CN116453352A - 一种基于k聚类算法和神经网络的货车交通流量预测方法 - Google Patents

一种基于k聚类算法和神经网络的货车交通流量预测方法 Download PDF

Info

Publication number
CN116453352A
CN116453352A CN202310284098.7A CN202310284098A CN116453352A CN 116453352 A CN116453352 A CN 116453352A CN 202310284098 A CN202310284098 A CN 202310284098A CN 116453352 A CN116453352 A CN 116453352A
Authority
CN
China
Prior art keywords
traffic flow
truck
data
neural network
traffic
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
CN202310284098.7A
Other languages
English (en)
Inventor
向恩和
陈肖
朱正中
江程
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.)
Shuangyou Intelligent Control Technology Research Institute Hangzhou Co ltd
Zhejiang Topsun Logistic Control Co Ltd
Original Assignee
Shuangyou Intelligent Control Technology Research Institute Hangzhou Co ltd
Zhejiang Topsun Logistic Control Co Ltd
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 Shuangyou Intelligent Control Technology Research Institute Hangzhou Co ltd, Zhejiang Topsun Logistic Control Co Ltd filed Critical Shuangyou Intelligent Control Technology Research Institute Hangzhou Co ltd
Priority to CN202310284098.7A priority Critical patent/CN116453352A/zh
Publication of CN116453352A publication Critical patent/CN116453352A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明公开了一种基于K聚类算法和神经网络的货车交通流量预测方法，包括：基于货车的车载卫星定位装置，获得货车GPS数据；基于货车GPS数据，统计获得各路段各时间段对应的历史货车交通流量数据；利用K聚类算法对历史货车交通流量数据进行聚类处理；利用聚类后的历史数据训练神经网络，获得货车交通流量预测模型；利用货车交通流量预测模型，预测未来货车交通流量值。本发明实现精确、高效、实时的重型货车交通流量预测，并提供针对重型货车交通流量预测值的交通调度方案，有利于有关部门及时掌握相关路段的交通状况，并基于交通调度方案有效地指导交通运转，减少甚至避免交通拥堵的发生率，同时为城市道路规划、节能减排提供信息支持。

