CN102568198A - 交通信息的处理方法及装置 - Google Patents
交通信息的处理方法及装置 Download PDFInfo
- Publication number
- CN102568198A CN102568198A CN2012100264706A CN201210026470A CN102568198A CN 102568198 A CN102568198 A CN 102568198A CN 2012100264706 A CN2012100264706 A CN 2012100264706A CN 201210026470 A CN201210026470 A CN 201210026470A CN 102568198 A CN102568198 A CN 102568198A
- Authority
- CN
- China
- Prior art keywords
- variable
- hidden layer
- value
- factors
- final goal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明实施例公开了一种交通信息的处理方法及装置,所述方法包括:首先获取历史交通流数据和影响最终目标变量的各个因素变量,然后在神经网络的输入层输入所述各个因素变量值并通过神经网络BP方法得到各个因素变量在下一层级目标变量中所占的权重值,并以此权值和各个因素变量值加权组合得到至少一个隐含层变量值,并把至少一个隐含层变量作为隐含层的输入变量,然后通过BP方法得到至少一个隐含层变量在输出层目标变量中所占的权重值,最终得到最终目标变量所占的权重值。本发明适用于智能交通系统领域。
Description
技术领域
本发明涉及智能交通系统领域,特别涉及一种交通信息的处理方法及装置。
背景技术
反向传播BP(Back Propagation)神经网络是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法等方法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output layer)。
虽然通过现有技术可以获取各路段的交通流数据,但无法获取影响交通流所有可能的变量因素,从而导致获取的交通流信息不够全面准确。
发明内容
本发明实施例提供的一种交通信息的处理方法及装置,解决了现有技术由于无法获取影响交通流数据的各个因素变量或者不同因素变量组合所占的权重,从而造成的不能提供交通流信息的变化是由哪种因素变量影响以及影响度的问题。本发明实施例采用的技术方案为:
一种交通信息的处理方法,包括:
获取历史交通流数据和影响最终目标变量的各个因素变量,所述最终目标变量根据实际业务需求确定;
在神经网络的输入层输入所述各个因素变量值并得到所述各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值;
在所述神经网络的隐含层得到所述至少一个隐含层变量中各个隐含层变量在输出层对应的至少一个最终目标变量中所占的权重值,所述隐含层变量的值根据在所述输入层所有因素变量中与所述隐含层变量对应的至少一个因素变量的值和所述至少一个因素变量中各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值获取;
在所述神经网络的输出层输入最终目标变量的值并得到所述最终目标变量对应的权重值,所述最终目标变量的值根据在所述隐含层所有隐含层变量中与所述最终目标变量对应的至少一个隐含层变量的值和所述至少一个隐含层变量中各个隐含层变量所占的权重值获取。
一种交通信息的处理装置,包括:
获取单元,用于获取历史交通流数据和影响最终目标变量的各个因素变量;
第一处理单元,用于在神经网络的输入层输入所述各个因素变量值并得到所述各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值;
第二处理单元,用于在所述神经网络的隐含层得到所述至少一个隐含层变量中各个隐含层变量在输出层对应的至少一个最终目标变量中所占的权重值,所述隐含层变量的值根据在所述输入层所有因素变量中与所述隐含层变量对应的至少一个因素变量的值和所述至少一个因素变量中各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值获取;
第三处理单元,用于在所述神经网络的输出层输入最终目标变量的值并得到所述最终目标变量对应的权重值,所述最终目标变量的值根据在所述隐含层所有隐含层变量中与所述最终目标变量对应的至少一个隐含层变量的值和所述至少一个隐含层变量中各个隐含层变量所占的权重值获取。
