CN113011512A - 基于rbf神经网络模型的交通生成预测方法及系统 - Google Patents

基于rbf神经网络模型的交通生成预测方法及系统 Download PDF

Info

Publication number
CN113011512A
CN113011512A CN202110333100.6A CN202110333100A CN113011512A CN 113011512 A CN113011512 A CN 113011512A CN 202110333100 A CN202110333100 A CN 202110333100A CN 113011512 A CN113011512 A CN 113011512A
Authority
CN
China
Prior art keywords
traffic
cell
origin
traffic generation
data
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.)
Pending
Application number
CN202110333100.6A
Other languages
English (en)
Inventor
龙科军
庞稀廉
魏隽君
吴伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202110333100.6A priority Critical patent/CN113011512A/zh
Publication of CN113011512A publication Critical patent/CN113011512A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种基于RBF神经网络模型的交通生成预测方法及系统，该方法步骤包括：步骤S01.获取待预测区域指定时长内的居民出行起讫点位置坐标数据；步骤S02.对获取的居民出行起讫点位置坐标数据进行聚类分析，将待预测区域进行交通小区的划分；步骤S03.使用RBF神经网络建立交通生成预测模型；步骤S04.获取各交通小区的交通生成影响参数数据以及交通生成量，并作为训练样本对交通生成预测模型进行训练；步骤S05.将待预测交通小区的交通生成影响参数数据以及交通生成量输入至训练后的交通生成预测模型中，得到待预测交通小区的交通生成量的预测结果输出。本发明具有实现方法简单、复杂程度低、预测效率以及精度高优点。

