[发明专利]基于深度神经网络集成的交通流量预测方法

权利要求书

1.一种基于深度神经网络集成的交通流量预测方法，其特征在于：包括以下几个步骤：

(1)获取交通流量原始数据进行数据预处理，构建样本数据，将样本数据划分为训练集和测试集，所述样本数据主要为多个交通流量测量值组成的一维时间序列数据；

(2)构建用于交通流量预测的卷积神经网络预测模型，将样本数据输入到模型中使用梯度优化算法进行训练，并在训练集上对训练好的模型计算预测误差的方差；

(3)根据预测误差的方差使用步骤(2)中的卷积神经网络预测模型作为个体学习器，构建用于交通流量预测的卷积神经网络集成模型；

(4)使用步骤(3)中的卷积神经网络集成模型对待测的交通流量数据进行预测。

2.根据权利要求1所述的一种基于深度神经网络集成的交通流量预测方法，其特征在于：所述步骤(1)具体如下：

(1.1)通过布置在道路上的传感器进行测量记录，由单个传感器得到的交通流量测量值按照时间顺序组成一组交通流量数据序列{x_t,t＝1,2,…,T}，其中x_t表示t时刻的交通流量测量值，T表示测量时刻总数，每个传感器对应具有一个交通流量数据序列，获得交通流量原始数据；

(1.2)对各个传感器得到的交通流量数据序列进行数据预处理，数据预处理包括最大最小值归一化，然后经过数据预处理后构建样本容量为N的样本数据：

{(x_t,y_t),t∈N}

x_t＝[x_t,x_t-1,x_t-2…,x_t-d+1]

y_t＝x_t+1

N＝T-d+1

其中，(x_t,y_t)表示构成了一个样本，x_t表示交通流量输入序列，是由t时刻交通流量测量值x_t及(d-1)个t时刻之前历史的交通流量测量值构成的一维时间序列数据，d表示交通流量输入序列x_t的数据长度；y_t表示交通流量输出值；

(1.3)将样本数据划分为训练集和测试集。