專(zhuān)利名稱(chēng):基于雙最優(yōu)學(xué)習(xí)率快速學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)方法
技術(shù)領(lǐng)域:
本發(fā)明屬于交通流預(yù)測(cè)技術(shù)領(lǐng)域,涉及一種基于雙最優(yōu)學(xué)習(xí)率快速學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)方法。
背景技術(shù):
交通流預(yù)測(cè)是智能交通的一個(gè)關(guān)鍵技術(shù),交通流預(yù)測(cè)的精度及實(shí)時(shí)性直接影響到交通控制算法的好壞。經(jīng)過(guò)幾十年的發(fā)展,短時(shí)交通流 預(yù)測(cè)出現(xiàn)了許多有用的預(yù)測(cè)模型。例如移動(dòng)平均法,其核心思想是根據(jù)歷史交通流數(shù)據(jù),依次計(jì)算以前一定周期內(nèi)的平均值,用來(lái)預(yù)測(cè)下一周期或數(shù)周期的交通流。移動(dòng)平均法的特點(diǎn)可以消除交通流數(shù)據(jù)中的抖動(dòng),顯示出其長(zhǎng)期趨勢(shì),但移動(dòng)平均法適合預(yù)測(cè)交通流變化不大的情況,否則將會(huì)產(chǎn)生大的滯后及偏差。移動(dòng)平均法的缺點(diǎn)主要表現(xiàn)在兩個(gè)方面第一就是預(yù)測(cè)算法需要存儲(chǔ)大量的歷史交通流數(shù)據(jù);第二就是只考慮當(dāng)前時(shí)刻以前有限個(gè)周期的歷史交通流數(shù)據(jù),對(duì)于有限個(gè)交通流數(shù)據(jù)之前的數(shù)據(jù)則完全不予考慮。后來(lái),為了克服移動(dòng)平均法的這兩個(gè)缺點(diǎn),人們又提出了指數(shù)平滑法,指數(shù)平滑法考慮了所有的歷史交通流數(shù)據(jù),并且認(rèn)為近期交通流數(shù)據(jù)比遠(yuǎn)期交通流數(shù)據(jù)更重要,根據(jù)距離的遠(yuǎn)近,分別賦予預(yù)測(cè)因子不同的權(quán)值,且采用“厚近薄遠(yuǎn)”法。根據(jù)收斂快慢的要求,可以取一個(gè)適當(dāng)?shù)闹郸?,然后使用a M乍為加權(quán)值。指數(shù)平滑法不需要存儲(chǔ)大量的歷史交通流數(shù)據(jù),是對(duì)移動(dòng)平均法的一個(gè)改進(jìn),得到了廣泛的應(yīng)用。與移動(dòng)平均法類(lèi)似,當(dāng)時(shí)間序列呈直線(xiàn)變動(dòng)時(shí),預(yù)測(cè)效果同樣會(huì)出現(xiàn)滯后現(xiàn)象。
發(fā)明內(nèi)容
本發(fā)明的目的是提供一種基于雙最優(yōu)學(xué)習(xí)率快速學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)方法,以解決現(xiàn)有預(yù)測(cè)方法的預(yù)測(cè)結(jié)果滯后的問(wèn)題。為實(shí)現(xiàn)上述目的,本發(fā)明的基于雙最優(yōu)學(xué)習(xí)率快速學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)方法步驟如下(I)選用連續(xù)的m個(gè)交通流歷史數(shù)據(jù)作為預(yù)測(cè)網(wǎng)絡(luò)的輸入;(2)輸入輸出數(shù)據(jù)進(jìn)行歸一化處理,將其范圍限定在[-1,I];(3)神經(jīng)網(wǎng)絡(luò)采用輸入層、隱層、輸出層三層網(wǎng)絡(luò)結(jié)構(gòu),使用randn函數(shù)對(duì)權(quán)值和小波基函數(shù)的伸縮、平移因子初始化,賦予一個(gè)(0,1]之間隨機(jī)值;小波基函數(shù)的平移因子和轉(zhuǎn)移因子采用第一學(xué)習(xí)率,網(wǎng)絡(luò)權(quán