一种基于递归神经网络的路网状态预测方法技术

本发明专利技术提供一种基于递归神经网络的路网状态预测方法，包括以下步骤：步骤一，建立样本集；步骤二，递归神经网络建模。步骤三，下一时刻路网状态预测。本发明专利技术，从宏观的角度把握路网状态演变规律，采用递归神经网络算法充分考虑路网状态变化的时序规律，从而更好地做出预测。

A prediction method of road network condition based on recurrent neural network

The invention provides a road network state prediction method based on a recurrent neural network, comprising the following steps: Step 1, establishing a sample set; step two, recursive neural network modeling. Step three, the next state of the road network is predicted. The invention grasps the evolution law of the road network state from the macroscopic angle, and adopts the recurrent neural network algorithm to fully consider the time sequence rule of the state change of the road network, so as to make better prediction.

【技术实现步骤摘要】
一种基于递归神经网络的路网状态预测方法
本专利技术涉及公共交通信息处理
，具体地说是一种基于递归神经网络的路网状态预测方法。
技术介绍
随着城市化进程加快，交通拥堵问题日益突出，尤其是大城市，交通拥堵问题更为严峻，严重影响了人们的日常出行。城市道路日趋饱和，而汽车保有量却逐年攀升，这种供需不平衡的关系加重了交通拥堵，而交通拥堵预测是缓解交通拥堵的重要途径。在现有的专利中，已经有一些针对交通状态预测的方法，比较主流的方法包括Kalman滤波模型，时间序列模型，神经网络模型，参数回归模型等。交通状态变化具有非线性的特点，还会因为一些突发事件而存在不确定性，Kalman滤波作为一种线性滤波器，适用性有限，而且存在滞后现象。时间序列模型不仅需要大量的历史数据，且对交通状态变化的时敏性差，难以应对突发事件，神经网络对参数初始化非常敏感，需要多次预测求取平均值，计算量大，且存在局部最优解，容易出现过拟合，参数移植性较差。参数回归模型难以表达交通状态的不确定性、复杂性以及动态特性等。此外，现有的专利大多是基于路段层面的交通状态预测，难以从宏观角度把握路网状态演变规律，难以把握交通状态的复杂性、不确定性。而且基于路段层面的预测对交通设备要求高，个别点的数据缺失对预测精度会造成较大的影响，而基于路网层面的预测将有效解决这一问题，因为从宏观角度上看，个别点数据的缺失对整个路网状态预测影响较小。
技术实现思路
本专利技术为解决以上现有技术的不足，提供一种基于递归神经网络的路网状态预测方法，该方法能够充分考虑路网状态变化的时序性。基于路网层面的状态预测，对出行者来说，可以更好地规划出行路径，极大提高了出行效率。对管理者来说，从宏观角度把握路网状态演变趋势，可以更好地分析路网交通状况，规划交通网络，实现交通优化控制。为了解决上述问题，本专利技术提供的技术方案包括：一种基于递归神经网络的路网状态预测方法，所述方法包括以下步骤：步骤一、建立样本集；选取一路网，将路网划分为k个路段，并对各个路段进行编号，记为(1,2,3,…,k)，将一天24小时分成各个时间长度一样的j个时间段，计算各个路段在每个时间段的平均速度；计算完各个路段的平均速度之后，用一个状态向量表示该时间段的路网状态，即Vj＝[v1,j,v2,j,…,vk,j]；考虑前三个时间段的路网状态，预测下一个时间段的路网状态，因此，单个样本为[(Vj-2,Vj-1,Vj),(Vj+1)]其展开形式为：整个样本集为所有时间段样本的集合；步骤二、递归神经网络建模；首先，确定输入输出变量；输入变量是三个一维状态向量，分别j-2，j-1，j时间段的路网状态向量，输出变量一个是一维状态向量，即下一个时间段的路网状态,每个状态向量的维度均为k，即路网中的路段数目；其次，确定训练集和测试集，根据步骤一中的样本集按预定比例分为训练集和测试集；最后，进行递归神经网络模型参数标定；所述的递归神经网络包括输入层、隐藏层以及输出层。通过训练数据学习输入层与隐藏层、隐藏层与输入层之间的权重矩阵和偏置向量，其中所述隐藏层的每个记忆单元都有三个输入和两个输出，输入内容包括x(t)，h(t-1)，c(t-1)，输出包括h(t)，c(t)。他们之间的关系是通过三个门进行控制，分别是输入门、遗忘门和输出门，在t时刻有：it＝sigmoid(whiht-1+wxixt+bi)ft＝sigmoid(whfht-1+whfxt+bf)ct＝ft⊙ct-1+it⊙tanh(whcht-1+wxcxt+bc)ot＝sigmoid(whoht-1+whxxt+wcoct+bo)ht＝ot⊙tanh(ct)其中it,ft,ot分别代输入门、遗忘门和输出门的输出，w.,b.分别是系数矩阵和偏置向量，⊙是点乘运算，sigmoid和tanh是激活函数，ct代表t时刻隐藏层的记忆单元的输出，ht-1是在t-1时刻隐藏层的输出，ht是在t时刻隐藏层的输出；隐藏层之间的权重矩阵W是一个[k,z]矩阵，z为隐藏层单元个数，k为路段的数量；连接输入层和隐藏层之间的权值矩阵U是一个[z,z]矩阵；连接隐藏与输出层之间的输出矩阵V是一个[z,k]矩阵；隐藏层和输出层的关系为：Yj+1＝HV+by其中，H＝[h1,h2,……hz]，hi是j时刻的隐藏层单元的输出值,所述by是连接隐藏层和输出层的偏置函数Yj+1＝[y1,j+1,y2,j+1,…,yk,j+1]；得到输出层后建立损失函数，损失函数是用来衡量输出层的输出值与真实值的差异，利用损失函数对各个参数求导，计算其梯度。所述的递归神经网络的训练时采用批量梯度下降法学习模型参数，模型参数包括所有的权重矩阵和偏置向量；步骤三、下一时刻路网状态预测；将测试数据的输入变量输入到步骤二中已训练好的模型中，获得输出向量，那么该向量就是所预测的下一个时间段的路网状态。本专利技术的优点：(1)本专利技术最大的优点是提供一种路网状态预测方法，从宏观的角度把握路网状态演变规律。(2)本专利技术采用递归神经网络算法充分考虑路网状态变化的时序规律，从而更好地做出预测。附图说明图1是本专利技术的流程图；图2是LSTM结构图；图3是本专利技术所使用的递归神经网络模型图；图4是递归神经网络与BP神经网络预测对比图。具体实施方式下面将结合附图和实施例对本专利技术作进一步的详细说明，使得本领域技术人员参照说明书文字能够据以实施。本专利技术提供一种基于递归神经网络的路网状态预测方法，流程如图1所示，包括以下步骤：步骤一，建立样本集。选取某一路网，将路网划分为各个小路段，假设分为k个路段，并对各个路段进行编号，记为(1,2,3,…,k)，将一天24小时分成各个时间长度一样的时间段(比如每2分钟作为一个时间段)，计算各个路段在每个时间段的平均速度。平均速度的计算方法是：在某一时间段内，在某一路段通过的所有车辆平均速度的均值，如式(1)所示，其中n代表在该时间段在该路段通过的车辆数目，m代表路网中的第m个路段，m∈(1,2,···,k)，j是时间段编号，s代表该路段的长度，Δt代表时间段的长度，代表车辆i在Δt的平均速度。若某一路段在Δt内没有车辆通过，在用上一个时间段的平均速度替代当前时间段的平均速度，即vm,j＝vm,j-1。计算完各个路段的平均速度之后，用一个状态向量表示该时间段的路网状态，即Vj＝[v1,j,v2,j,…,vk,j]。本专利技术具体实施方式中考虑前三个时间段的路网状态，预测下一个时间段的路网状态，因此本专利技术的单个样本形如[(Vj-2,Vj-1,Vj),(Vj+1)]其展开形式为：整个样本集为所有时间段样本的集合。步骤二，递归神经网络建模。首先，确定输入输出变量。输入变量是三个一维状态向量，分别j-2，j-1，j时间段的路网状态向量，输出变量一个是一维状态向量，即下一个时间段的路网状态,每个状态向量的维度均为k，即路网中的路段数目。其次，确定训练集和测试集，根据步骤一中的样本集按一定比例分为训练集和测试集。最后，递归神经网络模型参数标定。所述的递归神经网络包括输入层、隐藏层以及输出层。该步骤需要通过训练数据学习输入层与隐藏层、隐藏层与输入层之间的权重矩阵和偏置向量，本专利技术为了充分考虑路网状态演变的时序特性，采用LSTM(LongShort-T本文档来自技高网...

