基于深信度网络的交通流参数预测方法技术

本发明专利技术提供了一种基于深信度网络的交通流参数预测方法，包括以下步骤：根据交通流的预测时间间隔，采集交通流参数，在参数聚合的基础上，用归一化方法，对采集的交通流参数进行预处理；建立基于深信度网络的交通流参数预测方法，将归一化的交通流参数划分为训练数据集合测试数据集，并利用测试数据集训练DBN模型；利用深信度网络预测模型进行交通流参数预测；对比测试数据集和预测数据，进行误差分析。本发明专利技术通过分析并选取最佳神经网络结构，提高了参数预测的准确度。

【技术实现步骤摘要】

本专利技术涉及智能交通系统领域，具体地，涉及一种基于深信度网络的交通流参数预测方法。
技术介绍
作为智能交通系统(IntelligentTransportationSystem，ITS)的核心内容之一，智能交通控制与诱导系统一直是智能交通系统研究的热门课题。智能控制与诱导的实现能有效地缓解交通堵塞、减轻环境污染，提供高效安全的道路通行状况。这些实现的前提和关键是能够对短时交通流量进行准确的预测，预测的准确度直接决定了控制和诱导的有效性。经对现有技术的文献检索发现，已有的预测模型大致可以分为参数化和非参数化模型两类。早期的研究者们使用基于时间序列分析的参数化模型来预测交通流。Levin等使用Box–Jenkins时间序列分析来预测高速公路交通流，发现差分自回归移动平均(AutoregressiveIntegratedMovingAverage，ARIMA)模型在统计上最有效。由于交通流参数很难用参数化模型解析的数学公式描述，导致预测准确率不够理想。目前研究集中在基于机器学习的非参数模型来预测短时交通流。由于人工神经网络(ArtificialNeuralNetwork，ANN)在处理较为复杂的非线性问题上的优势，研究者们提出了各种基于人工神经网络的模型和算法，近几年随着深度学习的提出，也有研究者将深度学习的引入该领域。LvY等使用栈式自动编码器(StackedAutoencoder，SAE)深度学习模型来对交通流进行建模和预测。但这些模型结构简单，且在模型使用过程中需要进行人工筛选，预测精度较差。
技术实现思路
针对现有技术中的缺陷，本专利技术的目的是提供一种基于深信度网络的交通流参数预测方法。根据本专利技术提供的基于深信度网络的交通流参数预测方法，包括如下步骤：步骤1：采集历史交通流参数，并利用归一化方法对交通流参数进行预处理，得到归一化后的数据集；步骤2：建立基于深信度网络的交通流参数预测模型，将归一化后的数据集划分为训练数据集和测试数据集，用测试数据集训练交通流参数预测模型；步骤3：利用训练后的基于深信度网络的交通路流参数预测模型预测未来交通流参数，得到预测数据；步骤4：将测试数据集和预测数据进行比较，分析误差。优选地，所述步骤1中的历史交通流参数是指：在指定的特定观测点所得到的在指定时间间隔内的车辆数。优选地，所述步骤1中采用归一化方法对交通流参数进行预处理的具体过程如下：分别计算历史交通流参数某一样本中的最小值min和最大值max，使用min-max方法对数据进行归一化预处理，使归一化预处理后的历史交通流参数值域为区间[0,1]，其中：min-max方法对数据进行归一化的公式如下：x*=x-minmax-min]]>式中：x*表示归一化预处理后数据，min表示样本数据最小值，max表示样本数据最大值，x表示待归一化预处理的历史交通流参数。优选地，所述步骤2中的基于深信度网络的交通流参数预测方法通过多层限制玻尔兹曼机的堆叠来降低数据维度，并提取特征，在特征提取后加入反向传播算法(ErrorBackPropagation，BP算法)，进行预测值输出。优选地，所述基于深信度网络的交通流参数预测模型的建立步骤如下：步骤A1：将归一化后的训练数据集作为第一个限制波尔兹曼机的可见层；步骤A2：进行多层限制波尔兹曼机的堆叠，即每个波尔兹曼机的隐藏层都作为下一个限制波尔兹曼机的可见层；步骤A3：使用对比散度算法，从第一个限制波尔兹曼机开始，按次序逐个对限制波尔兹曼机进行训练；步骤A4：在多层限制波尔兹曼机器的堆叠后，再添加2～3层神经元，作为BP算法运用的层，且最后一层只包含一个神经元作为预测值，即归一化的输出值；步骤A5：训练BP层，直到人工神经网络的输出值与实际值，即与归一化的值之间的误差小于设定阈值；步骤A6：输入测试集中的交通流参数，逐个训练限制波尔兹曼机，并利用步骤A5中BP层权重，计算得到人工神经网络的输出值；步骤A7：将人工神经网络的输出值反归一化，得到交通流参数预测值。优选地，所述步骤4包括：通过平均绝对百分比误差MAPE和均方根误差RMSE来对预测数据进行误差分析，计算公式如下：MAPE(f,f^)=1nΣi=1n|fi-f^i|fi]]>RMSE(f,f^)=[1nΣi=1n(|fi-f^i|)2]12]]>式中：表示测试数据集与预测数据的平均绝对百分比误差，表示测试数据集与预测数据的均方根误差，f表示交通流的观测值，表示交通流的预测值，n表示交通流预测值的数量，fi表示测试数据集中的第i个交通流参数，表示预测数据集中的第i个预测交通流参数，i的取值范围为1，2…N，其中N为测试数据集的数据量。与现有技术相比，本专利技术具有如下的有益效果：1、本专利技术使用深信度网络预测交通流参数，具有深层次记忆历史数据的优点。2、本专利技术使用深信度网络预测交通流参数，减少了传统模型中人为判定的环节，提高了实用性，降低了主观判定对预测结果的影响。3、本专利技术基于深信度网络的交通流参数方法，结合了限制限制玻尔兹曼机和BP算法，降低了数据维度，提高了预测精度。附图说明通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：图1为本专利技术提供的基于深信度网络的交通流参数预测方法的流程图。图2为本专利技术采用的深信度网络中限制玻尔兹曼机的架构示意图。图3为本专利技术中模型计算所得的短时交流预测值与观测值对比图。图4为本专利技术对50个不同观测点测试数据集与预测数据的平均绝对百分比误差对比图。图5为本专利技术与多个已有方法之间的百分比误差和均方根误差对比图。具体实施方式下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变化和改进。这些都属于本专利技术的保护范围。根据本专利技术提供的基于深信度网络的交通流参数预测方法，包括如下步骤：步骤S1、采集历史交通流参数，在数据聚合的基础上，利用归一化方法对交通流参数进行预处理；步骤S2、建立基于深信度网络的交通流参数预测方法。将归一化后的数据集划分为训练数据集和测试数据集，用测试数据集训练深信度网络模型；步骤S3、利用训练后的深信度网络模型预测未来交通流参数；步骤S4、比照测试数据集和预测数据，进行误差分析；下面结合具体实施例对本专利技术中的技术方案进行详细说明。实施例本实施例提供了一种基于深信度网络的交通流参数预测方法，该方法包括如下步骤：步骤S1、根据预测的时间间隔对历史交通流参数进行聚合，并对聚合后的交通数据进行归一化；所述历史交通流参数来源于交通数据采集系统，可以通过线圈检测、微波传感器、视频监测等方法获得。获取的历史交通流量数据为特定观测点或路段在一定时间间隔内经过的车辆数。所述指定的时间间隔可以根据预测需求进行指定(例如5分钟)。将各观测点或路段的指定时间间隔内的若干个交通流量数据分别进行累加，得到各观测点指定时间间隔的交通流量数据。下述某时刻的交通流参数指的是从此时刻开始经过指定时间间隔(例如5分钟)的交通流参数。历史观测数据集合可表示为F＝{ft|t＝1,2,...,T本文档来自技高网...

