基于时序卷积网络的RSCN交通流预测方法技术

本发明专利技术公开了一种基于时序卷积网络的RSCN交通流预测方法，包括时序特征数据的预处理和归一化模块、特征数据的并行处理模块和基于残差网络的误差判断校正模块；时序特征数据的预处理和归一化模块，对一条路段上的多个传输器记录的时间序列的交通流数据整理成序列数据，对交通流数据进行预处理和归一化；特征数据的并行处理模块，将预处理和归一化后的交通流数据分置在膨胀卷积和径向基网络中并行处理；将并行处理后的交通流数据作为残差处理的输入，残差神经元作为残差处理的输出，进行残差网络的自我校正误差分析训练。本发明专利技术采用一种基于时序卷积网络的RSCN交通流预测算法，基于卷积网络层，运用并行计算和残差校核的方法对一条路段上的多个传输器记录的时间序列的交通流数据进行预测计算，构造一种预测精度更高和能够实时改变学习参数的短时交通流预测模型，解决了原有的模型精度不够高，处理实时数据能力较差的问题。

【技术实现步骤摘要】

本专利技术涉及机器学习算法，尤其涉及一种基于时序卷积网络的rscn交通流预测方法。

技术介绍

1、机器学习是通过经验改进计算机算法的研究，研究目的主要是对计算机算法性能的改进和精度的提升。

2、社会经济和城市化的高速发展需求使得当前对交通容量的要求逐步提高，交通容量的提升在一定空间内也会产生一定的挑战，如对绿色经济的破坏等。为解决这些问题，综合应用多维交叉技术，具体来说智能交通系统已成为一种重要的管理模式。交通流量预测是智能交通系统的关键组成部分，它通过对历史交通流量数据的分析和对实时交通量的预测，完成对未来一定空间内交通流量的预测。其中，高速公路是整个社会物流运行的重要通道。然而，受区域经济社会的影响，不同区域间的交通流量具有较大的差异，这会导致区域资源配置和能源使用等方面的不合理性，因此，提高交通流预测模型的准确性和及时性对促进地区交通系统的发展起着至关重要的作用。

3、交通流量预测受多种因素影响，可分为内在因素和外在因素。传统的递归神经网络能很好地捕捉时间序列中的长期依赖关系，但在并行计算时过于依赖前一时间步长，对时间步长的适本文档来自技高网...

【技术保护点】

1.一种基于时序卷积网络的RSCN交通流预测方法，其特征在于：时序特征数据的预处理和归一化模块、特征数据的并行处理模块和基于残差网络的误差判断校正模块；

2.根据权利要求1所述的一种基于时序卷积网络的RSCN交通流预测方法，其特征在于，时序特征数据的预处理和归一化模块包括：

3.根据权利要求1所述的一种基于时序卷积网络的RSCN交通流预测方法，其特征在于：膨胀卷积的相关神经元参数通过测试集对网络的测试后对比不同参数下的误差数据获取；误差参数具体为均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和判定系数(R2)。</p>

4.根据...

【技术特征摘要】

1.一种基于时序卷积网络的rscn交通流预测方法，其特征在于：时序特征数据的预处理和归一化模块、特征数据的并行处理模块和基于残差网络的误差判断校正模块；

2.根据权利要求1所述的一种基于时序卷积网络的rscn交通流预测方法，其特征在于，时序特征数据的预处理和归一化模块包括：

3.根据权利要求1所述的一种基于时序卷积网络的rscn交通流预测方法，其特征在于：膨胀卷积的相关神经元参数通过测试集对网络的测试后对比不同参数下的误差数据获取；误差参数具体为均方根误差(rmse)、平均绝对误差(mae)、平均绝对百分比误差(mape)和判定系数(r2)。

<...

【专利技术属性】
技术研发人员：代晓敏，郑宇奇，
申请(专利权)人：新疆大学，
类型：发明
国别省市：