【技术实现步骤摘要】
基于组归一化和网格化协同的交通流预测方法
本专利技术涉及一种基于组归一化和网格化协同的交通流预测方法。
技术介绍
随着社会的发展，大都市的车辆数量急剧增加，准确及时的交通流预测对于个人，企业及政府机构来说显得日益重要，它能够帮助居民做出更好的出行决策，缓解交通拥塞，减少碳排量，提高交通运营效率。为了减轻繁忙的交通状况，可以考虑两种方式。一是通过扩大现有道路上的车道数量来扩大道路网总容量。然而，这需要额外的土地和基础设施的巨额支出，这在许多城市地区往往是不可行的。另一种方式是使用各种交通控制策略，以便有效地利用现有的道路网络。这种方法不需要太多支出，并且在大多数情况下是可行的，因此在现实中此方法更实用。控制策略通常是指交通预测技术，以预测潜在的拥堵，从而指引人们制定更合适的出行路线，缓解交通拥堵。因此，准确的交通流预测一方面可以为出行者提供准确的路况信息，从而有效地避免拥堵路段，节约出行时间。另一方面交通管理部门可以利用交通流预测的结果提前进行交通疏导，避免某一路段过于拥堵。从而能够降低燃料成本和减少空气污染，因而交通流预测已...
【技术保护点】
1.一种基于组归一化和网格化协同的交通流预测方法，其特征在于，包括以下步骤：/nS1、将获取的交通流量数据进行预处理；/nS2、将步骤S1处理后的数据，分成g组，每组的样本数为m，形成m×F的向量；/nS3、对步骤S2所得的g组中每组样本数据进行向量格式转换，即将m×F的向量转换成M×T×F向量，其中T为时间间隔，M是T时间间隔内的样本数，F是特征数，并进行组归一化操作；/nS4、将g组中分别进行步骤S3的组归一化操作后得到的每组样本分为训练样本和测试样本，每组的样本数分别为N和n，此时每组训练样本是N×T×F维的向量；/nS5、将g组中步骤S4得到的每组训练样本分别代入网...
【技术特征摘要】
1.一种基于组归一化和网格化协同的交通流预测方法，其特征在于，包括以下步骤：
S1、将获取的交通流量数据进行预处理；
S2、将步骤S1处理后的数据，分成g组，每组的样本数为m，形成m×F的向量；
S3、对步骤S2所得的g组中每组样本数据进行向量格式转换，即将m×F的向量转换成M×T×F向量，其中T为时间间隔，M是T时间间隔内的样本数，F是特征数，并进行组归一化操作；
S4、将g组中分别进行步骤S3的组归一化操作后得到的每组样本分为训练样本和测试样本，每组的样本数分别为N和n，此时每组训练样本是N×T×F维的向量；
S5、将g组中步骤S4得到的每组训练样本分别代入网格循环网络中，得到g个交通流量预测模型，将所得g个交通流量预测模型经过线性判决器得到最优的交通流量预测模型。
2.如权利要求1述的基于组归一化和网格化协同的交通流预测方法，其特征在于：步骤S5的具体步骤如下：
S51、定义初始值，即定义初始记忆单元C0和初始掩藏层H0；记忆单元C0为t＝1时刻，取值范围在0-0.01之间满足标准正太分布的K×T×F维向量，掩藏层H0为t＝1时刻，取值范围在0-0.01之间满足标准正太分布的K×1维向量；
S52、将步骤S51定义的C0和H0进行网格化处理，使得输出的记忆单元C′0带有掩藏层H0的信息；网格化处理的本质是进行向量格式转换；
S53、将步骤S52得到的记忆单元C′0代入组1所在的循环网络中，得到记忆单元C1和掩藏层输出H1；
S531、计算ft，ft是循环网络中的中间输出函数，其主要作用是决定上一时刻的信息保留到当前记忆单元ct的信息量，其表达式为：ft＝σ(Wf(t-1)Xt+bf(t-1))，其中σ为Sigmoid激活函数，其表达式为：s(x)＝1/1+e-x，常被用作神经网络的阈值函数，能够将变量映射到0,1之间；Xt是t时刻的训练样本输入，此输入是一个N×T×F维向量，T为时间间隔，N是T时间间隔内的训练样本数，F是特征数；Wf(t-1)为t时刻Xt与ft的权重参量，是一个取值范围在0-0.01之间满足标准正太分布的K×N维向量；bf(t-1)为t时...
【专利技术属性】
技术研发人员：暴建民，翟英明，丁飞，姚亮宇，张海涛，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32
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。