一种基于收费数据的高速公路旅行时间的预测方法与流程

技术特征：

1.一种基于收费数据的高速公路旅行时间的预测方法，其特征在于，所述方法包括以下步骤：

步骤一，获取预定高速公路的收费数据；

步骤二，预处理所述高速公路的收费数据

所述预处理包括：对所述收费数据进行提取，获得一个含有入口收费站编号、入口时间、出口收费站编号，出口时间，以及日期的数据集；以及对数据进行筛选剔除错误数据；

步骤三、对于预处理后的数据集采样和处理得到样本集

所述采样包括：根据数据中的时间进行采样，每隔预定的时间间隔A抽取预处理后的数据集中的B个样本，并对样本中车辆的数据进行跟踪，在其它卡口获取该B个样本中的车辆所对应的收费数据；

所述处理包括：需要对于数据的内容进行处理，所述对数据的内容进行处理包括对数据内容进行替换，对采集到的预定的时间间隔A内的B个样本的旅行时间进行平均，使用平均旅行时间来代替各个样本中的实际旅行时间；

步骤四、利用所述样本集建立预测模型

所述建立预测模型包括建立自编码器模型以及建立BP神经网络模型；

其中，建立自编码器模型包括：

首先，将输入变量输入到隐藏层进行计算，所述输入变量表示为其中i表示第i个样本，每个x_i是一个三维向量，分别是t_n-3、t_n-2、t_n-1时刻的平均旅行时间，N表示样本的总数；上述输入数据在隐藏层中使用公式：进行计算，其中，所述y为对于通过所述隐藏层计算后得到的结果，所述θ₁＝{w₁,b₁}，w₁是连接输入层和隐藏层的权重矩阵；b₁是连接输入层和隐藏层的偏置向量；

然后，将所述y输入到自编码器的输出层进行计算得到重构后的数据，实现对于输入数据的重构。所述输出层中使用的计算公式为：其中，z即为对y反向解码之后的结果，g为是解码函数，所述θ₂＝{w₂,b₂}，w₂是连接隐藏层和输出层的权重矩阵；b₂是连接隐藏层和输出层的偏置向量；

第三，通过建立损失函数，利用训练集数据通过反向传播算法不断更新迭代{θ₁,θ₂}，直到损失函数收敛为止，确定参数{θ₁,θ₂}；

其中，建立BP神经网络模型包括：

首先，将重构后得到的数据集输入到所述BP神经网络隐藏层进行计算，所述计算公式为h＝s(w₃z+b₃)，其中，h为计算结果，θ₃＝{w₃,b₃}w₃是连接输入层和隐藏层的权重矩阵,b₃是连接输入层和隐藏层的偏置向量，s是激活函数；

然后，将所述结果h通过公式o＝r(w₄h+b₄)进行计算，得到训练用的预测结果o,其中，w₄是连接隐藏层和输出层的权重矩阵,b₄是连接隐藏层和输出层的偏置向量；

第三，通过建立损失函数，利用训练集数据通过反向传播算法不断更新迭代{θ₃,θ₄}，直到损失函数收敛为止，确定参数{θ₃,θ₄}；

步骤五，高速公路旅行时间预测

将测试数据的输入变量x^*先后输入到所述自编码器和所述BP神经网络模型中，通过所述计算模型预测旅行时间。

2.根据权利要求2所述的一种基于收费数据的高速公路旅行时间的预测方法，其特征在于，所述方法中所述旅行时间的阈值范围通过如下方法来确定：

获取两个高速公路收费站之间的距离s；

获取高速公路的速度v的范围已知的情况下；

根据公式t＝s/v，求出预定的时间阈值范围。

3.根据权利要求2所述的一种基于收费数据的高速公路旅行时间的预测方法，其特征在于，所述BP神经网络的输入变量为三维矩阵，即n-1,n-2,n-3时刻的旅行时间；输出变量是一维向量，即，n时刻的旅行时间。