Description

基于RBF神经网络模型的交通生成预测方法及系统
技术领域
本发明涉及智能交通技术领域，尤其涉及一种基于RBF(Radical BasisFunction，径向基函数)神经网络模型的交通生成预测方法及系统。
背景技术
交通生成预测是通过对城区社会经济特性、土地利用形态和居民个人及家庭属性进行综合分析，建立交通需求预测模型，实现对交通需求的预测。交通生成预测模型能比较准确地预测出对象地区未来的交通生成量，可利于正确进行交通宏观决策、制定交通发展战略、编制交通规划，以及制定道路可行性研究等。交通需求预测模型的精度直接决定了未来交通生成量预测的效果，而影响交通生成量因素有很多，且各个因素之间关系复杂，如何充分挖掘各影响因素之间的关系，建立一个能包含多影响因素的高精度交通需求预测模型是实现交通生成量预测的关键，对于交通规划是非常有必要的。
目前，交通生成预测建模常见的模型中，从简单到复杂依次包括：生成率模型、类别生成率模型、回归分析模型和类别回归分析模型等。各类模型适用的场景不同，具体应用何种模型，目前通常是依据对象区域的土地利用形态和社会经济特征等特性进行选取。但是采用上述各传统预测模型均是简单的利用区域某一整体属性为依据形成的集计模型，而小区交通生成的实质机制是在土地利用、社会经济条件、个人属性特征以及区域交通政策等多要素间在融合互动与组合作用下形成，单纯的某一整体属性所形成的集计模型就无法反应各种要素间的融合互动与组合作用，因而直接使用上述传统预测模型会导致预测结果与实际值相差较大，不能满足实际应用中的需要。
虽然如随机效应模型、混合仿真模型等离散模型可以一定程度上解决上述集计模型预测的问题，但该类型离散模型对数学推导要求较高，需要通过模型假设和对数学模型推导进行计算，且预测中存在多个预测值，导致建模过程复杂，仍然会存在预测结果精度不理想，不利于实际操作等问题。
综上，现有技术中针对于交通生成量预测，要么仅是片面的考虑某类影响因素，没有综合考虑各方面影响因素之间的相互融合与组合作用，要么需要建模过程复杂、对计算要求过高，难以实际操作。因此亟需提供一种交通生成预测方法，以使得能够考虑各方面影响要素间相互融合与组合作用，解决传统预测集计模型考虑影响因素单一、预测结果不精确等问题，同时又能够降低模型计算复杂程度，提高模型预测精度以及降低建模的复杂性。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现方法简单、复杂程度低、预测效率以及精度高的基于RBF神经网络模型的交通生成预测方法及系统。
为解决上述技术问题，本发明提出的技术方案为：
一种基于RBF神经网络模型的交通生成预测方法，步骤包括：
步骤S01.数据获取：获取待预测区域指定时长内的居民出行起讫点位置坐标数据；
步骤S02.交通小区划分：对步骤S01获取的居民出行起讫点位置坐标数据进行聚类分析，由聚类结果将待预测区域进行交通小区的划分；
步骤S03.预测模型构建：使用RBF神经网络建立用于预测所述交通小区的交通生成量的交通生成预测模型；
步骤S04.预测模型训练：获取各所述交通小区的交通生成影响参数数据以及交通生成量，并将获取的数据作为训练样本对所述交通生成预测模型进行训练，得到训练后的交通生成预测模型；
步骤S05.交通生成预测：将待预测交通小区的交通生成影响参数数据以及交通生成量输入至训练后的交通生成预测模型中，得到待预测交通小区的交通生成量的预测结果输出。
进一步的，所述步骤S01的步骤包括：
步骤S101.交通数据获取：获取待预测区域指定时长内的居民交通出行数据，所述居民交通出行数据包括车辆位置识别数据、居民出入公共交通数据；
步骤S102.坐标数据转换：将获取的所述居民交通出行数据转换为居民出行起讫点位置坐标数据。
进一步的，所述步骤S02的步骤包括：
步骤S201.初步划分：对步骤S01获取的数据基于C均值进行所述交通小区的初步划分，并比较划分不同小区个数c时对应的划分系数S大小，获取最小的划分系数S所对应的划分小区个数c以及各个小区中心坐标ci作为初始参数；
步骤S202.聚类分析：对步骤S01获取的数据使用所述初始参数进行K均值聚类分析，即以C均值聚类得到的小区个数c以及小区中心ci分别作为K均值聚类分析的小区个数和初始化小区聚类中心点，循环更新各个小区的中心，当两次相邻循环计算得到的代价函数J差别小与给定的阈值e时完成当前聚类分析，得到最终划分的小区数和小区中心点；
步骤S203.边界生成：按照步骤S202最终划分的小区数和小区中心点划分各所述交通小区，并对应生成各所述交通小区的边界。
进一步的，所述步骤S201的步骤包括：
步骤S211.使用各交通小区中心到各起讫点样本的距离随机初始生成起讫点隶属矩阵U，每个所述起讫点样本对应一个起讫点位置坐标数据，所述起讫点隶属矩阵U中包括各起讫点样本归属于交通小区的隶属度；
步骤S212.根据各起讫点样本归属于各所述交通小区的隶属度，计算各所述交通小区的中心；
步骤S213.计算代价函数J，如果第k次计算的代价函数J(k)与第k+1次计算得到的代价函数J(K+1)值相差的绝对值小于给定阈值e，则转至步骤S215，否则转至步骤S214；
步骤S214.计算所述起讫点隶属矩阵U；
步骤S215.根据当前计算得到的隶属矩阵U划分交通小区，其中如果起讫点样本i属于交通小区j的隶属度达到最大，则将起讫点样本i划分为属于交通小区j，完成交通小区的初步划分；
步骤S216.计算划分系数S，比较取不同划分小区个数时划分系数S的大小，并选取最小的划分系数S所对应的划分小区个数cc以及各个交通小区中心坐标ci作为所述初始参数。
