[发明专利]一种卷积神经网络高危车辆交通流预测方法和系统

权利要求书

1.一种卷积神经网络高危车辆交通流预测方法，其特征在于，包括以下步骤：

获取分路段的高危车辆交通流信息；所述交通流信息包括所述各个分路段的高危车辆的空间流量数据和时间流量数据；

根据所述各个分路段的高危车辆的空间流量数据和时间流量数据，分别构建矩阵的行与列，得到卷积神经网络预测模型的输入矩阵；

将所述输入矩阵代入双隐含层结构的卷积神经网络预测模型中，得到待预测路段的卷积神经网络高危车辆交通流预测值。

2.根据权利要求1所述的一种卷积神经网络高危车辆交通流预测方法，其特征在于，所述分路段具体包括待预测路段以及与其相关的设定数量的上游路段和下游路段。

3.根据权利要求2所述的一种卷积神经网络高危车辆交通流预测方法，其特征在于，所述各个分路段的高危车辆的空间流量数据和时间流量数据，具体包括：

空间流量数据为第i条路段的流量数据与其相邻的上下游路段的当前时刻流量和若干个时刻之前的流量数据；

时间流量数据为第i条路段的流量数据与该路段过去的若干个时刻的流量。

4.根据权利要求1、3所述的一种卷积神经网络高危车辆交通流预测方法，其特征在于，所述根据各个分路段的高危车辆的空间流量数据和时间流量数据，分别构建矩阵的行与列，包括：

根据所述各个分路段的高危车辆的空间流量数据，构建所述矩阵的行；分路段的数量构成行数；

根据所述各个分路段的高危车辆的时间流量数据，构建所述矩阵的列；分路段的数量构成列数。

5.根据权利要求1或4所述的一种卷积神经网络高危车辆交通流预测方法，其特征在于，所述卷积神经网络预测模型的输入矩阵，表示为下列形式：

其中，n为所述时间流量数据中的待预测时间之前设定时间段数，j为所述空间流量数据中分路段的数量数。

6.根据权利要求书1所述的一种卷积神经网络高危车辆交通流预测方法，其特征在于，所述卷积神经网络预测模型为双隐含层结构；

每个隐含层包含一个卷积层和一个子采样层，卷积层和子采样层交替相连，在第二个子采样层之后，子采样层的所有节点展开成一条特征向量，与输出节点间进行全连接。

7.根据权利要求书6所述的一种卷积神经网络高危车辆交通流预测方法，其特征在于，还包括：

所述卷积层中，卷积层l中第j张子采样特征图运算公式为：

其中，f( )为激活函数；M_j为提取特征所用到的输入图的集合；为采样窗口采集的数据，或者是上一子采样层卷积到下一卷积层的数据；为第j张子采样特征图用于提取输入图i中的特征的卷积核；为特征图所对应的阈值。

8.根据权利要求书6或7所述的一种卷积神经网络高危车辆交通流预测方法，其特征在于，还包括：

子采样层l中第j张子采样特征图的计算公式为：

其中，f( )为激活函数；为对应的卷积层的输入图；为特征图所对应的阈值；down( )为采样函数，对输入图中每个n×n的采样区域分别求均值，使输出图规模降为输入图的所述n为子采样因子；为乘子偏置或子采样层中特征图的权值。

9.一种卷积神经网络高危车辆交通流预测系统，其特征在于，包括数据输入单元、矩阵构建单元和卷积神经网络单元，其中，

所述数据输入单元，用于获取分路段的高危车辆交通流信息；所述交通流信息包括所述各个分路段的高危车辆的空间流量数据和时间流量数据；

所述矩阵构建单元，用于根据所述各个分路段的高危车辆的空间流量数据和时间流量数据，分别构建矩阵的行与列，得到卷积神经网络预测模型的输入矩阵；

所述卷积神经网络单元，用于将所述输入矩阵代入双隐含层结构的卷积神经网络预测模型中，得到待预测路段的卷积神经网络高危车辆交通流预测值。

10.根据权利要求9所述的一种卷积神经网络高危车辆交通流预测系统，其特征在于，还包括：

所述数据输入单元中，所述分路段具体包括待预测路段以及与其相关的设定数量的上游路段和下游路段；所述空间流量数据为第i条路段的流量数据与其相邻的上下游路段的当前时刻流量和若干个时刻之前的流量数据；所述时间流量数据为第i条路段的流量数据与该路段过去的若干个时刻的流量；

所述矩阵构建单元，还用于根据所述各个分路段的高危车辆的空间流量数据，构建所述矩阵的行；分路段的数量构成行数；根据所述各个分路段的高危车辆的时间流量数据，构建所述矩阵的列；分路段的数量构成列数；

所述卷积神经网络预测模型的输入矩阵，表示为下列形式：

其中，n为所述时间流量数据中的待预测时间之前设定时间段数，j为所述空间流量数据中分路段的数量数；

所述卷积神经网络单元，还用于所述卷积神经网络预测模型为双隐含层结构；每个隐含层包含一个卷积层和一个子采样层，卷积层和子采样层交替相连，在第二个子采样层之后，子采样层的所有节点展开成一条特征向量，与输出节点间进行全连接；

所述卷积层中，卷积层l中第j张子采样特征图运算公式为：

其中，f( )为激活函数；M_j为提取特征所用到的输入图的集合；为采样窗口采集的数据，或者是上一子采样层卷积到下一卷积层的数据；为第j张子采样特征图用于提取输入图i中的特征的卷积核；为特征图所对应的阈值；

子采样层l中第j张子采样特征图的计算公式为：

其中，f( )为激活函数；为对应的卷积层的输入图；为特征图所对应的阈值；down( )为采样函数，对输入图中每个n×n的采样区域分别求均值，使输出图规模降为输入图的所述n为子采样因子；为乘子偏置或子采样层中特征图的权值。