[發明專利]基于RBF神經網絡模型的交通生成預測方法及系統在審
| 申請號： | 202110333100.6 | 申請日： | 2021-03-29 |
| 公開（公告）號： | CN113011512A | 公開（公告）日： | 2021-06-22 |
| 發明（設計）人： | 龍科軍;龐稀廉;魏雋君;吳偉 | 申請（專利權）人： | 長沙理工大學 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06N3/04;G08G1/01 |
| 代理公司： | 湖南兆弘專利事務所(普通合伙) 43008 | 代理人： | 鄒大堅;胡君 |
| 地址： | 410114 湖南省*** | 國省代碼： | 湖南;43 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 rbf 神經網絡 模型 交通 生成 預測 方法 系統 | ||
1.一種基于RBF神經網絡模型的交通生成預測方法，其特征在于，步驟包括：
步驟S01.數據獲取：獲取待預測區域指定時長內的居民出行起訖點位置坐標數據；
步驟S02.交通小區劃分：對步驟S01獲取的居民出行起訖點位置坐標數據進行聚類分析，由聚類結果將待預測區域進行交通小區的劃分；
步驟S03.預測模型構建：使用RBF神經網絡建立用于預測所述交通小區的交通生成量的交通生成預測模型；
步驟S04.預測模型訓練：獲取各所述交通小區的交通生成影響參數數據以及交通生成量，并將獲取的數據作為訓練樣本對所述交通生成預測模型進行訓練，得到訓練后的交通生成預測模型；
步驟S05.交通生成預測：將待預測交通小區的交通生成影響參數數據以及交通生成量輸入至訓練后的交通生成預測模型中，得到待預測交通小區的交通生成量的預測結果輸出。
2.根據權利要求1所述的基于RBF神經網絡模型的交通生成預測方法，其特征在于，所述步驟S01的步驟包括：
步驟S101.交通數據獲?。韩@取待預測區域指定時長內的居民交通出行數據，所述居民交通出行數據包括車輛位置識別數據、居民出入公共交通數據；
步驟S102.坐標數據轉換：將獲取的所述居民交通出行數據轉換為居民出行起訖點位置坐標數據。
3.根據權利要求1所述的基于RBF神經網絡模型的交通生成預測方法，其特征在于，所述步驟S02的步驟包括：
步驟S201.初步劃分：對步驟S01獲取的數據基于C均值進行所述交通小區的初步劃分，并比較劃分不同小區個數c時對應的劃分系數S大小，獲取最小的劃分系數S所對應的劃分小區個數c以及各個小區中心坐標ci作為初始參數；
步驟S202.聚類分析：對步驟S01獲取的數據使用所述初始參數進行K均值聚類分析，即以C均值聚類得到的小區個數c以及小區中心ci分別作為K均值聚類分析的小區個數和初始化小區聚類中心點，循環更新各個小區的中心，當兩次相鄰循環計算得到的代價函數J差別小與給定的閾值e時完成當前聚類分析，得到最終劃分的小區數和小區中心點；
步驟S203.邊界生成：按照步驟S202最終劃分的小區數和小區中心點劃分各所述交通小區，并對應生成各所述交通小區的邊界。
4.根據權利要求3所述的基于RBF神經網絡模型的交通生成預測方法，其特征在于，所述步驟S201的步驟包括：
步驟S211.使用各交通小區中心到各起訖點樣本的距離隨機初始生成起訖點隸屬矩陣U，每個所述起訖點樣本對應一個起訖點位置坐標數據，所述起訖點隸屬矩陣U中包括各起訖點樣本歸屬于交通小區的隸屬度；
步驟S212.根據各起訖點樣本歸屬于各所述交通小區的隸屬度，計算各所述交通小區的中心；
步驟S213.計算代價函數J，如果第k次計算的代價函數J(k)與第k+1次計算得到的代價函數J(K+1)值相差的絕對值小于給定閾值e，則轉至步驟S215，否則轉至步驟S214；
步驟S214.計算所述起訖點隸屬矩陣U；
步驟S215.根據當前計算得到的隸屬矩陣U劃分交通小區，其中如果起訖點樣本i屬于交通小區j的隸屬度達到最大，則將起訖點樣本i劃分為屬于交通小區j，完成交通小區的初步劃分；
步驟S216.計算劃分系數S，比較取不同劃分小區個數時劃分系數S的大小，并選取最小的劃分系數S所對應的劃分小區個數cc以及各個交通小區中心坐標ci作為所述初始參數。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于長沙理工大學，未經長沙理工大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110333100.6/1.html，轉載請聲明來源鉆瓜專利網。