进一步的，具体按照下式生成所述起讫点隶属矩阵U：
U＝(uij)c×n
Figure BDA0002997044000000031
其中，uij表示起讫点样本j归属于交通小区i的隶属度，c表示所述交通小区的个数，n表示起讫点样本的个数，m为模糊聚类指数，
Figure BDA0002997044000000032
表示交通小区i中心到起讫点样本j的欧式距离；
所述步骤S212中具体按照下式计算交通小区i的中心ci：
Figure BDA0002997044000000033
其中，xj为起讫点样本j的坐标；
所述步骤S213中代价函数J的计算表达式为：
Figure BDA0002997044000000041
所述步骤S216中划分系数计算表达式为：
Figure BDA0002997044000000042
Figure BDA0002997044000000043
Figure BDA0002997044000000044
Figure BDA0002997044000000045
其中，dij表示起讫点样本i到小区j的小区中心的距离，nj为第j小区内起讫点的个数，Rj表示第j小区的平均半径，n为全部起讫点的个数；pij表示小区i中心与小区j中心的距离，Rout表示全部小区中心两两距离之和，Rin表示对Rj小区按通行量的加权平均。
进一步的，所述步骤S202的步骤包括：
S221.按照所述初始参数令交通小区数量为cc个、各个交通小区的初始中心为ci，再次对步骤S01获取的数据中全部n个起讫点样本进行K均值聚类，每个所述起讫点样本对应一个起讫点位置坐标数据；
S222.根据每个起讫点样本与各交通小区的中心ci之间的距离，判断每个起讫点样本所属的交通小区；
S223.计算代价函数J，如果第k次计算的代价函数J(k)与第k+1次计算得到的代价函数J(K+1)值相差的绝对值小于给定阈值e，完成聚类，得到cc个交通小区的聚类结果，否则转至步骤S224；
S224.更新交通小区中心ci，返回执行步骤S222。
进一步的，所述步骤S03中建立交通生成预测模型时，具体将RBF神经网络中输入层各单元与隐含层各单元的连接权重w配置为1，以及配置隐含层各单元Ki与输出层各单元Lj的连接权值向量Wj，隐含层中的径向函数采用高斯函数Tk(B)，输出层作用函数为求和函数；获取交通生成影响参数数据并进行归一化后进行聚类，并将聚类好的M个簇的中心作为M个隐含层单元的数据中心。
进一步的，所述步骤S04中训练所述交通生成预测模型时，使用LMS(Least meansquare，最小均方算法)学习规则更新隐含层与输出层各单元的连接权值。
进一步的，步骤S04的步骤包括：
步骤S401.选取并输入各交通小区的所述交通生成影响参数数据以及交通生成量作为训练样本；
步骤S402.初始化各层之间的连接权值、输入层的单元与隐含层的连接权值为1，以及配置隐含层各单元与输出层各单元的连接权值，获得交通生成量预测值；
步骤S403.计算所述交通生成量预测值与实际预测值之间的误差，当误差小于指定目标e则转至步骤S405，否则转入步骤S404；
步骤S404.使用LMS学习规则计算权向量的调整量ΔWj，并按下式更新隐含层各单元与输出层各单元的连接权值：
Wj(n)＝Wj(n-1)+ΔWj
权向量的调整量可以表示为：
Figure BDA0002997044000000051
其中，Wj(n)为更新后连接权值，Wj(n-1)为更新前连接权值，n为迭代更新次数，dj表示期望输出，B表示输入向量，η表示学习常数；
更新后转至步骤S403；
S405.判断当前是否完全全部训练样本的训练，如果是完成模型训练，输出所有确定的RBF神经网络模型的权值，得到训练后的所述交通生成预测模型。
一种基于RBF神经网络模型的交通生成预测系统，包括处理器以及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，所述处理器用于执行所述计算机程序以执行如上述方法。
与现有技术相比，本发明的优点在于：
1、本发明通过获取居民出行起讫点位置坐标数据来进行聚类分析，利用居民出行特点的相似性对小区进行划分，数据获取及处理以及小区的划分实现简单，且能够充分考虑居民出行的特点实现合理的小区划分，突破行政分区的限制，使小区划分的大小以及范围更加适当，从而利于提高交通需求预测的精度。
2、本发明考虑在区域因素、个人属性特征以及区域交通政策等多要素间的融合互动与组合作用对于交通生成量的影响，通过使用RBF神经网络构建交通生成预测模型，基于RBF神经网络模型能够充分体现不同要素间的融合互动与组合作用的影响，同时基于RBF神经网络模型构建预测模型的过程中，不需要进行复杂数学推导和预测值假设，利用输入输出数据的RBF神经网络即能够自动建立，可以有效提高小区交通生成预测的效率，同时还能够确保预测精度。
3、本发明基于RBF神经网络构建交通生成预测模型时，使用LMS学习规则来标定隐含层与输出层各单元的连接权值，不需要对激活函数求导，不仅学习速度快，且精度较高，能够兼顾预测的效率以及精度，从而能够在考虑多种相互作用影响交通生成的因素的情况下，实现对小区交通生成量快速、精确的预测。
4、本发明在交通小区划分时，进一步使用C均值与K均值相结合的聚类分析方法，通过先基于C均值进行快速的初始划分，确定出初始参数后再利用进行K均值进行聚类分析，可以兼顾聚类的效率以及精度，从而能够充分考虑居民出行特性快速、合理的划分出交通小区，从而进一步提高预测的精度。
附图说明