【技术保护点】
一种基于深信度网络的交通流参数预测方法，其特征在于，包括如下步骤：步骤1：采集历史交通流参数，并利用归一化方法对交通流参数进行预处理，得到归一化后的数据集；步骤2：建立基于深信度网络的交通流参数预测模型，将归一化后的数据集划分为训练数据集和测试数据集，用测试数据集训练交通流参数预测模型；步骤3：利用训练后的基于深信度网络的交通路流参数预测模型预测未来交通流参数，得到预测数据；步骤4：将测试数据集和预测数据进行比较，分析误差。

【技术特征摘要】
1.一种基于深信度网络的交通流参数预测方法，其特征在于，包括如下步骤：步骤1：采集历史交通流参数，并利用归一化方法对交通流参数进行预处理，得到归一化后的数据集；步骤2：建立基于深信度网络的交通流参数预测模型，将归一化后的数据集划分为训练数据集和测试数据集，用测试数据集训练交通流参数预测模型；步骤3：利用训练后的基于深信度网络的交通路流参数预测模型预测未来交通流参数，得到预测数据；步骤4：将测试数据集和预测数据进行比较，分析误差。2.根据权利要求1所述的基于深信度网络的交通流参数预测方法，其特征在于，所述步骤1中的历史交通流参数是指：在指定的特定观测点所得到的在指定时间间隔内的车辆数。3.根据权利要求1所述的基于深信度网络的交通流参数预测方法，其特征在于，所述步骤1中采用归一化方法对交通流参数进行预处理的具体过程如下：分别计算历史交通流参数某一样本中的最小值min和最大值max，使用min-max方法对数据进行归一化预处理，使归一化预处理后的历史交通流参数值域为区间[0,1]，其中：min-max方法对数据进行归一化的公式如下：x*=x-minmax-min]]>式中：x*表示归一化预处理后数据，min表示样本数据最小值，max表示样本数据最大值，x表示待归一化预处理的历史交通流参数。4.根据权利要求1所述的基于深信度网络的交通流参数预测方法，其特征在于，所述步骤2中的基于深信度网络的交通流参数预测方法通过多层限制玻尔兹曼机的堆叠来降低数据维度，并提取特征，在特征提取后加入反向传播算法，进行预测值输出。5.根据权利要求1或4所述的基于深信度网络的交通流参数预测方法，其...

【专利技术属性】
技术研发人员：潘理，李振邦，刘雄，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31