[发明专利]一种基于递归神经网络的路网状态预测方法

说明书

本发明提供一种基于递归神经网络的路网状态预测方法，包括以下步骤：步骤一，建立样本集；步骤二，递归神经网络建模。步骤三，下一时刻路网状态预测。本发明，从宏观的角度把握路网状态演变规律，采用递归神经网络算法充分考虑路网状态变化的时序规律，从而更好地做出预测。

技术领域

本发明涉及公共交通信息处理技术领域，具体地说是一种基于递归神经网络的路网状态预测方法。

背景技术

随着城市化进程加快，交通拥堵问题日益突出，尤其是大城市，交通拥堵问题更为严峻，严重影响了人们的日常出行。城市道路日趋饱和，而汽车保有量却逐年攀升，这种供需不平衡的关系加重了交通拥堵，而交通拥堵预测是缓解交通拥堵的重要途径。

在现有的专利中，已经有一些针对交通状态预测的方法，比较主流的方法包括Kalman滤波模型，时间序列模型，神经网络模型，参数回归模型等。交通状态变化具有非线性的特点，还会因为一些突发事件而存在不确定性，Kalman滤波作为一种线性滤波器，适用性有限，而且存在滞后现象。时间序列模型不仅需要大量的历史数据，且对交通状态变化的时敏性差，难以应对突发事件，神经网络对参数初始化非常敏感，需要多次预测求取平均值，计算量大，且存在局部最优解，容易出现过拟合，参数移植性较差。参数回归模型难以表达交通状态的不确定性、复杂性以及动态特性等。

此外，现有的专利大多是基于路段层面的交通状态预测，难以从宏观角度把握路网状态演变规律，难以把握交通状态的复杂性、不确定性。而且基于路段层面的预测对交通设备要求高，个别点的数据缺失对预测精度会造成较大的影响，而基于路网层面的预测将有效解决这一问题，因为从宏观角度上看，个别点数据的缺失对整个路网状态预测影响较小。

发明内容

本发明为解决以上现有技术的不足，提供一种基于递归神经网络的路网状态预测方法，该方法能够充分考虑路网状态变化的时序性。基于路网层面的状态预测，对出行者来说，可以更好地规划出行路径，极大提高了出行效率。对管理者来说，从宏观角度把握路网状态演变趋势，可以更好地分析路网交通状况，规划交通网络，实现交通优化控制。

为了解决上述问题，本发明提供的技术方案包括：

一种基于递归神经网络的路网状态预测方法，所述方法包括以下步骤：步骤；一、建立样本集；选取一路网，将路网划分为k个路段，并对各个路段进行编号，记为(1,2,3,…,k)，将一天24小时分成各个时间长度一样的j个时间段，计算各个路段在每个时间段的平均速度；计算完各个路段的平均速度之后，用一个状态向量表示该时间段的路网状态，即V_j＝[v_1,j,v_2,j,…,v_k,j]；考虑前三个时间段的路网状态，预测下一个时间段的路网状态，

因此，单个样本为[(V_j-2,V_j-1,V_j),(V_j+1)]其展开形式为：

整个样本集为所有时间段样本的集合；

步骤二、递归神经网络建模；首先，确定输入输出变量；输入变量是三个一维状态向量，分别j-2，j-1，j时间段的路网状态向量，输出变量一个是一维状态向量，即下一个时间段的路网状态,每个状态向量的维度均为k，即路网中的路段数目；其次，确定训练集和测试集，根据步骤一中的样本集按预定比例分为训练集和测试集；最后，进行递归神经网络模型参数标定；所述的递归神经网络包括输入层、隐藏层以及输出层。通过训练数据学习输入层与隐藏层、隐藏层与输入层之间的权重矩阵和偏置向量，其中所述隐藏层的每个记忆单元都有三个输入和两个输出，输入内容包括x(t)，h(t-1)，c(t-1)，输出包括h(t)，c(t)。他们之间的关系是通过三个门进行控制，分别是输入门、遗忘门和输出门，在t时刻有：