Description

一种基于K聚类算法和神经网络的货车交通流量预测方法
技术领域
本发明涉及智能交通技术领域，具体涉及一种基于K聚类算法和神经网络的货车交通流量预测方法。
背景技术
近年来，重型货车增比逐年上升。基于现有的道路资源，重型货车的增加会导致车辆拥堵现象并影响居民的日常出行，货车与客车的交通矛盾十分突出。管理部门常常采取特殊时段限行等政策来进行调控，但往往由于数据缺失和理论支撑不足等问题导致政策效果不佳。充分利用多种数据，采取科学的理论方法，对重型货车交通流进行准确的预测，可以为解决全路网重型货车拥堵等问题提供理论支持。
智能交通系统将现代的技术成果应用于交通规划和管理，建立了一种智能化的交通管理体系，精准、高效、实时是智能交通系统的显著优势，通过智能交通系统的反馈，有关部门可以及时掌握所关心地区的交通状况，从而有效地指导交通运转，减少甚至避免交通拥堵的发生率，并为城市道路规划、节能减排提供信息支持。交通流量预测作为智能交通系统的重要研究内容，其准确性和实时性对于缓解交通拥堵等方面起到重要作用。传统的交通流量预测方法往往预测的是所有类型的汽车，很少有专门预测重型货车流量的方案，无法区分汽车类型，导致无法明确了解重型货车流量预测情况，例如，中国专利授权公告号：CN111862583A，公开了一种车流量预测方法及装置，通过筛选有效的车流量特征数据，并结合有效的车流量特征数据的权重，能够预测得到准确的车流量，克服了现有技术中预测偏差大的缺陷，但上述方案只能预测所有类型的车流量，不能专门预测重型货车的流量，无法为重型货车调度提供精准的数据支持。
发明内容
本发明主要是为了解决传统的交通流量预测方法往往预测的是所有类型的车流量，无法专门预测重型货车流量的问题，提供了一种基于K聚类算法和神经网络的货车交通流量预测方法，实现精确、高效、实时的重型货车交通流量预测，并提供针对重型货车交通流量预测值的交通调度方案，有利于有关部门及时掌握所关心路段的交通状况，并基于交通调度方案有效地指导交通运转，减少甚至避免交通拥堵的发生率，同时为城市道路规划、节能减排提供信息支持。
为了实现上述目的，本发明采用以下技术方案。
一种基于K聚类算法和神经网络的货车交通流量预测方法，包括以下步骤：
步骤S1：基于货车的车载卫星定位装置，获得货车GPS数据；
步骤S2：基于货车GPS数据，统计获得各路段各时间段对应的历史货车交通流量数据；
步骤S3：利用K聚类算法对历史货车交通流量数据进行聚类处理；
步骤S4：利用聚类后的历史数据训练神经网络，获得货车交通流量预测模型；
步骤S5：利用货车交通流量预测模型，预测未来货车交通流量值；
步骤S6：根据预测的未来货车交通流量值，在专家规则库中查找未来货车交通流量值对应的交通调度方案反馈给终端；
本发明提供了一种基于K聚类算法和神经网络的货车交通流量预测方法，实现精确、高效、实时的重型货车交通流量预测，并提供针对重型货车交通流量预测值的交通调度方案，有利于有关部门及时掌握所关心路段的交通状况，并基于交通调度方案有效地指导交通运转，减少甚至避免交通拥堵的发生率，同时为城市道路规划、节能减排提供信息支持；采用K聚类算法对收集的历史数据进行聚类处理，提升数据的质量，进而提高预测结果的可靠性；基于神经网络自学习的方法，训练神经网络获得货车交通流量预测模型，实现智能化货车交通流量预测；将重型货车交通流量预测值通过无线网络反馈给货车司机，为货车司机选择出行路线提供更多维度的选择，提供更好的出行服务。
作为优选，步骤S2中，将GPS数据根据经纬度定位到所属的路网路段上，按照指定时间间隔进行统计，得到城市路网上每个路段的各时间段的历史货车交通流量数据。本发明将城市路网进行编号形成路段ID，将每个路段ID按照一定的时间间隔将GPS数据进行合计，形成带有路段属性和时间段属性的交通流量数据。
作为优选，步骤S2还包括：利用小波阈值分析对历史货车交通流量数据进行去噪预处理。本发明通过小波阈值分析对收集的数据进行去噪预处理，实现海量数据精益化采集与处理，提升数据质量，保证预测结果的可靠性。
作为优选，步骤S3的具体过程，包括以下步骤：
步骤S31：计算历史货车交通流量S与路段X1、时间段X2之间的皮尔逊相关系数，具体公式为：
其中，表示历史货车交通流量S与路段X1之间的皮尔逊相关系数；
其中，表示历史货车交通流量S与时间段X2之间的皮尔逊相关系数；
