CN107103754A - 一种道路交通状况预测方法及*** - Google Patents

Abstract

本发明公开了一种道路交通状况预测方法及***，该方法包括步骤：针对待分析的每个道路，获取在该道路上行驶的车辆的车载GPS设备所记录的交通数据后，采用训练好的循环卷积神经网络对该道路的道路交通状况进行预测；其中，循环卷积神经网络依次包括循环卷积层、平均池化层、退出层、全连接层和输出层，交通数据包括多个GPS记录点，每个GPS记录点包含该点当前的速度、坐标以及时间戳。本方法采用循环卷积神经网络进行预测，预测准确度高，且稳定性高，可广泛应用于智能城市中。

Description

一种道路交通状况预测方法及***

技术领域

本发明涉及智能城市领域，特别是涉及一种道路交通状况预测方法及***。

背景技术

名词解释：

循环神经网络：英文全称Recurrent Neural Networks，缩写为RNNs。目前已在众多自然语言处理领域中取得了巨大成功和广泛应用。具体的表现形式为网络会对之前的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。

卷积神经网络：英文全称Convolutional neural networks，缩写为CNNs。卷积神经网络的一个重要的特点就是，通过卷积运算，可以使原信号特征增强，并且降低噪音，并且利用图像局部相关性的原理，对图像进行子抽样，可减少数据处理量同时保留有用信息。

在智能交通***中，道路交通状况预测是当今智能城市面临的最大挑战之一。准确的交通状态预测，是智能交通***的基础。地图服务提供商通常使用通用网络交通流进行路况预测，该方法基于传统的分段方法和道路交通评估应用实施。这种方式，虽然在一定程度上可以实现交通状态的预测，但是其预测精度一般，难以满足智能城市的发展要求。

发明内容

为了解决上述的技术问题，本发明的目的是提供一种道路交通状况预测方法，本发明的目的是提供一种道路交通状况预测***。

本发明解决其技术问题所采用的技术方案是：

一种道路交通状况预测方法，包括步骤：

针对待分析的每个道路，获取在该道路上行驶的车辆的车载GPS设备所记录的交通数据后，采用训练好的循环卷积神经网络对该道路的道路交通状况进行预测；

其中，所述循环卷积神经网络依次包括循环卷积层、平均池化层、退出层、全连接层和输出层，所述交通数据包括多个GPS记录点，每个GPS记录点包含该点当前的速度、坐标以及时间戳。

进一步，还包括以下步骤：

数据获取步骤：获取多个车载GPS设备所记录的交通数据；

数据预处理步骤：对获取的交通数据进行数据清洗后，基于流量相似性将数据清洗后的交通数据进行聚类分组；

特征向量构造步骤：针对每个道路，基于公共轨迹距离度量以及该道路的历史交通条件，构建该道路的特征向量；

深度学习框架构造步骤：基于深度学习技术，构建循环卷积神经网络，对特征向量进行深层特征提取；

训练优化步骤：基于动量随机梯度下降算法，对循环卷积神经网络进行训练优化。

进一步，所述数据预处理步骤中，所述对获取的交通数据进行数据清洗的步骤，其具体为：

对获取的交通数据依次进行异常数据处理、无效数据删除处理、数据填充处理和数据平滑处理。

进一步，所述数据预处理步骤中，所述基于流量相似性将数据清洗后的交通数据进行聚类分组的步骤，包括：

将每个交通数据按照预设的周期进行分段划分；

基于欧几里得度量，对分段划分结果进行聚类；

对每个聚类，构建该聚类的代表轨迹作为该聚类的模式，其中，代表轨迹为属于该聚类的整个轨迹段的长度和角度的平均值。

进一步，所述特征向量构造步骤，其具体为：针对待分析的每个道路，基于公共轨迹距离度量获取该道路的代表轨迹并获取与该代表轨迹距离最近的前K 个代表性轨迹作为该道路的K个相邻模式，进而根据该K个相邻模式和该道路的历史交通条件，构建该道路的特征向量。