本发明实施例提供的交通信息的处理方法及装置,首先获取历史交通流数据和影响最终目标变量的各个因素变量,然后在神经网络的输入层输入所述各个因素变量值并通过神经网络BP方法得到各个因素变量在下一层级目标变量中所占的权重值,并以此权值和各个因素变量值加权组合得到至少一个隐含层变量值,并把至少一个隐含层变量作为隐含层的输入变量,然后通过BP方法得到至少一个隐含层变量在输出层目标变量中所占的权重值,最终得到最终目标变量所占的权重值。本发明实施例通过分别计算神经网络各个层的输出来获取影响交通流数据的各个因素或者各个因素不同组合所占的权重值,从而使得交通流数据信息的内容更加全面,并提高了交通流数据信息的精确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的交通信息的处理方法流程图;
图2为本发明实施例一提供的交通信息的处理装置结构示意图;
图3为本发明实施例二提供的交通信息的处理方法流程图;
图4为本发明实施例二提供的交通信息的处理装置结构示意图;
图5为本发明实施例二提供的权重值完整计算示意图;
图6为本发明实施例二提供的各个样本值的示意图;
图7为本发明实施例二提供的权重值计算示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
为使本发明技术方案的优点更加清楚,下面结合附图和实施例对本发明作详细说明。
实施例一
本实施例提供一种交通信息的处理方法,如图1所示,所述方法包括:
101、获取历史交通流数据和影响最终目标变量的各个因素变量。
其中,所述历史交通流数据和影响最终目标变量的各个因素变量可以在历史数据库中获取。影响所述最终目标变量的各个因素变量主要有:道路等级、城市车辆数等级、城市人口数、车辆状态、天气、季节、节假日、早晚高峰、交通管制、红绿灯等。另外,数据的来源不同,城市地区不同,也是需要考虑的因素。
102、在神经网络的输入层输入所述各个因素变量值并得到所述各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值。
其中,各个因素变量值又可以分为连续变量参数和离散变量参数,对这些变量参数通常简化成介于[-1,1]或者[0,1]的值以利于后续的计算。
103、在所述神经网络的隐含层得到所述至少一个隐含层变量中各个隐含层变量在输出层对应的最终目标变量中所占的权重值。
其中,所述隐含层变量的值根据在所述输入层所有因素变量中与所述隐含层变量对应的至少一个因素变量的值和所述至少一个因素变量中各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值获取。
104、在所述神经网络的输出层输入最终目标变量的值并得到所述最终目标变量对应的权重值。
其中,所述最终目标变量的值根据在所述隐含层所有隐含层变量中与所述最终目标变量对应的至少一个隐含层变量的值和所述至少一个隐含层变量中各个隐含层变量所占的权重值获取。
本实施例提供一种交通信息的处理装置,如图2所示,所述装置包括:获取单元21、第一处理单元22、第二处理单元23、第三处理单元24。
获取单元21,用于获取历史交通流数据和影响最终目标变量的各个因素变量。
其中,所述历史交通流数据和影响最终目标变量的各个因素变量可以在历史数据库中获取。影响所述最终目标变量的各个因素变量主要有:道路等级、城市车辆数等级、城市人口数、车辆状态、天气、季节、节假日、早晚高峰、交通管制、红绿灯等。另外,数据的来源不同,城市地区不同,也是需要考虑的因素。
第一处理单元22,用于在神经网络的输入层输入所述各个因素变量值并得到所述各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值。
其中,各个因素变量值又可以分为连续变量参数和离散变量参数,对这些变量参数通常简化成介于[-1,1]或者[0,1]的值以利于后续的计算。
第二处理单元23,用于在所述神经网络的隐含层得到所述至少一个隐含层变量中各个隐含层变量在输出层对应的最终目标变量中所占的权重值。
其中,所述隐含层变量的值根据在所述输入层所有因素变量中与所述隐含层变量对应的至少一个因素变量的值和所述至少一个因素变量中各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值获取。
第三处理单元24,用于在所述神经网络的输出层输入最终目标变量的值并得到所述最终目标变量对应的权重值。
其中,所述最终目标变量的值根据在所述隐含层所有隐含层变量中与所述最终目标变量对应的至少一个隐含层变量的值和所述至少一个隐含层变量中各个隐含层变量所占的权重值获取。
本发明实施例提供的交通信息的处理方法及装置,首先获取历史交通流数据和影响最终目标变量的各个因素变量,然后在神经网络的输入层输入所述各个因素变量值并通过神经网络BP方法得到各个因素变量在下一层级目标变量中所占的权重值,并以此权值和各个因素变量值加权组合得到至少一个隐含层变量值,并把至少一个隐含层变量作为隐含层的输入变量,然后通过BP方法得到至少一个隐含层变量在输出层目标变量中所占的权重值,最终得到最终目标变量所占的权重值。本发明实施例通过分别计算神经网络各个层的输出来获取影响交通流数据的各个因素或者各个因素不同组合所占的权重值,从而使得交通流数据信息的内容更加全面,并提高了交通流数据信息的精确度。