图1是本实施例基于RBF神经网络模型的交通生成预测方法的流程示意图。
图2是本发明具体应用实施例中实现交通生成预测的详细流程示意图。
图3是本实施例中步骤S2实现交通小区划分的实现流程示意图。
图4是本实施例中RBF神经网络模型训练以及预测小区交通发生量的实现流程图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
如图1所示，本实施例基于RBF神经网络模型的交通生成预测方法的步骤包括：
步骤S01.数据获取：获取待预测区域指定时长内的居民出行起讫点位置坐标数据，包括起始点位置坐标数据以及讫点位置坐标数据；
步骤S02.交通小区划分：对步骤S01获取的居民出行起讫点位置坐标数据进行聚类分析，由聚类结果将待预测区域进行交通小区的划分；
步骤S03.预测模型构建：使用RBF神经网络建立用于预测交通小区的交通生成量的交通生成预测模型；
步骤S04.预测模型训练：获取各交通小区的交通生成影响参数数据以及交通生成量，并将获取的数据作为训练样本对交通生成预测模型进行训练，得到训练后的交通生成预测模型；
步骤S05.交通生成预测：将待预测交通小区的交通生成影响参数数据以及交通生成量输入至训练后的交通生成预测模型中，得到待预测交通小区的交通生成量的预测结果输出。
考虑到相同区域内居民出行具有如下特性：居民出行起讫点之间存在相似性，且城市轨道交通中部分站点通常是位于小区的边缘或分界处。本实施例通过获取居民出行起讫点位置坐标数据来进行聚类分析，利用居民出行特点的相似性对小区进行划分，数据获取及处理以及小区的划分实现简单，且能够充分考虑居民出行的特点实现合理的小区划分，突破行政分区的限制，使小区划分的大小以及范围更加适当，从而利于提高交通需求预测的精度。
RBF神经网络能够利用网络结构充分挖掘出输入数据之间的相互关系，且RBF神经网络的结构简单，由三层(输入层、输出层以及隐含层)结构构成，隐含层的单元数可根据输入数据的特点确定，不需要人为定义，各单元之间的连接权值标定实现简单，因而RBF神经网络模型的构建较为简单。本实施例利用RBF神经网络上述特性，在划分交通小区后，考虑在区域因素、个人属性特征以及区域交通政策等多要素间的融合互动与组合作用对于交通生成量的影响，通过使用RBF神经网络构建交通生成预测模型，基于RBF神经网络模型能够充分体现不同要素间的融合互动与组合作用的影响，同时基于RBF神经网络模型构建预测模型的过程中，不需要进行复杂数学推导和预测值假设，利用输入输出数据的RBF神经网络即能够自动建立，可以有效提高小区交通生成预测的效率，同时还能够确保预测精度。
本实施例中，步骤S01的步骤包括：
步骤S101.交通数据获取：获取待预测区域指定时长内的居民交通出行数据，居民交通出行数据包括车辆位置识别数据、居民出入公共交通数据；
步骤S102.坐标数据转换：将获取的居民交通出行数据转换为居民出行起讫点位置坐标数据。
在具体应用实施例中，如图2所示，上述车辆位置识别数据具体为车辆牌照识别卡口数据等，即在各卡口识别到的车辆牌照数据，公共交通数据具体包括地铁IC卡数据、公交车IC卡数据等，具体可根据实际需求选取各类能够反映居民交通出行时起讫点的数据。通过对车辆位置识别数据、公共交通数据等进行筛选预处理后，转化成居民出行起讫点坐标进行聚类分析，以利用居民出行特点的相似性对小区进行划分。
在具体应用实施例中，先收集指定时间周期内的车辆牌照识别卡口数据、地铁IC卡数据等作为居民出行起讫点位置坐标的原始数据，进行筛选预处理后，转化成居民出行起讫点坐标。如对于车辆牌照识别卡口数据，每天获取车辆牌照识别卡口数据的时段为早上6:00-晚上11:00，在获取的车辆牌照识别卡口数据中，筛选出每辆车经过车辆识别卡口的时间、车牌号、以及该车辆牌照识别卡口的地理坐标；对于地铁IC卡数据，每天获取地铁IC数据的时段为早上7:00-晚上11:00；在获取的地铁IC卡数据中，筛选出每个地铁进站口的进站刷卡记录次数、出站口的刷卡记录次数和所属的站点ID号。
在具体应用实施例中，将交通数据转换为居民起讫点坐标数据时，如对于车辆牌照识别卡口数据，可以将最早时间记录车辆牌照的车辆牌照识别卡口的地理坐标作为一个起点坐标，把最后一次记录车辆牌照的车辆牌照识别卡口作为一个讫点坐标或者该车到下一个车辆牌照识别卡口的时间间隔超过该车从上个车辆牌照识别卡口到下个车辆牌照识别卡口所需的时间加上指定时长(如2个小时)，则认为上个车辆牌照识别卡口的地理坐标为该车的一个讫点坐标。对于地铁IC数据，每个地铁站在地图上对应一个地理坐标，每个地铁站的在调查的时间段内，所有进站记录条数为n，则可以得到n个对应该地铁站地理坐标的起点坐标，每个地铁站的所有出站记录条数为h，则可以得到h个对应地铁站地理坐标的讫点坐标。
如图3所示，本实施例中步骤S02的步骤包括：
步骤S201.初步划分：对步骤S01获取的数据基于C均值进行交通小区的初步划分，并比较划分不同小区个数c时对应的划分系数S大小，获取最小的划分系数S所对应的划分小区个数c以及各个小区中心坐标ci作为初始参数；
步骤S202.聚类分析：对步骤S01获取的数据使用初始参数进行K均值聚类分析，即以C均值聚类得到的小区个数c以及小区中心ci分别作为K均值聚类分析的小区个数和初始化小区聚类中心点，循环更新各个小区的中心，当两次相邻循环计算得到的代价函数J差别小与给定的阈值e时完成当前聚类分析，得到最终划分的小区数和小区中心点；
步骤S203.边界生成：按照步骤S202最终划分的小区数和小区中心点划分各交通小区，并对应生成各交通小区的边界。