进一步，所述深度学习框架构造步骤，包括：

针对每个道路，计算获得其相邻模式的左右上下文信息作为训练集，并将其与该道路对应的交通状况进行关联；

构建循环卷积神经网络后，将获得的左右上下文信息输入到神经网络的循环卷积层；

对循环卷积层的输出进行线性变换和tanh激活函数计算后，对计算结果进行平均值计算；

将计算获得的平均值作为退出层的输入，最后获得输出层的输出。

进一步，所述训练优化步骤，其具体为：

基于动量随机梯度下降算法，对循环卷积神经网络的训练参数进行梯度下降计算，最大化训练参数的对数似然值，使得循环卷积神经网络的输出最接近道路实际的交通状况。

本发明解决其技术问题所采用的另一技术方案是：

一种道路交通状况预测***，包括处理器和存储设备，所述存储设备存储有多条指令，所述指令由处理器加载并执行以下步骤：

针对待分析的每个道路，获取在该道路上行驶的车辆的车载GPS设备所记录的交通数据后，采用训练好的循环卷积神经网络对该道路的道路交通状况进行预测；

其中，所述循环卷积神经网络依次包括循环卷积层、平均池化层、退出层、全连接层和输出层，所述交通数据包括多个GPS记录点，每个GPS记录点包含该点当前的速度、坐标以及时间戳。

进一步，处理器加载指令还执行以下步骤：

数据获取步骤：获取多个车载GPS设备所记录的交通数据；

数据预处理步骤：对获取的交通数据进行数据清洗后，基于流量相似性将数据清洗后的交通数据进行聚类分组；

特征向量构造步骤：针对每个道路，基于公共轨迹距离度量以及该道路的历史交通条件，构建该道路的特征向量；

深度学习框架构造步骤：基于深度学习技术，构建循环卷积神经网络，对特征向量进行深层特征提取；

训练优化步骤：基于动量随机梯度下降算法，对循环卷积神经网络进行训练优化。

本发明的有益效果是：本发明的道路交通状况预测方法，包括步骤：针对待分析的每个道路，获取在该道路上行驶的车辆的车载GPS设备所记录的交通数据后，采用训练好的循环卷积神经网络对该道路的道路交通状况进行预测；其中，循环卷积神经网络依次包括循环卷积层、平均池化层、退出层、全连接层和输出层，交通数据包括多个GPS记录点，每个GPS记录点包含该点当前的速度、坐标以及时间戳。本方法采用循环卷积神经网络进行预测，预测准确度高，且稳定性高。

本发明的另一有一效果是：本发明的一种道路交通状况预测***，包括处理器和存储设备，所述存储设备存储有多条指令，所述指令由处理器加载并执行以下步骤：针对待分析的每个道路，获取在该道路上行驶的车辆的车载GPS设备所记录的交通数据后，采用训练好的循环卷积神经网络对该道路的道路交通状况进行预测；其中，所述循环卷积神经网络依次包括循环卷积层、平均池化层、退出层、全连接层和输出层，所述交通数据包括多个GPS记录点，每个GPS记录点包含该点当前的速度、坐标以及时间戳。本***采用循环卷积神经网络进行预测，预测准确度高，且稳定性高。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是本发明的道路交通状况预测方法的具体实施例的一道路样本示意图；

图2是本发明的道路交通状况预测方法采用的循环卷积神经网络的结构示意图；

图3是对本方法的循环卷积神经网络进行预测性能验证的结果示意图。

具体实施方式

下面结合附图及具体实施例就本发明的技术方案做进一步的说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供了一种道路交通状况预测方法，包括步骤：

针对待分析的每个道路，获取在该道路上行驶的车辆的车载GPS设备所记录的交通数据后，采用训练好的循环卷积神经网络对该道路的道路交通状况进行预测；

其中，所述循环卷积神经网络依次包括循环卷积层、平均池化层、退出层、全连接层和输出层，所述交通数据包括多个GPS记录点，每个GPS记录点包含该点当前的速度、坐标以及时间戳。

进一步作为优选的实施方式，还包括以下步骤：

数据获取步骤：获取多个车载GPS设备所记录的交通数据；

数据预处理步骤：对获取的交通数据进行数据清洗后，基于流量相似性将数据清洗后的交通数据进行聚类分组；

特征向量构造步骤：针对每个道路，基于公共轨迹距离度量以及该道路的历史交通条件，构建该道路的特征向量；

深度学习框架构造步骤：基于深度学习技术，构建循环卷积神经网络，对特征向量进行深层特征提取；

训练优化步骤：基于动量随机梯度下降算法，对循环卷积神经网络进行训练优化。

具体的，在进行预测过程中，也需要对获取的交通数据进行数据预处理步骤和特征向量构造步骤，再输入到循环卷积神经网络中进行预测，最后，使用Softmax函数进行准确率预测。

