《基于模糊C均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法.pdf》由会员分享，可在线阅读，更多相关《基于模糊C均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法.pdf（13页珍藏版）》请在专利查询网上搜索。
1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910064570.X (22)申请日 2019.01.23 (71)申请人 北京工业大学 地址 100124 北京市朝阳区平乐园100号 (72)发明人 桂智明陈龙郭黎敏李壮壮 (74)专利代理机构 北京思海天达知识产权代理 有限公司 11203 代理人 刘萍 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/30(2012.01) G06N 3/04(2006.01) G06K 9/62(2006.01) (54)发明名称 一种基于模糊C均。
2、值交通流量聚类以及误差 反馈卷积神经网络的短时交通流预测方法 (57)摘要 一种基于模糊C均值交通流量聚类以及误差 反馈卷积神经网络的短时交通流预测方法属于 交通预测领域。 本发明采用模糊聚类的思想对交 通流进行模式划分， 弥补了传统硬性聚类算法对 交通流量进行模式划分的不足。 同时提出了误差 反馈卷积神经网络结构， 解决了传统的神经网络 不能够充分利用时空交通信息， 且对突变异常流 量不敏感等缺点。 并且将两者结合构建组合模 型， 用于短时交通流的预测中。 该方法在使得预 测模型可以更加精确地预测未来时间单位的流 量， 同时提高了对突发事件引起的流量变化的识 别能力。 权利要求书2页 说明书。
3、8页 附图2页 CN 109711640 A 2019.05.03 CN 109711640 A 1.一种基于模糊C均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方 法， 其特征在于， 包括以下步骤： 步骤1.采用模糊C均值算法， 将一天中的交通流量分为C种不同的流量模式； 步骤2.根据交通数据的时空特性， 在时间维度以及空间维度构建交通流二维矩阵； 步骤3.在传统卷积神经网络的结构基础上构建误差反馈卷积神经网络； 步骤4.定义损失函数， 训练模型； 定义损失函数其中n为样本个 数， o为预测模型的预测值， y为真实流量数据； 根据损失函数， 通过反向传播算法对模型参 数寻求最优解；。
4、 步骤5.根据误差反馈卷及审计网络组合预测模型， 实现短时交通流的预测。 2.对于权利要求1中所述的基于模糊C均值交通流量聚类以及卷积神经网络的短时交 通流预测方法， 其特征在于， 步骤1中， 对于采集的交通数据样本点表示为Xx1,x2,., xn， 目标聚类数目c、 最大迭代次数T设置为1000， 迭代阈值 设置为10-4， 同时初始化c个聚 类中心点Pp1,p2,.,pc以及隶属度矩阵U， 隶属度矩阵U中的元素uij表示第j个样本点 对于第i个流量模式的隶属度； 迭代中的价值函数表示为： 其中dij表示样本与第j个流量模式中心点的欧式距离， m为大于1的聚类加权参数， 聚类的具 体步骤如下。
5、： 步骤1.1随机选择c个聚类中心Pp1,p2,.,pc， 同时记录当前迭代次数t0； 步骤1.2根据隶属度函数迭代方程更新隶属度矩阵U中的每个元素， 其 中表示在第t次迭代后的隶属度更新值， dkj表示样本点xj与流量模式中心点pk的欧式距 离； 更新后的隶属度矩阵表示为Ut+1； 步骤1.3根据聚类中心迭代方程更新聚类中心， 其中表示 第i种流量模式在第t次迭代后的到的更新值， 表示样本点xj与第i个流量模式在第t次迭 代更新后的隶属度； 更新后的聚类中心集合表示为Pt+1； 步骤1.4计算价值公式其中Jt+1(Ut+1,Pt+1)表示在第t次 迭代后价值公式的取值； 步骤1.5判断当前迭。