本实施例先基于C均值对交通小区进行初步划分，比较划分不同小区个数c的划分系数S大小，选取合适的划分系数S最小所对应的划分小区个数以及各个小区中心坐标ci作为下一阶段的聚类分析的初始参数；然后进行K均值聚类分析，以C均值聚类得到的小区个数c以及小区中心ci作为K均值聚类分析的小区个数和初始化小区聚类中心点，每一步更新各个小区的中心，当两次相邻循环计算得到的代价函数J差别小与给定的阈值e，则停止聚类，得出最终划分的小区数和小区中心点；然后对确定出的小区进行边界生成。
上述在交通小区划分时，使用C均值与K均值相结合的聚类分析方法，通过先基于C均值进行快速的初始划分，确定出初始参数后再利用进行K均值进行聚类分析，可以兼顾聚类的效率以及精度，从而能够充分考虑居民出行特性快速、合理的划分出交通小区，从而进一步提高预测的精度。
在具体应用实施例中，在聚类结束后，上述步骤S203生成边界的步骤为：将所有聚类得到的起讫点先通过纠偏定位到地图上，对聚类好的每一类起讫点在地图上使用不同颜色标识，将地图放大至道路级别，筛选不同颜色的起讫点的分界线路段作为交通小区边界，确保划分的小区边界线不被分隔，至此完成小区划分的工作。当然还可以直接使用Gis软件等生成交通小区的边界。
本实施例中，步骤S201的步骤包括：
步骤S211.使用各交通小区中心到各起讫点样本的距离随机初始生成起讫点隶属矩阵U，每个起讫点样本对应一个起讫点位置坐标数据，起讫点隶属矩阵U中包括各起讫点样本归属于交通小区的隶属度；
步骤S212.根据各起讫点样本归属于各交通小区的隶属度，计算各交通小区的中心；
步骤S213.计算代价函数J，如果第k次计算的代价函数J(k)与第k+1次计算得到的代价函数J(K+1)值相差的绝对值小于给定阈值e，则转至步骤S215，否则转至步骤S214；
步骤S214.计算起讫点隶属矩阵U；
步骤S215.根据当前计算得到的隶属矩阵U划分交通小区，其中如果起讫点样本i属于交通小区j的隶属度达到最大，则将起讫点样本i划分为属于交通小区j，完成交通小区的初步划分；
步骤S216.计算划分系数S，比较取不同划分小区个数时划分系数S的大小，并选取最小的划分系数S所对应的划分小区个数cc以及各个交通小区中心坐标ci作为初始参数。
上述步骤S211中随机初始生成起讫点隶属矩阵U时，所有起讫点坐标样本需满足：
Figure BDA0002997044000000091
步骤S211、步骤S214中生成起讫点隶属矩阵U的具体表达式为：
U＝(uij)c×n(2)
Figure BDA0002997044000000092
其中，uij表示起讫点样本j归属于交通小区i的隶属度，c表示交通小区的个数，n表示起讫点样本的个数，m为模糊聚类指数，
Figure BDA0002997044000000093
表示交通小区i中心到起讫点样本j的欧式距离；
步骤S212中具体按照下式计算交通小区i的中心ci：
Figure BDA0002997044000000094
其中，xj为起讫点样本j的坐标；
步骤S213中代价函数J的计算表达式为：
Figure BDA0002997044000000101
步骤S216中划分系数计算表达式为：
Figure BDA0002997044000000102
Figure BDA0002997044000000103
Figure BDA0002997044000000104
Figure BDA0002997044000000105
其中，dij表示起讫点样本i到小区j的小区中心的距离，nj为第j小区内起讫点的个数，Rj表示第j小区的平均半径，n为全部起讫点的个数；pij表示小区i中心与小区j中心的距离，Rout表示全部小区中心两两距离之和，Rin表示对Rj小区按通行量的加权平均。
本实施例中，上述步骤S202的具体步骤包括：
S221.按照初始参数令交通小区数量为cc个、各个交通小区的初始中心为ci，再次对步骤S01获取的数据中全部n个起讫点样本进行K均值聚类，每个起讫点样本对应一个起讫点位置坐标数据；
S222.根据每个起讫点样本与各交通小区的中心ci之间的距离，判断每个起讫点样本所属的交通小区；
S223.计算代价函数J，如果第k次计算的代价函数J(k)与第k+1次计算得到的代价函数J(K+1)值相差的绝对值小于给定阈值e，完成聚类，得到cc个交通小区的聚类结果，否则转至步骤S224；
S224.更新交通小区中心ci，返回执行步骤S222。
上述步骤S222中，具体可利用指标rij，判断每个起讫点样本所属的交通小区，其中如果起讫点样本i属于交通小区j则rij取1，否则取0；
Figure BDA0002997044000000111
Figure BDA0002997044000000112
上述步骤S223中，计算代价函数J表达式具体为：
Figure BDA0002997044000000113
RBF神经网络中隐含层的单元数根据输入数据的特点确定，不需要人为定义，且输入层与隐含层各单元之间的连接权值全部可设为1，只需标定隐含层与输出层各单元的连接权值，所以标定RBF神经网络的权值相对简单。因而基于RBF神经网络构建交通生成预测模型时，不需要通过复杂的数学推导，在误差允许的条件下，训练好数据样本后，就可以直接得出交通生成预测模型。
本实施例通过RBF神经网络构建交通生成预测模型实现对小区的交通生成量预测，使用RBF神经网络构建模型时，使用LMS学习规则来标定隐含层与输出层各单元的连接权值，LMS学习规则即为使神经元实际输出与期望输出之间的平方差最小，不需要对激活函数求导，不仅学习速度快，且精度较高，能够兼顾预测的效率以及精度，从而能够在考虑多种相互作用影响交通生成的因素的情况下，实现对小区交通生成量快速、精确的预测。
