[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

说明书

本发明公开了一种基于状态频率记忆神经网络的短时交通流预测方法。该方法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；对汇总后的历史交通流数据进行归一化预处理；设定状态‑频率记忆神经网络预测模型的参数；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，构建已训练的交通流预测模型；根据已训练的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。本发明利用状态‑频率记忆神经网络模型预测短时交通流能够获得较高的预测精度，同时，也能够对不同时间间隔的交通流量进行预测。

技术领域

本发明属于智能交通系统领域，具体涉及一种基于状态频率记忆神经网络的短时交通流预测方法。

背景技术

智能交通控制与诱导系统一直是智能交通系统的核心内容之一，同时也是近年来研究的热点。智能控制与诱导系统的有效运行能够明显的缓解交通堵塞问题、减轻环境污染，同时提高道路交通安全。实现智能控制与诱导系统有效运行的关键在于对短时交通流进行准确的预测，且对短时交通流预测准确与否在很大程度上决定了控制和诱导的有效性。

交通流预测主要是依据当前道路交通流量的变化规律以及特性进行准确和实时的预测，能够合理的推断出未来短时间内的交通状况。目前，研究人员已提出许多预测短时交通流的方法如指数平滑法、BP神经网络等，然而这些方法预测的效果并不尽如人意，存在各自的缺陷，如指数平滑法对时间的间隔敏感性较强，预测误差较大；BP神经网络在预测时容易出现过拟合的现象，并存在收敛速度较慢等问题。同时，交通流数据是一种时间序列数据，具有非线性和随机性的特点，上述方法预测交通流数据并不能够符合其特点，存在较大的预测误差。

因此，有必要设计一种新的短时交通流预测模型，以克服上述问题。

发明内容

本发明的目的是在于克服现有技术的缺陷，提出了一种基于状态频率记忆神经网络的短时交通流预测方法，以实现提高短时交通流预测精度。

为了实现上述目的，本发明提供了一种基于状态频率记忆神经网络的短时交通流预测方法，具体采用如下技术方案。

一种基于状态频率记忆神经网络的短时交通流预测方法，该方法包括以下步骤：

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。

作为优选，步骤1中所述历史交通流数据为特定观测点观测到的一段时间内经过的交通流量g_i,j；

步骤1中所述汇总后的历史交通流数据Q为：

Q＝[Q₁,Q₂,…,Q_n]

其中，i为时间间隔的序号，j为时间间隔内时间的序号，n为时间间隔的数量，m为时间间隔内时间的数量，Q_i为汇总后的第i段时间间隔内的交通流量，g_i,j为第i段时间间隔的第j-1至j段时间内的交通流量，Q为多段时间间隔的交通流量汇总后组成的时间序列，即汇总后的历史交通流数据；

作为优选，步骤2中所述对汇总后的历史交通流数据进行归一化预处理，具体的方法为：