[發明專利]基于自回歸差分移動平均-卷積神經網絡的識別交通指數時間序列的方法

有效

• 申請號: 202011231975.7
• 申請日: 2020-11-06
• 公開（公告）號: CN112330158B
• 公開（公告）日: 2023-10-13
• 發明（設計）人: 張學東;盧劍;張健欽;徐志潔;王家川;石瑞軒
• 申請（專利權）人: 北京建筑大學;北京市交通信息中心
• 主分類號: G06Q10/063
• 分類號: G06Q10/063;G06Q50/26;G06N3/0464;G06N3/08
• 代理公司: 北京鍾維聯合知識產權代理有限公司 11579
• 代理人: 黃利萍;原春香

1.一種基于自回歸差分移動平均-卷積神經網絡的識別交通指數時間序列的方法，包括：

步驟0000，獲取交通指數原始數據集，生成交通指數時間序列；

步驟1000，將所述交通指數時間序列轉化為平穩序列，再根據貝葉斯信息準則矩陣擬合自回歸差分移動平均算法模型，利用所述自回歸差分移動平均算法模型實現交通指數預測；

步驟2000，根據所述交通指數原始數據集，生成訓練交通指數時間序列和測試交通指數時間序列，根據所述訓練交通指數時間序列提取交通指數特征信息，獲取最佳卷積神經網絡模型，利用所述最佳卷積神經網絡模型將所述交通指數特征信息整合成一維特征向量，再根據Softmax分類器確定所述一維特征向量的模式類別，進而識別測試交通指數時間序列所屬的類別。

2.根據權利要求1所述的基于自回歸差分移動平均-卷積神經網絡的識別交通指數時間序列的方法，其特征在于，步驟0000中所述生成交通指數時間序列的方法包括：

步驟0200：根據交通指數原始數據集，計算每個時刻的平均交通指數；

步驟0400：選擇第一連續時間序列和\或第二連續時間序列，第一連續時間序列為平均交通指數大于第一閾值的連續時間序列，第二連續時間序列為平均交通指數大于第二閾值小于第一閾值的連續時間序列；

步驟0600：根據所述交通指數原始數據集、所述第一連續時間序列和\或所述第二連續時間序列，對所述交通指數原始數據集進行劃分；

步驟0800：根據步驟0600的劃分結果，生成交通指數時間序列。

3.根據權利要求1所述的基于自回歸差分移動平均-卷積神經網絡的識別交通指數時間序列的方法，其特征在于，步驟0000中所述生成交通指數時間序列的方法包括：

步驟0200：根據交通指數原始數據集，計算每個時刻的平均交通指數,交通指數原始數據集為{X_ij∈[X_min,X_max]|i∈[1,n₁]，j∈[1,n₂]，n₁，n₂∈N}，X_min,X_max分別為交通指數的最小值和最大值，X_ij為第i天第j個時刻的交通指數，則第j個時刻的平均交通指數

步驟0400：選擇第一連續時間序列，第一閾值k₁∈[l₁*X，X_max]，l₁為自然數，為所有交通指數的平均數；

步驟0600：根據所述交通指數原始數據集和所述第一連續時間序列，對所述交通指數原始數據集進行劃分：

若第一連續時間序列的時刻數量為n_t，則將第i天的交通指數數據劃分成n₀個時間段，n₀為n₂和n_t的函數，表示向下取整；

步驟0800：根據步驟0600的劃分結果，將每天同一時間段的交通指數數據依次排列，生成交通指數時間序列。

4.根據權利要求3所述的基于自回歸差分移動平均-卷積神經網絡的識別交通指數時間序列的方法，其特征在于，步驟0600中，如果的余數大于第三閾值k₃，k₃為n_t的函數，那么將第i天的交通指數數據分為n₀+1個時間段，多余的數據作為第n₀+1個時間段數據，否則分成n₀個時間段，多余的數據劃入最后一個時間段數據。