本实施例中，步骤S03中建立交通生成预测模型时，具体将RBF神经网络中输入层各单元与隐含层各单元的连接权重w配置为1，以及配置隐含层各单元Ki与输出层各单元Lj的连接权值向量Wj，输入单元的单元数具体为12个，输出层的单元具体为2个(基本出行量、非基本出行量)；隐含层中的径向函数采用高斯函数Tk(B)：
Figure BDA0002997044000000114
Figure BDA0002997044000000115
式中：B为输入向量；rk为隐含层单元的中心；‖B－rk‖为向量B－rk的范数；σk为第k个感知的变量，dmax是所选数据中心之间的最大距离，M是数据中心的数目。
输出层作用函数具体为求和函数：
Figure BDA0002997044000000121
其中，N表示输出层的单元个数，y表示输出值。
以及获取交通生成影响参数数据并进行归一化后进行聚类，并将聚类好的M个簇的中心作为M个隐含层单元的数据中心。
在具体应用实施例中，先将影响交通小区生成的影响因素分为三个大类：个人及家庭因素、区域因素、政策因素，其中，个人以及家庭因素具体可包括：家庭收入、机动车拥有量、牌照拥有量、家庭人口、性别、年龄、个人收入、工状态等参数；区域因素具体可包括：土地用地类型面积、小区经济生产值、小区人口数量等影响因素；政策因素包括：公交优先政策、车牌号单双限行、拥挤收费、停车收费等相关交通政策；基于上述确定的影响参数，对数值型的参数数据进行归一化处理，具体对于非数值型的参数数据先用-1、0、1的数值来表示，然后再进行归一化处理。如非数值型性别参数用1表示男，用0表示女；非数值型工作状态参数用-1表示无业、用0表示学生、用1表示工作；非数值型交通政策参数，用1表示有实施、用0表示没有实施。
上述归一化具体可采用如下表达式：
Figure BDA0002997044000000122
其中，Bi表示i因子归一化之前的原始值，Bmax、Bmin分别表示各因子的最大值和最小值；表示因子i归一化后的值。
在具体应用实施例中，对上述归一化好的影响参数数据进行K均值聚类，对数据中心rk进行自组织选择，再把聚类好的M个簇的中心作为M个隐含层单元的数据中心。
经过上述步骤构建形成的RBF神经网络模型即为交通生成预测模型。
本实施例中，训练交通生成预测模型时使用LMS学习规则更新隐含层与输出层各单元的连接权值。如图4所示，本实施例中步骤S04的具体步骤包括：
步骤S401.选取并输入各交通小区的交通生成影响参数数据以及交通生成量作为训练样本；
步骤S402.初始化各层之间的连接权值、输入层的单元与隐含层的连接权值为1，以及配置隐含层各单元与输出层各单元的连接权值，获得交通生成量预测值；
步骤S403.计算交通生成量预测值与实际预测值之间的误差，当误差小于指定目标e则转至步骤S405，否则转入步骤S404；
步骤S404.使用LMS学习规则计算权向量的调整量ΔWj，并按下式更新隐含层各单元与输出层各单元的连接权值：
Wj(n)＝Wj(n-1)+ΔWj (16)
权向量的调整量可以表示为：
Figure BDA0002997044000000131
其中，Wj(n)为更新后连接权值，Wj(n-1)为更新前连接权值，n为迭代更新次数，dj表示期望输出，B表示输入向量，η表示学习常数；
更新后转至步骤S403；
S405.判断当前是否完全全部训练样本的训练，如果是完成模型训练，输出所有确定的RBF神经网络模型的权值，得到训练后的交通生成预测模型。
上述步骤S401中，隐含层各单元与输出层各单元的连接权值具体可取区间[0.00001，0.99999]的任意值，具体可以根据实际需求配置。
上述步骤S403中误差值具体可采用绝对平均值误差MAPE，计算表达式具体可以为：
Figure BDA0002997044000000132
其中，Xi交通生成量的预测值，Yi表示交通生成量的实际预测值。
完成上述模型训练后，输入需预测的小区交通影响参数数据到已经训练完成的RBF神经网络模型中进行计算，即可得出该地区的交通生成量的预测结果。
本发明在具体应用实施例中实现交通生成预测时，如图2所示，先收集指定时长内车辆牌照识别卡口数据、地铁IC卡数据等数据，进行筛选预处理，转化成居民出行起讫点坐标；采用K均值与C均值聚类相结合的聚类分析方法，对所有的起讫点进行聚类分析，确定交通小区的划分个数并确定小区边界；确定小区交通生成的影响因素，并对交通生成所需的数据进行预处理后，建立预测交通生成的RBF神经网络模型，形成交通生成预测模型，输入各小区交通生成影响参数数据以及交通生成量作为训练样本，使用LMS学习规则完成RBF神经网络模型的权值标定，将所需预测的小区交通影响参数数据以及交通生成量输入到已经训练完成的RBF神经网络模型中，即可得出该地区的交通生成量的预测结果。上述预测过程，能够综合考虑多要素间的融合互动与组合作用的影响，且不需要进行数学推导和预测值假设，能够提高未来小区交通生成预测的精度以及效率。
在另一实施例中，本发明还包括一种基于RBF神经网络模型的交通生成预测系统，包括处理器以及存储器，存储器用于存储计算机程序，处理器用于执行计算机程序，处理器用于执行计算机程序以执行上述基于RBF神经网络模型的交通生成预测方法。
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (10)

