[发明专利]基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法

权利要求书

1.基于时间聚类和可变卷积神经网络的交通平均速度预测方法，其特征在于，包括步骤如下：

(1)采用差分进化算法通过不断的差分进化获取最佳的分割点，使分割后的子时间段的交通平均速度序列之间的平均相关系数最低；差分进化流程如下：

Step1:初始化总群L＝[l₁,l₂,…,l_M]并且每个个体的基因是其中每个基因点代表分割点；

Step2：种群迭代交叉和变异启发式的改变个体基因；

Step3：采用贪婪算法选取适应函数值较小的个体存活；适应函数是计算子时间段之间的交通平均速度的平均相关系数的值；

Step4：若运行次数大于所设的次数或适应值小于所设的值则算法停止，否则到step3；

(2)采用基于相关系数的层次聚类算法对不同天的同一时间段的交通平均速度序列进行时间聚类，得到具有不同交通平均速度变化模式的N个数据簇；平均速度序列之间的相关系数公式如下：

其中，x,y代表二个不同的交通平均速度时间序列；cov(x,y)和分别代表这两个平均速度序列的协方差和标准差；

(3)把不同的数据簇放入可变卷积神经网络进行训练，通过学习时空输入矩阵的时空信息，得到一系列不同的卷积核形状和不同参数的可变卷积神经网络；平均速度的时空矩阵的构建：

时空矩阵v作为卷积神经网络输入层，v_:,t不同的路段在同一时间t的平均速度，v_r,:代表在路段r上不同时间的平均速度；其中r-i代表当前预测路段的上游，r+i代表当前预测路段的下游；

可变卷积神经网络的卷积层计算公式如下：

k₀和k_n分别代表卷积核的位置和形状；△k_n代表可变卷积核的变化，其来自和当前卷积核相同大小的额外卷积核所得到的偏移特征图；w(k_n)代表卷积核内的权值；

(4)根据均值回报从一系列基础可变卷积神经网络中选择一个最终预测器，即在当前时间子分段内回报最高的可变卷积神经网络所得到的预测值作为下一个时间的预测值；匹配预测及计算公式如下：

代表从一系列可变卷积神经网络f∈F中选择的最终预测器；y_t是预测的值；reward_f(t)代表预测器f在子时间t的均值回报；

(5)真实值揭露后，更新每个基础可变卷积神经网络的平均回报值，进入步骤(4)；

(6)重复执行步骤(5)，直到当前的子时间段结束。