[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

说明书

本发明公开了一种基于傅里叶递归神经网络的交通流预测方法，包括以下步骤：(1)对交通流数据进行预处理；(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)对每段交通流历史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；(6)根据训练得到的傅里叶‑递归神经网络模型，计算交通流预测结果。本发明对于具有周期性规律的交通流数据的长时间预测更加准确，当序列较长、数据量较大时仍有较好的表现。

技术领域

本发明涉及一种基于傅里叶-递归神经网络的交通流预测方法。

背景技术

交通流系统是一个不断变化的复杂整体，其内在相关性和周期性表明了交通流中是有着某种可以被度量的规律的，交通流的各组成部分是相互联系的，而其繁杂的时空特性和不确定性又揭示了交通流的随机性和复杂性，要从如此复杂的交通流信息中找出这种规律，找出各种参数之间的内在联系，是一项具有挑战的任务。准确的交通预测信息可以为交通管理者提供有力的交通决策依据，同时也可以让驾驶员选择更为畅通的道路出行，进而避免或缓解交通拥堵的状况。在交通流预测方面，目前主要有基于线性统计理论的预测模型和基于智能理论的预测模型等。在交通流中，前一时刻的交通流会对下一时刻的交通流产生影响，即现在和未来交通状态受历史交通状态影响，并且交通流时间序列变化趋势与历史时间序列趋势呈正相关。所以深度学习中的递归神经网络模型非常适合交通流预测任务。由于基础递归神经网络(RNN)每次只处理一个时间步长，导致RNN在解决长期预测问题表现不佳。

发明内容

发明目的：本发明旨在提供一种基于傅里叶-递归神经网络的交通流预测方法，以解决上述问题。

技术方案：本发明的基于傅里叶-递归神经网络的交通流预测方法，包括以下步骤(1)对交通流数据进行预处理：

(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。

有益效果：与现有技术相比，本发明具有如下显著优点：本发明的隐藏态乘法运算所需运算次数小，整体计算量小，计算速度更快；本发明对于具有周期性规律的交通流数据的长时间预测更加准确，当序列较长、数据量较大时仍有较好的表现。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

如图1所示，本发明包括以下步骤：

(1)对交通流数据进行预处理，具体包括：

(11)当历史交通流数据的采样间隔小于预测数据所需间隔，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)。