1.一种基于RBF神经网络模型的交通生成预测方法，其特征在于，步骤包括：
步骤S01.数据获取：获取待预测区域指定时长内的居民出行起讫点位置坐标数据；
步骤S02.交通小区划分：对步骤S01获取的居民出行起讫点位置坐标数据进行聚类分析，由聚类结果将待预测区域进行交通小区的划分；
步骤S03.预测模型构建：使用RBF神经网络建立用于预测所述交通小区的交通生成量的交通生成预测模型；
步骤S04.预测模型训练：获取各所述交通小区的交通生成影响参数数据以及交通生成量，并将获取的数据作为训练样本对所述交通生成预测模型进行训练，得到训练后的交通生成预测模型；
步骤S05.交通生成预测：将待预测交通小区的交通生成影响参数数据以及交通生成量输入至训练后的交通生成预测模型中，得到待预测交通小区的交通生成量的预测结果输出。
2.根据权利要求1所述的基于RBF神经网络模型的交通生成预测方法，其特征在于，所述步骤S01的步骤包括：
步骤S101.交通数据获取：获取待预测区域指定时长内的居民交通出行数据，所述居民交通出行数据包括车辆位置识别数据、居民出入公共交通数据；
步骤S102.坐标数据转换：将获取的所述居民交通出行数据转换为居民出行起讫点位置坐标数据。
3.根据权利要求1所述的基于RBF神经网络模型的交通生成预测方法，其特征在于，所述步骤S02的步骤包括：
步骤S201.初步划分：对步骤S01获取的数据基于C均值进行所述交通小区的初步划分，并比较划分不同小区个数c时对应的划分系数S大小，获取最小的划分系数S所对应的划分小区个数c以及各个小区中心坐标ci作为初始参数；
步骤S202.聚类分析：对步骤S01获取的数据使用所述初始参数进行K均值聚类分析，即以C均值聚类得到的小区个数c以及小区中心ci分别作为K均值聚类分析的小区个数和初始化小区聚类中心点，循环更新各个小区的中心，当两次相邻循环计算得到的代价函数J差别小与给定的阈值e时完成当前聚类分析，得到最终划分的小区数和小区中心点；
步骤S203.边界生成：按照步骤S202最终划分的小区数和小区中心点划分各所述交通小区，并对应生成各所述交通小区的边界。
4.根据权利要求3所述的基于RBF神经网络模型的交通生成预测方法，其特征在于，所述步骤S201的步骤包括：
步骤S211.使用各交通小区中心到各起讫点样本的距离随机初始生成起讫点隶属矩阵U，每个所述起讫点样本对应一个起讫点位置坐标数据，所述起讫点隶属矩阵U中包括各起讫点样本归属于交通小区的隶属度；
步骤S212.根据各起讫点样本归属于各所述交通小区的隶属度，计算各所述交通小区的中心；
步骤S213.计算代价函数J，如果第k次计算的代价函数J(k)与第k+1次计算得到的代价函数J(K+1)值相差的绝对值小于给定阈值e，则转至步骤S215，否则转至步骤S214；
步骤S214.计算所述起讫点隶属矩阵U；
步骤S215.根据当前计算得到的隶属矩阵U划分交通小区，其中如果起讫点样本i属于交通小区j的隶属度达到最大，则将起讫点样本i划分为属于交通小区j，完成交通小区的初步划分；
步骤S216.计算划分系数S，比较取不同划分小区个数时划分系数S的大小，并选取最小的划分系数S所对应的划分小区个数cc以及各个交通小区中心坐标ci作为所述初始参数。
5.根据权利要求4所述的基于RBF神经网络模型的交通生成预测方法，其特征在于，具体按照下式生成所述起讫点隶属矩阵U：
U＝(uij)c×n
Figure FDA0002997043990000021
其中，uij表示起讫点样本j归属于交通小区i的隶属度，c表示所述交通小区的个数，n表示起讫点样本的个数，m为模糊聚类指数，
Figure FDA0002997043990000022
表示交通小区i中心到起讫点样本j的欧式距离；
所述步骤S212中具体按照下式计算交通小区i的中心ci：
Figure FDA0002997043990000023
其中，xj为起讫点样本j的坐标；
所述步骤S213中代价函数J的计算表达式为：
Figure FDA0002997043990000031
所述步骤S216中划分系数计算表达式为：
Figure FDA0002997043990000032
Figure FDA0002997043990000033
Figure FDA0002997043990000034
Figure FDA0002997043990000035
其中，dij表示起讫点样本i到小区j的小区中心的距离，nj为第j小区内起讫点的个数，Rj表示第j小区的平均半径，n为全部起讫点的个数；pij表示小区i中心与小区j中心的距离，Rout表示全部小区中心两两距离之和，Rin表示对Rj小区按通行量的加权平均。
6.根据权利要求1～5中任意一项所述的基于RBF神经网络模型的交通生成预测方法，其特征在于，所述步骤S202的步骤包括：
S221.按照所述初始参数令交通小区数量为cc个、各个交通小区的初始中心为ci，再次对步骤S01获取的数据中全部n个起讫点样本进行K均值聚类，每个所述起讫点样本对应一个起讫点位置坐标数据；
S222.根据每个起讫点样本与各交通小区的中心ci之间的距离，判断每个起讫点样本所属的交通小区；
S223.计算代价函数J，如果第k次计算的代价函数J(k)与第k+1次计算得到的代价函数J(K+1)值相差的绝对值小于给定阈值e，完成聚类，得到cc个交通小区的聚类结果，否则转至步骤S224；
S224.更新交通小区中心ci，返回执行步骤S222。
7.根据权利要求1～5中任意一项所述的基于RBF神经网络模型的交通生成预测方法，其特征在于，所述步骤S03中建立交通生成预测模型时，具体将RBF神经网络中输入层各单元与隐含层各单元的连接权重w配置为1，以及配置隐含层各单元Ki与输出层各单元Lj的连接权值向量Wj，隐含层中的径向函数采用高斯函数Tk(B)，输出层作用函数为求和函数；获取交通生成影响参数数据并进行归一化后进行聚类，并将聚类好的M个簇的中心作为M个隐含层单元的数据中心。
8.根据权利要求1～5中任意一项所述的基于RBF神经网络模型的交通生成预测方法，其特征在于，所述步骤S04中训练所述交通生成预测模型时，使用LMS学习规则更新隐含层与输出层各单元的连接权值。
9.根据权利要求1～5中任意一项所述的基于RBF神经网络模型的交通生成预测方法，其特征在于，步骤S04的步骤包括：
步骤S401.选取并输入各交通小区的所述交通生成影响参数数据以及交通生成量作为训练样本；
步骤S402.初始化各层之间的连接权值、输入层的单元与隐含层的连接权值为1，以及配置隐含层各单元与输出层各单元的连接权值，获得交通生成量预测值；
步骤S403.计算所述交通生成量预测值与实际预测值之间的误差，当误差小于指定目标e则转至步骤S405，否则转入步骤S404；
步骤S404.使用LMS学习规则计算权向量的调整量ΔWj，并按下式更新隐含层各单元与输出层各单元的连接权值：
Wj(n)＝Wj(n-1)+ΔWj
权向量的调整量可以表示为：
Figure FDA0002997043990000041
其中，Wj(n)为更新后连接权值，Wj(n-1)为更新前连接权值，n为迭代更新次数，dj表示期望输出，B表示输入向量，η表示学习常数；
更新后转至步骤S403；
S405.判断当前是否完全全部训练样本的训练，如果是完成模型训练，输出所有确定的RBF神经网络模型的权值，得到训练后的所述交通生成预测模型。
10.一种基于RBF神经网络模型的交通生成预测系统，包括处理器以及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，其特征在于，所述处理器用于执行所述计算机程序以执行如权利要求1～9中任意一项所述方法。
CN202110333100.6A 2021-03-29 2021-03-29 基于rbf神经网络模型的交通生成预测方法及系统 Pending CN113011512A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110333100.6A CN113011512A (zh) 2021-03-29 2021-03-29 基于rbf神经网络模型的交通生成预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110333100.6A CN113011512A (zh) 2021-03-29 2021-03-29 基于rbf神经网络模型的交通生成预测方法及系统