)值采用第二學(xué)習(xí)率;(4)提供一個(gè)學(xué)習(xí)率數(shù)組,網(wǎng)絡(luò)開(kāi)始學(xué)習(xí)時(shí),在信號(hào)正向傳播階段,信號(hào)經(jīng)各層逐層向后傳播,最后到達(dá)輸出層,信號(hào)到達(dá)輸出層后與期望目標(biāo)進(jìn)行比較,如果達(dá)到期望目標(biāo)則網(wǎng)絡(luò)學(xué)習(xí)終止;如果沒(méi)有達(dá)到期望目標(biāo)則轉(zhuǎn)入誤差反向傳播過(guò)程,在反向傳播過(guò)程中完成網(wǎng)絡(luò)權(quán)值、伸縮和平移因子的調(diào)整,根據(jù)調(diào)整的結(jié)果,選取最好的一個(gè),把對(duì)應(yīng)的學(xué)習(xí)率作為第一、二學(xué)習(xí)率,如此重復(fù)學(xué)習(xí),直到達(dá)到期望目標(biāo)或達(dá)到最大迭代次數(shù)為止;(5)使用樣本完成網(wǎng)絡(luò)訓(xùn)練后,使用當(dāng)前時(shí)刻至前m-ι個(gè)共m個(gè)周期的交通流數(shù)值作為訓(xùn)練后的網(wǎng)絡(luò)的輸入,此時(shí)網(wǎng)絡(luò)的輸出進(jìn)行反歸一化后,得到當(dāng)前時(shí)刻的下一時(shí)刻的預(yù)測(cè)值,實(shí)現(xiàn)對(duì)交通流的預(yù)測(cè)。進(jìn)一步的,所述步驟(I)中采用一個(gè)時(shí)間段的交通流數(shù)據(jù)序列作為網(wǎng)絡(luò)訓(xùn)練樣本,按采集時(shí)間間隔,將整個(gè)時(shí)間段分為η個(gè)時(shí)間點(diǎn)數(shù)據(jù),在處理時(shí)將連續(xù)的m個(gè)時(shí)間序列作為一個(gè)樣本,第m+Ι個(gè)作為樣本的輸出,輸入為(Xi, xi+1,...,xi+m)T,輸出為xi+m+1。進(jìn)一步的,所述步驟(2)中歸一化處理的公式為$ =2 X\ mm(X)、-1,其中
max(x) - min(x)
max(X)為交通流樣本序列中的最大值;min(x)為交通流樣本序列中的最小值;Xi為要?dú)w一化的數(shù)據(jù)A為歸一化后的數(shù)據(jù)。進(jìn)一步的,所述步驟(3)中學(xué)習(xí)率數(shù)組取值取值范圍介于(0,100],在取值上采取 類(lèi)似對(duì)數(shù)坐標(biāo)取值方式。進(jìn)一步的,所述步驟(4)中每次在權(quán)值、平移和伸縮因子調(diào)整前,第一、二學(xué)習(xí)率從學(xué)習(xí)率數(shù)組中各取一個(gè)值進(jìn)來(lái)計(jì)算網(wǎng)絡(luò)欲調(diào)整前后網(wǎng)絡(luò)的性能,直到第一、第二學(xué)習(xí)率把上述數(shù)組中的值取完為止,對(duì)每個(gè)值進(jìn)行網(wǎng)絡(luò)性能計(jì)算,從計(jì)算結(jié)果中取性能最好的一個(gè),將性能最好的一個(gè)所對(duì)應(yīng)的第一、二學(xué)習(xí)率數(shù)值作為本次學(xué)習(xí)的學(xué)習(xí)率。進(jìn)一步的,所述步驟(5)中反歸一化公式為x;=min(x) + ^^.+l)(max(x)-min(x)^* max(x)為交通流樣本序列中的最大
值;min(x)為交通流樣本序列中的最小值A(chǔ)為要反歸一化的數(shù)據(jù);Xi為反歸一化后的數(shù)據(jù)。本發(fā)明的基于雙最優(yōu)學(xué)習(xí)率快速學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)方法,每次網(wǎng)絡(luò)訓(xùn)練時(shí)第一、二學(xué)習(xí)率(權(quán)值學(xué)習(xí)率、伸縮和平移因子學(xué)習(xí)率)從學(xué)習(xí)率數(shù)組中選取最優(yōu)學(xué)習(xí)率,避免通過(guò)大矩陣計(jì)算來(lái)得到學(xué)習(xí)率的不足,由于神經(jīng)元的傳輸函數(shù)采用了非線(xiàn)性的小波函數(shù),因此可以加快非線(xiàn)性問(wèn)題的收斂,同時(shí)避免單一學(xué)習(xí)率造成網(wǎng)絡(luò)收斂慢的不足,能夠?qū)崿F(xiàn)快速網(wǎng)絡(luò)訓(xùn)練,高精度預(yù)測(cè)交通流。