步骤S32：保留皮尔逊相关系数大于参考阈值的历史数据并构建训练集，参考阈值可选0.6；步骤S33：采用归一化计算训练集中路段X1、时间段X2的权值；
步骤S34：从训练集中随机选取k个历史数据作为聚类中心；
步骤S35：计算每个数据到各个聚类中心的距离，并根据最小距离划分每个对象数据所属类别；
步骤S36：计算k个类别内所有对象数据的均值，并将得到的均值作为新的聚类中心，然后跳转执行步骤S35，直至每个聚类中心不再发生变化；
本发明利用K聚类算法对收集的数据进行聚类处理，实现海量数据精益化采集与处理，提升数据质量，保证预测结果的可靠性。
作为优选，步骤S4中，所述神经网络为单隐层多层神经网络结构，包括输入层、隐藏层和输出层，输入层神经元个数为m，输出层神经元个数为n，隐藏层神经元个数为h，隐藏层激活函数为高斯径向基函数，输出层激活函数为线性函数。
作为优选，步骤S4中，将影响货车交通流量的主要因素输入到神经网络模型进行优化训练，所述影响货车交通流量的主要因素包括路段X1和时间段X2，表示为X＝{X1,X2}，神经网络模型的输出结果表示为S，则对应的函数关系表达式为S＝F(X1,X2)。
作为优选，所述隐藏层激活函数为高斯径向基函数具体包括：利用高斯径向基函数获得隐藏层的输入与输出之间的非线性对应关系，其表达式为：
其中，ci表示第i个隐藏层神经节点到输出层神经节点的偏置向量，σi表示第i个隐藏层神经元的宽度参数，i＝1，2，…，h。
作为优选，所述输出层激活函数为线性函数，其计算公式为：
其中，k表示隐藏层中的节点数，wi表示第i个隐藏层到输出层中节点的权重，hi表示第i个隐藏层中节点的输出值，θ为相应输出层中节点的阈值。
作为优选，步骤S5中，向所述货车交通流量预测模型输入路段值和未来时间段值，货车交通流量预测模型输出预测的未来货车交通流量值，实现精确、高效、实时的重型货车交通流量预测，解决了传统的交通流量预测方法往往预测的是所有类型的车流量，无法区分汽车类型，导致无法明确获取重型货车流量预测值的问题，为重型货车调度提供精准的数据支持。
作为优选，步骤S6中，若所述专家规则库中不存在未来货车交通流量值对应的交通调度方案，则将预测数据反馈给终端，终端根据预测数据对各路段的货车进行安排调度，并将预测数据及其对应的交通调度方案存储于专家规则库，实现专家规则库更新。专家规则库设有更新制度，有利于优化专家规则库，提高适用性。
因此，本发明的优点是：
(1)实现精确、高效、实时的重型货车交通流量预测，并提供针对重型货车交通流量预测值的交通调度方案，有利于有关部门及时掌握所关心路段的交通状况，并基于交通调度方案有效地指导交通运转，减少甚至避免交通拥堵的发生率，同时为城市道路规划、节能减排提供信息支持；
(2)采用K聚类算法对收集的历史数据进行聚类处理，提升数据的质量，进而提高预测结果的可靠性；
(3)基于神经网络自学习的方法，训练神经网络获得货车交通流量预测模型，实现智能化货车交通流量预测；
(4)解决了传统的交通流量预测方法往往预测的是所有类型的车流量，无法区分汽车类型，导致无法明确了解重型货车流量预测情况的问题，为重型货车调度提供精准的数据支持；
(5)将重型货车交通流量预测值通过无线网络反馈给货车司机，为货车司机选择出行路线提供更多维度的选择，提供更好的出行服务。
附图说明
图1是本发明实施例中一种基于K聚类算法和神经网络的货车交通流量预测方法的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
一种基于K聚类算法和神经网络的货车交通流量预测方法，如图1所示，包括以下步骤：
步骤S1：基于货车的车载卫星定位装置，获得货车GPS数据；
步骤S2：基于货车GPS数据，统计获得各路段各时间段对应的历史货车交通流量数据；
步骤S3：利用K聚类算法对历史货车交通流量数据进行聚类处理；
步骤S4：利用聚类后的历史数据训练神经网络，获得货车交通流量预测模型；
步骤S5：利用货车交通流量预测模型，预测未来货车交通流量值；
步骤S6：根据预测的未来货车交通流量值，在专家规则库中查找未来货车交通流量值对应的交通调度方案反馈给终端；