进一步作为优选的实施方式，所述数据预处理步骤中，所述对获取的交通数据进行数据清洗的步骤，其具体为：

对获取的交通数据依次进行异常数据处理、无效数据删除处理、数据填充处理和数据平滑处理。

进一步作为优选的实施方式，所述数据预处理步骤中，所述基于流量相似性将数据清洗后的交通数据进行聚类分组的步骤，包括：

将每个交通数据按照预设的周期进行分段划分；

基于欧几里得度量，对分段划分结果进行聚类；

对每个聚类，构建该聚类的代表轨迹作为该聚类的模式，其中，代表轨迹为属于该聚类的整个轨迹段的长度和角度的平均值。

进一步作为优选的实施方式，所述特征向量构造步骤，其具体为：针对待分析的每个道路，基于公共轨迹距离度量获取该道路的代表轨迹并获取与该代表轨迹距离最近的前K个代表性轨迹作为该道路的K个相邻模式，进而根据该K个相邻模式和该道路的历史交通条件，构建该道路的特征向量。该道路的历史交通条件具体包括：上周当天在t的交通状况，上周同一天在t+15的道路r的交通状况，昨天在t的交通状况，昨天在t+15的道路r的交通状况等。

进一步作为优选的实施方式，所述深度学习框架构造步骤，包括：

针对每个道路，计算获得其相邻模式的左右上下文信息作为训练集，并将其与该道路对应的交通状况进行关联；

构建循环卷积神经网络后，将获得的左右上下文信息输入到神经网络的循环卷积层；

对循环卷积层的输出进行线性变换和tanh激活函数计算后，对计算结果进行平均值计算；

将计算获得的平均值作为退出层的输入，最后获得输出层的输出。

进一步作为优选的实施方式，所述训练优化步骤，其具体为：

基于动量随机梯度下降算法，对循环卷积神经网络的训练参数进行梯度下降计算，最大化训练参数的对数似然值，使得循环卷积神经网络的输出最接近道路实际的交通状况。

本发明还提供了一种道路交通状况预测***，包括处理器和存储设备，所述存储设备存储有多条指令，所述指令由处理器加载并执行以下步骤：

针对待分析的每个道路，获取在该道路上行驶的车辆的车载GPS设备所记录的交通数据后，采用训练好的循环卷积神经网络对该道路的道路交通状况进行预测；

其中，所述循环卷积神经网络依次包括循环卷积层、平均池化层、退出层、全连接层和输出层，所述交通数据包括多个GPS记录点，每个GPS记录点包含该点当前的速度、坐标以及时间戳。

进一步作为优选的实施方式，处理器加载指令还执行以下步骤：

数据获取步骤：获取多个车载GPS设备所记录的交通数据；

数据预处理步骤：对获取的交通数据进行数据清洗后，基于流量相似性将数据清洗后的交通数据进行聚类分组；

特征向量构造步骤：针对每个道路，基于公共轨迹距离度量以及该道路的历史交通条件，构建该道路的特征向量；

深度学习框架构造步骤：基于深度学习技术，构建循环卷积神经网络，对特征向量进行深层特征提取；

训练优化步骤：基于动量随机梯度下降算法，对循环卷积神经网络进行训练优化。

本方法一方面，将类似的轨迹数据组合在一起，作为每个道路的模式，用于数据预处理，并且对这些模式采用了基于上下文的概念来构造特征向量作为深入学习架构的输入。另一方面，设计了一种深度学习架构，结合了循环神经网络和卷积神经网络从道路交通状况预测特征中学习隐藏信息，进一步提高了预测性能，进而便于对即将发生的交通拥堵进行预治理、疏导，以及避开即将发生的交通拥堵道路。本方法可以准确的进行交通状态预测，且准确度高。

更详细的，本发明主要包括以下几个主要步骤：

第一步，数据获取步骤：获取多个车载GPS设备所记录的交通数据，交通数据包括多个GPS记录点，每个GPS记录点包含该点当前的速度、坐标以及时间戳。数据主要来源于出租车上的GPS设备。

第二步，数据预处理，对获取的交通数据进行数据清洗后，基于流量相似性将数据清洗后的交通数据进行聚类分组。

首先通过以下四个步骤进行数据清洗：

1.异常数据处理：如果GPS记录点的速度比同一时期所有GPS记录点的平均速度快了50％以上，则表示该数据为异常数据，使用同一时期内的平均速度来代替它。

2.无效数据删除处理：如果某一交通数据在一天内的三小时没有记录任何数据，则删除整天的数据。

3.数据填充处理：如果某个时间戳中的数据丢失，取该时间戳之前与之后数据的平均值作为填充值，对该时间戳进行数据填充处理。

4.数据平滑处理：计算每三个时间戳上GPS记录点速度的平均值，进行数据平滑。

其次，根据流量相似性对轨迹数据的其余部分进行分组以获得每条道路的模式。本申请将一个部分定义为一条道路。由于一条道路每天有不同的交通状况。因此，使用聚类方法为道路中的每个部分在每天的每个时段生成一个模式。聚类方法的步骤如下所述：

