[发明专利]一种基于递归神经网络的路网状态预测方法

摘要

本发明提供一种基于递归神经网络的路网状态预测方法，包括以下步骤：步骤一，建立样本集；步骤二，递归神经网络建模。步骤三，下一时刻路网状态预测。本发明，从宏观的角度把握路网状态演变规律，采用递归神经网络算法充分考虑路网状态变化的时序规律，从而更好地做出预测。

主权项

1.一种基于递归神经网络的路网状态预测方法，其特征在于，所述方法包括以下步骤：步骤一、建立样本集选取一路网，将路网划分为k个路段，并对各个路段进行编号，记为(1,2,3,…,k)，将一天24小时分成各个时间长度一样的j个时间段，计算各个路段在每个时间段的平均速度；计算完各个路段的平均速度之后，用一个状态向量表示该时间段的路网状态，即V_j＝[v_1,j,v_2,j,…,v_k,j]；考虑前三个时间段的路网状态，预测下一个时间段的路网状态，因此，单个样本为[(V_j‑2,V_j‑1,V_j),(V_j+1)]其展开形式为：整个样本集为所有时间段样本的集合；步骤二、递归神经网络建模首先，确定输入输出变量；输入变量是三个一维状态向量，分别j‑2，j‑1，j时间段的路网状态向量，输出变量一个是一维状态向量，即下一个时间段的路网状态,每个状态向量的维度均为k，即路网中的路段数目；其次，确定训练集和测试集，根据步骤一中的样本集按预定比例分为训练集和测试集；最后，进行递归神经网络模型参数标定；所述的递归神经网络包括输入层、隐藏层以及输出层；通过训练数据学习输入层与隐藏层、隐藏层与输入层之间的权重矩阵和偏置向量，其中所述隐藏层的每个记忆单元都有三个输入和两个输出，输入内容包括x_t，h_t‑1，c_t‑1，输出包括h_t，c_t；他们之间的关系是通过三个门进行控制，分别是输入门、遗忘门和输出门，在t时刻有：其中i_t,f_t,o_t分别代输入门、遗忘门和输出门的输出，w_·,b_·分别是系数矩阵和偏置向量，“.”是点乘运算，sigmoid和tanh是激活函数，c_t代表t时刻隐藏层的记忆单元的输出，h_t‑1是在t‑1时刻隐藏层的输出，是在t时刻隐藏层的输出；隐藏层之间的权重矩阵W是一个[k,z]矩阵，z为隐藏层单元个数，k为路段的数量；连接输入层和隐藏层之间的权值矩阵U是一个[z,z]矩阵；连接隐藏与输出层之间的输出矩阵V是一个[z,k]矩阵；隐藏层和输出层的关系为：Y_j+1＝HV+b_y其中，H＝[h₁,h₂,……h_z]，h_z是z时刻的隐藏层单元的输出值,所述b_y是连接隐藏层和输出层的偏置函数Y_j+1＝[y_1,j+1,y_2,j+1,…,y_k,j+1]；得到输出层后建立损失函数，损失函数是用来衡量输出层的输出值与真实值的差异，利用损失函数对各个参数求导，计算其梯度；所述的递归神经网络的训练时采用批量梯度下降法学习模型参数，模型参数包括所有的权重矩阵和偏置向量；步骤三、下一时刻路网状态预测将测试数据的输入变量输入到步骤二中已训练好的模型中，获得输出向量，那么该输出向量就是所预测的下一个时间段的路网状态。