【技术实现步骤摘要】
一种基于模糊C均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法
本专利技术属于交通预测领域，尤其涉及一种基于模糊C均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法。
技术介绍
随着近些年经济发展速度不断加快，私家车的数量与日俱增，道路交通拥挤和交通事故等交通问题逐渐成了全球共同关注的话题。自上世纪80年代以来，许多国家的政府将城市交通科学规划提上日程，智能交通系统(IntelligentTransportationSystem，ITS)便渐渐发展了起来。智能交通系统主要是利用先进的数据通讯技术以及传感器技术，对交通数据进行整合与分析，从而为城市道路交通提供合理的交通诱导，提高路网通过能力，减少交通事故。在此其中，精确及时的短时交通流的预测不仅可以为交通规划提供数据上的支持，还可以为将来的路网建设发展提供可靠依据。因此短时交通流预测对于智能交通系统有着重要的意义。近些年来交通预测领域取得了丰富的研究成果，其中包括基于线性或非线性系统理论的预测方法、基于动态交通分配模型预测模型以及人工神经网络预测模型。随着新技术的兴起，越来越多的学者开始将机器...
【技术保护点】
1.一种基于模糊C均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法，其特征在于，包括以下步骤：步骤1.采用模糊C均值算法，将一天中的交通流量分为C种不同的流量模式；步骤2.根据交通数据的时空特性，在时间维度以及空间维度构建交通流二维矩阵；步骤3.在传统卷积神经网络的结构基础上构建误差反馈卷积神经网络；步骤4.定义损失函数，训练模型；定义损失函数
【技术特征摘要】
1.一种基于模糊C均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法，其特征在于，包括以下步骤：步骤1.采用模糊C均值算法，将一天中的交通流量分为C种不同的流量模式；步骤2.根据交通数据的时空特性，在时间维度以及空间维度构建交通流二维矩阵；步骤3.在传统卷积神经网络的结构基础上构建误差反馈卷积神经网络；步骤4.定义损失函数，训练模型；定义损失函数其中n为样本个数，o为预测模型的预测值，y为真实流量数据；根据损失函数，通过反向传播算法对模型参数寻求最优解；步骤5.根据误差反馈卷及审计网络组合预测模型，实现短时交通流的预测。2.对于权利要求1中所述的基于模糊C均值交通流量聚类以及卷积神经网络的短时交通流预测方法，其特征在于，步骤1中，对于采集的交通数据样本点表示为X＝{x1,x2,...,xn}，目标聚类数目c、最大迭代次数T设置为1000，迭代阈值ε设置为10-4，同时初始化c个聚类中心点P＝{p1,p2,...,pc}以及隶属度矩阵U，隶属度矩阵U中的元素uij表示第j个样本点对于第i个流量模式的隶属度；迭代中的价值函数表示为：其中dij表示样本与第j个流量模式中心点的欧式距离，m为大于1的聚类加权参数，聚类的具体步骤如下：步骤1.1随机选择c个聚类中心P＝{p1,p2,...,pc}，同时记录当前迭代次数t＝0；步骤1.2根据隶属度函数迭代方程更新隶属度矩阵U中的每个元素，其中表示在第t次迭代后的隶属度更新值，dkj表示样本点xj与流量模式中心点pk的欧式距离；更新后的隶属度矩阵表示为Ut+1；步骤1.3根据聚类中心迭代方程更新聚类中心，其中表示第i种流量模式在第t次迭代后的到的更新值，表示样本点xj与第i个流量模式在第t次迭代更新后的隶属度；更新后的聚类中心集合表示为Pt+1；步骤1.4计算价值公式其中Jt+1(Ut+1,Pt+1)表示在第t次迭代后价值公式的取值；步骤1.5判断当前迭代次数t是否大于或等于最大迭代次数T，或者||Ut+1-Ut||＜ε，||·||表示矩阵范数，即价值函数更新值小于预设的更新阈值，若满足则结束迭代，进入步骤2，若不满足则令t＝t+1，并跳转到步骤1.2继续迭代。3.对于权利要求1中所述的基于模糊C均值交通流量聚类以及卷积神经网络的短时交通流预测方法，其特征在于，步骤2中，为了卷积操作提取交通流二维矩阵的信息，首先要结合时间和空间两个维度构建出交通流的时空矩阵数据，设计样式表示为：交通流时空矩阵的纵向表示l个时间步长的时间序列数据，横向则表示n个不同的监测点的空间拓扑结构；那么矩阵中的元素xn,t-l则表示第n个...
【专利技术属性】
技术研发人员：桂智明，陈龙，郭黎敏，李壮壮，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。