[发明专利]交通信息的处理方法及装置

说明书

技术领域

本发明涉及智能交通系统领域，特别涉及一种交通信息的处理方法及装置。

背景技术

反向传播BP(Back Propagation)神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法等方法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output layer)。

虽然通过现有技术可以获取各路段的交通流数据，但无法获取影响交通流所有可能的变量因素，从而导致获取的交通流信息不够全面准确。

发明内容

本发明实施例提供的一种交通信息的处理方法及装置，解决了现有技术由于无法获取影响交通流数据的各个因素变量或者不同因素变量组合所占的权重，从而造成的不能提供交通流信息的变化是由哪种因素变量影响以及影响度的问题。本发明实施例采用的技术方案为：

一种交通信息的处理方法，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，所述最终目标变量根据实际业务需求确定；

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至少一个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。

一种交通信息的处理装置，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至少一个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。

本发明实施例提供的交通信息的处理方法及装置，首先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，然后在神经网络的输入层输入所述各个因素变量值并通过神经网络BP方法得到各个因素变量在下一层级目标变量中所占的权重值，并以此权值和各个因素变量值加权组合得到至少一个隐含层变量值，并把至少一个隐含层变量作为隐含层的输入变量，然后通过BP方法得到至少一个隐含层变量在输出层目标变量中所占的权重值，最终得到最终目标变量所占的权重值。本发明实施例通过分别计算神经网络各个层的输出来获取影响交通流数据的各个因素或者各个因素不同组合所占的权重值，从而使得交通流数据信息的内容更加全面，并提高了交通流数据信息的精确度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例一提供的交通信息的处理方法流程图；

图2为本发明实施例一提供的交通信息的处理装置结构示意图；

图3为本发明实施例二提供的交通信息的处理方法流程图；

图4为本发明实施例二提供的交通信息的处理装置结构示意图；

图5为本发明实施例二提供的权重值完整计算示意图；