征在于，在所述對每一個所述時滯池執行第一預測訓練，確定每一個所述時滯池中的最優網絡組之前，所述方法還包括：

獲取車流數據；

根據所述預設車流量的時滯值處理所述車流數據，得到所述車流樣本數據；所述車流樣本數據包括：訓練樣本和待預測時間段的真實車流數據。

4.根據權利要求3所述的方法，其特征在于，所述根據所述神經網絡的輸入節點數抽取車流樣本數據，訓練每一個所述神經網絡的第一層預測器和每一個所述神經網絡的第二層預測器，包括：

輸入所述車流樣本數據至所述神經網絡的每一個所述輸入節點；訓練所述神經網絡的第一隱層網絡，得到所述車流樣本數據的第一數據特征；

根據所述第一數據特征，訓練第二層隱層網絡，得到所述車流數據的第二數據特征；

根據所述第一數據特征訓練所述第一層預測器，根據所述第二數據特征訓練所述第二層預測器。

5.根據權利要求4所述的方法，其特征在于，所述根據所述第一層預測器的第一預測結果和所述第二層預測器的第二預測結果確定所述時滯池的最優網絡組，包括：

根據所述第一預測結果與所述待預測時間段的真實車流數據，確定所述時滯池所有所述第一層預測器的第一預測誤差；

根據所述第二預測結果與所述待預測時間段的真實車流數據，確定所述時滯池所有所述第二層預測器的第二預測誤差；

根據所述第一預測誤差和所述第二預測誤差，確定所述時滯池的最優網絡組。