圖I是實(shí)施例中神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。
具體實(shí)施例方式基于雙最優(yōu)學(xué)習(xí)率快速學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)方法,具體步驟是(I)預(yù)測(cè)網(wǎng)絡(luò)的輸入變量選擇及預(yù)處理。為預(yù)測(cè)出當(dāng)前時(shí)刻的下一時(shí)刻的交通流數(shù)據(jù),選用當(dāng)前時(shí)刻起至前九個(gè)交通流歷史數(shù)據(jù)作為預(yù)測(cè)網(wǎng)絡(luò)的輸入。由于交通流變化較大,故采用歸一化方法,通過(guò)歸一化將其范圍限定在[-1,1]。(2)網(wǎng)絡(luò)結(jié)構(gòu)的確定及初始化。理論上,三層BP網(wǎng)絡(luò)可以實(shí)現(xiàn)任意非線(xiàn)性映射,因此采用三層網(wǎng)絡(luò)結(jié)構(gòu),如圖I所示,J、K、I分別代表網(wǎng)絡(luò)的輸入層、隱層和輸出層,其神經(jīng)元個(gè)數(shù)分別為m、L和1,隱層采用morlet小波基函數(shù)作為傳輸函數(shù),其中的a和b代表伸縮因子和平移因子,Ukj是隱層第k個(gè)神經(jīng)元與輸入層第j個(gè)神經(jīng)元之間的權(quán)值,Wk是輸出層與隱層第k個(gè)神經(jīng)元之間的權(quán)值。網(wǎng)絡(luò)的實(shí)際輸出為,期望輸出為y,網(wǎng)絡(luò)誤差函數(shù)為MSE。
由于每次輸入樣本維數(shù)為10X1,所以輸入層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)為10,對(duì)于一般的應(yīng)用,涉及到有限個(gè)輸入樣本,所以隱層節(jié)點(diǎn)個(gè)數(shù)只需要有限個(gè)隱層節(jié)點(diǎn)即可滿(mǎn)足實(shí)際映射需要。到目前為止,隱層節(jié)點(diǎn)個(gè)數(shù)如何選取并沒(méi)有理論性的指導(dǎo),一般實(shí)際應(yīng)用中通常是根據(jù)前人的經(jīng)驗(yàn)和試湊法來(lái)得出最優(yōu)的隱層節(jié)點(diǎn)個(gè)數(shù)。由前人經(jīng)驗(yàn)公式H = 4T+0 + a式中H為隱層節(jié)點(diǎn)數(shù);1為輸入層節(jié)點(diǎn)個(gè)數(shù);0為輸出層節(jié)點(diǎn)個(gè)數(shù);&為I 10之間的一個(gè)常數(shù)。由于本實(shí)施例輸入輸出層節(jié)點(diǎn)個(gè)數(shù)為10和1,即I = 10,O = 1,所以H = λ/ΤΤ萬(wàn)+ α取值為4 14,經(jīng)過(guò)多次試驗(yàn),本實(shí)施例隱層節(jié)點(diǎn)選取為6。由于輸出為當(dāng)前時(shí)刻下一時(shí)刻的預(yù)測(cè)流量,故其輸出層神經(jīng)元節(jié)點(diǎn)為I。網(wǎng)絡(luò)結(jié)構(gòu)確定后,使用randn函數(shù)對(duì)權(quán)值和小波基函數(shù)的伸縮平移因子初始化,賦予一個(gè)較小的(一般取(0,1]之間的值)隨機(jī)值。(3)網(wǎng)絡(luò)訓(xùn)練。 取學(xué)習(xí)率數(shù)組為[O.001 O. 004 O. 007 O. 01 O. 05 O. 09 O. I O. 5 O. 9 I 5 9],網(wǎng)