本实施例提供了一种基于K聚类算法和神经网络的货车交通流量预测方法，基于货车GPS数据获得历史货车交通流量数据，采用K聚类算法对历史货车交通流量数据进行聚类处理，使用聚类后的历史数据训练神经网络，获得货车交通流量预测模型，实现精确、高效、实时的重型货车交通流量预测，并提供针对重型货车交通流量预测值的交通调度方案，有利于有关部门及时掌握所关心路段的交通状况，并基于交通调度方案有效地指导交通运转，减少甚至避免交通拥堵的发生率，同时为城市道路规划、节能减排提供信息支持。本实施例的重型货车交通流量预测值可以通过无线网络反馈给货车司机，为货车司机选择出行路线提供更多维度的选择，提供更好的出行服务。
步骤S2中，将GPS数据根据经纬度定位到所属的路网路段上，按照指定时间间隔进行统计，得到城市路网上每个路段的各时间段的历史货车交通流量数据。本实施例将城市路网进行编号形成路段ID，将每个路段ID按照一定的时间间隔将GPS数据进行合计，形成带有路段属性和时间段属性的交通流量数据。
步骤S2还包括：利用小波阈值分析对历史货车交通流量数据进行去噪预处理。本实施例通过小波阈值分析对收集的数据进行去噪预处理，实现海量数据精益化采集与处理，提升数据质量，保证预测结果的可靠性。
步骤S3的具体过程，包括以下步骤：
步骤S31：计算历史货车交通流量S与路段X1、时间段X2之间的皮尔逊相关系数，具体公式为：
其中，表示历史货车交通流量S与路段X1之间的皮尔逊相关系数；
其中，表示历史货车交通流量S与时间段X2之间的皮尔逊相关系数；
步骤S32：保留皮尔逊相关系数ρ大于参考阈值0.6的历史数据并构建训练集，当0.8≤ρ<1，为极强相关；当0.6≤ρ<0.8，为强相关；当0.4≤ρ<0.6，为中等程度相关；当0.2≤ρ<0.4，为弱相关；当0≤ρ<0.2，为极弱相关或无相关，本实施例参考阈值取0.6，删除皮尔逊相关系数ρ不大于0.6的数据，保留皮尔逊相关系数ρ大于0.6的数据并构建训练集；
步骤S33：采用归一化计算训练集中路段X1、时间段X2的权值；
步骤S34：从训练集中随机选取k个历史数据作为聚类中心；
步骤S35：计算每个数据到各个聚类中心的距离，并根据最小距离划分每个对象数据所属类别；
步骤S36：计算k个类别内所有对象数据的均值，并将得到的均值作为新的聚类中心，然后跳转执行步骤S35，直至每个聚类中心不再发生变化；
本实施例利用K聚类算法对收集的数据进行聚类处理，实现海量数据精益化采集与处理，提升数据质量，保证预测结果的可靠性。
步骤S4中，神经网络为单隐层多层神经网络结构，包括输入层、隐藏层和输出层，输入层神经元个数为m，输出层神经元个数为n，隐藏层神经元个数为h，隐藏层激活函数为高斯径向基函数，输出层激活函数为线性函数。
步骤S4中，将影响货车交通流量的主要因素输入到神经网络模型进行优化训练，影响货车交通流量的主要因素包括路段X1和时间段X2，表示为X＝{X1,X2}，神经网络模型的输出结果表示为S，则对应的函数关系表达式为S＝F(X1,X2)。
隐藏层激活函数为高斯径向基函数具体包括：利用高斯径向基函数获得隐藏层的输入与输出之间的非线性对应关系，其表达式为：
其中，ci表示第i个隐藏层神经节点到输出层神经节点的偏置向量，σi表示第i个隐藏层神经元的宽度参数，i＝1，2，…，h。
输出层激活函数为线性函数，其计算公式为：
其中，k表示隐藏层中的节点数，wi表示第i个隐藏层到输出层中节点的权重，hi表示第i个隐藏层中节点的输出值，θ为相应输出层中节点的阈值。
步骤S5中，向货车交通流量预测模型输入路段值和未来时间段值，货车交通流量预测模型输出预测的未来货车交通流量值，实现精确、高效、实时的重型货车交通流量预测，解决了传统的交通流量预测方法往往预测的是所有类型的车流量，无法区分汽车类型，导致无法明确获取重型货车流量预测值的问题。
步骤S6中，若专家规则库中不存在未来货车交通流量值对应的交通调度方案，则将预测数据反馈给终端，终端根据预测数据对各路段的货车进行安排调度，并将预测数据及其对应的交通调度方案存储于专家规则库，实现专家规则库更新。专家规则库设有更新制度，有利于优化专家规则库，提高适用性。
以上内容，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于K聚类算法和神经网络的货车交通流量预测方法，其特征在于，包括以下步骤：
步骤S1：基于货车的车载卫星定位装置，获得货车GPS数据；
步骤S2：基于货车GPS数据，统计获得各路段各时间段对应的历史货车交通流量数据；
步骤S3：利用K聚类算法对历史货车交通流量数据进行聚类处理；