6、代次数t是否大于或等于最大迭代次数T， 或者|Ut+1-Ut| ， | |表示矩阵范数， 即价值函数更新值小于预设的更新阈值， 若满足则结束迭代， 进入步骤2， 若不满足则令tt+1， 并跳转到步骤1.2继续迭代。 3.对于权利要求1中所述的基于模糊C均值交通流量聚类以及卷积神经网络的短时交 通流预测方法， 其特征在于， 步骤2中， 为了卷积操作提取交通流二维矩阵的信息， 首先要结 合时间和空间两个维度构建出交通流的时空矩阵数据， 设计样式表示为： 权利要求书 1/2 页 2 CN 109711640 A 2 交通流时空矩阵的纵向表示l个时间步长的时间序列数据， 横向则表示n个不同的监测 点的。
7、空间拓扑结构； 那么矩阵中的元素xn,t-l则表示第n个监测点在第t-l个时间点上检测到 的流量数据。 4.对于权利要求1中所述的基于模糊C均值交通流量聚类以及卷积神经网络的短时交 通流预测方法， 其特征在于， 步骤3的误差反馈卷积神经网络包含以下三个部分： 3.1特征提取部分； 特征提取网络部分与现有的卷积神经网络相近， 通过卷积层、 池化 层、 展开层以及全连层， 来提取交通流时间和空间连个维度的信息； 此部分输入数据格式为 步骤2中的交通流量二维矩阵， 输出结果为一个特征向量； 3.2误差反馈部分； 误差反馈网络部分主要的主要作用为接收模型之间时间单位的预 测误差值， 从而识别异常流量对。
8、最终预测结果及时作出调整； 误差反馈层接收的数据分为 两个部分： 3.2.1特征提取网络部分预测得到的结果； 假设此部分的输入数据为特征向量v， 则误 差反馈层的此部分的输出则表示为： pC (wCv+bC) ,其中wP为连接权值， bp为输出偏置， ()为激励函数， 激励函数采用Relu函数； 3.2.2现有模型之前l个时间步长的预测误差数据； 此部分接受到的输入数据表示为误 差向量的形式， 向量的长度l， 各个元素代表之前l个时间步长预测的误差； 预测误差是由之 前l个步长内的预测值与真实值的差所组成的向量， 表示为： ety(t-1)-o(t-1),.,y(t-l)-o(t-l)， 其中。
9、y(t-l)与o(t-l)分别表示在之前l个 时间步长的真实数据和预测数据； 与误差反馈层的上一部分处理方式相同， 在t时刻， 这部 分的输出表示为：其中为连接权值， bE为输出偏置， ()为激励 函数， 激励函数Relu函数； 3.3输出融合部分； 此部分分别接收误差反馈层的两部分输出， 即pc和pE， 然后将两部分 进行融合， 将结果作为最终的输出； 计算过程表示为： of(wOPpC+wOEpE+bO)， 其中wOP,wOE和bO 为输出层神经元的连接权重和偏置， f()为输出层的激励函数， 使用ReLU函数作为输出层 的激励函数， o为模型最终的预测结果。 5.对于权利要求1中所述的基。
10、于模糊C均值交通流量聚类以及卷积神经网络的短时交 通流预测方法， 其特征在于， 步骤5中， 对t时刻的交通流做出预测的预测步骤如下： 步骤5.1根据步骤2构建交通流时空矩阵作为数据输入到组合误差反馈预测模型中， 得 到预测输出值 步骤5.2根据预测时间点t， 在步骤1中得到的隶属度矩阵中查找隶属度矩阵找到对应 时间点样本与各个交通流量模式的隶属关系向量utut1,ut2,.,utc， 其中utc表示t时刻 的交通流数据与第c中流量模式的隶属度； 步骤5.3将步骤5.2隶属关系向量ut作为5.1中的预测输出值Ot的加权值， 计算加权和作 为最终预测结果， 计算过程表示为： 权利要求书 2/2 页。