Publications (1)

Publication Number Publication Date
CN113011512A true CN113011512A (zh) 2021-06-22

Family

ID=76408642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110333100.6A Pending CN113011512A (zh) 2021-03-29 2021-03-29 基于rbf神经网络模型的交通生成预测方法及系统

Country Status (1)

Country Link
CN (1) CN113011512A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114358667A (zh) * 2022-03-21 2022-04-15 创意信息技术股份有限公司 一种基于rbf网络学习的景区风险预测模型构建方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114358667A (zh) * 2022-03-21 2022-04-15 创意信息技术股份有限公司 一种基于rbf网络学习的景区风险预测模型构建方法
CN114358667B (zh) * 2022-03-21 2022-06-21 创意信息技术股份有限公司 一种基于rbf网络学习的景区风险预测模型构建方法

Similar Documents

Publication Publication Date Title
CN112216108A (zh) 一种基于属性增强的时空图卷积模型的交通预测方法
Ma et al. Short-term traffic flow forecasting by selecting appropriate predictions based on pattern matching
CN111582559B (zh) 一种到达时间的预估方法及装置
Csikós et al. Traffic speed prediction method for urban networks—An ANN approach
CN110674636B (zh) 一种用电行为分析方法
CN113283665A (zh) 一种基于路网的城市交通事故风险预测方法
CN115600729A (zh) 一种考虑多属性网格电网负荷预测方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN113205223A (zh) 一种电量预测系统及其预测方法
CN115730635A (zh) 一种电动汽车负荷预测方法
CN114511063A (zh) 电力数据预测模型构建方法、装置、设备、介质及程序
Brahimi et al. Modelling on car-sharing serial prediction based on machine learning and deep learning
CN113380043B (zh) 一种基于深度神经网络计算的公交到站时间预测方法
CN113011512A (zh) 基于rbf神经网络模型的交通生成预测方法及系统
CN117436653A (zh) 一种网约车出行需求的预测模型构建方法和预测方法
CN113298318A (zh) 一种新型的配电变压器重过载预测方法
CN117610734A (zh) 基于深度学习的用户行为预测方法、系统和电子设备
CN110490365B (zh) 一种基于多源数据融合预测网约车订单量的方法
CN116797274A (zh) 一种基于Attention-LSTM-LightGBM的共享单车需求量预测方法
CN114912854B (zh) 地铁列车运行调整方法、装置、电子设备及存储介质
CN116612633A (zh) 一种基于车路协同感知下的自适应动态路径规划方法
CN116756498A (zh) 一种基于lstm和分位数回归的径流概率预测算法
CN113743671B (zh) 一种高铁快递专列运输网络优化方法及系统
CN114139984A (zh) 基于流量与事故协同感知的城市交通事故风险预测方法
CN113553350A (zh) 一种相似演化模式聚类及动态时区划分的交通流分区模型

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination