[发明专利]一种基于卷积神经网络的短时交通流量预测方法

摘要

本发明给出一种基于卷积神经网络的短时交通流量预测方法，该方法首先根据预测路段的上下游路段条数以及预测使用的历史流量数据个数，确定输入矩阵的格式；然后根据输入矩阵的格式，确定卷积神经网络预测模型的结构，并使用预测路段及其上下游路段的历史流量数据完成模型的训练；最后使用训练好的模型进行预测。该方法利用具有强大特征学习能力的卷积神经网络来准确预测短时交通流量，将预测路段及其上下游路段的流量一同考虑，不仅使输入数据扩展到二维，以满足卷积神经网络的输入格式，同时也提供了与预测路段相关联路段的信息，使预测模型学习到更多流量特征，从而提升预测精度。

主权项

一种基于卷积神经网络的短时交通流量预测方法，其特征在于该方法包括以下步骤：步骤1)对流量数据集进行预处理，形成相应的训练集；步骤2)设置卷积神经网络预测模型中各项参数，所述卷积神经网络预测模型采用双隐含层结构，每个隐含层包含一个卷积层和一个子采样层，卷积层和子采样层交替相连，在第二个子采样层之后，将子采样层的所有节点展开成一条特征向量，并与输出节点间进行全连接，同时取消子采样层的乘子偏置和阈值，并且不设置激活函数，步骤2)具体过程如下：步骤2.1)根据输入矩阵的大小设定卷积核大小和子采样因子，保证卷积或采样操作后的特征图大小为整数；步骤2.2)用户设定卷积层的特征图数量，并使卷积层2的特征图数量多于卷积层1；所述卷积层1是卷积神经网络输入层开始后的第1个卷积层，卷积层2是卷积神经网络输入层开始后的第2个卷积层；步骤3)将卷积层中所有卷积核以及特征图阈值初始化为‑1到1之间的随机值，将特征向量与输出层之间的连接权值以及输出层节点阈值初始化为‑1到1之间的随机值，将迭代次数t初始化为1、训练样本号n初始化为1；步骤4)根据训练样本n的输入，计算网络的前向传播输出；步骤5)计算网络误差E，E＝Y‑O，所述Y为样本n的输出，O为网络输出；步骤6)计算网络中各层节点的残差；步骤7)根据求得的残差，计算误差梯度；步骤8)根据误差梯度，更新网络中的权值和阈值；步骤9)将n加1，若n大于训练样本总数N，进入步骤10，否则返回步骤4)；步骤10)将t加1，若t大于指定的迭代次数T，进入步骤11，否则将n重置为1，并返回步骤4)；步骤11)根据用于预测的归一化后的输入矩阵，计算网络的前向传播输出Θ，将Θ反归一化，得到包含预测路段及其上下游路段下一个时间单位的预测流量，取中预测路段对应位置的流量，即为预测路段的预测流量其中：所述步骤1)对流量数据集进行预处理，形成相应的训练集，具体处理过程如下：步骤1.1)使用数据集中预测路段及其上下游路段的历史流量数据构成输入矩阵，将上游路段的流量数据作为输入矩阵的上半部分，下游路段的流量数据作为输入矩阵的下半部分，预测路段的流量数据放在中间；步骤1.2)使用输入矩阵中各路段对应的下一个时间单位的流量作为期望输出，并将期望输出按输入矩阵中各路段的顺序来排列，形成输出矩阵；步骤1.3)将输入矩阵和输出矩阵中的每条流量数据归一化，计算如下：所述x′为归一化后的流量，x为原始流量，xmax和xmin分别为该流量对应路段的最大流量和最小流量；将数据集中所有数据按照步骤1.1和步骤1.2处理，并归一化为训练样本，形成包含N条训练样本的训练集，其中每条训练样本包含归一化后的输入矩阵和它对应的输出矩阵；所述步骤4)根据训练样本n的输入，计算网络的前向传播输出，具体过程如下：步骤4.1)计算卷积层特征图，每张特征图用多个卷积核生成，这些卷积核与输入特征图一一对应，用它们进行卷积后，将所有卷积