步骤S4：利用聚类后的历史数据训练神经网络，获得货车交通流量预测模型；
步骤S5：利用货车交通流量预测模型，预测未来货车交通流量值；
步骤S6：根据预测的未来货车交通流量值，在专家规则库中查找未来货车交通流量值对应的交通调度方案反馈给终端。
2.根据权利要求1所述的一种基于K聚类算法和神经网络的货车交通流量预测方法，其特征在于，步骤S2中，将GPS数据根据经纬度定位到所属的路网路段上，按照指定时间间隔进行统计，得到城市路网上每个路段的各时间段的历史货车交通流量数据。
3.根据权利要求1或2所述的一种基于K聚类算法和神经网络的货车交通流量预测方法，其特征在于，步骤S2还包括：利用小波阈值分析对历史货车交通流量数据进行去噪预处理。
4.根据权利要求1或2所述的一种基于K聚类算法和神经网络的货车交通流量预测方法，其特征在于，步骤S3的具体过程，包括以下步骤：
步骤S31：计算历史货车交通流量S与路段X1、时间段X2之间的皮尔逊相关系数；
步骤S32：保留皮尔逊相关系数大于参考阈值的历史数据并构建训练集；
步骤S33：采用归一化计算训练集中路段X1、时间段X2的权值；
步骤S34：从训练集中随机选取k个历史数据作为聚类中心；
步骤S35：计算每个数据到各个聚类中心的距离，并根据最小距离划分每个对象数据所属类别；
步骤S36：计算k个类别内所有对象数据的均值，并将得到的均值作为新的聚类中心，然后跳转执行步骤S35，直至每个聚类中心不再发生变化。
5.根据权利要求1所述的一种基于K聚类算法和神经网络的货车交通流量预测方法，其特征在于，步骤S4中，所述神经网络为单隐层多层神经网络结构，包括输入层、隐藏层和输出层，输入层神经元个数为m，输出层神经元个数为n，隐藏层神经元个数为h，隐藏层激活函数为高斯径向基函数，输出层激活函数为线性函数。
6.根据权利要求4所述的一种基于K聚类算法和神经网络的货车交通流量预测方法，其特征在于，步骤S4中，将影响货车交通流量的主要因素输入到神经网络模型进行优化训练，所述影响货车交通流量的主要因素包括路段X1和时间段X2，表示为X＝*X1,X2+，神经网络模型的输出结果表示为S，则对应的函数关系表达式为S＝F(X1,X2)。
7.根据权利要求5所述的一种基于K聚类算法和神经网络的货车交通流量预测方法，其特征在于，所述隐藏层激活函数为高斯径向基函数具体包括：利用高斯径向基函数获得隐藏层的输入与输出之间的非线性对应关系，其表达式为：
其中，ci表示第i个隐藏层神经节点到输出层神经节点的偏置向量，σi表示第i个隐藏层神经元的宽度参数，i＝1，2，…，h。
8.根据权利要求5或7所述的一种基于K聚类算法和神经网络的货车交通流量预测方法，其特征在于，所述输出层激活函数为线性函数，其计算公式为：
其中，k表示隐藏层中的节点数，wi表示第i个隐藏层到输出层中节点的权重，hi表示第i个隐藏层中节点的输出值，θ为相应输出层中节点的阈值。
9.根据权利要求1所述的一种基于K聚类算法和神经网络的货车交通流量预测方法，其特征在于，步骤S5中，向所述货车交通流量预测模型输入路段值和未来时间段值，货车交通流量预测模型输出预测的未来货车交通流量值。
10.根据权利要求1或9所述的一种基于K聚类算法和神经网络的货车交通流量预测方法，其特征在于，步骤S6中，若所述专家规则库中不存在未来货车交通流量值对应的交通调度方案，则将预测数据反馈给终端，终端根据预测数据对各路段的货车进行安排调度，并将预测数据及其对应的交通调度方案存储于专家规则库，实现专家规则库更新。
CN202310284098.7A 2023-03-22 2023-03-22 一种基于k聚类算法和神经网络的货车交通流量预测方法 Pending CN116453352A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310284098.7A CN116453352A (zh) 2023-03-22 2023-03-22 一种基于k聚类算法和神经网络的货车交通流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310284098.7A CN116453352A (zh) 2023-03-22 2023-03-22 一种基于k聚类算法和神经网络的货车交通流量预测方法

