[发明专利]预测用模型的构建方法、测试方法、装置及系统

权利要求书

1.一种交通状况预测用模型的构建方法，其特征在于，包括：

收集待预测道路的交通流量的历史数据生成样本，所述样本是指分别包含不同时段的历史数据的数据单元，每个样本包含实际交通流量值和特征值，实际交通流量值是指该样本在相应时间片内的实际检测到的交通流量，特征值包括该时间片对应的属性值以及上游流量值，属性值包括日期属性值、天气属性值、交通事件属性值，上游流量值是指在该样本对应时间片之前的预定时段内在上游道路上行驶车辆的数量，上游道路是指在该时间片内在待预测道路上行驶的车辆在驶入该待预测道路之前所在的道路；

根据预先采集的交通状况的样本数据构建包含输入节点和输出节点的神经网络模型；

基于所述样本数据确定非输出节点的输出值与所述输出节点的理论输出值之间的相关系数；

基于所述相关系数在所述神经网络模型中增加中间节点和/或节点间连接，得到进化后的神经网络模型；

基于所述进化后的神经网络模型生成所述交通状况预测用模型，所述交通状况为交通流量或平均速度；

其中，所述基于所述相关系数在所述神经网络模型中增加中间节点和/或节点间连接包括：

在所述相关系数的绝对值相对较大的非输出节点与所述输出节点之间建立连接；

在所述相关系数的绝对值相对较小的至少两个非输出节点到所述输出节点之间增加中间节点；

在所述相关系数的绝对值相对较小的中间节点与上游节点之间增加新的中间节点；

其中，所述在所述相关系数的绝对值相对较小的中间节点与上游节点之间增加新的中间节点包括：

在与所述相关系数的绝对值相对较小的中间节点所连接的至少两个上游节点中确定所述相关系数的绝对值相对较小的上游节点；

在所述相关系数的绝对值相对较小的中间节点与所述相关系数的绝对值相对较小的上游节点之间增加新的中间节点；

在所述相关系数的绝对值相对较小的输入节点与所述新的中间节点之间建立连接。

2.根据权利要求1所述的方法，其特征在于，所述基于所述进化后的神经网络模型生成所述交通状况预测用模型包括：

基于所述样本数据对所述进化后的神经网络模型进行训练和验证；

判断验证结果是否满足预定的收敛条件；

当不满足所述收敛条件时，针对验证后的神经网络模型再次基于所述样本数据确定非输出节点的输出值与所述输出节点的理论输出值之间的相关系数；基于所述相关系数在所述验证后的神经网络模型中增加中间节点和/或节点间连接，再次得到进化后的神经网络模型；基于所述样本数据对所述进化后的神经网络模型进行训练和验证；判断验证结果是否满足预定的收敛条件；当不满足所述收敛条件时，重复执行本步骤；

当满足所述收敛条件时，得到收敛后的神经网络模型作为所述交通状况预测用模型。

3.根据权利要求2所述的方法，其特征在于，所述基于所述样本数据对所述进化后的神经网络模型进行训练和验证包括：

基于所述样本数据对所述进化后的神经网络模型进行训练，确定各节点之间的权值，得到训练后的神经网络模型；

基于所述样本数据对所述训练后的神经网络模型进行验证，确定损失偏差；

当所述损失偏差大于预定值时，再次基于所述样本数据对所述进化后的神经网络模型进行训练，确定各节点之间的权值，得到训练后的神经网络模型；基于所述样本数据对所述训练后的神经网络模型进行验证，确定损失偏差；当所述损失偏差大于预定值时，重复执行本步骤；

当所述损失偏差小于预定值时，得到所述验证后的神经网络模型。

4.根据权利要求3所述的方法，其特征在于，所述基于所述样本数据确定非输出节点的输出值与所述输出节点的理论输出值之间的相关系数包括：

根据所述样本数据中的交通状况的特征值确定所述输入节点的输出值；

根据所述样本数据中的交通状况的实际值确定所述输出节点的理论输出值；

根据所述中间节点的各个上游节点的输出值和所述权值确定所述中间节点的输出值；

根据预选的相关系数的类型分别确定各个所述输出值与所述理论输出值之间的相关系数。