11、 3 CN 109711640 A 3 一种基于模糊C均值交通流量聚类以及误差反馈卷积神经网 络的短时交通流预测方法 技术领域 0001 本发明属于交通预测领域， 尤其涉及一种基于模糊C均值交通流量聚类以及误差 反馈卷积神经网络的短时交通流预测方法。 背景技术 0002 随着近些年经济发展速度不断加快， 私家车的数量与日俱增， 道路交通拥挤和交 通事故等交通问题逐渐成了全球共同关注的话题。 自上世纪80年代以来， 许多国家的政府 将城市交通科学规划提上日程， 智能交通系统(Intelligent Transportation System， ITS)便渐渐发展了起来。 智能交通系统主要是利用先。
12、进的数据通讯技术以及传感器技术， 对交通数据进行整合与分析， 从而为城市道路交通提供合理的交通诱导， 提高路网通过能 力， 减少交通事故。 在此其中， 精确及时的短时交通流的预测不仅可以为交通规划提供数据 上的支持， 还可以为将来的路网建设发展提供可靠依据。 因此短时交通流预测对于智能交 通系统有着重要的意义。 0003 近些年来交通预测领域取得了丰富的研究成果， 其中包括基于线性或非线性系统 理论的预测方法、 基于动态交通分配模型预测模型以及人工神经网络预测模型。 随着新技 术的兴起， 越来越多的学者开始将机器学习的相关的算法应用于解决道路交通问题。 然而 许多交通流的预测在许多方面仍然存在。
13、着可以改进的地方。 首先， 道路之间的流量数据存 在着一定的关联性， 这种关联性是道路拓扑结构的反映， 如果能合理的挖掘道路之间的关 联， 则可以在一定程度上提高模型的预测准确性。 其次， 如何提高模型对突发事件所造成异 常流量的预测精度， 也是研究的关键所在。 0004 为了进一步提升神经网络的预测能力， 研究者们将其与其他智能方法或统计方法 相结合， 构建出综合预测模型。 由于这些模型相对于单一模型往往具有更高的预测精度， 因 此它们成为了当前的主流研究趋势， 并逐渐应用于交通流预测领域。 此外， 还有许多将神经 网络技术与其他领域先进方法相结合的综合模型， 比如神经网络与模糊逻辑的结合，。
14、 神经 网络与遗传理论和鸟群算法的结合， 将神经网络与改进的粒子群算法相结合， 对小波神经 网络的优化改进， BP神经网络与Elman方法的结合等。 由于这些模型相对于单一模型往往具 有更高的预测精度， 因此它们成为了当前的研究趋势， 并逐渐应用于交通流预测领域。 0005 于此同时， 卷积神经网络在图像识别、 视频检测以及语音识别等方面都得到了广 泛的应用。 卷积神经网络的设计源自于图像数据的特殊性质， 我们一般认为图像中空间联 系是局部像素联系比较密切， 而较远距离的像素相关性较弱。 而交通流量数据与图像数据 十分类似， 某个地点的流量数据主要是受到相近时间点与上下游路段的数据影响。 通过。
15、卷 积层以及池化层等一系列处理可以更好的提取交通数据的时空特性， 在一定程度上提高模 型的预测精确程度。 0006 综上， 鉴于组合模型在交通流预测中的广泛应用以及卷积神经网络在交通流数据 处理方面的优势， 本发明提出了采用模糊思想对交通流聚类并在此基础上构建组合预测模 说明书 1/8 页 4 CN 109711640 A 4 型的短时交通流预测方法， 在此其中， 在预测模型的构建方面， 本发明为了解决传统预测模 型不能利用交通流的时空信息以及对突变异常交通数据不敏感的缺点， 在卷积神经网络原 有结构上进行了一些改进， 一方面可以使得模型拥有更高的预测精度， 方面也使得模型能 够适应更多的交通。