结果求和并经过神经元处理，输出即为相应特征图，卷积层l中第q张特征图计算如下：所述f(·)为神经元的激活函数，是卷积层l‑1中第p张特征图，为第q张特征图与输入图p对应的卷积核，Mq为全部输入图的集合，为该特征图对应的阈值，卷积层l是卷积神经网络输入层开始后的第l个卷积层，卷积层l‑1是卷积神经网络输入层开始后的第l‑1个卷积层；步骤4.2)计算子采样层特征图，使用平均池化操作对卷积层的所有输入图进行采样并生成相应的输出图，子采样层l+1中第r张特征图的计算公式为：所述为对应的卷积层的输入图，down(·)为采样函数，对输入图中每个s×s的采样区域分别求均值，使输出图规模降为输入图的所述s为子采样因子；步骤4.3)计算网络输出O，其中每个输出层节点j的输出计算如下：NF为特征向量的节点总数，wij为特征向量中节点i与输出层节点j之间的连接权值，ai为特征向量中节点i的输出，bj为输出层节点j的阈值；所述步骤6)计算网络中各层节点的残差，具体过程如下：步骤6.1)输出层节点残差δO为网络误差E，即δO＝E；步骤6.2)特征向量中节点i的残差δF(i)计算如下：所述m为输出节点总数，wij为特征向量节点i与输出层节点j间的连接权值，δO(j)为输出层节点j的残差，求出特征向量节点的残差后，将其恢复为特征图的形式，即可得到子采样层2的残差图δS2；步骤6.3)卷积层2中第e个残差图计算如下：所述δS2(e)为子采样层2第e个残差图，f′(netC2(e))为卷积层2第e个特征图的“偏导数图”，特征图中所有神经元的激活函数对输入的偏导构成的二维矩阵，运算符表示两个二维矩阵“点对点”逐元素相乘，表示Kronecker积，s2为子采样层2的子采样因子；步骤6.4)子采样层1中第d个残差图δS1(d)计算如下：所述n2为卷积层2的特征图总数，δC2(e)为卷积层2第e个残差图，Kde为卷积层2中特征图e与子采样层1中特征图d对应的卷积核，rot180(Kde)表示将该卷积核旋转180度，conv2(A,B,'full')是区域覆盖为‘full’的卷积函数；步骤6.5)卷积层1中第c个残差图的计算与卷积层2类似：所述δS1(c)为子采样层1第c个残差图，f′(netC1(c))为卷积层1第c个特征图的“偏导数图”，s1为子采样层1的子采样因子；所述步骤7)根据求得的残差，计算误差梯度，具体过程如下：步骤7.1)计算网络误差对输出层节点权值和阈值的偏导，误差对特征向量节点i与输出层节点j间连接权值的偏导所述δO(j)为输出层节点j的残差，xi为特征向量中节点i的输出，误差对输出层节点j阈值的偏导所述δO(j)为输出层节点j的残差；步骤7.2)计算网络误差对卷积核以及卷积层特征图阈值的偏导，误差对卷积层l中卷积核的偏导计算如下：所述表示残差图中第u行第v列神经元的残差，对于l层的特征图q中u行v列的元素是由卷积核与l‑1层的特征图p中某块区域逐元素相乘并求和得到的，而则代表该区域，误差对卷积层l中第q个特征图阈值的偏导为：所述表示残差图中第u行第v列神经元的残差；所述步骤8)根据误差梯度，更新网络中的权值和阈值，具体过程如下：步骤8.1)更新输出层节点的权值和阈值，特征向量节点i与输出层节点j间连接权值所述λ为指定的学习率，为误差对权值的偏导，输出层节点j阈值所述λ为指定的学习率，为误差对阈值的偏导；步骤8.2)更新卷积层的卷积核和特征图阈值，卷积层l中特征图q用于提取l‑1层特征图p中特征的卷积核所述λ为指定的学习率，为误差对卷积核的偏导，卷积层l中第q个特征图阈值所述λ为指定的学习率，为误差对特征图阈值的偏导。