絡(luò)參數(shù)每次調(diào)整前第一、二學(xué)習(xí)率從上述數(shù)組中各取一個(gè)值來(lái)計(jì)算網(wǎng)絡(luò)預(yù)調(diào)整(并不實(shí)際調(diào)整網(wǎng)絡(luò)參數(shù))前后網(wǎng)絡(luò)的性能,直到第一、二學(xué)習(xí)率把上述數(shù)組中的值取完為止。最后,根據(jù)預(yù)調(diào)整的結(jié)果,選取最好的一個(gè),把對(duì)應(yīng)的學(xué)習(xí)率作為第一、二學(xué)習(xí)率,這樣可以保證每次網(wǎng)絡(luò)調(diào)整時(shí)取得的是最優(yōu)學(xué)習(xí)率,即網(wǎng)絡(luò)調(diào)整量為最佳調(diào)整量。如此重復(fù)學(xué)習(xí),直到達(dá)到期望目標(biāo)或達(dá)到最大迭代次數(shù)為止。學(xué)習(xí)率數(shù)組取值范圍介于(0,100],為了兼顧提高網(wǎng)絡(luò)訓(xùn)練效率和擴(kuò)大學(xué)習(xí)率取值范圍,在取值上可以采取類(lèi)似對(duì)數(shù)坐標(biāo)取值方式,即
,一般情況下還可根據(jù)實(shí)際需要減少數(shù)組中的元素,比如從上述數(shù)組中每隔2個(gè)選取出來(lái)作為學(xué)習(xí)率數(shù)組。(4)進(jìn)行預(yù)測(cè)。使用樣本完成網(wǎng)絡(luò)訓(xùn)練后,使用當(dāng)前時(shí)刻至前九個(gè)周期的值作為訓(xùn)練后的網(wǎng)絡(luò)的輸入,此時(shí)網(wǎng)絡(luò)的輸出進(jìn)行反歸一化后,即是當(dāng)前時(shí)刻的下一時(shí)刻的預(yù)測(cè)值。
其反歸一化公式為=min(x) +去(瓦 +l)(max(x)-min(x))。以某路口交通流歷史數(shù)據(jù)預(yù)測(cè)下一時(shí)刻為例,來(lái)說(shuō)明基于雙最優(yōu)學(xué)習(xí)率快速學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)方法的具體實(shí)施方式
。步驟I :預(yù)測(cè)數(shù)據(jù)的選擇及處理。以某交叉口 3月I號(hào),0:02:36-23:57:48時(shí)間段的交通流數(shù)據(jù)序列作為網(wǎng)絡(luò)訓(xùn)練樣本,樣本數(shù)據(jù)采集時(shí)間間隔為每5分鐘I次,共289個(gè)時(shí)間點(diǎn)數(shù)據(jù)。由于當(dāng)前時(shí)刻起至前九個(gè)交通流歷史數(shù)據(jù)作為網(wǎng)絡(luò)的輸入,所以289個(gè)時(shí)間序列不能直接用做訓(xùn)練樣本,在處理時(shí)將連續(xù)的10個(gè)時(shí)間序列作為一個(gè)樣本,第11個(gè)作為樣本的輸出,即輸入為(Xi, xi+1,, xi+9)T,輸出為xi+1(l。所以289個(gè)時(shí)間序列經(jīng)處理后其輸入、輸出為
X1 X2 . · · X280
^^3 · · · ^^281P — . · .· ;T — (X11 X12. · · χ289) 1X280
VX10 xIl …Χ289 7!0χ280交通流數(shù)值變化量一般比較大,訓(xùn)練樣本準(zhǔn)備好后,還需要進(jìn)行輸入輸出數(shù)據(jù)(P和Τ)歸一化,即對(duì)P和T中的每一個(gè)元素利用下面的公式進(jìn)行變換,這樣P和T中的每個(gè)元素都會(huì)映射到[-1,1]范圍之內(nèi)。卜2 η
