[发明专利]交通信息的处理方法及装置

权利要求书

1.一种交通信息的处理方法，其特征在于，包括：

获取历史交通流数据和影响最终目标变量的各个因素变量，所述最终目标变量从所述历史交通流数据中获取；

在神经网络的输入层输入所述各个因素变量值并得到所述各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值；

在所述神经网络的隐含层得到所述至少一个隐含层变量中各个隐含层变量在输出层对应的最终目标变量中所占的权重值，所述隐含层变量的值根据在所述输入层所有因素变量中与所述隐含层变量对应的至少一个因素变量的值和所述至少一个因素变量中各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值获取；

在所述神经网络的输出层输入最终目标变量的值并得到所述最终目标变量对应的权重值，所述最终目标变量的值根据在所述隐含层所有隐含层变量中与所述最终目标变量对应的至少一个隐含层变量的值和所述至少一个隐含层变量中各个隐含层变量所占的权重值获取。

2.根据权利要求1所述的交通信息的处理方法，其特征在于，所述在神经网络的输入层输入所述各个因素变量值并得到所述各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值包括：

随机预设各个因素在隐含层对应的至少一个隐含层变量中所占的权重值，并获取所述各个因素变量值与所述各个因素变量的预设权重值相乘后所有乘积的总和；

将所述所有乘积的总和与节点偏差常数的和作为预设输出值并将所述预设输出值和所述最终目标变量的值的差值作为目标误差值，所述节点偏差常数为大于等于0且小于等于1的任意常数；

将所述各个因素变量值与所述目标误差值和学习率分别相乘后，获取所述相乘后的乘积作为所述各个因素变量的权重调整值，所述学习率为大于等于负1且小于等于正1的任意常数。

3.根据权利要求1所述的交通信息的处理方法，其特征在于，所述隐含层变量的值根据在所述输入层所有因素变量中与所述隐含层变量对应的至少一个因素变量的值和所述至少一个因素变量中各个因素变量所占的权重值获取包括：

获取与所述隐含层变量对应的至少一个因素变量；

将所述至少一个因素变量中每个因素变量的值与所述每个因素变量所占的权重值相乘后，获取每个因素变量进行所述相乘后的乘积；

将所述每个因素变量对应的乘积相加作为所述隐含层变量的值。

4.根据权利要求1所述的交通信息的处理方法，其特征在于，所述最终目标变量的值根据在所述隐含层所有隐含层变量中与所述最终目标变量对应的至少一个隐含层变量的值和所述至少一个隐含层变量中各个隐含层变量所占的权重值获取包括：

获取与所述最终目标变量对应的至少一个隐含层变量；

将所述至少一个隐含层变量中每个隐含层变量的值与所述每个隐含层变量所占的权重值相乘后，获取每个隐含层变量进行所述相乘后的乘积；

将所述每个隐含层变量对应的乘积相加作为所述最终目标变量的值。

5.一种交通信息的处理装置，其特征在于，包括：

获取单元，用于获取历史交通流数据和影响最终目标变量的各个因素变量；

第一处理单元，用于在神经网络的输入层输入所述各个因素变量值并得到所述各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值；

第二处理单元，用于在所述神经网络的隐含层得到所述至少一个隐含层变量中各个隐含层变量在输出层对应的最终目标变量中所占的权重值，所述隐含层变量的值根据在所述输入层所有因素变量中与所述隐含层变量对应的至少一个因素变量的值和所述至少一个因素变量中各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值获取；

第三处理单元，用于在所述神经网络的输出层输入最终目标变量的值并得到所述最终目标变量对应的权重值，所述最终目标变量的值根据在所述隐含层所有隐含层变量中与所述最终目标变量对应的至少一个隐含层变量的值和所述至少一个隐含层变量中各个隐含层变量所占的权重值获取。