本發(fā)明涉及公共交通信息處理技術(shù)領(lǐng)域，具體地說是一種一種基于深度時(shí)空卷積循環(huán)網(wǎng)絡(luò)的路網(wǎng)狀態(tài)預(yù)測(cè)方法。

背景技術(shù)：

經(jīng)濟(jì)的快速發(fā)展大大提高了人們對(duì)交通的需求，交通擁堵問題日益突出。智能交通系統(tǒng)被認(rèn)為是緩解交通擁堵的重要途徑，從網(wǎng)絡(luò)層面對(duì)交通擁堵進(jìn)行預(yù)測(cè)對(duì)智能交通系統(tǒng)有著重要的意義。

在道路交通的研究中，通常包括路段和路網(wǎng)的分別，路段通常是指某一段道路路，而路網(wǎng)是指在某一個(gè)預(yù)定區(qū)域中，多條公路相互交錯(cuò)形成的網(wǎng)狀交通系統(tǒng)。

現(xiàn)有技術(shù)對(duì)于道路的擁堵預(yù)測(cè)中，大部分是從路段層面進(jìn)行擁堵預(yù)測(cè)，預(yù)測(cè)模型主要采用了arimr，kalman濾波，bp神經(jīng)網(wǎng)絡(luò)等方法。這些方法雖然對(duì)于路段層面的交通擁堵預(yù)測(cè)有著較高的精度，但是功能過于單一，難以把握路網(wǎng)的擁堵情況，其采用的方法相對(duì)比較簡(jiǎn)單如果放大到路網(wǎng)的層面，對(duì)于預(yù)測(cè)會(huì)產(chǎn)生較大的偏差。

近年來，現(xiàn)有技術(shù)中逐漸將深度學(xué)習(xí)用于交通擁堵，例如采用遞歸神經(jīng)網(wǎng)絡(luò)挖掘某一主干道狀態(tài)演變的時(shí)序規(guī)律，從而做出精確預(yù)測(cè)。但是現(xiàn)有技術(shù)中的預(yù)測(cè)方法往往難以考慮不同路段之間的空間關(guān)系以及支路信息對(duì)主干道的影響；因此其預(yù)測(cè)范圍僅限于主干道，也存在較大的局限性。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明為解決以上現(xiàn)有技術(shù)的不足而提出的，本發(fā)明要解決的技術(shù)問題是提供一種基于深度學(xué)習(xí)的路網(wǎng)狀態(tài)預(yù)測(cè)方法，具體是利用卷積神經(jīng)網(wǎng)絡(luò)提取路網(wǎng)中各個(gè)路段擁堵情況在空間上的特征采用遞歸神經(jīng)網(wǎng)絡(luò)在挖掘路網(wǎng)狀態(tài)在時(shí)序上的演變規(guī)律從而實(shí)現(xiàn)從網(wǎng)絡(luò)層面對(duì)路網(wǎng)狀態(tài)進(jìn)行預(yù)測(cè)。

為了解決上述問題，本發(fā)明提供的技術(shù)方案包括：

一種基于深度學(xué)習(xí)的路網(wǎng)狀態(tài)預(yù)測(cè)方法，其特征在于，所述方法包括如下步驟：

步驟一：建立樣本集，并劃分訓(xùn)練集和測(cè)試集

選取目標(biāo)路網(wǎng)，將路網(wǎng)劃分為k個(gè)路段，并對(duì)各個(gè)路段進(jìn)行編號(hào)，記為(1,2,3,…,k)，將一天24小時(shí)分成各個(gè)時(shí)間長(zhǎng)度一樣的時(shí)間段；首先，計(jì)算各個(gè)路段在每個(gè)時(shí)間段的平均速度,平均速度的計(jì)算方法是：在某一時(shí)間段內(nèi)，在某一路段通過的所有車輛平均速度的均值，如式(1)所示，其中n代表在該時(shí)間段在該路段通過的車輛數(shù)目，a代表路網(wǎng)中的第a個(gè)路段，a∈(1,2,···,k)，j是時(shí)間段編號(hào)，s代表該路段的長(zhǎng)度，δt代表時(shí)間段的長(zhǎng)度，代表車輛i在δt的平均速度；