Publications (1)

Publication Number Publication Date
CN116453352A true CN116453352A (zh) 2023-07-18

Family

ID=87126598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310284098.7A Pending CN116453352A (zh) 2023-03-22 2023-03-22 一种基于k聚类算法和神经网络的货车交通流量预测方法

Country Status (1)

Country Link
CN (1) CN116453352A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117334058A (zh) * 2023-11-30 2024-01-02 交通运输部科学研究院 一种货车交通流量预测方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117334058A (zh) * 2023-11-30 2024-01-02 交通运输部科学研究院 一种货车交通流量预测方法、装置、设备及存储介质
CN117334058B (zh) * 2023-11-30 2024-03-19 交通运输部科学研究院 一种货车交通流量预测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Huang et al. Automobile insurance classification ratemaking based on telematics driving data
Karami et al. Smart transportation planning: Data, models, and algorithms
Yao et al. Short‐term traffic speed prediction for an urban corridor
Wang et al. Truck traffic flow prediction based on LSTM and GRU methods with sampled GPS data
Ma Traffic performance evaluation using statistical and machine learning methods
CN111008223B (zh) 一种基于时空关联规则的区域交通拥堵相关性计算方法
Li et al. Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks
CN110836675B (zh) 一种基于决策树的自动驾驶搜索决策方法
Chen et al. Data analytics approach for travel time reliability pattern analysis and prediction
CN107194491A (zh) 一种基于公交客流和站间行程时间预测的动态调度方法
CN114037158A (zh) 一种基于od路径的客流预测方法及应用方法
CN111583628A (zh) 基于数据质量控制的道路网重型货车交通流量预测方法
CN114187766B (zh) 一种基于饱和率的道路服务水平评价方法
CN116453352A (zh) 一种基于k聚类算法和神经网络的货车交通流量预测方法
Bousonville et al. Data driven analysis and forecasting of medium and heavy truck fuel consumption
Zhu et al. Early identification of recurrent congestion in heterogeneous urban traffic
CN110490365A (zh) 一种基于多源数据融合预测网约车订单量的方法
Zahedian et al. Dynamic toll prediction using historical data on toll roads: case study of the I-66 inner beltway
Xia et al. A distributed EMDN-GRU model on Spark for passenger waiting time forecasting
Yu et al. Combining travel behavior in metro passenger flow prediction: A smart explainable Stacking-Catboost algorithm
Wang et al. A comparative study on demand forecast of car sharing users based on ARIMA and LSTM
Dimara et al. Mlp for spatio-temporal traffic volume forecasting
Kutlimuratov et al. Impact of stops for bus delays on routes
Srivastava et al. Web survey data and commuter mode choice analysis using artificial neural network
CN110956808B (zh) 一种基于非全样定位数据的重型货车交通流量预测方法

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