实施例二
本实施例提供一种交通信息的处理方法,如图3所示,所述方法包括:
301、获取历史交通流数据和影响最终目标变量的各个因素变量。
其中,所述历史交通流数据和影响最终目标变量的各个因素变量可以在历史数据库中获取。影响所述最终目标变量的各个因素变量主要有:道路等级、城市车辆数等级、城市人口数、车辆状态、天气、季节、节假日、早晚高峰、交通管制、红绿灯等。另外,数据的来源不同,城市地区不同,也是需要考虑的因素。
302、在神经网络的输入层输入所述各个因素变量值并得到所述各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值。
其中,各个因素的参数值又可以分为连续变量参数和离散变量参数,对这些变量参数通常简化成介于[-1,1]或者[0,1]的值以利于后续的计算。
具体地,首先随机预设各个因素变量所占的权重值,并获取所述各个因素变量值与所述各个因素变量的预设权重值相乘后所有乘积的总和,然后将所述所有乘积的总和与节点偏差常数的和作为预设输出值并将所述预设输出值和所述最终目标变量的值的差值作为目标误差值,再将所述各个因素变量值与所述目标误差值和学习率分别相乘后,获取所述相乘后的乘积作为所述各个因素变量的权重调整值。
其中,所述节点偏差常数为大于0且小于1的任意常数,所述学习率为大于负1且小于正1的任意常数。
303、在所述神经网络的隐含层得到所述至少一个隐含层变量中各个隐含层变量在输出层对应的最终目标变量中所占的权重值。
其中,所述隐含层变量的值根据在所述输入层所有因素变量中与所述隐含层变量对应的至少一个因素变量的值和所述至少一个因素变量中各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值获取。
具体地,首先获取与所述隐含层变量对应的至少一个因素变量,然后将所述至少一个因素变量中每个因素变量的值与所述每个因素变量所占的权重值相乘后,获取每个因素变量进行所述相乘后的乘积,最后将所述每个因素变量对应的乘积相加作为所述隐含层变量的值。
304、在所述神经网络的输出层输入最终目标变量的值并得到所述最终目标变量对应的权重值。
其中,所述最终目标变量的值根据在所述隐含层所有隐含层变量中与所述最终目标变量对应的至少一个隐含层变量的值和所述至少一个隐含层变量中各个隐含层变量所占的权重值获取。
具体地,首先获取与所述最终目标变量对应的至少一个隐含层变量,然后将所述至少一个隐含层变量中每个隐含层变量的值与所述每个隐含层变量所占的权重值相乘后,获取每个隐含层变量进行所述相乘后的乘积,最后将所述每个隐含层变量对应的乘积相加作为所述最终目标变量的值。
图5示出了本发明实施例的完整算法流程图,具体地,其中一个节点的具体算法如图6和图7所示,一个样本中有三个影响交通流数据的因素变量x1、x2和x3,各个因素变量的参数值分别为1、1、0.5,交通流数据的期望参数值y为0.7,设节点偏差常数的值为0、学习率的值为0.1、权值常数的值为1。首先随机预设各个参数值的权重为0.5、-0.3和0.8。在神经网络输入层将所述三个参数值与所述参数值对应的预设权重值相乘后的乘积的总和与节点偏差常数的和作为预设输出值,即y1=0.5×1-(0.3)×1+0.8×0.5+0=0.6,y1为预设输出值,再将预设输出值和交通流数据的期望参数值的差值作为目标误差值,即y2=0.7-0.6=0.1,y2为所述目标误差值。然后将三个因素的参数值分别与各个因素的目标误差值和学习率相乘后,获取各个因素的权重调整值,即Δw1=0.1×0.1×1=0.01,Δw2=0.1×0.1×1=0.01,Δw3=0.1×0.1×0.5=0.005,最后将三个因素的预设权重值分别乘以权值常数后,与各自的权重调整值相加获取所述各个因素所占的权重值,即w1=1*0.5+0.01=0.51,w2=1*(-0.3)+0.01=-0.29,w3=1*0.8+0.005=0.805。其中,Δw1、Δw2和Δw3分别为三个因素对应的权重调整值,w1、w2和w3分别为三个因素对应的调整后准确的权重值。
进一步地,设在神经网络隐含层输入的b1对应输入层中的x1和x2,b2对应输入层中的x2和x3,则因素b1的参数值为x1的参数值和权重值相乘后与x2的参数值和权重值相乘后相加后的结果,即b1=1*0.51+1*(-0.29)=0.22,b2=1*(-0.29)+0.5*0.805=0.1125,然后在输入层分别获取中间因素组合b1和中间因素组合b2所占的权重值,所述权重值的获取方法与所述三个因素的权重值的获取方法相似,在此不再赘述。
再进一步地,设在神经网络的输出层输入的因数的参数为c1,c1与b1和b2对应,则c1的值为参数值为b1的参数值和权重值相乘后与b2的参数值和权重值相乘后相加后的结果,然后在所述输出层获取c1所占的权重值,获取c1所占的权重值的方法与所述三个因素的权重值的获取方法相似,在此不再赘述。