max(x) - min(x)步驟2 :網(wǎng)絡(luò)結(jié)構(gòu)確定及網(wǎng)絡(luò)參數(shù)初始化。三層BP網(wǎng)絡(luò)可以實(shí)現(xiàn)任意非線(xiàn)性映射,本例選用三層網(wǎng)絡(luò),第一層(輸入層)為10個(gè)神經(jīng)元,根據(jù)經(jīng)驗(yàn)公式,第二層(隱層)為6個(gè)神經(jīng)元,第三層(輸出層)為I個(gè)神經(jīng)元。因此從輸入層到隱層之間的權(quán)值矩陣的維數(shù)為6X10,從隱層到輸出層權(quán)值矩陣的維數(shù)為I X 10,隱層神經(jīng)元傳輸函數(shù)采用小波函數(shù),故其伸縮平移因子維數(shù)為6X 1,網(wǎng)絡(luò)參數(shù)初始化時(shí)首先賦予權(quán)值、伸縮平移因子一個(gè)較小的(一般取(0,1]之間的值)隨機(jī)值,初始化時(shí)可以使用Matlab提供的randn(m, η)函數(shù),此函數(shù)可以初始化mXn的矩陣,給矩陣中的每個(gè)元素一個(gè)較小 的隨機(jī)值。設(shè)定網(wǎng)絡(luò)最大迭代次數(shù)5000,防止網(wǎng)絡(luò)無(wú)何止的學(xué)習(xí)。設(shè)定網(wǎng)絡(luò)的期望目標(biāo),如果樣本數(shù)量較大,可適當(dāng)增大期望目標(biāo)值,如0.5。步驟3 :網(wǎng)絡(luò)訓(xùn)練。確定好網(wǎng)絡(luò)參數(shù)后,接下來(lái)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練,訓(xùn)練時(shí)用輸入樣本矩陣P的每一列作為網(wǎng)絡(luò)的輸入,對(duì)于每個(gè)輸入對(duì)應(yīng)一個(gè)輸出,信號(hào)經(jīng)各層逐層向后傳播,最后達(dá)到輸出層,因此輸出為T(mén)' = (X1 X2. . . X280) !X280如果(T-T' )2小于期望目標(biāo)則訓(xùn)練停止;否則轉(zhuǎn)入誤差反向傳播過(guò)程,在反向傳播過(guò)程中完成網(wǎng)絡(luò)權(quán)值、伸縮和平移因子的調(diào)整,由LM學(xué)習(xí)算法知,網(wǎng)絡(luò)的調(diào)整量取決于學(xué)習(xí)率的大小,取學(xué)習(xí)率數(shù)組為
,此取法可以兼顧學(xué)習(xí)率范圍了網(wǎng)絡(luò)計(jì)算效率。如果網(wǎng)絡(luò)樣本數(shù)據(jù)較小可以增大學(xué)習(xí)率數(shù)據(jù)數(shù)值個(gè)數(shù),否則可以減少其數(shù)值個(gè)數(shù),在使用學(xué)習(xí)率進(jìn)行權(quán)值、伸縮和平移因子調(diào)整時(shí),設(shè)定權(quán)值學(xué)習(xí)率為第一學(xué)習(xí)率,伸縮和平移因子的學(xué)習(xí)率為第二學(xué)習(xí)率,這樣網(wǎng)絡(luò)每次訓(xùn)練時(shí)就會(huì)有兩個(gè)學(xué)習(xí)率,每次調(diào)整前第一、二學(xué)習(xí)率從上述數(shù)組中各取一個(gè)值來(lái)計(jì)算網(wǎng)絡(luò)預(yù)調(diào)整(并不實(shí)際調(diào)整網(wǎng)絡(luò)參數(shù))前后網(wǎng)絡(luò)的性能,直到第一、二學(xué)習(xí)率把上述數(shù)組中的值取完為止。最后,根據(jù)預(yù)調(diào)整的結(jié)果,選取最好的一個(gè),把對(duì)應(yīng)的學(xué)習(xí)率作為第一、二學(xué)習(xí)率,這樣可以保證每次網(wǎng)絡(luò)調(diào)整時(shí)取得的是最優(yōu)學(xué)習(xí)率,即網(wǎng)絡(luò)調(diào)整量為最佳調(diào)整量。如此重復(fù)學(xué)習(xí),直到達(dá)到期望目標(biāo)或達(dá)到最大迭代次數(shù)為止。步驟4 :交通流預(yù)測(cè)。交叉口的信號(hào)周期一般不會(huì)小于45秒,神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間經(jīng)驗(yàn)證在20秒左右,因此利用信號(hào)周期的前40秒來(lái)訓(xùn)練網(wǎng)絡(luò),這樣在后5秒網(wǎng)絡(luò)已訓(xùn)練完畢,此時(shí)可以預(yù)測(cè)出下一周期的交通流,預(yù)測(cè)出的結(jié)果由于進(jìn)行了歸一化,所以要求實(shí)際的交通流,進(jìn)行反歸一化即可,利用下面的公式即可得到實(shí)際的交通流,
