[发明专利]一种基于模糊C均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法

说明书

一种基于模糊C均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法属于交通预测领域。本发明采用模糊聚类的思想对交通流进行模式划分，弥补了传统硬性聚类算法对交通流量进行模式划分的不足。同时提出了误差反馈卷积神经网络结构，解决了传统的神经网络不能够充分利用时空交通信息，且对突变异常流量不敏感等缺点。并且将两者结合构建组合模型，用于短时交通流的预测中。该方法在使得预测模型可以更加精确地预测未来时间单位的流量，同时提高了对突发事件引起的流量变化的识别能力。

技术领域

本发明属于交通预测领域，尤其涉及一种基于模糊C均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法。

背景技术

随着近些年经济发展速度不断加快，私家车的数量与日俱增，道路交通拥挤和交通事故等交通问题逐渐成了全球共同关注的话题。自上世纪80年代以来，许多国家的政府将城市交通科学规划提上日程，智能交通系统(Intelligent Transportation System，ITS)便渐渐发展了起来。智能交通系统主要是利用先进的数据通讯技术以及传感器技术，对交通数据进行整合与分析，从而为城市道路交通提供合理的交通诱导，提高路网通过能力，减少交通事故。在此其中，精确及时的短时交通流的预测不仅可以为交通规划提供数据上的支持，还可以为将来的路网建设发展提供可靠依据。因此短时交通流预测对于智能交通系统有着重要的意义。

近些年来交通预测领域取得了丰富的研究成果，其中包括基于线性或非线性系统理论的预测方法、基于动态交通分配模型预测模型以及人工神经网络预测模型。随着新技术的兴起，越来越多的学者开始将机器学习的相关的算法应用于解决道路交通问题。然而许多交通流的预测在许多方面仍然存在着可以改进的地方。首先，道路之间的流量数据存在着一定的关联性，这种关联性是道路拓扑结构的反映，如果能合理的挖掘道路之间的关联，则可以在一定程度上提高模型的预测准确性。其次，如何提高模型对突发事件所造成异常流量的预测精度，也是研究的关键所在。

为了进一步提升神经网络的预测能力，研究者们将其与其他智能方法或统计方法相结合，构建出综合预测模型。由于这些模型相对于单一模型往往具有更高的预测精度，因此它们成为了当前的主流研究趋势，并逐渐应用于交通流预测领域。此外，还有许多将神经网络技术与其他领域先进方法相结合的综合模型，比如神经网络与模糊逻辑的结合，神经网络与遗传理论和鸟群算法的结合，将神经网络与改进的粒子群算法相结合，对小波神经网络的优化改进，BP神经网络与Elman方法的结合等。由于这些模型相对于单一模型往往具有更高的预测精度，因此它们成为了当前的研究趋势，并逐渐应用于交通流预测领域。

于此同时，卷积神经网络在图像识别、视频检测以及语音识别等方面都得到了广泛的应用。卷积神经网络的设计源自于图像数据的特殊性质，我们一般认为图像中空间联系是局部像素联系比较密切，而较远距离的像素相关性较弱。而交通流量数据与图像数据十分类似，某个地点的流量数据主要是受到相近时间点与上下游路段的数据影响。通过卷积层以及池化层等一系列处理可以更好的提取交通数据的时空特性，在一定程度上提高模型的预测精确程度。

综上，鉴于组合模型在交通流预测中的广泛应用以及卷积神经网络在交通流数据处理方面的优势，本发明提出了采用模糊思想对交通流聚类并在此基础上构建组合预测模型的短时交通流预测方法，在此其中，在预测模型的构建方面，本发明为了解决传统预测模型不能利用交通流的时空信息以及对突变异常交通数据不敏感的缺点，在卷积神经网络原有结构上进行了一些改进，一方面可以使得模型拥有更高的预测精度，方面也使得模型能够适应更多的交通模式变化，提高了模型的鲁棒性。

发明内容

本发明的内容：

①提出了一种基于模糊C均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法，利用交通流量的模式划分对数据进行预处理，并结合预测模型构建短时交通流组合预测模型。

②对传统的卷积神经网络进行了改进，添加了误差反馈层，构建误差反馈卷积神经网络，并应用与短时交通流的预测。