利用卷积神经网络模型识别交通指数时间序列模式的方法技术

本发明专利技术公开了利用卷积神经网络模型识别交通指数时间序列模式的方法、装置、电子设备和存储介质。其中，方法包括：获取交通指数时间序列数据；利用卷积神经网络模型对所述交通指数时间序列数据进行特征提取，得到特征向量；利用分类模块对所述特征向量进行处理，得到所述交通指数时间序列数据的模式分类结果。本发明专利技术通过卷积神经网络模型发现交通指数时间序列数据的时序特征，再利用分类模块对其进行分类，将复杂抽象的时间序列统一为所属模式，本发明专利技术对时间序列数据模式识别更准确、有效，适合于呈现时间阶段性变化的数据间相关性研究和模式发现。

A method of identifying traffic index time series pattern by convolution neural network model

【技术实现步骤摘要】
利用卷积神经网络模型识别交通指数时间序列模式的方法
本专利技术涉及软件领域，尤其涉及利用卷积神经网络模型识别交通指数时间序列模式的方法、装置、电子设备以及存储介质。
技术介绍
随着城市化的快速发展，城市交通拥堵问题日益突出。为应对复杂多变的城市交通拥堵问题，交通管理部门出台了一系列的政策和法规，在一定程度上缓解了城市交通的拥堵状况，但问题仍然存在。基于此，科研人员从社会学、统计学、互联网和地理信息等多领域开展了大量的研究，以期准确地发现居民在交通出行中存在的规律和特征，为交通管理部门提供参考与指导。而交通指数是研究城市交通运行状态的一个重要指标，反映了城市拥堵状况的量化结果，在时间维度上具有一定的规律。因此，若通过时间序列模式识别从历史交通指数中得到居民出行的潜在特征，区分出其所属类别，可为交通运行状态研究及预测提供基础数据，对城市交通拥堵疏解具有重要的价值。模式识别是计算机按照一定的算法自动识别客体的类别，通过对象表征的数量、大小或者逻辑关系，将具有一定相似性的对象看作一个整体，从而挖掘和提取其具有的规律。模式识别方法分为监督学习和非本文档来自技高网...

【技术保护点】
1.利用卷积神经网络模型识别交通指数时间序列模式的方法，其特征在于，包括：/n获取交通指数时间序列数据；/n利用卷积神经网络模型对所述交通指数时间序列数据进行特征提取，得到特征向量；/n利用分类模块对所述特征向量进行处理，得到所述交通指数时间序列数据的模式分类结果。/n

【技术特征摘要】
20200302 CN 20201013558681.利用卷积神经网络模型识别交通指数时间序列模式的方法，其特征在于，包括：
获取交通指数时间序列数据；
利用卷积神经网络模型对所述交通指数时间序列数据进行特征提取，得到特征向量；
利用分类模块对所述特征向量进行处理，得到所述交通指数时间序列数据的模式分类结果。


2.如权利要求1所述的利用卷积神经网络模型识别交通指数时间序列模式的方法，其特征在于，所述利用卷积神经网络模型对所述交通指数时间序列数据进行特征提取，得到特征向量，包括：
将所述交通指数时间序列数据转化成N维矩阵；
利用所述卷积神经网络模型对所述N维矩阵进行特征提取，得到特征向量。


3.如权利要求2所述的利用卷积神经网络模型识别交通指数时间序列模式的方法，其特征在于，所述分类模块为SOFTMAX分类器；所述卷积神经网络模型由每组1个5*5的卷积层和1个池化层的2组结构以层叠结构组合而成；所述卷积神经网络模型的激活函数为ReLU函数；所述池化层采用最大池化。


4.如权利要求2或3所述的利用卷积神经网络模型识别交通指数时间序列模式的方法，其特征在于，所述交通指数时间序列数据的模式分类结果包括周一模式、周中模式、周五模式、周六模式以及周日模式；所述交通指数时间序列数据为一个自然日中5点至23点之间的交通指数时间序列数据。


5.利用卷积神经网络模型识别交通指数时间序列模式的装置，其特征在于，包括：
获取模块，用于获取交通指数时间序列数据；
提取模块...

【专利技术属性】
技术研发人员：张学东，卢剑，张健钦，郭小刚，陆浩，贾礼朋，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：北京;11