1.将每个交通数据按照预设的周期进行分段划分，例如预设的周期为5分钟，按照5分钟的间隔将交通数据划分成一组线段。

2.根据一定距离度量彼此靠近的轨迹段以此分组成一个群集。在这一步骤中，使用欧几里得度量来测量两个轨迹之间的距离。定义是交通数据P_1…n和Q_1…n在每个采样时间t的点距离之和，那么，其中两点之间的欧几里得度量定义为：对于这种聚类步骤，使用DBSCAN算法，因为它是基于密度聚类，并且允许聚类轨迹形成任何形状和大小。

3.对于每个聚类，对每个聚类，构建该聚类的代表轨迹作为该聚类的模式，其中，代表轨迹为属于该聚类的整个轨迹段的长度和角度的平均值，即该模式表示在一定时间内包括交通状况的聚类特征，即路况。

第三步，构造特征向量。在现代化城市的道路网中，一条道路的交通状况总是受附近其他道路的影响。在附近道路交通繁忙时，该条道路交通则相对平稳。因此，在预测道路交通状况时，不仅需要考虑该道路的历史交通条件，还需考虑其附近道路的交通状况。因此，要选择一组道路以为要进行交通预测的道路提供周边的上下文信息。

如果将道路作为中心点，可使用基于最小边界矩形(MBRs)导出的公共轨迹距离度量来捕获该道路的代表轨迹以及其周围的代表性轨迹在一定范围的总体相似度。首先使B₁和B₂分别是模式P₁和P₂的MBR。距离D_min(B₁,B₂)表示 B₁和B₂中任意一对点之间的最小距离。然后，根据D_min(B₁,B₂)对所有模式进行排序，并选择与该道路距离最近的前K个模式该道路的K个相邻模式。

接着，使用这些相邻模式和这条道路的历史交通条件来构建相关的特征向量。下表1显示了如果设置K＝5并且想要预测在时间t之后15分钟的道路交通状况的特征向量样本，该标志表示特征在上下文信息方面的位置。“C”表示该功能包含道路本身的信息，“C”的不同下标用于区分不同的道路信息。请注意，由于获取实时流量非常耗资源，所以在本申请的方法中，不考虑r的流量状况， r表示一段路，r是动态的，可以是100米，可以是300米也可以是1公里，本实施例的试验数据里r是一段3公里的路。“L”或“R”表示道路上下文信息左侧或右侧的特征，该信息取决于相邻路线所处的地理位置，“L”和“R”的下标用于区分不同的上下文信息。图1展示了一个道路样本的情况，显示其中每行表示一条道路。如果以“AB”为中心点绘制圆圈并设置K＝5，则：“BH”，“BG”和“AE”可被视为具有“L”标志的特征，而“AC”和“CD”可被视为具有“R”标志的特征，因为它们都处于圆内。然而，虽然“EF”的一部分也在圆圈内，但距离“AB”的距离不在D_min的前5位。

表1：特征向量样本

标志	特征
		C1	上周当天在t的交通状况
C2	上周同一天在t+15的r的交通状况
		C3	昨天在t的交通状况
C4	昨天在t+15的r的交通状况
		C5	表示一天是公众假期/周末的标志
C6	一个值，表示当天的工作日
		L1	在t+15处邻居模式1的交通状况
L2	在t+15处相邻模式2的交通状况
		L3	在t+15处相邻模式3的交通状况
R1	相邻模式4在t+15处的交通状况
		R2	在t+15处的邻居模式5的交通状况

值得注意的是，本支持更多的信息来构建特征向量，例如更多邻近道路的历史交通状况，但考虑到计算成本，本实施例优选使用六个标志特征“C”和K个相邻模式来构建特征向量这个工作。

第四步，深度学习框架构造步骤。前述步骤中，特征向量只是基于共同轨迹数据构建。因此，需要应用深度学习技术来进一步提取特征向量的深层特征，从而提高预测性能。将和定义为道路R左右上下文信息。在本实施例中，和是除了和之外转换的相应的近邻模式的交通状况，作为直接使用的交通条件的值。R也是一个载体，其中包含道路本身的特征。使用下式来计算和其中f是非线性激活函数，W^(l)和W^(r)是将隐藏层(上下文)转换为下一个隐藏层的矩阵。

