[发明专利]一种基于Inception-CNN的城市快速路行程速度短时预测方法

权利要求书

1.一种基于Inception-CNN的城市快速路行程速度短时预测方法，其特征在于，该方法包括：

训练阶段：

(A1)构建历史的断面级行程速度信息时空矩阵，组建训练样本；

(A2)构建Inception-CNN深度神经网络模型，模型输入为历史时间段的断面级行程速度信息时空矩阵，模型输出为未来短时时间段的断面级行程速度信息时空矩阵；

(A3)基于训练样本对Inception-CNN深度神经网络模型进行训练得到最优模型参数，完成训练；

预测阶段：

(B1)构建实时的断面级行程速度信息时空矩阵；

(B2)将实时的断面级行程速度信息时空矩阵输入至训练好的Inception-CNN深度神经网络模型，得到待预测时段的断面级行程速度信息时空矩阵，完成城市快速路行程速度短时预测；

步骤(A1)和(B1)中构建断面级形成速度信息时空矩阵均通过如下方式构建：

(a)获取定点检测器对各车道的行程速度检测数据时间序列；

(b)确定集计的时间长度，从时间和空间两个维度对行程速度检测数据进行双重集计得到各个检测点所在空间断面处的行程速度信息；

(c)将各个检测点所在空间断面处的行程速度信息组成矩阵形式得到断面级行程速度信息时空矩阵；

步骤(b)各个检测点所在空间断面处的行程速度信息通过下式得到：

其中，V_i^k、分别为双重集计后检测断面i第k个集计时间段的行程速度与流量，分别为时间集计后检测断面i车道j在第k个集计时间段的流量与行程速度，T为各个集计时间段的长度，t为检测点的采样时间间隔，n为时间段长度扩大倍数，分别为定点检测器获取的检测断面i车道j在第m个采样时刻的行程速度与流量；

步骤(c)断面级行程速度信息时空矩阵为S，表示为：

其中，S为时空矩阵，V_i^k为双重集计后检测断面i第k个集计时间段的行程速度，i＝1，2，……，L，k＝1，2，……，H，L为区域内有效的定点检测器所在断面数量，H为集计时间段总数；

所述的Inception-CNN深度神经网络模型包括依次级联的第一Inception模块、第二Inception模块和卷积神经网络；

所述的卷积神经网络包括依次级联的池化层、第一全连接层、第二全连接层和输出层；

步骤(A1)组建训练样本具体为：

确定训练样本大小P，随机选取第i个训练样本的选取起始时间点，获取从起始时间点开始的h_in个集计时间段内的断面级行程速度信息时空矩阵为以及h_in个集计时间段后h_out个集计时间段内的断面级行程速度信息时空矩阵为将作为训练样本的输入，将作为训练样本的标签，p＝1,2,...,P；

步骤(A3)具体为：

(A31)将作为输入对Inception-CNN深度神经网络模型进行训练，更新优化Inception-CNN深度神经网络模型的参数；

(A32)将步骤(A31)迭代进行直至Inception-CNN深度神经网络模型收敛，完成训练。

2.根据权利要求1所述的一种基于Inception-CNN的城市快速路行程速度短时预测方法，其特征在于，步骤(A31)中采用自适应学习率的梯度下降法对Inception-CNN深度神经网络模型的参数进行优化。

3.根据权利要求1所述的一种基于Inception-CNN的城市快速路行程速度短时预测方法，其特征在于，优化函数为：

其中，Θ为Inception-CNN深度神经网络模型中待优化的参数，为第p个训练样本的标签，为第p个训练样本对应的模型输出，P为训练样本大小。