基于神经网络的交通流预测方法与流程

技术特征：

1.一种基于神经网络的交通流预测方法，其特征在于，具体步骤为：

步骤1：收集预测路段设定时间内的历史交通流数据，形成二维交通流矩阵；

步骤2：对交通流数据进行标准化处理，并分为训练集、测试集；

步骤3：设计预测交通流量的lstm-fc神经网络，并利用训练集对其进行训练，所述lstm-fc神经网络包括依次连接的输入层、循环层、全连接层；

步骤4：用测试集对训练结束后的模型进行测试，评估模型误差，若误差大于设定值，返回步骤3，重新训练模型；

步骤5：将待预测路段前五天的交通流数据输入训练好的lstm-fc神经网络，预测路段未来交通流量。

2.根据权利要求1所述的基于神经网络的交通流预测方法，其特征在于，所述历史交通流数据包括预测路段n个检测断面连续m天内每天的交通流量矩阵s第i行表示第i个检测断面数据的n维向量si，第j列表示第j天n个检测断面的交通流数据向量q^(j)，

3.根据权利要求1所述的基于神经网络的交通流预测方法，其特征在于，采用z-score规范化对交通流数据进行标准化处理，即μ为原始数据的均值，σ为原始数据的标准差，为标准化处理后的n个检测断面连续m天内每天的交通流量。

4.根据权利要求1所述的基于神经网络的交通流预测方法，其特征在于，利用训练集对lstm-fc神经网络进行训练的具体方法为：

以均方误差定义损失函数，误差反向传播降低损失，设置学习率α，采用正态分布初始化权重参数与偏差参数，设置单次训练过程的数据批量以及迭代次数，lstm-fc神经网络单次训练过程如下：

(1)设i＝1，x＝0；

(2)将输入矩阵s第i行包含的前五天交通流量数据经输入层输入至循环层，将循环层输出结果y(ht)与x联合作为全连接层的输入x＝[y，x]^t，x为前一个断面的预测流量，得到断面i第六天的预测值wfc，bfc分别为全连接层的权重参数和偏置参数。

循环层的计算过程为：

ii＝σ(wi*[hi-1，qi]+bi)

oi＝σ(wo[hi-1，qi]+bo)

hi＝oi*tanh(ci)

式中，wi，wc，wo分别为lstm网络输入门、遗忘门、输出门的权重参数，bi，bc，bo分别为lstm网络输入门、遗忘门、输出门的偏差参数，qi为当前时刻的输入，ii为当前时间步输入门的值c，ci为当前时间步遗忘门的值，ci-1为上一时间步的遗忘门的值，是当前时间步记忆细胞的值，oi是当前时间步输出门的值，hi-1为上一时间步的隐藏状态，hi为当前时间步的隐藏状态，σ为sigmoid激活函数，tanh为三角正切函数；

(3)根据预测值与真实值q⁶计算损失函数mse，并更新参数重新计算预测值采用rmsprop优化算法更新神经网络各层权重参数w；

(4)令i＝i+1，返回步骤(2)，得到断面i+1的预测值直至得到全部的n个检测断面的第六天交通流量预测值

5.根据权利要求1所述的基于神经网络的交通流预测方法，其特征在于，采用rmsprop优化算法更新神经网络各层权重参数w的具体步骤为：

31)计算损失函数的梯度值

32)计算累积平方梯度

33)更新各层权重参数其中α取0.001，ρ取0.9，∈取10^-6；

34)进行步骤(2)，重新获得第i行的预测值

技术总结
本发明公开了一种基于神经网络的交通流预测方法，收集预测路段设定时间内的历史交通流数据，形成二维交通流矩阵；对交通流数据进行标准化处理，并分为训练集、测试集；设计预测交通流量的LSTM‑FC神经网络，并利用训练集对其进行训练；用测试集对训练结束后的模型进行测试，评估模型误差，若误差大于设定值，重新训练模型；将待预测路段前五天的交通流数据输入训练好的LSTM‑FC神经网络，预测路段未来交通流量。本发明能够根据断面的交通流量历史数据预测未来的交通流量，极大程度提升了交通流预测的实时性和准确性。

技术研发人员：郭唐仪;邓宏;杨勇;邵飞;侯松林
受保护的技术使用者：南京艾特斯科技有限公司
技术研发日：2019.12.30
技术公布日：2020.06.16