若某一路段在δt內(nèi)沒有車輛通過，在用上一個(gè)時(shí)間段的平均速度替代當(dāng)前時(shí)間段的平均速度，即va,j＝va,j-1；

其次，將各個(gè)路段的平均速度投影到路網(wǎng)中，建立路網(wǎng)中各個(gè)路段與該路段的平均速度的對(duì)應(yīng)關(guān)系；

最后，對(duì)路網(wǎng)所在的地理區(qū)域進(jìn)行網(wǎng)格化處理，劃分為多個(gè)網(wǎng)格，劃分好網(wǎng)格后對(duì)每個(gè)網(wǎng)格進(jìn)行取值，對(duì)沒有路段的網(wǎng)格區(qū)域，其取值為零；當(dāng)一網(wǎng)格有一條路段通過的時(shí)候，網(wǎng)格的值為這條路段的速度值；當(dāng)一網(wǎng)格有多條路段通過的時(shí)候，網(wǎng)格的值為這些路段的速度均值；從而將每個(gè)時(shí)間段的路網(wǎng)狀態(tài)用一張圖片來表達(dá)，記為pj，待預(yù)測(cè)的路網(wǎng)狀態(tài)可用一個(gè)狀態(tài)向量來表示，記為記為vj+m，vj+m＝[v1,j+m,v2,j+m,…,vk,j+m]，其中m代表未來第m個(gè)時(shí)間段。

步驟二，路網(wǎng)狀態(tài)預(yù)測(cè)模型建模

所述路網(wǎng)狀態(tài)預(yù)測(cè)模型包括卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)兩個(gè)部分，所述卷積神經(jīng)網(wǎng)絡(luò)用于提取路網(wǎng)空間特征，所述遞歸神經(jīng)網(wǎng)絡(luò)用于提取路網(wǎng)演變的時(shí)序規(guī)律；

所述卷積神經(jīng)網(wǎng)絡(luò)的建模包括：首先，確定輸入輸出變量，輸入變量是某一路網(wǎng)狀態(tài)pj，輸出變量為該路網(wǎng)狀態(tài)的特征表達(dá)向量，用x^(j)，維度大小與vj相同；其次，構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)模型，設(shè)置卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，輸出層神經(jīng)元個(gè)數(shù)與該路網(wǎng)的路段數(shù)目相同；通過“輸入層-卷積層-池化層-輸出層”結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)提取路網(wǎng)中各個(gè)路段之間的聯(lián)系；

所述遞歸神經(jīng)網(wǎng)絡(luò)的建模包括：構(gòu)建輸入層、隱藏層以及輸出層，其中采用lstm單元作為隱藏層單元；所述的神經(jīng)網(wǎng)絡(luò)包含兩層遞歸神經(jīng)網(wǎng)絡(luò)，基于在前預(yù)定數(shù)量時(shí)間段的特征預(yù)測(cè)未來某一個(gè)時(shí)間段的路網(wǎng)狀態(tài)；將卷積神經(jīng)網(wǎng)絡(luò)的輸出作為遞歸神經(jīng)網(wǎng)絡(luò)的輸入，用于學(xué)習(xí)輸入特征序列之間的時(shí)序變化模式，再將其輸入到輸出層做預(yù)測(cè)，所述遞歸神經(jīng)網(wǎng)絡(luò)模型具體表示為：

其中，表示第一層遞歸神經(jīng)網(wǎng)絡(luò)在t和t-1時(shí)刻的狀態(tài)(lstm的輸出)，表示第二層遞歸神經(jīng)網(wǎng)絡(luò)在t和t-1時(shí)刻的狀態(tài)，y表示輸出數(shù)據(jù)，by均為模型參數(shù)，σ(·)表示sigmoid激活函數(shù)；其表達(dá)式為：得到輸出層后建立損失函數(shù)，損失函數(shù)是用來衡量輸出層的輸出值與真實(shí)值的差異，利用bptt算法最小化損失函數(shù)獲得最優(yōu)的模型參數(shù)；

