[发明专利]一种基于时间递归神经网络的交通流速度预测方法

摘要

一种基于时间递归神经网络的交通流速度预测方法，包括以下步骤：步骤一：构建交通流时空输入矩阵；步骤二：构建基于长短期记忆网络结构的循环神经网络模型；步骤三：用时空输入数据集训练整个循环神经网络，调整模型内部的权重参数；步骤四：用已训练的模型来预测交通流速度。本发明考虑各路段各个时间段内的交通流速度的内在关系，有效提取时间序列数据的信息，实现了对未来时间段内道路交通流速度的精准预测。

主权项

1.一种基于时间递归神经网络的交通流速度预测方法，其特征在于，所述方法包括如下步骤：步骤一：针对一条待预测交通流速度的道路，将该道路分隔为M个路段，从T时刻开始，以时间间隔t对道路上行驶的车辆速度数据进行采样，将一个路段上车辆的平均速度作为该时刻该路段的交通流速度，进而构建一个M×N的交通流时空输入矩阵其中N表示一个时间周期内，对车辆数据采样的次数，vi,j表示在j时刻，路段i的交通流速度；步骤二：构建基于长短期记忆网络结构的循环神经网络模型，循环神经网络的输入层有一层输入层，两层隐藏层，一层全连接层和一层输出层，其中使用两层长短期记忆网络结构作为隐藏层，再将多层长短期记忆网络结构通过接口连接成循环神经网络，接着对长短期记忆网络的输出增加一层全连接层；步骤三：前向计算整个模型，从输入层到隐藏层1，从隐藏层1到隐藏层2，从隐藏层2到全连接层，从全连接层到输出层，并使用通过时间反向传播算法反向计算整个模型及权重的梯度，用随机梯度下降算法最小化目标函数来调整模型各层之间的权重参数，其中o^(t)表示t时刻的预测值，y^(t)表示t时刻的真实值，当目标函数收敛或者达到训练迭代次数时停止训练，获得基于时间递归神经网络的交通流速度预测模型；步骤四：在已训练模型输入表征道路的M个路段的N个连续时刻的交通流速度的M×N时空输入矩阵数据，得到的输出为道路M个路段在N+1个时刻的交通流速度预测值。