【技术保护点】
一种基于递归神经网络的路网状态预测方法，其特征在于，所述方法包括以下步骤：步骤一、建立样本集选取一路网，将路网划分为k个路段，并对各个路段进行编号，记为(1,2,3,…,k)，将一天24小时分成各个时间长度一样的j个时间段，计算各个路段在每个时间段的平均速度；计算完各个路段的平均速度之后，用一个状态向量表示该时间段的路网状态，即V

【技术特征摘要】
1.一种基于递归神经网络的路网状态预测方法，其特征在于，所述方法包括以下步骤：步骤一、建立样本集选取一路网，将路网划分为k个路段，并对各个路段进行编号，记为(1,2,3,…,k)，将一天24小时分成各个时间长度一样的j个时间段，计算各个路段在每个时间段的平均速度；计算完各个路段的平均速度之后，用一个状态向量表示该时间段的路网状态，即Vj＝[v1,j,v2,j,…,vk,j]；考虑前三个时间段的路网状态，预测下一个时间段的路网状态，因此，单个样本为[(Vj-2,Vj-1,Vj),(Vj+1)]其展开形式为：整个样本集为所有时间段样本的集合；步骤二、递归神经网络建模首先，确定输入输出变量；输入变量是三个一维状态向量，分别j-2，j-1，j时间段的路网状态向量，输出变量一个是一维状态向量，即下一个时间段的路网状态,每个状态向量的维度均为k，即路网中的路段数目；其次，确定训练集和测试集，根据步骤一中的样本集按预定比例分为训练集和测试集；最后，进行递归神经网络模型参数标定；所述的递归神经网络包括输入层、隐藏层以及输出层。通过训练数据学习输入层与隐藏层、隐藏层与输入层之间的权重矩阵和偏置向量，其中所述隐藏层的每个记忆单元都有三个输入和两个输出，输入内容包括x(t)，h(t-1)，c(t-1)，输出包括h(t)，c(t)。他们之间的关系是通过三个门进行控制，分别是输入门、遗忘门和输出门，在t时刻有：it＝sigmoid(whiht-1+wxixt+bi)ft＝sigmoid(whfht-1+whfxt+bf)ct＝ft⊙ct-1+it⊙tanh(whcht-1+wxcxt+bc)ot＝sigmoid(whoht-1+whxxt+wcoct+bo)ht＝ot⊙tan...

【专利技术属性】
技术研发人员：王云鹏，吴志海，于海洋，马晓磊，代壮，胡雅雯，张俊峰，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11