[发明专利]一种基于傅里叶-递归神经网络的交通流预测方法

权利要求书

1.一种基于傅里叶递归神经网络的交通流预测方法，其特征在于，包括以下步骤：

(1)对历史交通流数据进行预处理，包括：

(11)当历史交通流数据的采样间隔小于预测所需间隔，对数据进行累加，得到历史交通流数据的序列，若历史交通流数据的采样间隔不小于所需间隔，直接进行步骤(12)；

(12)对历史交通流数据进行min-max归一化预处理；

(2)设置窗口滑动距离S、窗口大小T、设置窗口函数G，将交通流历史数据分段；

(3)对每段历史交通流数据进行短时傅里叶变换，从时间域转变换到频率域；

(4)搭建傅里叶-递归神经网络模型，将交通流历史数据样本输入模型进行训练；

(5)判断训练次数是否达到最大训练次数，若达到，则结束训练；

(6)根据训练得到的傅里叶-递归神经网络模型，输入历史交通流数据，计交通流预测结果。

2.根据权利要求1所述的基于傅里叶-递归神经网络的交通流预测方法，其特征在于，所述步骤(3)采用以下公式计算，

式中，为复数信号，τ＝[0，n_s]，τ为分段序列在傅里叶变换后所得结果的索引；为傅里叶变换；x_t为输入序列，输入序列x_t被分为n_s段。

3.根据权利要求1所述的基于傅里叶-递归神经网络的交通流预测方法，其特征在于，所述步骤(4)中包括以下步骤：

(41)设置递归神经网络预测模型中网络隐藏态n_h的大小，傅里叶变换后的频率数n_f；

(42)对网络中的权重进行初始化，将迭代次数α初始化为1，训练样本号n初始化为1；

(43)计算网络的前向传播输出，并计算得隐状态h_τ

z_τ＝W_ch_τ-1+V_cX_τ+b_c

h_τ＝f_a(z_τ)

式中，是复数权重矩阵，f_a是非线性激活函数；

对得到的隐状态h_τ进行短时傅里叶逆变换，然后进行反归一化处理，得到单个样本的训练输出结果y_τ，

式中，W_pc为复数权重矩阵，h₀为初始隐状态。

4.根据权利要求1所述的基于傅里叶-递归神经网络的交通流预测方法，其特征在于，在步骤(1)中所述窗口函数为高斯函数。

5.根据权利要求1所述的基于傅里叶-递归神经网络的交通流预测方法，其特征在于，所述步骤(5)包括以下步骤：

(51)将n加1，若n大于训练样本总数N，进入步骤(52)，否则返回步骤(4)；

(52)将α加1，若α大于指定的迭代次数A，终止训练；否则将n重置为1，并返回步骤(4)。

6.根据权利要求1所述的基于傅里叶-递归神经网络的交通流预测方法，其特征在于，所述步骤(4)和(5)之间包括以下步骤：

(7)计算网络误差E，E＝Y_τ-y_τ，所述Y_τ为样本n的输出，y_τ为神经网络输出结果，计算神经网络中个节点的残差；

(8)根据误差和残差计算误差梯度，根据该梯度，更新网络中的权重值。