16、模式变化， 提高了模型的鲁棒性。 发明内容 0007 本发明的内容： 0008 提出了一种基于模糊C均值交通流量聚类以及误差反馈卷积神经网络的短时交 通流预测方法， 利用交通流量的模式划分对数据进行预处理， 并结合预测模型构建短时交 通流组合预测模型。 0009 对传统的卷积神经网络进行了改进， 添加了误差反馈层， 构建误差反馈卷积神 经网络， 并应用与短时交通流的预测。 0010 本方法是一种基于组合模型的短时交通流预测方法， 传统的方法直接采用原始交 通数据进行模型的训练， 鉴于交通数据的数据量大且噪声较多， 本方法采取交通流量模糊 预聚类的方式， 提前对交通流量进行模式划分， 极大程度的。
17、减小了训练数据集中的数据差 异， 同时又保留了每个交通数据与各个交通模式关系。 0011 本方法中所设计的误差反馈卷积神经网络， 可以接收时间和空间两个维度的交通 流信息， 同时新添加的误差反馈层可以利用之前固定时间步长内的预测误差对之后的预测 结果进行调整， 使模型对于突发事件造成的异常流量更加敏感， 在一定程度上提高了模型 的预测精度和鲁棒性。 0012 为实现上述目的， 经过研究讨论和反复实践， 本发明采用如下的技术方案： 0013 步骤1.利用模糊C均值对交通流量进行模式划分。 采集的交通数据样本点表示为X x1,x2,.,xn， 目标聚类数目c、 最大迭代次数T设置为1000， 迭代。
18、阈值 设置为10-4， 同时 初始化c个聚类中心点Pp1,p2,.,pc以及隶属度矩阵U， 隶属度矩阵U中的元素uij表示 第j个 样本 点 对 于 第i 个 流 量 模式的 隶 属度。 迭 代中的 价 值 函 数 可以 表示 为 ： 其中dij表示样本与第j个流量模式中心点的欧式距离， m为 大于1的聚类加权参数。 步骤1的具体步骤如下： 0014 步骤1.1随机选择c个聚类中心Pp1,p2,.,pc， 同时记录当前迭代次数t0； 0015步骤1.2根据隶属度函数迭代方程更新隶属度矩阵U中的每个元 素， 其中表示在第t次迭代后的隶属度更新值， dkj表示样本点xj与流量模式中心点pk的 欧式。
19、距离。 更新后的隶属度矩阵可以表示为Ut+1； 0016步骤1.3根据聚类中心迭代方程更新聚类中心， 其中 表示第i种流量模式在第t次迭代后的到的更新值， 表示样本点xj与第i个流量模式在第t 次迭代更新后的隶属度。 更新后的聚类中心集合可以表示为Pt+1； 说明书 2/8 页 5 CN 109711640 A 5 0017步骤1.4计算价值公式其中Jt+1(Ut+1,Pt+1)表示在 第t次迭代后价值公式的取值。 0018 步骤1.5判断当前迭代次数t是否大于或等于最大迭代次数T， 或者|Ut+1-Ut| ， |表示矩阵范数， 即价值函数更新值小于预设的更新阈值， 若满足则结束迭代， 进入 。
20、步骤2， 若不满足则令tt+1， 并跳转到步骤1.2继续迭代。 0019 步骤2.构建交通流的时空矩阵。 由于卷积操作需要提取交通流二维矩阵的信息， 因此首先要结合时间和空间两个维度构建出交通流的时空矩阵数据， 设计样式可以表示 为： 0020 0021 交通流时空矩阵的纵向表示l个时间步长的时间序列数据， 横向则表示n个不同的 监测点的空间拓扑结构。 那么矩阵中的元素xn,t-l则表示第n个监测点在第t-l个时间点上检 测到的流量数据。 0022 步骤3.构建误差反馈卷积神经网络。 误差反馈卷积神经网络主要包含以下三个部 分： 0023 1)特征提取部分。 特征提取网络部分与现有的卷积神经网。
21、络相近， 通过卷积层、 池 化层、 展开层以及全连层， 来提取交通流时间和空间连个维度的信息。 此部分输入数据格式 为步骤2中的交通流量二维矩阵， 输出结果为一个特征向量。 0024 2)误差反馈部分。 误差反馈网络部分主要的主要作用为接收模型之间时间单位的 预测误差值， 从而识别异常流量对最终预测结果及时作出调整。 误差反馈层接收的数据分 为两个部分： 0025 a)特征提取网络部分预测得到的结果。 假设此部分的输入数据为特征向量v， 则误 差反馈层的此部分的输出则可以表示为： 0026 pC (wCv+bC) 0027 其中wC为连接权值， bC为输出偏置， ()为激励函数， 本方法中采用。
22、Relu函数。 0028 b)现有模型之前l个时间步长的预测误差数据： 即此部分接受到的输入数据可以 表示为误差向量的形式， 向量的长度l， 各个元素代表之前l个时间步长预测的误差。 预测误 差是由之前l个步长内的预测值与真实值的差所组成的向量， 可以表示为： 0029 ety(t-1)-o(t-1),.,y(t-l)-o(t-l) 0030 其中y(t-l)与o(t-l)分别表示在之前l个时间步长的真实数据和预测数据。 与误 差反馈层的上一部分处理方式相同， 在t时刻， 这部分的输出可以表示为： 0031 0032其中为连接权值， bE为输出偏置， ()为激励函数， 本方法中采用Relu函数。
23、。 0033 3)输出融合部分。 此部分分别接收误差反馈层的两部分输出， 即pc和pE， 然后将两 部分进行融合， 将结果作为最终的输出。 计算过程可以表示为： 0034 of(wOPpC+wOEpE+bO) 说明书 3/8 页 6 CN 109711640 A 6 0035 其中wOP,wOE和bO为输出层神经元的连接权重和偏置， f()为输出层的激励函数， 0036 使用ReLU函数作为输出层的激励函数， o为模型最终的预测结果。 0037 步骤4.定义损失函数， 训练模型。 损失函数的定义如下: 0038 0039 其中n为样本个数， o为预测模型的预测值， y为真实流量数据。 根据以上。
24、损失函数， 通过反向传播算法对模型参数寻求最优解。 0040 步骤5.实现短时交通流的预测。 获取的实时交通流数据， 要对t时刻的交通流做出 预测， 则预测步骤如下： 0041 步骤5.1根据步骤2构建交通流时空矩阵作为数据输入到组合误差反馈预测模型 中， 可以得到预测输出值 0042 步骤5.2根据预测时间点t， 在步骤1中得到的隶属度矩阵中查找隶属度矩阵找到 对应时间点样本与各个交通流量模式的隶属关系向量utut1,ut2,.,utc， 其中utc表示t 时刻的交通流数据与第c中流量模式的隶属度。 0043 步骤5.3将步骤5.2隶属关系向量ut作为5.1中的预测输出值Ot的加权值， 计算。
25、加权 和作为最终预测结果， 计算过程可表示为： 0044 附图说明 0045 图1误差反馈卷积神经网络结构； 0046 图2误差反馈层内部结构图； 0047 图3基于误差反馈卷积神经网络组合预测模型整体结构； 具体实施方式 0048 1.交通流量的模糊聚类 0049 在交通流量模式划分阶段， 首先需要得到一个平均日流量数据， 从而在流量维度 进行聚类， 再映射到时间维度上得到相应的流量模式。 本发明采取的方法是首先综合每天 中每个时刻道路的总流量， 然后再对每个时刻进行取平均值操作。 数据集中共有D天的流量 数据， 每天可以收集T个时刻的交通流量， 则将在d天t时刻道路上所有监测点流量集合表示。
