[发明专利]基于小波神经网络的交通流预测方法

说明书

本发明是针对现有机器学习在学习预测过程中由于道路交通的突发性状况而会陷入振荡效应，造成训练过程难以收束或者说收束过程延长，造成训练时间过长，训练结果不理想的状况，为此设计了一种基于小波神经网络的交通流预测方法。

技术领域

本发明涉及交通流预测改善交通的方法，具体涉及基于小波神经网络的交通流预测方 法；

背景技术

小波分析(wavelet Analysis)是20世纪80年代中期发展起来的一门数学理论和方 法，由法国科学家Grossman和Morlet在进行地震信号分析时提出的，随后迅速发展。1985年Meyer在一维情形下证明了小波函数的存在性，并在理论上作了深入研究。 Mallat基于多分辨分析思想，提出了对小波应用起重要作用的Mallat算法，它在小波分 析中的地位相当子FFT在经典Fourier分析中的地位。小波分析理论的重要性及应用的广泛 性引起了科技界的高度重视。小波分析的出现被认为是傅立叶分析的突破性进展，在逼近论、 微分方程、模识识别、计算机视觉、图像处理、非线性科学等方面使用小波分析取得于许多 突破性进展。小波变换的基本思想类似于Fourier变换，就是用信号在一簇基函数张成的空间上的投影表征该信号。经典的Fourier变换把信号按三角正、余弦基展开，将任意函数 表示为具有不同频率的谐波函数的线性迭加，能较好地刻划信号的频率特性，但它在时域 或空域上无任何分辨，不能作局部分析。这在理论和应用上都带来了许多不足。为了克服这一缺陷，提出了加窗Fourier变换。通过引人一个时间局部化窗函数改进了Fourier变 换的不足，但其窗口大小和形状都是固定的，没有从根本上弥补Fourier变换的缺陷。而 小波变换在时域和频域同时具有良好的局部化性能，有一个灵活可变的时间-频率窗，这在 理论和实际应用都有重要意义。小波神经用络是基于小波变换而构成的神经网络模型，即用非线性小波基取代通常的神经元非线性激励函数(如Sigmoid函数)，把小波变换与神经网络有 机地结合起来，充分继承了两者的特点。

发明内容

本发明是针对现有机器学习在学习预测过程中由于道路交通的突发性状况而会陷入 振荡效应，造成训练过程难以收束或者说收束过程延长，造成训练时间过长，训练结果不理 想的状况，为此设计了一种基于小波神经网络的交通流预测方法。

基于小波神经网络的交通流预测方法，包括以下步骤：

M1，设置好多路CCD识别，以FGPA作为单路处理核心的预测装置；

M2，使得装置进行学习预测，预测5个红绿灯跳转周期或15分钟，预测正确则跳转步骤；M3，建立训练集并把步骤M1中采集数据写入；

M4，对数据进行五组训练，训练间隔为1个红绿灯跳转周期或3分钟；

M5，统计预测输出的收束程度，判断是否出现突发情况，没有突发情况则跳转步骤M7；

M6，调取历史同时刻实际训练用数据，复核突发情况是否真实；

M7，对比训练预测结果与实际结果，误差率小于设定值则判断训练完成，并把训练结束的算 法模型投放应用。

作为优选，所述的步骤M4包括以下步骤：

A1，以当前路段口为基准，读取当前路段的通向路段与流入路段或取关联性较高的3个流入 路段；

A2，调取A1中所选路段的不同时段的车流量值；

A3，根据公式计算一个计时段τ后的预测车流量Q

公式：Q(t+τ)＝F({Q(t-k1τ)}，{Qd(t-k2τ)}，{Qu(t-k3τ)})

其中：Q为车流量计数，F为计算函数，t为所选时段，τ为计时段，Q_u为流入路段车流量计数，Q_d为通向路段车流量计数，k1，k2，k3均为测量相关度且为整数；