_ 。 X1- min(x) 1X1 = 2 ^—- -1
max(x) - min(x)為了進(jìn)一步提高精度,網(wǎng)絡(luò)在線(xiàn)訓(xùn)練,即信號(hào)周期的前40秒用來(lái)訓(xùn)練網(wǎng)絡(luò),后5秒進(jìn)行預(yù)測(cè)。表I是本發(fā)明提出的網(wǎng)絡(luò)算法與其它幾種網(wǎng)絡(luò)算法學(xué)習(xí)次數(shù)比較;表2是本發(fā)明提出的算法與其它幾種預(yù)測(cè)算法的性能比較。表I實(shí)驗(yàn)次數(shù)I本發(fā)明學(xué)習(xí)次數(shù)傳統(tǒng)算法學(xué)習(xí)次數(shù)動(dòng)量算法學(xué)習(xí)次數(shù)
~I20432 62451
—I57343622762
~46633381358
~29226781951
~532014271607
~63452376T182 ~25625282025
~8349Γ 462074
~925220521689
~1034423691385表2
指標(biāo)移動(dòng)平均法人工神經(jīng)網(wǎng)絡(luò)法雙最優(yōu)學(xué)習(xí)率快速學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)法
MAE22.16246.84712.1935
MSE2.9067O.8478O.2359
權(quán)利要求
1.一種基于雙最優(yōu)學(xué)習(xí)率快速學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)方法,其特征在于,該方法的步驟如下 (1)選用連續(xù)的m個(gè)交通流歷史數(shù)據(jù)作為預(yù)測(cè)網(wǎng)絡(luò)的輸入; (2)輸入輸出數(shù)據(jù)進(jìn)行歸一化處理,將其范圍限定在[_1,1]; (3)神經(jīng)網(wǎng)絡(luò)采用輸入層、隱層、輸出層三層網(wǎng)絡(luò)結(jié)構(gòu),使用randn函數(shù)對(duì)權(quán)值和小波基函數(shù)的伸縮、平移因子初始化,賦予一個(gè)(0,1]之間隨機(jī)值;小波基函數(shù)的平移因子和轉(zhuǎn)移因子采用第一學(xué)習(xí)率,網(wǎng)絡(luò)權(quán)值采用第二學(xué)習(xí)率; (4)提供一個(gè)學(xué)習(xí)率數(shù)組,網(wǎng)絡(luò)開(kāi)始學(xué)習(xí)時(shí),在信號(hào)正向傳播階段,信號(hào)經(jīng)各層逐層向后傳播,最后到達(dá)輸出層,信號(hào)到達(dá)輸出層后與期望目標(biāo)進(jìn)行比較,如果達(dá)到期望目標(biāo)則網(wǎng)絡(luò)學(xué)習(xí)終止;如果沒(méi)有達(dá)到期望目標(biāo)則轉(zhuǎn)入誤差反向傳播過(guò)程,在反向傳播過(guò)程中完成網(wǎng)絡(luò)權(quán)值、伸縮和平移因子的調(diào)整,根據(jù)調(diào)整的結(jié)果,選取最好的一個(gè),把對(duì)應(yīng)的學(xué)習(xí)率作為第一、二學(xué)習(xí)率,如此重復(fù)學(xué)習(xí),直到達(dá)到期望目標(biāo)或達(dá)到最大迭代次數(shù)為止; (5)使用樣本完成網(wǎng)絡(luò)訓(xùn)練后,使用當(dāng)前時(shí)刻至前m-1個(gè)共m個(gè)周期的交通流數(shù)值作為訓(xùn)練后的網(wǎng)絡(luò)的輸入,此時(shí)網(wǎng)絡(luò)的輸出進(jìn)行反歸一化后,得到當(dāng)前時(shí)刻的下一時(shí)刻的預(yù)測(cè)值,實(shí)現(xiàn)對(duì)交通流的預(yù)測(cè)。