步驟三，未來某一時(shí)間段路網(wǎng)狀態(tài)預(yù)測(cè)

將用于預(yù)測(cè)的在前路網(wǎng)狀態(tài)數(shù)據(jù)作為輸入變量輸入到步驟二中已訓(xùn)練好的模型中，獲得輸出向量，該輸出向量就是所預(yù)測(cè)的下一個(gè)時(shí)間段的路網(wǎng)狀態(tài)。

本專利通過深度卷積神經(jīng)網(wǎng)絡(luò)提取路網(wǎng)中各個(gè)路段之間的聯(lián)系；通過遞歸神經(jīng)網(wǎng)絡(luò)用于提取路網(wǎng)演變的時(shí)序規(guī)律；充分考慮路網(wǎng)時(shí)空信息的條件下可以獲得更精確的路網(wǎng)交通狀態(tài)的預(yù)測(cè)。

附圖說明

圖1為本發(fā)明基于深度學(xué)習(xí)的路網(wǎng)狀態(tài)預(yù)測(cè)方法流程圖；

圖2為路網(wǎng)網(wǎng)格化處理過程示意圖

圖3為路網(wǎng)網(wǎng)格化示例圖

圖4為卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖5為卷積神經(jīng)網(wǎng)絡(luò)空間特征提取示意圖

圖6為深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

具體實(shí)施方式

下面結(jié)合附圖對(duì)本專利的具體實(shí)施方式進(jìn)行詳細(xì)說明，需要指出的是，該具體實(shí)施方式僅僅是對(duì)本專利優(yōu)選技術(shù)方案的舉例，并不能理解為對(duì)本專利保護(hù)范圍的限制。

本具體實(shí)施方式提供了一種基于深度學(xué)習(xí)的路網(wǎng)狀態(tài)預(yù)測(cè)方法，如圖1所示，本具體實(shí)施方式的方法包括如下步驟：

步驟一：建立樣本集，并劃分訓(xùn)練集和測(cè)試集，選取某一路網(wǎng)如圖2a所示，將路網(wǎng)劃分為各個(gè)小路段，假設(shè)分為k個(gè)路段，并對(duì)各個(gè)路段進(jìn)行編號(hào)，記為(1,2,3,…,k)，將一天24小時(shí)分成各個(gè)時(shí)間長(zhǎng)度一樣的時(shí)間段(比如每2分鐘作為一個(gè)時(shí)間段)。

首先，計(jì)算各個(gè)路段在每個(gè)時(shí)間段的平均速度。平均速度的計(jì)算方法是：在某一時(shí)間段內(nèi)，在某一路段通過的所有車輛平均速度的均值，如式(1)所示，其中n代表在該時(shí)間段在該路段通過的車輛數(shù)目，a代表路網(wǎng)中的第a個(gè)路段，a∈(1,2,···,k)，j是時(shí)間段編號(hào)，s代表該路段的長(zhǎng)度，δt代表時(shí)間段的長(zhǎng)度，代表車輛i在δt的平均速度。

若某一路段在δt內(nèi)沒有車輛通過，在用上一個(gè)時(shí)間段的平均速度替代當(dāng)前時(shí)間段的平均速度，即va,j＝va,j-1。

其次，將各個(gè)路段的平均速度投影到路網(wǎng)中，如圖2b所示，灰度不同代表速度不同。所述投影，即是建立路網(wǎng)中各個(gè)路段與該路段的平均速度的對(duì)應(yīng)關(guān)系。當(dāng)對(duì)應(yīng)關(guān)系確定后，路網(wǎng)中各個(gè)位置不同路段的平均速度也就確定了。

最后，對(duì)路網(wǎng)進(jìn)行網(wǎng)格化處理，將路網(wǎng)劃分為網(wǎng)格，劃分好網(wǎng)格后對(duì)每個(gè)網(wǎng)格進(jìn)行取值，每個(gè)網(wǎng)格的取值取決于路段的速度值。具體而言，空白區(qū)域，即沒有路段的網(wǎng)格區(qū)域，其取值為零；以路網(wǎng)的一小片區(qū)域(如圖3a所示)為例，假設(shè)兩條路段的速度分別為20km/h、30km/h，如圖3b所示。所有路段穿過的網(wǎng)格的值為該路段的速度值；當(dāng)某一網(wǎng)格有多條路段通過的時(shí)候，網(wǎng)格的值為這些路段的速度均值(如圖3c所示)；然后對(duì)所有網(wǎng)格做歸一化處理，得到的結(jié)果如圖3c所示，因此每個(gè)時(shí)間段的路網(wǎng)狀態(tài)可以用一張圖片來表達(dá)，記為pj，待預(yù)測(cè)的路網(wǎng)狀態(tài)可用一個(gè)狀態(tài)向量來表示，vj+m，vj+m＝[v1,j+m,v2,j+m,…,vk,j+m]，其中m代表未來第m個(gè)時(shí)間段?！?/p>

本發(fā)明具體實(shí)施方式為考慮前15個(gè)時(shí)間段的路網(wǎng)狀態(tài)預(yù)測(cè)未來第m時(shí)間段的路網(wǎng)狀態(tài)，因此本發(fā)明的單個(gè)樣本形如[(pj-14,pj-13,…,pj),(vj+m)]，整個(gè)樣本集為所有時(shí)間段樣本的集合，然后將樣本集按照一定的比例劃分訓(xùn)練集和測(cè)試集。

步驟二，路網(wǎng)狀態(tài)預(yù)測(cè)模型建模。該部分包括兩個(gè)部分，一個(gè)是卷積神經(jīng)網(wǎng)絡(luò)提取路網(wǎng)空間特征，另一個(gè)是遞歸神經(jīng)網(wǎng)絡(luò)提取路網(wǎng)演變的時(shí)序規(guī)律。

卷積神經(jīng)網(wǎng)絡(luò)建模，首先，確定輸入輸出變量。輸入變量是某一路網(wǎng)狀態(tài)pj，其實(shí)質(zhì)為一張圖片，其大小取決于路網(wǎng)的大小，輸出變量為該圖片的特征表達(dá)向量，用x^(j)表示，維度大小與vj相同。其次，構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)模型，設(shè)置卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，輸出層神經(jīng)元個(gè)數(shù)與該路網(wǎng)的路段數(shù)目相同。通過“輸入層-卷積層-池化層-輸出層”結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)提取路網(wǎng)中各個(gè)路段之間的聯(lián)系，所述深度卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖4所示。如圖5所示，使用上述深度卷積神經(jīng)網(wǎng)絡(luò)主要表現(xiàn)為淺層網(wǎng)絡(luò)可以提取距離較近的路段之間的空間信息。這樣能夠充分考慮不同路段之間的空間影響特性，從而有利于對(duì)于交通情況的預(yù)測(cè)。如圖5的a中區(qū)域1內(nèi)的不同路段可視為距離較近的路段，而深層網(wǎng)絡(luò)可以挖掘距離較遠(yuǎn)路段的空間信息，如圖5的a中區(qū)域1內(nèi)的路段相對(duì)于區(qū)域2內(nèi)的路段視為距離較遠(yuǎn)的路段。

在完成卷積神經(jīng)網(wǎng)絡(luò)特征提取基礎(chǔ)上，建立遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，所述的遞歸神經(jīng)網(wǎng)絡(luò)包括輸入層、隱藏層以及輸出層。本發(fā)明為了充分考慮路網(wǎng)狀態(tài)演變的時(shí)序特性，采用lstm(longshort-termmemory,長(zhǎng)短時(shí)記憶)單元作為隱藏層單元，如圖6所示，所述的神經(jīng)網(wǎng)絡(luò)包含兩層遞歸神經(jīng)網(wǎng)絡(luò)，基于前15個(gè)時(shí)間段的特征預(yù)測(cè)未來某一個(gè)時(shí)間段的路網(wǎng)狀態(tài)，將卷積神經(jīng)網(wǎng)絡(luò)的輸出作為遞歸神經(jīng)網(wǎng)絡(luò)的輸入，用于學(xué)習(xí)輸入特征序列之間的時(shí)序變化模式，在將其輸入到輸出層做預(yù)測(cè)。具體表示如下：

其中，表示第一層遞歸神經(jīng)網(wǎng)絡(luò)在t和t-1時(shí)刻的狀態(tài)(lstm的輸出)，表示第二層遞歸神經(jīng)網(wǎng)絡(luò)在t和t-1時(shí)刻的狀態(tài)。y表示輸出數(shù)據(jù)，by均為模型參數(shù)，σ(·)表示sigmoid激活函數(shù)；其表達(dá)式為：得到輸出層后建立損失函數(shù)，損失函數(shù)是用來衡量輸出層的輸出值與真實(shí)值的差異，利用bptt算法最小化損失函數(shù)獲得最優(yōu)的模型參數(shù)。

步驟三，未來某一時(shí)間段路網(wǎng)狀態(tài)預(yù)測(cè)。將測(cè)試數(shù)據(jù)的輸入變量輸入到步驟二中已訓(xùn)練好的模型中，獲得輸出向量，那么該向量就是所預(yù)測(cè)的下一個(gè)時(shí)間段的路網(wǎng)狀態(tài)。

在本具體實(shí)施方式中，卷積神經(jīng)網(wǎng)絡(luò)在提取局部特征有著巨大的優(yōu)越性，而在路網(wǎng)中，距離較近的路段之間往往有著較強(qiáng)的聯(lián)系，遞歸神經(jīng)網(wǎng)絡(luò)在時(shí)序預(yù)測(cè)已經(jīng)取得巨大的成功，路網(wǎng)的演化過程具有很強(qiáng)的時(shí)序性特點(diǎn)，前幾個(gè)時(shí)間段的路網(wǎng)狀態(tài)特征對(duì)后幾個(gè)時(shí)間段的路網(wǎng)狀態(tài)有著重要影響。因此綜合卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，可以挖掘路網(wǎng)狀態(tài)的時(shí)空特征。

實(shí)施例一

本實(shí)施例，所使用的數(shù)據(jù)由某公司提供的北京市某一路網(wǎng)，數(shù)據(jù)包括9個(gè)字段，如表1所示，路段數(shù)據(jù)是每2分鐘更新一次，其中與本發(fā)明有直接關(guān)系數(shù)據(jù)字段包括時(shí)間，路段編號(hào)，速度三個(gè)字段，時(shí)間跨度3個(gè)月，路段數(shù)目為278個(gè)。

本發(fā)明的實(shí)現(xiàn)路線包括以下幾步：

步驟一：建立樣本集，并劃分訓(xùn)練集和測(cè)試集，選取某一路網(wǎng)如圖1a所示，將路網(wǎng)劃分為各個(gè)小路段，共包含278個(gè)路段，并對(duì)各個(gè)路段進(jìn)行編號(hào)，記為(1,2,3,…,278)，將一天24小時(shí)分成各個(gè)時(shí)間長(zhǎng)度一樣的時(shí)間段(每2分鐘作為一個(gè)時(shí)間段)。

首先，計(jì)算各個(gè)路段在每個(gè)時(shí)間段的平均速度。平均速度的計(jì)算方法是：在某一時(shí)間段內(nèi)，在某一路段通過的所有車輛平均速度的均值，如式(1)所示，其中n代表在該時(shí)間段在該路段通過的車輛數(shù)目，a代表路網(wǎng)中的第a個(gè)路段，a∈(1,2,···,278)，j是時(shí)間段編號(hào)，s代表該路段的長(zhǎng)度，δt代表時(shí)間段的長(zhǎng)度，代表車輛i在δt的平均速度。

若某一路段在δt內(nèi)沒有車輛通過，在用上一個(gè)時(shí)間段的平均速度替代當(dāng)前時(shí)間段的平均速度，即va,j＝va,j-1。

其次，將各個(gè)路段的平均速度投影到路網(wǎng)中，如圖2b所示，灰度不同代表速度不同。

最后，對(duì)路網(wǎng)進(jìn)行網(wǎng)格化處理，將路網(wǎng)劃分為網(wǎng)格，每個(gè)網(wǎng)格的取值取決于路段的速度值，空白區(qū)域取值為零，以路網(wǎng)的一小片區(qū)域(如圖3a所示)為例，假設(shè)兩條路段的速度分別為20km/h、30km/h，所有路段穿過的網(wǎng)格的值為該路段的速度值，當(dāng)某一網(wǎng)格有多條路段通過的時(shí)候，網(wǎng)格的值為這些路段的速度均值(如圖3c所示)，然后對(duì)所有網(wǎng)格做歸一化處理，得到的結(jié)果如圖1c所示，因此每個(gè)時(shí)間段的路網(wǎng)狀態(tài)可以用一張圖片來表達(dá)，記為pj，待預(yù)測(cè)的路網(wǎng)狀態(tài)可用一個(gè)狀態(tài)向量來表示，記為vj+m，vj+m＝[v1,j+m,v2,j+m,…,v278,j+m]，在本案例中，m＝{1,20}。

本實(shí)施例中考慮前15個(gè)時(shí)間段的路網(wǎng)狀態(tài)預(yù)測(cè)未來m時(shí)間段的路網(wǎng)狀態(tài)，因此本發(fā)明的單個(gè)樣本形如[(pj-14,pj-13,…,pj),(vj+m)]，整個(gè)樣本集為所有時(shí)間段樣本的集合，然后將樣本集按照2:1的比例劃分訓(xùn)練集和測(cè)試集，由于本發(fā)明采用的數(shù)據(jù)集每?jī)煞昼姼乱淮危?個(gè)月共有66240個(gè)樣本，其中訓(xùn)練樣集大小為43920個(gè)，測(cè)試集大小為22320個(gè)。

步驟二，路網(wǎng)狀態(tài)預(yù)測(cè)模型建模。該部分包括兩個(gè)部分，一個(gè)是卷積神經(jīng)網(wǎng)絡(luò)提取路網(wǎng)空間特征，另一個(gè)是遞歸神經(jīng)網(wǎng)絡(luò)提取路網(wǎng)演變的時(shí)序規(guī)律。

卷積神經(jīng)網(wǎng)絡(luò)建模，首先，確定輸入輸出變量。輸入變量是某一路網(wǎng)狀態(tài)pj，其實(shí)質(zhì)為一張圖片，其大小取決于路網(wǎng)的大小，輸出變量為該圖片的特征表達(dá)向量，用x^(j)表示，維度大小與vj相同。其次，構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)模型，設(shè)置卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，卷積層采用relu激活函數(shù)，具體結(jié)構(gòu)如表2所示。通過“輸入層-卷積層-池化層-輸出層”結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)提取路網(wǎng)中各個(gè)路段之間的聯(lián)系，如圖5所示，主要表現(xiàn)為淺層網(wǎng)絡(luò)可以提取距離較近的路段之間的空間信息(如圖5a中兩個(gè)藍(lán)色路段可視為距離較近的路段)，而深層網(wǎng)絡(luò)可以挖掘距離較遠(yuǎn)路段的空間信息(如圖5a中藍(lán)色與紅色路段可視為距離較近的路段)。

在完成卷積神經(jīng)網(wǎng)絡(luò)特征提取基礎(chǔ)上，建立遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，所述的遞歸神經(jīng)網(wǎng)絡(luò)包括輸入層、隱藏層以及輸出層。本發(fā)明為了充分考慮路網(wǎng)狀態(tài)演變的時(shí)序特性，采用lstm(longshort-termmemory,長(zhǎng)短時(shí)記憶)單元作為隱藏層單元，如圖6所示，所述的神經(jīng)網(wǎng)絡(luò)包含兩層遞歸神經(jīng)網(wǎng)絡(luò)，具體結(jié)構(gòu)如表2所示，基于前15個(gè)時(shí)間段的特征預(yù)測(cè)未來某一個(gè)時(shí)間段的路網(wǎng)狀態(tài)，將卷積神經(jīng)網(wǎng)絡(luò)的輸出作為遞歸神經(jīng)網(wǎng)絡(luò)的輸入，用于學(xué)習(xí)輸入特征序列之間的時(shí)序變化模式，在將其輸入到輸出層做預(yù)測(cè)。具體表示如下：

其中，表示第一層遞歸神經(jīng)網(wǎng)絡(luò)在t和t-1時(shí)刻的狀態(tài)(lstm的輸出)，表示第二層遞歸神經(jīng)網(wǎng)絡(luò)在t和t-1時(shí)刻的狀態(tài)。y表示輸出數(shù)據(jù)，by均為模型參數(shù)，σ(·)表示sigmoid激活函數(shù)；其表達(dá)式為：模型的損失函數(shù)為均方差函數(shù)，利用bptt算法最小化損失函數(shù)獲得最優(yōu)的模型參數(shù)，在訓(xùn)練過程中引入dropout層，用于防止過擬合，有利網(wǎng)絡(luò)更好地收斂。

表2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)表

步驟三，未來某一時(shí)間段路網(wǎng)狀態(tài)預(yù)測(cè)。將測(cè)試數(shù)據(jù)的輸入變量輸入到步驟二中已訓(xùn)練好的模型中，獲得輸出向量，那么該向量就是所預(yù)測(cè)的下一個(gè)時(shí)間段的路網(wǎng)狀態(tài)。

本案例的實(shí)現(xiàn)采用python編程實(shí)現(xiàn)，本發(fā)明將與其他深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(卷積神經(jīng)網(wǎng)絡(luò)，遞歸神經(jīng)網(wǎng)絡(luò))作對(duì)比，其結(jié)構(gòu)如表2所示，其中卷積神經(jīng)網(wǎng)絡(luò)僅考慮路網(wǎng)中各路段之間的空間關(guān)系，遞歸神經(jīng)網(wǎng)絡(luò)僅考慮路網(wǎng)演變的時(shí)序規(guī)律，根據(jù)該對(duì)比來體現(xiàn)本發(fā)明的優(yōu)勢(shì)所在，采用的評(píng)價(jià)指標(biāo)有mape和rmse，表達(dá)式如下，其中，n為所有時(shí)段數(shù)目，n＝22305，np＝278×n＝6200790。

本案例根據(jù)m取值的不同，分為兩種測(cè)試，第一種m＝1，即預(yù)測(cè)未來兩分鐘的路網(wǎng)狀態(tài)(短時(shí)預(yù)測(cè))；第二種m＝20，預(yù)測(cè)未來40分鐘的路網(wǎng)狀態(tài)(長(zhǎng)時(shí)預(yù)測(cè))，測(cè)試結(jié)果如表3所示：

表3案例結(jié)果對(duì)比

從表3可知，本發(fā)明所搭建的模型在短時(shí)預(yù)測(cè)和長(zhǎng)時(shí)預(yù)測(cè)均獲得最小的誤差，說明在充分考慮路網(wǎng)時(shí)空信息的條件下可以獲得更精確的預(yù)測(cè)。因此從預(yù)測(cè)精度來看，本發(fā)明提供了一種更為準(zhǔn)確且可靠的模型。

以上僅僅是本專利優(yōu)選的具體實(shí)施方式而已，凡是在本專利發(fā)明構(gòu)思下對(duì)本專利的特征進(jìn)行的修改、刪除和替換，由于其不脫離本發(fā)明的發(fā)明構(gòu)思，因此均應(yīng)當(dāng)被納入到本專利的保護(hù)范圍之內(nèi)。