本实施例提供一种交通信息的处理装置,如图4所示,所述装置包括:获取单元41、第一处理单元42、第二处理单元43和第三处理单元44。
获取单元41,用于获取历史交通流数据和影响最终目标变量的各个因素变量。
其中,所述历史交通流数据和影响最终目标变量的各个因素变量可以在历史数据库中获取。影响所述最终目标变量的各个因素变量主要有:道路等级、城市车辆数等级、城市人口数、车辆状态、天气、季节、节假日、早晚高峰、交通管制、红绿灯等。另外,数据的来源不同,城市地区不同,也是需要考虑的因素。
第一处理单元42,用于在神经网络的输入层输入所述各个因素变量值并得到所述各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值。
所述第一处理单元42包括:第一获取模块4201、第一处理模块4202。
第一获取模块4201,用于随机预设各个因素在隐含层对应的至少一个隐含层变量中所占的权重值,并获取所述各个因素变量值与所述各个因素变量的预设权重值相乘后所有乘积的总和。
第一处理模块4202,用于将所述所有乘积的总和与节点偏差常数的和作为预设输出值并将所述预设输出值和所述最终目标变量的值的差值作为目标误差值。
第一处理模块4202,还可以用于将所述各个因素变量值与所述目标误差值和学习率分别相乘后,获取所述相乘后的乘积作为所述各个因素变量的权重调整值。
第二处理单元43,用于在所述神经网络的隐含层得到所述至少一个隐含层变量中各个隐含层变量在输出层对应的最终目标变量中所占的权重值。
所述第二处理单元43包括:第二获取模块4301、第二处理模块4302。
第二获取模块4301,用于获取与所述隐含层变量对应的至少一个因素变量。
第二处理模块4302,用于将所述至少一个因素变量中每个因素变量的值与所述每个因素变量所占的权重值相乘后,获取每个因素变量进行所述相乘后的乘积。
所述第二处理模块4302,还可以用于将所述每个因素变量对应的乘积相加作为所述隐含层变量的值。
第三处理单元44,用于在所述神经网络的输出层输入最终目标变量的值并得到所述最终目标变量对应的权重值。
所述第三处理单元44包括:第三获取模块4401、第三处理模块4402。
第三获取模块4401,用于获取与所述最终目标变量对应的至少一个隐含层变量。
第三处理模块4402,用于将所述至少一个隐含层变量中每个隐含层变量的值与所述每个隐含层变量所占的权重值相乘后,获取每个隐含层变量进行所述相乘后的乘积。
所述第三处理模块4402,还可以用于将所述每个隐含层变量对应的乘积相加作为所述最终目标变量的值。
本发明实施例提供的方法及装置中,隐含层可以为一层,也可以为多层,根据实际情况的需求具体确定隐含层的层数,但是从第一隐含层到更高一级隐含层各个变量参数的权重值的计算方法与从输入层到第一隐含层求得权重值的方法相同。
本发明实施例提供的交通信息的处理方法及装置,首先获取历史交通流数据和影响最终目标变量的各个因素变量,然后在神经网络的输入层输入所述各个因素变量值并通过神经网络BP方法得到各个因素变量在下一层级目标变量中所占的权重值,并以此权值和各个因素变量值加权组合得到至少一个隐含层变量值,并把至少一个隐含层变量作为隐含层的输入变量,然后通过BP方法得到至少一个隐含层变量在输出层目标变量中所占的权重值,最终得到最终目标变量所占的权重值。本发明实施例通过分别计算神经网络各个层的输出来获取影响交通流数据的各个因素或者各个因素不同组合所占的权重值,从而使得交通流数据信息的内容更加全面,并提高了交通流数据信息的精确度。
本发明实施例提供的交通信息的处理装置可以实现上述提供的方法实施例,具体功能实现请参见方法实施例中的说明,在此不再赘述。本发明实施例提供的交通信息的处理方法及装置可以适用于智能交通系统领域,但不仅限于此。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种交通信息的处理方法,其特征在于,包括:
获取历史交通流数据和影响最终目标变量的各个因素变量,所述最终目标变量从所述历史交通流数据中获取;
在神经网络的输入层输入所述各个因素变量值并得到所述各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值;
在所述神经网络的隐含层得到所述至少一个隐含层变量中各个隐含层变量在输出层对应的最终目标变量中所占的权重值,所述隐含层变量的值根据在所述输入层所有因素变量中与所述隐含层变量对应的至少一个因素变量的值和所述至少一个因素变量中各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值获取;
在所述神经网络的输出层输入最终目标变量的值并得到所述最终目标变量对应的权重值,所述最终目标变量的值根据在所述隐含层所有隐含层变量中与所述最终目标变量对应的至少一个隐含层变量的值和所述至少一个隐含层变量中各个隐含层变量所占的权重值获取。
2.根据权利要求1所述的交通信息的处理方法,其特征在于,所述在神经网络的输入层输入所述各个因素变量值并得到所述各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值包括:
随机预设各个因素在隐含层对应的至少一个隐含层变量中所占的权重值,并获取所述各个因素变量值与所述各个因素变量的预设权重值相乘后所有乘积的总和;
将所述所有乘积的总和与节点偏差常数的和作为预设输出值并将所述预设输出值和所述最终目标变量的值的差值作为目标误差值,所述节点偏差常数为大于等于0且小于等于1的任意常数;
将所述各个因素变量值与所述目标误差值和学习率分别相乘后,获取所述相乘后的乘积作为所述各个因素变量的权重调整值,所述学习率为大于等于负1且小于等于正1的任意常数。
3.根据权利要求1所述的交通信息的处理方法,其特征在于,所述隐含层变量的值根据在所述输入层所有因素变量中与所述隐含层变量对应的至少一个因素变量的值和所述至少一个因素变量中各个因素变量所占的权重值获取包括:
获取与所述隐含层变量对应的至少一个因素变量;
将所述至少一个因素变量中每个因素变量的值与所述每个因素变量所占的权重值相乘后,获取每个因素变量进行所述相乘后的乘积;
将所述每个因素变量对应的乘积相加作为所述隐含层变量的值。
4.根据权利要求1所述的交通信息的处理方法,其特征在于,所述最终目标变量的值根据在所述隐含层所有隐含层变量中与所述最终目标变量对应的至少一个隐含层变量的值和所述至少一个隐含层变量中各个隐含层变量所占的权重值获取包括:
获取与所述最终目标变量对应的至少一个隐含层变量;
将所述至少一个隐含层变量中每个隐含层变量的值与所述每个隐含层变量所占的权重值相乘后,获取每个隐含层变量进行所述相乘后的乘积;
将所述每个隐含层变量对应的乘积相加作为所述最终目标变量的值。
5.一种交通信息的处理装置,其特征在于,包括:
获取单元,用于获取历史交通流数据和影响最终目标变量的各个因素变量;
第一处理单元,用于在神经网络的输入层输入所述各个因素变量值并得到所述各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值;
第二处理单元,用于在所述神经网络的隐含层得到所述至少一个隐含层变量中各个隐含层变量在输出层对应的最终目标变量中所占的权重值,所述隐含层变量的值根据在所述输入层所有因素变量中与所述隐含层变量对应的至少一个因素变量的值和所述至少一个因素变量中各个因素变量在隐含层对应的至少一个隐含层变量中所占的权重值获取;
第三处理单元,用于在所述神经网络的输出层输入最终目标变量的值并得到所述最终目标变量对应的权重值,所述最终目标变量的值根据在所述隐含层所有隐含层变量中与所述最终目标变量对应的至少一个隐含层变量的值和所述至少一个隐含层变量中各个隐含层变量所占的权重值获取。
6.根据权利要求5所述的交通信息的处理装置,其特征在于,所述第一处理单元包括:
第一获取模块,用于随机预设各个因素在隐含层对应的至少一个隐含层变量中所占的权重值,并获取所述各个因素变量值与所述各个因素变量的预设权重值相乘后所有乘积的总和;
第一处理模块,用于将所述所有乘积的总和与节点偏差常数的和作为预设输出值并将所述预设输出值和所述最终目标变量的值的差值作为目标误差值,所述节点偏差常数为大于等于0且小于等于1的任意常数;
所述第一处理模块,还用于将所述各个因素变量值与所述目标误差值和学习率分别相乘后,获取所述相乘后的乘积作为所述各个因素变量的权重调整值,所述学习率为大于等于负1且小于等于正1的任意常数。
7.根据权利要求5所述的交通信息的处理装置,其特征在于,所述第二处理单元包括:
第二获取模块,用于获取与所述隐含层变量对应的至少一个因素变量;
第二处理模块,用于将所述至少一个因素变量中每个因素变量的值与所述每个因素变量所占的权重值相乘后,获取每个因素变量进行所述相乘后的乘积;
所述第二处理模块,还用于将所述每个因素变量对应的乘积相加作为所述隐含层变量的值。
8.根据权利要求5所述的交通信息的处理装置,其特征在于,所述第三处理单元包括:
第三获取模块,用于获取与所述最终目标变量对应的至少一个隐含层变量;
第三处理模块,用于将所述至少一个隐含层变量中每个隐含层变量的值与所述每个隐含层变量所占的权重值相乘后,获取每个隐含层变量进行所述相乘后的乘积;
所述第三处理模块,还用于将所述每个隐含层变量对应的乘积相加作为所述最终目标变量的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210026470.6A CN102568198B (zh) | 2012-02-07 | 2012-02-07 | 交通信息的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210026470.6A CN102568198B (zh) | 2012-02-07 | 2012-02-07 | 交通信息的处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102568198A true CN102568198A (zh) | 2012-07-11 |
CN102568198B CN102568198B (zh) | 2014-12-03 |
Family
ID=46413518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210026470.6A Active CN102568198B (zh) | 2012-02-07 | 2012-02-07 | 交通信息的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102568198B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001256586A (ja) * | 2000-03-10 | 2001-09-21 | Oki Electric Ind Co Ltd | 物流業者宛情報サービスシステム |
US20050222751A1 (en) * | 2004-04-06 | 2005-10-06 | Honda Motor Co., Ltd | Method for refining traffic flow data |
CN101286270A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测方法 |
CN101286269A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测系统 |
CN101303800A (zh) * | 2008-07-02 | 2008-11-12 | 苏州莱迪斯特电子有限公司 | 一种智能交通信息系统及其处理方法 |
CN101567126A (zh) * | 2009-05-31 | 2009-10-28 | 上海宝康电子控制工程有限公司 | 城市道路交通信息检测与发布系统 |
-
2012
- 2012-02-07 CN CN201210026470.6A patent/CN102568198B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001256586A (ja) * | 2000-03-10 | 2001-09-21 | Oki Electric Ind Co Ltd | 物流業者宛情報サービスシステム |
US20050222751A1 (en) * | 2004-04-06 | 2005-10-06 | Honda Motor Co., Ltd | Method for refining traffic flow data |
CN101286270A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测方法 |
CN101286269A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测系统 |
CN101303800A (zh) * | 2008-07-02 | 2008-11-12 | 苏州莱迪斯特电子有限公司 | 一种智能交通信息系统及其处理方法 |
CN101567126A (zh) * | 2009-05-31 | 2009-10-28 | 上海宝康电子控制工程有限公司 | 城市道路交通信息检测与发布系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102568198B (zh) | 2014-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gonçalves et al. | Analysis of the difference between the euclidean distance and the actual road distance in Brazil | |
Pagano et al. | Engaging stakeholders in the assessment of NBS effectiveness in flood risk reduction: A participatory System Dynamics Model for benefits and co-benefits evaluation | |
Perea et al. | Optimisation of water demand forecasting by artificial intelligence with short data sets | |
Yacim et al. | Impact of artificial neural networks training algorithms on accurate prediction of property values | |
Starkey et al. | A multi-objective genetic type-2 fuzzy logic based system for mobile field workforce area optimization | |
KR101549796B1 (ko) | 스파스 접속성을 야기하는 로컬 경쟁 학습 규칙을 위한 방법 및 장치 | |
CN110325981A (zh) | 基于变化检测的地图界面更新系统 | |
Teixeira et al. | Tourism time series forecast with artificial neural networks | |
CN110889562A (zh) | 一种基于情景规划的动态城市模型系统 | |
Palutikof et al. | CoastAdapt: an adaptation decision support framework for Australia’s coastal managers | |
Haensch et al. | Do neighbors influence irrigators’ permanent water selling decisions in Australia? | |
Srinivasa Raju et al. | Fuzzy data envelopment analysis for performance evaluation of an irrigation system | |
Parsimehr et al. | Using multilayer perceptron artificial neural network for predicting and modeling the chemical oxygen demand of the Gamasiab River | |
Huo et al. | A BP neural network predictor model for stock price | |
Karkkainen | Marine ecosystem management & (and) a post-sovereign transboundary governance | |
Hitchcock et al. | Methods to reduce dimensionality and identify candidate solutions in multi-objective signal timing problems | |
CN113780956A (zh) | 物流运费生成方法、装置、设备及存储介质 | |
CN102568198B (zh) | 交通信息的处理方法及装置 | |
Neri | Case study on modeling the silver and nasdaq financial time series with simulated annealing | |
Dutra et al. | Drivers influencing adaptive management: a retrospective evaluation of water quality decisions in South East Queensland (Australia) | |
Miörner et al. | Putting digital innovation hubs into regional context | |
Chen | Application of SVR with chaotic GASA algorithm to forecast Taiwanese 3G mobile phone demand | |
Lahmiri | An EGARCH-BPNN system for estimating and predicting stock market volatility in Morocco and Saudi Arabia: The effect of trading volume | |
Xu et al. | Sensitivity of a stochastic land-cover change model to pixel versus polygonal land units | |
Danchuk et al. | Stress testing of business activity using the synergetic method of risk assessment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |