基于RBF神经网络模型的交通生成预测方法及系统技术方案

本发明专利技术公开一种基于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。本发明专利技术具有实现方法简单、复杂程度低、预测效率以及精度高优点。

【技术实现步骤摘要】
基于RBF神经网络模型的交通生成预测方法及系统
本专利技术涉及智能交通
，尤其涉及一种基于RBF(RadicalBasisFunction，径向基函数)神经网络模型的交通生成预测方法及系统。
技术介绍
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。
技术实现思路
本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术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，本专利技术提出的技术方案为：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，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：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：所述步骤S216中划分系数计算表达式为：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文档来自技高网...

【技术保护点】
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：/n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；/n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；/n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；/n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；/n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。/n

【技术特征摘要】
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



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，表示交通小区i中心到起讫点样本j的欧式距离；

【专利技术属性】
技术研发人员：龙科军，庞稀廉，魏隽君，吴伟，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：湖南;43