CN111554089A - 一种基于深度学习的交通状态预测方法及装置 - Google Patents
一种基于深度学习的交通状态预测方法及装置 Download PDFInfo
- Publication number
- CN111554089A CN111554089A CN202010288369.2A CN202010288369A CN111554089A CN 111554089 A CN111554089 A CN 111554089A CN 202010288369 A CN202010288369 A CN 202010288369A CN 111554089 A CN111554089 A CN 111554089A
- Authority
- CN
- China
- Prior art keywords
- network model
- belief network
- model
- deep learning
- deep
- 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
Links
Images
Classifications
-
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于深度学习的交通状态预测方法、装置、终端设备及可读存储介质,所述方法包括:获取目标区域的交通流量历史数据,并按预设的格式将所述交通流量历史数据转化为训练集数据;构建深度信念网络模型,并基于所述训练集数据对所述深度信念网络模型进行训练;将训练后的深度信念网络模型的顶层输出与预设的SVR模型相连,得到深度学习混合模型;基于实时采集的所述目标区域的交通流量数据,利用所述深度学习混合模型对所述目标区域进行交通状态预测。本发明能够通过深度学习技术对交通状态信息数据进行有效处理,从而快速、准确地对目标区域的交通状态进行预测,进而能够为交通控制与管理提供参考依据。
Description
技术领域
本发明涉及交通预测技术领域,尤其是涉及一种基于人工智能的交通状态预测方法、装置、终端设备及可读存储介质。
背景技术
随着经济的不断发展,人们对交通的需求原来越高,驾车出行的频率也越来越高,随之而来的问题就是交通拥堵日渐严重。为了缓解交通拥堵,如何有效处理交通状态信息数据已经成为当前的研究热点。其中,交通状态预测是交通数据处理的一种方式,越来越多研究学者提出了一些交通流预测模型及方法:
回归预测分析法:回归预测分析法是一种通过分析自变量与因变量之间的关系进行预测的方法,该方法经常被用于多路段交通量的预测,但要求数据量规模大。
时间序列预测法:它对时间序列进行外延预测,通常用来处理动态随机数据。它包括线性模型和非线性模型。线性模型。该方法预测精度严重依赖样本量,并且在测试时,数据样本很容易遗漏,成本较高。
卡尔曼滤波法:此方法是一种利用线性***状态方程,对时变信号状态的线性最小方差估计,调整权重和参数,使误差达到最小或在一定范围内的算法。它基于卡尔曼线性滤波理论的状态空间模型,不要求保留历史观测数据,可不断加入新的数据,采用地推算法对滤波器的最佳状态作进行估计。但是该方法对确定相关参数尤为复杂,运量大。
BP神经网络预测:该网络是由一层及以上的隐含层组成的神经网络模型,从输入层传入原始样本数据,经多层隐含层训练,到达顶层时,再与期望输出数据对比计算误差,再将误差传回隐含层,根据误差调整网络的权值等。但是该方法一般都是根据经验选取相关参数,并且收敛速度慢。
支持向量机等:该方法使低维空间内现行不可分的样本在高维空间中进行分类,针对二分类任务设计的,可以用来做分类和回归等任务,在高维模式识别中比较有优势。
综上所述,目前对于各种交通状态预测方法存在的缺陷尚未得到有效的解决。
发明内容
本发明提供一种基于深度学习的交通状态预测方法、装置、终端设备及可读存储介质,以解决上述技术问题,从而能够对交通状态信息数据进行有效处理。
为了解决上述技术问题,本发明实施例提供了一种基于深度学习的交通状态预测方法,包括:
获取目标区域的交通流量历史数据,并按预设的格式将所述交通流量历史数据转化为训练集数据;
构建深度信念网络模型,并基于所述训练集数据对所述深度信念网络模型进行训练;
将训练后的深度信念网络模型的顶层输出与预设的SVR模型相连,得到深度学习混合模型;
基于实时采集的所述目标区域的交通流量数据,利用所述深度学习混合模型对所述目标区域进行交通状态预测。
进一步地,所述构建深度信念网络模型,并基于所述训练集数据对所述深度信念网络模型进行训练,具体包括:
构建深度信念网络模型;其中,所述深度信念网络模型包括若干层受限玻尔兹曼机;
基于所述训练集数据,依次对每一层所述受限玻尔兹曼机进行训练,以得到所述训练后的深度信念网络模型。
进一步地,所述对每一层所述受限玻尔兹曼机进行训练,以得到所述训练后的深度信念网络模型,具体包括:
对每一层所述受限玻尔兹曼机进行无监督预训练,获取每一层所述所述受限玻尔兹曼机的初始化参数;其中,所述初始化参数包括节点连接权重、显层偏置系数、隐层偏置系数;
将预设的分类器模型连接到最后一层所述受限玻尔兹曼机的输出层,并对所述深度信念网络模型进行全局参数微调,以得到所述训练后的深度信念网络模型。
进一步地,所述深度信念网络模型中的受限玻尔兹曼机为连续受限玻尔兹曼机;在对所述连续受限玻尔兹曼机进行训练时,结合注意力机制进行节点连接权重的分配。
进一步地,在所述将训练后的深度信念网络模型的顶层输出与预设的SVR模型相连,得到深度学习混合模型之后,在所述基于实时采集的所述目标区域的交通流量数据,利用所述深度学习混合模型对所述目标区域进行交通状态预测之前,还包括:
