[发明专利]一种基于交通状态时序性的道路交通状态预测系统

权利要求书

1.一种基于交通状态时序性的道路交通状态预测系统，其特征在于，该系统包括

数据采集模块，通过与路口信号机交互，读取信号机通信协议，得到路段交通状态历史数据信息；

数据处理模块，首先将采集后的数据分为工作日和非工作日两类，再对数据进行平稳性分析，如果数据时序不平稳，则通过缺失值处理，以及异常点和离群点判别来清洗数据；如果数据时序平稳，则对数据可视化描述并进行归一化处理；

预测模块，将数据处理模块输出的数据分为工作日和非工作日数据，工作日和非工作日数据的90％作为训练数据，分别存入矩阵TrainDi[]和TrainUDi[]中，将工作日和非工作日数据剩下的10％作为测试数据，分别存入矩阵TestDi[]和TestUDi[]中，并将以上四个矩阵分成若干MINI-Batch矩阵；将训练数据输入到LSTM-EF预测模型中进行训练，确定模型各节点权重参数W矩阵，然后用测试数据进行模型测试，最终得到预测结果；

网络通信模块，用于系统各模块之间的信号传输与通信交互。

2.如权利要求2所述的基于交通状态时序性的道路交通状态预测系统，其特征在于，

所述LSTM-EF预测模型的预测方法为：

(1)建立遗忘门输出矩阵FG_t，通过Sigmoid函数控制上一时刻的神经元状态S_t-1保留到这一个时刻的神经元状态S_t中的数量：

FG_t＝Sigmoid(W_f*[y_t-1,x_t]+B_f)

其中，W_f是遗忘门权重矩阵，B_f是遗忘门偏置矩阵，y_t-1是前一时刻的输出，x_t是当前时刻的输入；Sigmoid函数取值范围为[0,1]，当Sigmoid(x)无限接近于0时，遗忘所有信息；当Sigmoid(x)无限接近于1时，不遗忘信息；当0<Sigmoid(x)<1，遗忘部分信息；

(2)建立输入门矩阵IG_t，上一时刻的状态矩阵通过与遗忘门输出矩阵FG_t相乘，确定需要忘记的上一时刻的信息，同时加上此时需要记忆的信息得到当前神经元的状态S_t：

IG_t＝Sigmoid(W_i*[y_t-1,x_t]+B_i)

其中，W_i是输入门权重矩阵，B_i是输入门偏置矩阵，y_t-1是前一时刻的输出，x_t是当前时刻的输入，是表示当前输入的状态，W_s、B_s分别表示当前状态的权重矩阵和偏置矩阵；

(3)建立输出门矩阵OG_t，得到输出值y_t：

OG_t＝Sigmoid(W_o*[y_t-1,x_t]+B_o)

y_t＝OG_t*Tanh(S_t)

W_o是输入门权重矩阵，B_o是输入门偏置矩阵，y_t-1是前一时刻的输出，x_t是当前时刻的输入，Tanh()函数的取值范围是[-1，1]；

(4)当输出值y_t出现无限接近于0时，引入过遗忘补偿门，避免出现过遗忘状态：

ξ＝0.01

(5)通过梯度下降的方式，向后传播梯度值，经过若干次迭代后，收敛取得W_f、B_f、W_i、B_i、W_s、B_s、W_o、B_o等相对最优参数矩阵。

3.如权利要求2所述的基于交通状态时序性的道路交通状态预测系统，其特征在于，

通过均方误差分析预测模型误差和评价模型预测精度，同时返回修改模型训练参数、迭代次数，再次优化预测模型

其中，N:一个测试样本中采样点个数；yi:一个测试样本中采样点实际数值；prediction:模型预测值。