[發(fā)明專利]基于RBF神經(jīng)網(wǎng)絡模型的交通生成預測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110333100.6
• 申請日: 2021-03-29
• 公開（公告）號: CN113011512A
• 公開（公告）日: 2021-06-22
• 發(fā)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

本發(fā)明公開一種基于RBF神經(jīng)網(wǎng)絡模型的交通生成預測方法及系統(tǒng)，該方法步驟包括：步驟S01.獲取待預測區(qū)域指定時長內的居民出行起訖點位置坐標數(shù)據(jù)；步驟S02.對獲取的居民出行起訖點位置坐標數(shù)據(jù)進行聚類分析，將待預測區(qū)域進行交通小區(qū)的劃分；步驟S03.使用RBF神經(jīng)網(wǎng)絡建立交通生成預測模型；步驟S04.獲取各交通小區(qū)的交通生成影響參數(shù)數(shù)據(jù)以及交通生成量，并作為訓練樣本對交通生成預測模型進行訓練；步驟S05.將待預測交通小區(qū)的交通生成影響參數(shù)數(shù)據(jù)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(qū)的交通生成量的預測結果輸出。本發(fā)明具有實現(xiàn)方法簡單、復雜程度低、預測效率以及精度高優(yōu)點。

技術領域

本發(fā)明涉及智能交通技術領域，尤其涉及一種基于RBF(Radical BasisFunction，徑向基函數(shù))神經(jīng)網(wǎng)絡模型的交通生成預測方法及系統(tǒng)。

背景技術

交通生成預測是通過對城區(qū)社會經(jīng)濟特性、土地利用形態(tài)和居民個人及家庭屬性進行綜合分析，建立交通需求預測模型，實現(xiàn)對交通需求的預測。交通生成預測模型能比較準確地預測出對象地區(qū)未來的交通生成量，可利于正確進行交通宏觀決策、制定交通發(fā)展戰(zhàn)略、編制交通規(guī)劃，以及制定道路可行性研究等。交通需求預測模型的精度直接決定了未來交通生成量預測的效果，而影響交通生成量因素有很多，且各個因素之間關系復雜，如何充分挖掘各影響因素之間的關系，建立一個能包含多影響因素的高精度交通需求預測模型是實現(xiàn)交通生成量預測的關鍵，對于交通規(guī)劃是非常有必要的。

目前，交通生成預測建模常見的模型中，從簡單到復雜依次包括：生成率模型、類別生成率模型、回歸分析模型和類別回歸分析模型等。各類模型適用的場景不同，具體應用何種模型，目前通常是依據(jù)對象區(qū)域的土地利用形態(tài)和社會經(jīng)濟特征等特性進行選取。但是采用上述各傳統(tǒng)預測模型均是簡單的利用區(qū)域某一整體屬性為依據(jù)形成的集計模型，而小區(qū)交通生成的實質機制是在土地利用、社會經(jīng)濟條件、個人屬性特征以及區(qū)域交通政策等多要素間在融合互動與組合作用下形成，單純的某一整體屬性所形成的集計模型就無法反應各種要素間的融合互動與組合作用，因而直接使用上述傳統(tǒng)預測模型會導致預測結果與實際值相差較大，不能滿足實際應用中的需要。

雖然如隨機效應模型、混合仿真模型等離散模型可以一定程度上解決上述集計模型預測的問題，但該類型離散模型對數(shù)學推導要求較高，需要通過模型假設和對數(shù)學模型推導進行計算，且預測中存在多個預測值，導致建模過程復雜，仍然會存在預測結果精度不理想，不利于實際操作等問題。

綜上，現(xiàn)有技術中針對于交通生成量預測，要么僅是片面的考慮某類影響因素，沒有綜合考慮各方面影響因素之間的相互融合與組合作用，要么需要建模過程復雜、對計算要求過高，難以實際操作。因此亟需提供一種交通生成預測方法，以使得能夠考慮各方面影響要素間相互融合與組合作用，解決傳統(tǒng)預測集計模型考慮影響因素單一、預測結果不精確等問題，同時又能夠降低模型計算復雜程度，提高模型預測精度以及降低建模的復雜性。

發(fā)明內容

本發(fā)明要解決的技術問題就在于：針對現(xiàn)有技術存在的技術問題，本發(fā)明提供一種實現(xiàn)方法簡單、復雜程度低、預測效率以及精度高的基于RBF神經(jīng)網(wǎng)絡模型的交通生成預測方法及系統(tǒng)。

為解決上述技術問題，本發(fā)明提出的技術方案為：

一種基于RBF神經(jīng)網(wǎng)絡模型的交通生成預測方法，步驟包括：

步驟S01.數(shù)據(jù)獲取：獲取待預測區(qū)域指定時長內的居民出行起訖點位置坐標數(shù)據(jù)；

步驟S02.交通小區(qū)劃分：對步驟S01獲取的居民出行起訖點位置坐標數(shù)據(jù)進行聚類分析，由聚類結果將待預測區(qū)域進行交通小區(qū)的劃分；

步驟S03.預測模型構建：使用RBF神經(jīng)網(wǎng)絡建立用于預測所述交通小區(qū)的交通生成量的交通生成預測模型；