[发明专利]一种基于状态频率记忆神经网络的短时交通流预测方法

权利要求书

1.一种基于状态频率记忆神经网络的短时交通流预测方法，其特征在于，包括以下步骤：

步骤1：按照预测的指定时间间隔对历史交通流数据进行汇总，将一段时间内的多个历史交通流数据按照一定时间间隔进行累加，得到汇总后的历史交通流数据；

步骤2：对汇总后的历史交通流数据进行归一化预处理；

步骤3：设定状态-频率记忆神经网络预测模型的参数；

步骤4：根据预处理之后的历史交通流数据，训练设定参数后的状态-频率记忆神经网络预测模型，构建状态频率记忆神经网络交通流预测模型；

步骤5：根据状态频率记忆神经网络交通流预测模型预测指定时间间隔的交通流，并评估预测误差；

步骤4中所述训练设定参数后的状态-频率记忆神经网络预测模型为：

将归一化预处理的历史交通流数据划分为训练集数据Q_tra、验证集数据Q_val以及测试集数据Q_test；

利用训练集数据，根据步骤3设定参数后的状态-频率记忆神经网络的模型上进行训练；

模型隐藏层χ的前向传播过程为：

输入的历史交通流数据序列为：

Q_tra,l＝(Q_tra,l,1,Q_tra,l,2,…,Q_tra,l,t,…,Q_tra,l,p)

其中，Q_tra,l,t为l批次中t时刻输入的序列数据，l∈(1,2,…,s)，t∈(1,2,…,p)，s为批次的数量，p表示时刻的数量，计算方法为：

其中，len(Q_tra)表示验证数据集的数量；

则模型遗忘门的计算公式为：

其中，为l批次中t时刻状态遗忘门，为l批次中t时刻频率遗忘门；

l批次中t时刻状态遗忘门计算公式为：

l批次中t时刻频率遗忘门计算公式为：

其中，W_l,ste为l批次中状态遗忘门的权值，Q_tra,l,t为l批次中t时刻输入的序列数据，U_l,ste为l批次中状态遗忘门中隐藏层上一个时刻到当前时刻的权值，h_l,t-1为l批次中t-1时刻隐藏层的输出，b_l,ste为l批次中状态遗忘门的偏置项，W_l,fre为l批次中频率遗忘门的权值，U_l,fre为l批次中频率遗忘门中上一时刻隐藏层输出值传递到当前时刻的权值，b_l,fre为l批次中频率遗忘门中的偏置项；

其中，sigmoid激活函数计算方法为：

模型输入门的计算公式为：

I_l,t＝sigmoid(W_l,IQ_tra,l,t+U_l,Ih_l,t-1+b_l,I)

其中，I_l,t为l批次中t时刻输入门的输出值，W_l,I为l批次中输入门的权值，U_l,I为l批次中输入门中上一时刻隐藏层输出值传递到当前时刻的权值，h_l,t-1为l批次中t-1时刻隐藏层的输出，b_l,I为l批次中隐藏层的偏置项；

描述当前输入的单元状态：

c_l,t＝tanh(A_l,tu_l,a+b_l,a)

其中：c_l,t为l批次中t时刻输入的单元状态，u_l,a为l批次中逆变换向量，b_l,a为l批次中状态幅度上的偏置项，W_l,c为l批次中输出门单元状态的权值，U_l,c为l批次中输出门中上一时刻隐藏层输出值传递到当前时刻的权值，h_l,t-1为l批次中t-1时刻隐藏层的输出，b_l,c为l批次中输出门的偏置项；

其中，tanh激活函数计算方法为：

其中，A_l,t为l批次中t时刻频率状态矩阵的幅度，RES_l,t为l批次中t时刻状态频率矩阵S_l,t的实部，IMS_l,t为l批次中t时刻状态频率矩阵S_l,t的虚部，IMS_l,t-1为l批次中t-1时刻频率状态矩阵S_l,t-1的虚部，I_l,t为l批次中t时刻输入门的输出值，RES_l,t-1为l批次中t-1时刻频率状态矩阵S_l,t-1的实部，K为频率维；

模型输出门的计算公式为：

其中o_l,t＝sigmoid(W_l,oQ_tra,l,t+U_l,oh_l,t-1+b_l,o)，

其中，h_l,t为l批次中t时刻隐藏层的输出值，o_l,t为l批次中t时刻的输出门的输出值，c_l,t为l批次中t时刻的单元状态，W_l,o为l批次中输出门的权重，U_l,o为l批次中输出门中隐藏层上一个时刻到当前时刻的权重，h_l,t-1为l批次中t-1时刻隐藏层的输出，b_l,o为l批次中输出门的偏置项；

其中，S_l,t为l批次中t时刻的状态频率矩阵，F_l,t为l批次中t时刻遗忘门的输出值，S_l,t-1为l批次中t-1时刻的状态频率矩阵，I_l,t为l批次中t时刻输入门的输出值，为l批次中t时刻的输入调制、输入的单元状态，[e^jw₁^t,w^jw₂^t,…,w^jw_k^t]为状态序列上的K个频率分量的傅立叶基；

模型隐藏层反向传播使用沿时间反向传播算法进行训练，其训练公式为：

其中：δ^T_l,t-1为l批次中t-1时刻的误差项、为l批次中t时刻的误差项、h_l,t为l批次中t时刻隐藏层的输出、h_l,t-1为l批次中t-1时刻隐藏层的输出、W_l,h,t为l批次中t时刻从输入层到隐藏层的权值、Q_tra,l,t-1为l批次中t-1时刻输入的序列数据、MSE_l为l批次中各个时刻损失值之和，计算方法如下：

其中，MSE_l为l批次中各时刻的损失值之和，λ为当前时刻，B_l,t为l批次中模型在t时刻输出的数据，Q_tra,l,t为l批次中t时刻输入的序列数据；

步骤4中所述构建状态频率记忆神经网络交通流预测模型为：

将验证集数据Q_val输入各批次状态频率记忆神经网络模型mod_l

l∈[1,s]，并计算各批次状态频率记忆神经网络模型在验证集数据上的误差为：

MSE_val,l＝|N_l-Q_val|l∈[1,s]

其中，N_l为l批次状态频率记忆神经网络模型mod_l预测输出数据，Q_val为验证集数据；

选择各批次状态频率记忆神经网络模型在验证集数据上的误差最小的批次的状态频率记忆神经网络模型，作为状态频率记忆神经网络交通流预测模型：

即在MSE_val,1,MSE_val,2,...,MSE_val,s中选择最小为MSE_val,z z∈[1,s]，将z批次状态频率记忆神经网络模型mod_z作为状态频率记忆神经网络交通流预测模型；

步骤5中所述根据状态频率记忆神经网络交通流预测模型预测指定时间间隔的交通流：

将步骤4中所述测试集数据Q_test作为输入数据输入状态频率记忆神经网络交通流预测模型，进行前向计算，得到相应的输出数据A，此数据即为模型对下一指定时间间隔交通流数据的归一化预测值；

将得到的相应的输出数据A进行逆归一化处理，得到对下一指定时间间隔的交通流数据预测值，其中，下一指定时间间隔交通流数据预测值为；

其中，A'为逆归一化之后的数据即下一指定时间间隔交通流数据预测值，Q_min为汇总后的历史交通流数据Q中的最小值，Q_max为汇总后的历史交通流数据Q中的最大值，Q为汇总后的历史交通流数据，A为已训练的交通流预测模型对下一指定时间间隔交通流数据的归一化预测值。