[发明专利]一种基于神经网络的车辆通过交叉口行程时间的预测方法

权利要求书

1.一种基于神经网络的车辆通过交叉口时间的预测方法，其特征在于，该方法包括如下步骤：

S1、城市道路划分：把城市道路划分交叉口和交叉口连接路段，交叉口连接路段又分为进口道路段和出口道路段，以保证交叉口能够包括车辆进入交叉口和驶离交叉口的所有行驶轨迹；

S2、数据收集：采集目标交叉口的地理信息，基于路测采集器，采集经过目标交叉口的GPS数据，通过无线通信方式汇总到数据中心；

S3、数据预处理：剔除车辆的冗余数据，补充缺失数据，提取车辆通过交叉口进口道的时间、速度和车辆通过出口道是的时间，车辆进入交叉口前的信号灯状态，并对GPS轨迹数据的缺失点进行插值处理；

S4、建立神经网络模型：将处理得到的数据采用留出法划分为训练集和测试集，选取车辆在进口道停车线时的速度v_in、时间t_in和信号灯状态λ作为神经网络的输入，车辆通过交叉口的时间Δt作为神经网络的输出，用梯度下降算法来进行网络优化，选取均方根作为评价指标；

S5、交叉口行程时间预测：通过输入交叉口进口道车辆的信息，预测车辆通过路口的时间。

2.根据权利要求1所述的一种基于神经网络的车辆通过交叉口时间的预测方法，其特征在于，所述步骤S1中，路段划分规则为：为保证能够采集到足够多的车辆数据，路口连接段保留足够长的长度，确保能够保留每个车辆多个GPS数据点，所述步骤S2中，通过地图采集目标交叉口的长、宽以及停车线的位置信息；采集的GPS数据具有一个完整的周期，包括工作日和非工作日的数据，根据一个完整周期内的工作日和非工作日的数据能够更加清晰地反映出道路交通量变化，也可以更加有效地拟合与行程时间的关系。

3.根据权利要求1所述的一种基于神经网络的车辆通过交叉口时间的预测方法，其特征在于，所述步骤S3中，数据处理的规则为：

S3.1由于数据中含有车辆没有通过指定交叉口，这些数据属于无效数据，应将这些数据进行剔除，通过对交叉口划定范围，将范围之外的数据进行删减，最后得到的是城市道路内的车辆有效信息；

S3.2剔除规定外的数据之后，还会存在一些不完整的数据，需要每个车辆通过进口道停车线的时间、速度，当车辆经过停止线的数据缺失的时候，需要使用插值法，利用经过停车线前后车辆的时间数据，将通过停车线的车辆信息进行补全；

S3.3把车辆在交叉口的行驶过程看成匀加减速运动，当车辆视为匀加减速运动时，车辆经过进口道停车线处的时间为：

车辆经过进口道停车线处的车速为：

v_in＝v₁+at_in

其中，a为车辆经过进口道的加速度，v₁是车辆在进口道停车线前一点的速度，v₂是车辆在进口道停车线后一点的速度；t₁是车辆在进口道停车线前一点的时间，t₂是车辆在进口道停车线后一点的时间，s₁为进口道前一点车辆位置到停车线的距离，t_in是车辆在进口道停车线处的时间，

车辆在出口处的时间t_out由此方法得出；根据车辆的GPS数据，按照时间的顺序，得到每辆车的行程时间，公式为：

Δt＝t_out-t_in

Δt为车辆通过交叉口的行程时间，t_out为车辆在出口处的时间。

4.根据权利要求1所述的一种基于神经网络的车辆通过交叉口时间的预测方法，其特征在于，所述步骤S4中，BP神经网络模型是一种误差反向传播的模型，将车辆在进口道停车线时的速度、时间和车辆通过交叉口前的信号灯状态作为输入，车辆在交叉口的通行时间作为输出来训练神经网络模型，激活函数采用sigmoid函数，

当绿灯亮起时，λ＝1；当红灯亮起时，λ＝0，

sigmoid函数公式为：

训练模型需要对隐含层和输出层的输出进行计算，具体的计算方法如下：

O_j＝f(S_j)

其中，m为输入层节点的数目，ω_i,j为节点i与节点j之间的权值，x_i为第i个点的输入值，b_j为第j个点的偏置，O_j为第j个点的输出，

BP神经网络要反向传播误差，而误差是指真实值和输出值之间的差值，误差的表达式为：

其中，E(ω,b)为所求误差，n为输出层节点的数目，ω为节点间的权值，b为节点的偏置，Δt_j为车辆通过交叉口的时间，

BP算法基于梯度下降策略，以目标的负梯度方向对参数进行调整，其公式为：

其中η为学习率，

对ω_i,j求偏导得出：

其中：

δ_i,j＝(O_j-Δt_j)·f(S_j)[1-f(S_j)]

对b_j的导数为：

对前一层进行处理，首先将误差通过权值向前传递得到上一层的误差，那么对于上一层使用梯度下降法最小化误差：

其中：

根据梯度下降法，为使得误差最小，对隐含层和输出层之间的权值和偏置更新如下：

对输入层和隐含层之间的权值和偏置更新，同样有：

判断误差是否小于了指定值，当满足条件时，此时的模型已经训练完成，进行车辆通过交叉口行程时间的预测。