基于深度信念网络黑箱可视化技术的交通特征分析方法技术

本发明专利技术提供基于深度信念网络黑箱可视化技术的交通特征分析方法，有效实现对交通要素的重要性分析，提高交通事故的预测精度。具体步骤为：针对深度信念网络的训练特性，设计基于权值可视化技术，提出无监督训练阶段的特征重要性公式，实现对输入层每个神经元的潜在贡献进行分析；然后，设计有监督训练的权值敏感度分析方法，提出有监督训练阶段的特征重要性公式；最后，通过将前两个公式进行结合，提出深度信念网的全局特征重要性公式，该公式可实现对高速公路六个主要参数的重要性分析。在实际操作时，使用此技术可以剔除对交通事故预测有负向作用的影响因素，强化对交通事故有重要作用的影响因素，为市政部门的决策提供有力支持。

【技术实现步骤摘要】
基于深度信念网络黑箱可视化技术的交通特征分析方法
本专利技术利用可视化的方式实现对深度信念网络黑箱内部的理解，分析深度信念网络输入层各神经元的重要性辅助确定交通事故影响因素的重要性。此部分作为使用深度信念网络的重要环节，是人工智能
的重要分支，属于深度神经网络领域，同时此方法解决了交通事故特征分析问题，也属于智能交通领域。
技术介绍
论在研究领域还是工业领域，深度学习已经无处不在。尽管如此，深度神经网络通常仍被当作黑箱模型使用，且需要经过人工筛选输入特征和大量尝试不同的模型结构之后才能得到实用的模型。用户对其内在的工作机理和各神经元的影响理解较少，且较为困难。本专利技术的研究成果可以有效地、直观地帮助用户理解深度信念网络，分析输入层各神经元对网络性能的影响，具有较高的实用价值。目前用于理解神经网络黑箱问题的方法主要有三类。第一类是调变人工智能的输入以查看哪些变化影响以及如何影响到了输出。第二类是遮挡显著性特征，使用可视化方法理解哪些隐含层特征被激活，第三类用认知心理学方法理解深度学习系统。目前这些技术主要集中在理解卷积神经网络及其本文档来自技高网...

【技术保护点】
1.基于深度信念网络黑箱可视化技术的交通特征分析方法，其特征在于，步骤如下：/n(1)确定模型结构；采用深度信念网络建立交通事故预测模型，模型输入为六个神经元，分别对应六个主要的交通事故预测影响因素：交通流曝光量，通过将交通的汽车数量与交通流长度整合计算得到；年平均每日货车流量，道路左侧路肩宽度，道路中间带宽度，道路右侧路肩宽度，弯道转角，模型输出为高速公路短时间内交通事故数据量；使用两个隐含层，每个隐含层的神经元数量的取值范围为10-100；使用一个输出层神经元，代表交通事故数量的预测值；/n(2)网络权值初始化；设置神经网络层与层之间的连接权值和偏置值，将其全部设置为0；/n(3)无监督训...

【技术特征摘要】
1.基于深度信念网络黑箱可视化技术的交通特征分析方法，其特征在于，步骤如下：
(1)确定模型结构；采用深度信念网络建立交通事故预测模型，模型输入为六个神经元，分别对应六个主要的交通事故预测影响因素：交通流曝光量，通过将交通的汽车数量与交通流长度整合计算得到；年平均每日货车流量，道路左侧路肩宽度，道路中间带宽度，道路右侧路肩宽度，弯道转角，模型输出为高速公路短时间内交通事故数据量；使用两个隐含层，每个隐含层的神经元数量的取值范围为10-100；使用一个输出层神经元，代表交通事故数量的预测值；
(2)网络权值初始化；设置神经网络层与层之间的连接权值和偏置值，将其全部设置为0；
(3)无监督训练；使用无监督贪婪算法对网络进行逐层训练，并分析六个输入变量在无监督训练过程中的重要性变化；
具体步骤如下：
首先，在起始时刻，将信号从出入层传入第一个隐含层，公式(1)为由已知的输入层神经元得到的隐含层神经元的值：



第二，将信号从隐含层反传回输入层；可以得到由隐含层神经元得到输入层神经元的值，见公式(2)：



式(1)为由已知的输入层神经元得到的隐含层神经元的值，(2)为由隐含层神经元得到输入层神经元的值中；vi和ci分别对应该步骤中输入层第i个神经元的取值和偏置值，hj和bj分别对应网络中隐含层第j个神经元的取值和偏置值，wij为输入层神经元i和隐藏层神经元j之间的权值，表示两个神经元之间连接信号的强弱，上述值在训练之前已初始化为0，p(hj＝1)表示隐含层节点hj取值为1的概率，p(vi＝1)表示可视层节点vi取值为1的概率；
第三，在公式(1)(2)运行完之后，再一次使用公式(1)，将信号从输入层再次传向隐含层；用v0是表示起始时刻的输入层特征向量(即网络的输入)...

【专利技术属性】
技术研发人员：陈启丽，潘广源，
申请(专利权)人：北京信息科技大学，深圳市盖瑞智慧科技有限公司，
类型：发明
国别省市：北京;11