[发明专利]基于实时公交车速度统计数据的公交专用道短时速度预测方法

权利要求书

1.一种基于实时公交车速度统计数据的公交专用道短时速度预测方法，其特征在于，包括：

S1、获取目标路段及其相邻路段公交车车速时间序列数据，采用基于熵的灰度关系分析方法，分析相邻路段和目标路段间的相关关系，最终选取符合相关性约束条件的m′个相邻路段；

S2、选取目标路段和选定的m′个相邻路段采集的、前d天公交车车速时间序列数据采用卷积神经网络，分析目标路段和相邻路段间的空间特性；

S3、基于前d天公交车车速时间序列数据建立车速时间序列数据与目标路段在时间t的车速采样值间的Attention关系机制，基于所述Attention关系机制对进行修正；

S4、分别分析每天的公交车车速时间序列数据构建双层门限循环单元循环神经网络，挖掘历史时间序列数据的长期时间依赖特性h_t,ls；

S5、分析以目标路段为中心的时间序列数据基于卷积神经网络和单层门限循环单元循环神经网络建立组合短时预测模型，挖掘目标路段时间序列数据的空间特征和短时时间特性

S6、分析目标路段长期时间依赖特性h_t,ls和短时时间依赖特性将二者有效组合在一起，获取目标路段的时间依赖特征其中

S7、基于所述目标路段的时间依赖特征构建基于自适应极限学习机的神经网络，拟合变化，预测目标路段下一时刻公交车车速变化情况，为下一时刻公交车车速预测值，f为待拟合函数,w_f为连接权值，b_f为偏置，w_f为第一学习参数，b_f为第二学习参数。

2.根据权利要求1所述的公交专用道短时速度预测方法，其特征在于，步骤S1包括：

S101、根据目标路段和相邻路段时间序列车速数据，根据以下公式计算目标路段和相邻路段简单灰色关联度GRG(m)：

其中，γ为灰色关系系数，x_t(s)为目标路段第t个采样时刻的平均车速，x_t(m)为相邻路段第t个采样时刻的平均车速，T为时间序列数据长度，E(m)为第m个相邻路段灰色关系系数的熵；

S102、分析各相邻路段与目标路段的简单灰色关联度大小，按降序依次排序；

S103、对于给定的阀值ε，如果GRG(m)≥ε，则选取该相邻路段作为目标路段的关联路段。

3.根据权利要求1所述的公交专用道短时速度预测方法，其特征在于，步骤S2中所述卷积神经网络为无池化层的一维卷积神经网络。

4.根据权利要求1所述的公交专用道短时速度预测方法，其特征在于，步骤S3包括：

S301、使用极限学习机神经网络对输入数据进行分析，将训练误差设定为其中，1≤k≤d，为极限学习机神经网络的预测值，为实测值，f为误差计算函数，获取当误差小于给定阈值时，极限学习机神经网络隐藏层的输出权重

S302、基于极限学习机神经网络隐藏层的输出权重根据以下公式计算数据的各元素相对于实测值的重要性度量值

S303、基于输入数据及其对应的重要性度量值对输入数据内的各元素进行修正，即

5.根据权利要求1所述的公交专用道短时速度预测方法，其特征在于，步骤S4包括：

S401、分析前d天的数据，对第q天的数据第一层门限循环单元分析每天t时刻的数据变化，即1≤qd，为门限循环单元的输入；

S402、分析第一层门限循环单元输出的前d天在t时刻的数据变化1≤qd，使用第二层门限循环单元分析每天同一时刻t的数据间的相关关系，即为第q个门限循环单元的输出；

S403、基于S401及S402的分析结果，获取前d天数据的长期时间依赖特性h_t,ls。

6.根据权利要求1所述的公交专用道短时速度预测方法，其特征在于，步骤S5包括：

S501、选取目标路段和选定的m′个相邻路段采集的公交车车速时间序列数据，采用卷积神经网络，分析目标路段和相邻路段间的空间特性，进而获取目标路段时间序列数据‘0’表示目标路段的当前时间；

S502、采用Attention关系机制分析目标路段时间序列数据与下一时刻数据间的关系，并对数据进行修正；

S503、采用单层门限循环单元分析目标路段时间序列数据特性，获取目标路段当前时间的短时依赖特性