[发明专利]预测车流量的方法、装置及电子设备

权利要求书

1.一种预测车流量的方法，其特征在于，包括：

根据预设车流量的时滞值和预设参数组合规则配置神经网络参数，得到时滞池，所述时滞池包括多个神经网络，所述神经网络的输入节点数等于所述时滞值；

对每一个所述时滞池执行预测训练，确定每一个所述时滞池中的最优网络组；所述预测训练包括：根据所述神经网络的输入节点数抽取车流样本数据，训练每一个所述神经网络的第一层预测器和每一个所述神经网络的第二层预测器；根据所述第一层预测器的第一预测结果和所述第二层预测器的第二预测结果确定所述时滞池的最优网络组；根据所述时滞值对车流数据进行处理，得到所述车流样本数据，将所述车流样本数据分别从所述神经网络的各个输入节点输入，对所述时滞池中的每一个神经网络进行训练；所述神经网络是非负约束稀疏自动编码器；所述时滞值等于所述非负约束稀疏自动编码器的输入节点数，在将所述车流样本数据分别从所述非负约束稀疏自动编码器的各个输入节点中输入，对所述非负约束稀疏自动编码器的第一层预测器和第二层预测器进行训练，在完成训练后，一个所述时滞池中具有多个第一层预测器和第二层预测器；分别以第一层预测器和第二层预测器对车流数据进行预测，确定出每一个所述时滞池中的最优网络组；

在预测精度提升的情况下，集成所有所述时滞池的最优网络组，得到堆栈神经网络集成预测模型，并利用所述堆栈神经网络集成预测模型预测车流量。

2.根据权利要求1所述的方法，其特征在于，所述在预测精度提升的情况下，集成所有所述时滞池的最优网络组，得到堆栈神经网络集成预测模型，包括：

以任一所述时滞池的所述最优网络组为基网络组，执行集成循环，直至所有所述时滞池的所述最优网络组均与所述基网络组执行一次集成，得到所述堆栈神经网络集成预测模型；

其中，所述集成循环包括：所述最优网络组与所述基网络组集成，得到集成预测网络；判断所述集成预测网络的预测精度；在所述预测精度提升的情况下，集成所述最优网络组与所述基网络组；在所述预测精度未提升的情况下，抛弃所述最优网络组。

3.根据权利要求1所述的方法，其特征在于，在所述对每一个所述时滞池执行第一预测训练，确定每一个所述时滞池中的最优网络组之前，所述方法还包括：

获取车流数据；

根据所述预设车流量的时滞值处理所述车流数据，得到所述车流样本数据；所述车流样本数据包括：训练样本和待预测时间段的真实车流数据。

4.根据权利要求3所述的方法，其特征在于，所述根据所述神经网络的输入节点数抽取车流样本数据，训练每一个所述神经网络的第一层预测器和每一个所述神经网络的第二层预测器，包括：

输入所述车流样本数据至所述神经网络的每一个所述输入节点；训练所述神经网络的第一隐层网络，得到所述车流样本数据的第一数据特征；

根据所述第一数据特征，训练第二层隐层网络，得到所述车流数据的第二数据特征；

根据所述第一数据特征训练所述第一层预测器，根据所述第二数据特征训练所述第二层预测器。

5.根据权利要求4所述的方法，其特征在于，所述根据所述第一层预测器的第一预测结果和所述第二层预测器的第二预测结果确定所述时滞池的最优网络组，包括：

根据所述第一预测结果与所述待预测时间段的真实车流数据，确定所述时滞池所有所述第一层预测器的第一预测误差；

根据所述第二预测结果与所述待预测时间段的真实车流数据，确定所述时滞池所有所述第二层预测器的第二预测误差；

根据所述第一预测误差和所述第二预测误差，确定所述时滞池的最优网络组。