26、 为Ntd， 则t时刻的平均道路流量可以表示为： 0050 0051用于交通流模式划分的数据集可以表示为 0052 模糊C均值聚类算法是一种基于划分的聚类算法， 其思想是不断通过目标函数得 到每个样本点对所有类簇中心的隶属度， 从而决定样本点的类属以达到自动对样本数据进 行分类的目的。 传统的聚类算法对于数据的划分是硬性的， 而模糊C均值聚类算法在进行聚 类的同时还可以保留数据之间的关联。 模糊C均值聚类算法迭代过程中的样本对于每个分 类簇的价值函数可以表示为： 说明书 4/8 页 7 CN 109711640 A 7 0053 0054其中pi(i1,2,.,c)表示第i个聚类中心， uij。
27、为第j个样本对第i个分类簇的 隶属度， 且隶属度uij满足： 0055 0056 m为大于1的加权参数， dij为一种距离范数， 采用欧几里得距离， 如公式(4)所示， 其 中xj表示的是样本向量， pj表示类簇中心向量。 0057 0058 算法初始应需要使用0到1之间的随机数对隶属度矩阵U进行初始化， 用户输入目 标聚类数c、 迭代阈值 、 最大迭代次数T以及加权参数m。 迭代过程中聚类中心pi通过公式 (5)计算， 其中t为正在迭代的次数， 同时元素与每个簇的隶属度U使用公式(6)进行更新， 迭 代的每一步根据聚类价值函数进行计算， 如果价值函数的更新值结果小于用户设定的迭代 阈值 或者。
28、迭代次数到达预设迭代上限T， 则可以停止迭代， 输出聚类中心以及隶属度矩阵 作为聚类结果。 0059 0060 0061 基于以上描述， 可以将模糊C均值聚类算法归纳为以下步骤： 说明书 5/8 页 8 CN 109711640 A 8 0062 0063 0064 通过以上模糊聚类的方式， 可以将不同时刻的交通流量进行聚类， 得到每个时刻 与流量模式的隶属关系， 从而为之后的组合模型预测模型提供数据支持。 0065 2.基于时空特征的交通流矩阵的构建 0066 交通流量具有时空特性： 在时间维度上， 一个观测点可以在一段时间持续收集交 通流量数据， 得到一个交通流量随时间变化的序列； 在空间。
29、维度上， 可以根据道路分布情况 在不同的道路或者路口设置多个监测点， 从而得到类似于上游路段和下游路段的监测数 据。 因此原始交通流数据就可以在时间和空间维度上格式化为带有时空属性的交通流矩阵 交通流量时空矩阵的构造格式如下所示： 0067 0068 交通流时空矩阵的纵向表示l个时间步长的时间序列数据， 横向则表示n个不同的 说明书 6/8 页 9 CN 109711640 A 9 监测点的空间拓扑结构。 那么矩阵中的元素xn,t-l则表示第n个监测点在第t-l个时间点上检 测到的流量数据。 0069 3.误差反馈卷积神经网络预测模型的构建 0070 如图1所示为误差反馈卷积神经网络模型结构，。
30、 模型中分为3个部分， 特征提取部 分、 误差反馈部分以及输出融合部分。 特征提取部分。 0071 3.1特征提取网络部分可以提取交通流时间和空间两个维度的信息， 与现有的卷 积神经网络相近， 其中包含以下结构： 0072 3.1.1卷积层： 与现有卷积神经网络中的卷积操作相同， 卷积层采用二维卷积的方 式进行计算， 卷积的过程不仅可以处理行向量所表示的时间序列， 同时也可以对列向量中 的空间特征进行提取。 卷积层的计算表达式如下所示： 0073 0074其中表示第l层卷积层中第n个交通流量特征矩阵，为卷积核函数， 为偏置 参数， f()表示神经元的激活函数， 本方法中采用Relu函数作为卷积。
31、层的激活函数。 0075 3.1.2池化层： 与现有卷积神经网络中的池化操作相同， 池化层接收到的输入数据 为卷积层的输出二维矩阵数据， 在不影响特征的情况下对输入数据进行压缩。 本方法中采 用平均池化方法。 0076 3.1.3展开层： 由卷积和池化运算可知， 两部分的输出数据为二维矩阵的形式， 顾 采用展开层将其输出转化为一维向量的格式， 表达式如下： 0077 FFlat(Y,size) (9) 0078 其中Flat为展开函数， Y为输入数据， size为转换结果维数， 例如Flat(Y,(1*5)则 是将输入数据Y转换为一个具有5个属性的一维向量。 0079 3.2误差反馈部分。 如。
32、图2所示， 误差反馈网络部分主要的主要作用为接收模型之 间时间单位的预测误差值， 从而识别异常流量对最终预测结果及时作出调整。 误差反馈层 接收的数据分为两个部分： 0080 3.2.1特征提取网络部分预测得到的结果。 假设此部分的输入数据为特征向量v， 则误差反馈层的此部分的输出则可以表示为： 0081 pC (wCv+bC) (10) 0082 其中wC为连接权值， bC为输出偏置， ()为激励函数， 本方法中采用Relu函数。 0083 3.2.2现有模型之前l个时间步长的预测误差数据： 即此部分接受到的输入数据可 以表示为误差向量的形式， 向量的长度l， 各个元素代表之前l个时间步长预。
33、测的误差。 预测 误差是由之前l个步长内的预测值与真实值的差所组成的向量， 可以表示为： 0084 ety(t-1)-o(t-1),.,y(t-l)-o(t-l) (11) 0085 其中y(t-l)与o(t-l)分别表示在之前l个时间步长的真实数据和预测数据。 与误 差反馈层的上一部分处理方式相同， 在t时刻， 这部分的输出可以表示为： 0086 0087其中为连接权值， bE为输出偏置， ()为激励函数， 本方法中采用Relu函数。 0088 3.3输出融合部分。 此部分分别接收误差反馈层的两部分输出， 即pc和pE， 然后将两 说明书 7/8 页 10 CN 109711640 A 10。
34、 部分进行融合， 将结果作为最终的输出。 计算过程可以表示为： 0089 of(wOPpC+wOEpE+bO) (12) 0090 其中wOP,wOE和bO为输出层神经元的连接权重和偏置， f()为输出层的激励函数， 使用ReLU函数作为输出层的激励函数， o为模型最终的预测结果。 0091 4.实例： 短时交通流预测 0092 4.1选取实验数据 0093 原始交通实验数包含了一条长度为28km的高速路段9个检测点22天的流量检测数 据， 每天记录的时间为0:00到21:35， 记录间隔为5分钟。 选取前20天的交通流数据作为训练 集， 后2天的数据作为预测数据集。 0094 4.2参数确定。
35、 0095 在交通流流量模式划分阶段， 主要的参数设置为目标聚类数为3， 即将一天中的交 通流量划分为高、 中、 低三种模式， 迭代阈值为10-4， 最大迭代次数为1000。 0096 误差反馈卷积神经网络的构建过程中， 卷积层数量设置为2层， 每层卷积核数量为 5， 大小为3*3， 池化层数的数量为1， 池化窗口大小为2*2。 误差反馈层中接收到反馈误差步 长设置为5， 即接收前5个时间单位模型的预测误差。 0097 4.3预测结果 0098 基于模型构建后训练所得的最优参数， 可以得到针对测试数据集的实验结果。 0099 本方法采用了三种指标来评估预测模型的性能， 分别为平均绝对误差(MAE)、 平均 绝对百分比误差(MAPE)以及均方根误差(RMSE)， 计算公式可以表示为： 0100 0101 0102 0103其中表示预测结果， (i)表示监测到的实际流量， N表示数据的总数量。 0104 对于九个路段的预测统计结果如表1所示： 0105 说明书 8/8 页 11 CN 109711640 A 11 图1 图2 说明书附图 1/2 页 12 CN 109711640 A 12 图3 说明书附图 2/2 页 13 CN 109711640 A 13 。