2.根據(jù)權(quán)利要求I所述的方法,其特征在于,所述步驟(I)中采用一個(gè)時(shí)間段的交通流數(shù)據(jù)序列作為網(wǎng)絡(luò)訓(xùn)練樣本,按采集時(shí)間間隔,將整個(gè)時(shí)間段分為n個(gè)時(shí)間點(diǎn)數(shù)據(jù),在處理時(shí)將連續(xù)的m個(gè)時(shí)間序列作為一個(gè)樣本,第m+1個(gè)作為樣本的輸出,輸入為(xi,xi+1,...,Xi+m),ffHI 出為 xi+m+1。
3.根據(jù)權(quán)利要求2所述的方法,其特征在于,所述步驟(2)中歸一化處理的公式為
4.根據(jù)權(quán)利要求3所述的方法,其特征在于,所述步驟(3)中學(xué)習(xí)率數(shù)組取值取值范圍介于(O,100],在取值上采取類(lèi)似對(duì)數(shù)坐標(biāo)取值方式。
5.根據(jù)權(quán)利要求4所述的方法,其特征在于,所述步驟(4)中每次在權(quán)值、平移和伸縮因子調(diào)整前,第一、二學(xué)習(xí)率從學(xué)習(xí)率數(shù)組中各取一個(gè)值進(jìn)來(lái)計(jì)算網(wǎng)絡(luò)欲調(diào)整前后網(wǎng)絡(luò)的性能,直到第一、第二學(xué)習(xí)率把上述數(shù)組中的值取完為止,對(duì)每個(gè)值進(jìn)行網(wǎng)絡(luò)性能計(jì)算,從計(jì)算結(jié)果中取性能最好的一個(gè),將性能最好的一個(gè)所對(duì)應(yīng)的第一、二學(xué)習(xí)率數(shù)值作為本次學(xué)習(xí)的學(xué)習(xí)率。
6.根據(jù)權(quán)利要求1-5中任一項(xiàng)所述的方法,其特征在于,所述步驟(5)中反歸一化公式為x; =min(x) + ^■(瓦+l)(max(x)-min(x)),其中max(x)為交通流樣本序列中的最大值;min(x)為交通流樣本序列中的最小值為要反歸一化的數(shù)據(jù);Xi為反歸一化后的數(shù)據(jù)。
全文摘要
本發(fā)明涉及基于雙最優(yōu)學(xué)習(xí)率快速學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)方法,首先選用連續(xù)的m個(gè)交通流歷史數(shù)據(jù)作為預(yù)測(cè)網(wǎng)絡(luò)的輸入,對(duì)數(shù)據(jù)進(jìn)行歸一化處理;采用三層神經(jīng)網(wǎng)絡(luò),對(duì)權(quán)值和小波基函數(shù)的伸縮、平移因子初始化;小波基函數(shù)的平移因子和轉(zhuǎn)移因子采用第一學(xué)習(xí)率,網(wǎng)絡(luò)權(quán)值采用第二學(xué)習(xí)率;提供一個(gè)學(xué)習(xí)率數(shù)組,進(jìn)行雙最優(yōu)學(xué)習(xí)率的網(wǎng)絡(luò)訓(xùn)練;使用當(dāng)前時(shí)刻至前m-1個(gè)周期的值作為訓(xùn)練后的網(wǎng)絡(luò)的輸入,輸出進(jìn)行反歸一化后,得到當(dāng)前時(shí)刻的下一時(shí)刻交通流的預(yù)測(cè)值;本發(fā)明的方法在每次網(wǎng)絡(luò)訓(xùn)練時(shí)第一、二學(xué)習(xí)率采用最優(yōu)學(xué)習(xí)率,能夠?qū)崿F(xiàn)快速網(wǎng)絡(luò)訓(xùn)練,高精度預(yù)測(cè)交通流。
文檔編號(hào)G06N3/08GK102682345SQ201210007480
公開(kāi)日2012年9月19日 申請(qǐng)日期2012年1月11日 優(yōu)先權(quán)日2012年1月11日
發(fā)明者劉翠蘋(píng), 張世偉, 張海濤, 白舸, 秦黎明 申請(qǐng)人:河南科技大學(xué)