图2展示了本发明的循环卷积神经网络的结构示意图，对于循环结构，首先使用定向循环神经网络来捕获上下文。以表1为例，是邻近图案的上下文信息，位于距离最近道路的左侧。和是道路左侧具有第二近距离和第三最近距离的邻近模式的上下文信息。类似地，和是道路右侧具有第一近距离和第二近距离的邻近模式的上下文信息。基于上式，上下文向量捕获了所有左右上下文信息。其次，定义以R来表示x如下式所示，x是所有左上下文信息所有右上下文信息和R的嵌入特征信息的连接。使用这种情境信息，与仅使用固定窗口的常规神经模型相比，本循环神经网络可以更好地学习R的隐藏信息：

在道路上下文信息的向前扫描中，循环结构可以获得道路从左至右扫描中的所有以及道路从右至左扫描中的所有这个过程中，时间复杂度为 O(n)。在获得x之后，对其进行线性变换和tanh激活函数计算，并将计算结果y 发送到下一层，其中y是包含各种信息的矩阵，也称循环卷积层的输出，y的公式如下：

y＝tanh(W_X+b)

其中，本申请提出的架构中的卷积神经网络被定义为代表道路，因此，从卷积神经网络的角度来看，前面所提到的循环结构是卷积层。接着使用下式应用一个平均池化层，以此巩固上一层中学习和表达的特征：

y^*＝average(y)

其中，average函数是元素函数，将y的每个元素的平均值作为下一层的输入值，以推广特征表示，并且通过模型减少对训练数据的过拟合。本申请在这里不使用最大池化，因为在只有一个卷积层的情况下，平均池化更适合捕获信息。池化利用循环结构的输出作为输入，时间复杂度为O(n)。整体模型是循环结构和平均池化层的串联，因此整体时间复杂度仍然为O(n)。

加入一个退出层和全连接层来减少过度拟合，以创建具有特征和激活函数的组合，以便之后通过网络进行预测。本申请架构的最后一部分是输出层。与传统神经网络类似，它被定义为y^**＝Wy^*+b。

验证时，可以使用Softmax函数对输出层的输出计算预测概率，即验证预测准确率。

第五步，训练优化步骤：基于动量随机梯度下降算法，对循环卷积神经网络进行训练优化：

如果将要训练的所有参数定义为θ，那么使用网络的训练目标来最大化θ的对数似然值：

其中表示训练集，D表示训练集中的训练样本，class_D是道路交通状况的正确类别，使用动量随机梯度下降算法优化训练目标。在每个步骤中，随机选择一个示例(D，class_D)并执行梯度下降处理：

其∝是学习率，考虑到服务器可负担的实际计算资源，为全连接层设置了 100个内存单元作为循环层以及256个隐藏单元。并进行了10，000次训练迭代。经过几次调整，设置∝初始值为0.2，并且通过γ＝0.1来进行每1000次迭代的递减。此外，动量随机梯度下降算法中的动量因子设置为0.9，退出率设置为0.2，并且池化长度设置为2，迭代训练后，训练集跟验证集的损失值基本接近0，由此可见，本方法，预测准确度高。

另外，构建循环卷积神经网络后，具体细节的训练验证步骤，包括如何将输入数据选取一部分作为训练集进行训练，另一部分作为验证集进行验证等的方式，与其它神经网络训练步骤类似，本发明不再赘述。

道路交通状况预测可对司机提供建议，所以需要确保预测结果尽可能地接近实际的道路交通状况。使用一数据集对本方法进行验证，该数据集包含2013年 5月北京30个路段中30条道路的44580个轨迹数据样本。训练过程，采用100 个时期来训练网络，并使用Softmax函数进行最终准确率预测。最后，使用10 倍交叉验证来进行评估。最后，计算获得本方法可达到近90％的预测精度，比传统的卷积神经网络提高了5％。这是由于卷积层可以通过平均池化和捕获来选择更多的区分特征情境的信息。

另外，为了验证本方法的捕捉上下文信息的能力，设定K＝1，5，10，15， 20来分别测试卷积神经网络和本方法，测试结果如图3所示，可见，在所有K 值中，本方法优于传统的卷积神经网络，另外，当K＝10时，两个模型都达到最佳性能，而本方法的随着K变化的性能变化并不像卷积神经网络那么明显，因此，本方法不会十分依赖K，工作稳定性更好，因为循环结构可以保留更长的上下文信息并且减少噪音。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (9)

1.一种道路交通状况预测方法，其特征在于，包括步骤：

针对待分析的每个道路，获取在该道路上行驶的车辆的车载GPS设备所记录的交通数据后，采用训练好的循环卷积神经网络对该道路的道路交通状况进行预测；

其中，所述循环卷积神经网络依次包括循环卷积层、平均池化层、退出层、全连接层和输出层，所述交通数据包括多个GPS记录点，每个GPS记录点包含该点当前的速度、坐标以及时间戳。

2.根据权利要求1所述的一种道路交通状况预测方法，其特征在于，还包括以下步骤：

数据获取步骤：获取多个车载GPS设备所记录的交通数据；

数据预处理步骤：对获取的交通数据进行数据清洗后，基于流量相似性将数据清洗后的交通数据进行聚类分组；

特征向量构造步骤：针对每个道路，基于公共轨迹距离度量以及该道路的历史交通条件，构建该道路的特征向量；

深度学习框架构造步骤：基于深度学习技术，构建循环卷积神经网络，对特征向量进行深层特征提取；

训练优化步骤：基于动量随机梯度下降算法，对循环卷积神经网络进行训练优化。

3.根据权利要求2所述的一种道路交通状况预测方法，其特征在于，所述数据预处理步骤中，所述对获取的交通数据进行数据清洗的步骤，其具体为：

对获取的交通数据依次进行异常数据处理、无效数据删除处理、数据填充处理和数据平滑处理。

4.根据权利要求2所述的一种道路交通状况预测方法，其特征在于，所述数据预处理步骤中，所述基于流量相似性将数据清洗后的交通数据进行聚类分组的步骤，包括：

将每个交通数据按照预设的周期进行分段划分；

基于欧几里得度量，对分段划分结果进行聚类；

对每个聚类，构建该聚类的代表轨迹作为该聚类的模式。

5.根据权利要求2所述的一种道路交通状况预测方法，其特征在于，所述特征向量构造步骤，其具体为：针对待分析的每个道路，基于公共轨迹距离度量获取该道路的代表轨迹并获取与该代表轨迹距离最近的前K个代表性轨迹作为该道路的K个相邻模式，进而根据该K个相邻模式和该道路的历史交通条件，构建该道路的特征向量。

6.根据权利要求2所述的一种道路交通状况预测方法，其特征在于，所述深度学习框架构造步骤，包括：

针对每个道路，计算获得其相邻模式的左右上下文信息作为训练集，并将其与该道路对应的交通状况进行关联；

构建循环卷积神经网络后，将获得的左右上下文信息输入到神经网络的循环卷积层；

对循环卷积层的输出进行线性变换和tanh激活函数计算后，对计算结果进行平均值计算；

将计算获得的平均值作为退出层的输入，最后获得输出层的输出。

7.根据权利要求2所述的一种道路交通状况预测方法，其特征在于，所述训练优化步骤，其具体为：

基于动量随机梯度下降算法，对循环卷积神经网络的训练参数进行梯度下降计算，最大化训练参数的对数似然值，使得循环卷积神经网络的输出最接近道路实际的交通状况。

8.一种道路交通状况预测***，其特征在于，包括处理器和存储设备，所述存储设备存储有多条指令，所述指令由处理器加载并执行以下步骤：

针对待分析的每个道路，获取在该道路上行驶的车辆的车载GPS设备所记录的交通数据后，采用训练好的循环卷积神经网络对该道路的道路交通状况进行预测；

其中，所述循环卷积神经网络依次包括循环卷积层、平均池化层、退出层、全连接层和输出层，所述交通数据包括多个GPS记录点，每个GPS记录点包含该点当前的速度、坐标以及时间戳。

9.根据权利要求8所述的一种道路交通状况预测***，其特征在于，处理器加载指令还执行以下步骤：

数据获取步骤：获取多个车载GPS设备所记录的交通数据；

数据预处理步骤：对获取的交通数据进行数据清洗后，基于流量相似性将数据清洗后的交通数据进行聚类分组；

特征向量构造步骤：针对每个道路，基于公共轨迹距离度量以及该道路的历史交通条件，构建该道路的特征向量；

深度学习框架构造步骤：基于深度学习技术，构建循环卷积神经网络，对特征向量进行深层特征提取；

训练优化步骤：基于动量随机梯度下降算法，对循环卷积神经网络进行训练优化。