[发明专利]基于深度学习参数优化的短时交通流量预测方法

权利要求书

1.一种基于深度学习参数优化的短时交通流量预测方法，其特征在于包括以下步骤：

步骤一、构建模型连续受限玻尔兹曼机的深度信任网的预测模型，初始化参数：设结点的状态用{c_i}表示，c_j表示与结点i相连的结点j的状态，随机初始化各个结点的状态作为权重υ_ij，构建权重矩阵W；

步骤二、随机选择一个训练样本输入到网络中，根据下式更新第一个隐藏层中各个结点的状态c_j：

其中，N_j(0,1)是均值为0、方差为1的高斯随机变量，σ是一个0到1之间的常数；是一个s型函数；

步骤三、根据步骤二求出的隐藏结点状态c_j更新可视结点的状态c'_i：

其中，θ_L和θ_H分别是s型函数的下界和上界，参数a_j是一个噪声控制参数，它控制着s型函数的斜率；

步骤四、根据步骤三计算得到可视结点的状态c'_i，再次更新隐藏层状态，记为c'_j：

步骤五、随机选择下一个训练样本，转到步骤二，若本轮中训练集的样本都训练过，则进行如下计算和参数更新：

计算权重的改变量Δυ_ij：Δυ_ij＝η_w(k)(＜s_is_j＞-＜s'_is'_j＞)

计算噪声控制参数的改变量Δa_j：

更新权重矩阵υ_ij(k+1)：υ_ij(k+1)＝υ_ij(k)+Δυ_ij

更新噪声控制数a_j(k+1)：a_j(k+1)＝a_j(k)+Δa_j

更新学习率：

其中，η_w和η_a是学习率，s'_i，s'_j分别表示对结点i，j状态的再次更新，＜·＞表示全部样本的平均值，u是增量因子，，d是减量因子；

步骤六、转到步骤二，进入下一轮训练，直到所有训练样本数参与训练，则第一个训练结束；

步骤七、将第一个连续受限的玻尔兹曼机得到的输出作为第二个受限的玻尔兹曼机的输入，重复步骤一到六，训练第二个受限的玻尔兹曼机，直到构成深度信任网的所有受限的玻尔兹曼机都训练结束；

步骤八、选取支持向量机径向基核函数，优化核函数参数：不敏感损失系数ε、惩罚系数C和径向基核函数的宽度系数γ；

1)：粒子群优化初始化，确定群体规模m，给定算法的最大权重因子P_max、最小权重因子P_min，迭代次数I_t；

2)：将每个粒子的个体极值p_ibest设置为当前位置，计算每个粒子的适应度，选取适应度最好的粒子所对应的个体极值作为最初的全局极值g_best；

3)：迭代计算，更新粒子的位置、速度；

4)：再计算每个粒子的适应值；

5)：将每个粒子的适应值与其p_ibest对应的适应值比较，若优，更新p_ibest，否则保留原值；

6)：将更新后的每个粒子的p_ibest与全局极值g_bes比较，若优更新g_best，否则保留原值；

7)：判断是否满足终止条件，若未达到最大迭代次数，返回分步骤3)；否则到优化结束，确定优化的核函数参数，进而确定核函数；

步骤九、根据参数优化的支持向量机模型，以步骤八中分步骤7)的输出作为输入，预测出短时交通信息流。