[发明专利]一种基于深度学习的交通状态预测方法及装置

权利要求书

1.一种基于深度学习的交通状态预测方法，其特征在于，包括：

获取目标区域的交通流量历史数据，并按预设的格式将所述交通流量历史数据转化为训练集数据；

构建深度信念网络模型，并基于所述训练集数据对所述深度信念网络模型进行训练；

将训练后的深度信念网络模型的顶层输出与预设的SVR模型相连，得到深度学习混合模型；

基于实时采集的所述目标区域的交通流量数据，利用所述深度学习混合模型对所述目标区域进行交通状态预测。

2.根据权利要求1所述的基于深度学习的交通状态预测方法，其特征在于，所述构建深度信念网络模型，并基于所述训练集数据对所述深度信念网络模型进行训练，具体包括：

构建深度信念网络模型；其中，所述深度信念网络模型包括若干层受限玻尔兹曼机；

基于所述训练集数据，依次对每一层所述受限玻尔兹曼机进行训练，以得到所述训练后的深度信念网络模型。

3.根据权利要求2所述的基于深度学习的交通状态预测方法，其特征在于，所述对每一层所述受限玻尔兹曼机进行训练，以得到所述训练后的深度信念网络模型，具体包括：

对每一层所述受限玻尔兹曼机进行无监督预训练，获取每一层所述所述受限玻尔兹曼机的初始化参数；其中，所述初始化参数包括节点连接权重、显层偏置系数、隐层偏置系数；

将预设的分类器模型连接到最后一层所述受限玻尔兹曼机的输出层，并对所述深度信念网络模型进行全局参数微调，以得到所述训练后的深度信念网络模型。

4.根据权利要求3所述的基于深度学习的交通状态预测方法，其特征在于，所述深度信念网络模型中的受限玻尔兹曼机为连续受限玻尔兹曼机；在对所述连续受限玻尔兹曼机进行训练时，结合注意力机制进行节点连接权重的分配。

5.根据权利要求1至4任一项所述的基于深度学习的交通状态预测方法，其特征在于，在所述将训练后的深度信念网络模型的顶层输出与预设的SVR模型相连，得到深度学习混合模型之后，在所述基于实时采集的所述目标区域的交通流量数据，利用所述深度学习混合模型对所述目标区域进行交通状态预测之前，还包括：

采用FR-CG算法对所述深度学习混合模型中的网络参数进行微调，以对所述深度学习混合模型进行全局优化。

6.一种基于深度学习的交通状态预测装置，其特征在于，包括：

数据获取模块，用于获取目标区域的交通流量历史数据，并按预设的格式将所述交通流量历史数据转化为训练集数据；

模型构建模块，用于构建深度信念网络模型，并基于所述训练集数据对所述深度信念网络模型进行训练；

模型混合模块，用于将训练后的深度信念网络模型的顶层输出与预设的SVR模型相连，得到深度学习混合模型；

交通预测模块，用于基于实时采集的所述目标区域的交通流量数据，利用所述深度学习混合模型对所述目标区域进行交通状态预测。

7.根据权利要求6所述的基于深度学习的交通状态预测装置，其特征在于，所述模型构建模块，具体用于：构建深度信念网络模型；其中，所述深度信念网络模型包括若干层受限玻尔兹曼机；基于所述训练集数据，依次对每一层所述受限玻尔兹曼机进行训练，以得到所述训练后的深度信念网络模型。

8.根据权利要求7所述的基于深度学习的交通状态预测装置，其特征在于，所述对每一层所述受限玻尔兹曼机进行训练，以得到所述训练后的深度信念网络模型，具体包括：

对每一层所述受限玻尔兹曼机进行无监督预训练，获取每一层所述所述受限玻尔兹曼机的初始化参数；其中，所述初始化参数包括节点连接权重、显层偏置系数、隐层偏置系数；

将预设的分类器模型连接到最后一层所述受限玻尔兹曼机的输出层，并对所述深度信念网络模型进行全局参数微调，以得到所述训练后的深度信念网络模型。