采用FR-CG算法对所述深度学习混合模型中的网络参数进行微调,以对所述深度学习混合模型进行全局优化。
为了解决相同的技术问题,本发明还提供了一种基于深度学习的交通状态预测装置,包括:
数据获取模块,用于获取目标区域的交通流量历史数据,并按预设的格式将所述交通流量历史数据转化为训练集数据;
模型构建模块,用于构建深度信念网络模型,并基于所述训练集数据对所述深度信念网络模型进行训练;
模型融合模块,用于将训练后的深度信念网络模型的顶层输出与预设的SVR模型相连,得到深度学习混合模型;
交通预测模块,用于基于实时采集的所述目标区域的交通流量数据,利用所述深度学习混合模型对所述目标区域进行交通状态预测。
进一步地,所述模型构建模块,具体用于:构建深度信念网络模型;其中,所述深度信念网络模型包括若干层受限玻尔兹曼机;基于所述训练集数据,依次对每一层所述受限玻尔兹曼机进行训练,以得到所述训练后的深度信念网络模型。
进一步地,所述对每一层所述受限玻尔兹曼机进行训练,以得到所述训练后的深度信念网络模型,具体包括:
对每一层所述受限玻尔兹曼机进行无监督预训练,获取每一层所述所述受限玻尔兹曼机的初始化参数;其中,所述初始化参数包括节点连接权重、显层偏置系数、隐层偏置系数;
将预设的分类器模型连接到最后一层所述受限玻尔兹曼机的输出层,并对所述深度信念网络模型进行全局参数微调,以得到所述训练后的深度信念网络模型。
为了解决相同的技术问题,本发明还提供了一种基于深度学习的交通状态预测终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述存储器与所述处理器耦接,且所述处理器执行所述计算机程序时,实现任一项所述的基于深度学习的交通状态预测方法。
为了解决相同的技术问题,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行任一项所述的基于深度学习的交通状态预测方法。
与现有技术相比,本发明具有如下有益效果:
本发明实施例提供了一种基于深度学习的交通状态预测方法、装置、终端设备及可读存储介质,所述方法包括:获取目标区域的交通流量历史数据,并按预设的格式将所述交通流量历史数据转化为训练集数据;构建深度信念网络模型,并基于所述训练集数据对所述深度信念网络模型进行训练;将训练后的深度信念网络模型的顶层输出与预设的SVR模型相连,得到深度学习混合模型;基于实时采集的所述目标区域的交通流量数据,利用所述深度学习混合模型对所述目标区域进行交通状态预测。本发明能够通过深度学习技术对交通状态信息数据进行有效处理,从而快速、准确地对目标区域的交通状态进行预测,进而能够为交通控制与管理提供参考依据。
附图说明
图1是本发明一实施例提供的基于深度学习的交通状态预测方法的流程示意图;
图2是本发明一实施例提供的深度信念网络模型预训练流程示意图;
图3是本发明一实施例提供的深度信念网络模型有监督全局微调流程示意图;
图4是本发明一实施例提供的深度学习混合模型的结构示意图;
图5是本发明一实施例提供的基于深度学习的交通状态预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,本发明实施例提供了一种基于深度学习的交通状态预测方法,包括步骤:
S1、获取目标区域的交通流量历史数据,并按预设的格式将所述交通流量历史数据转化为训练集数据。
步骤S1首先确定待预测的城市路网区域,并获取此区域的交通流量历史数据并进行预处理作为训练集数据。
S2、构建深度信念网络模型,并基于所述训练集数据对所述深度信念网络模型进行训练。
步骤S2为构建和训练深度信念网络模型。可以理解的是,DBN模型(深度信念网络模型)的训练大体上可以分为二个部分:无监督预训练过程和有监督微调过程。无监督预训练过程通过预训练获得较好初始参数以便避免BP算法在深层网络优化过程梯度消失问题。有监督微调过程通过无监督预训练的初始参数在深度网络中进行全局参数微调,使得算法效果更佳。
在本发明实施例中,进一步地,步骤S2具体包括:
S21、构建深度信念网络模型;其中,所述深度信念网络模型包括若干层受限玻尔兹曼机;
S22、基于所述训练集数据,依次对每一层所述受限玻尔兹曼机进行训练,以得到所述训练后的深度信念网络模型。
在本发明实施例中,进一步地,所述对每一层所述受限玻尔兹曼机进行训练,以得到所述训练后的深度信念网络模型,具体包括:
对每一层所述受限玻尔兹曼机进行无监督预训练,获取每一层所述所述受限玻尔兹曼机的初始化参数;其中,所述初始化参数包括节点连接权重、显层偏置系数、隐层偏置系数;
将预设的分类器模型连接到最后一层所述受限玻尔兹曼机的输出层,并对所述深度信念网络模型进行全局参数微调,以得到所述训练后的深度信念网络模型。
请参见图2,需要说明的是,在本发明实施例中,首先对每一层RBM(受限玻尔兹曼机)网络进行无监督训练,使特征向量映射到不同特征空间,尽可能保留特征信息;通过非监督逐层方法预训练,得到每个RBM的wij(节点连接权重),bi(显层偏置系数)和ci(隐层偏置系数),这些参数为有监督微调过程获得一个较好初始化参数做铺垫。
请参见图3,有监督微调过程:通过无监督预训练过程获得DBN每层参数时,将一个分类器增加到输出层。即选择BP算法来优化训练DBN模型得到最终的网络参数。
在构建RBM模型时,通过受限玻尔兹曼机模型结构以及它的隐层单元和可视单元的激活概率等,RBM对隐藏层单元进行概率求解,公式如下:
其中,ri表示第i个隐层单元在[0,1]之间产生的随机数。
在本发明实施例中,训练DBN的过程是一层一层地进行的。在每一层中,用数据向量来推断隐层,再把这一隐层当作下一层的数据向量。即将若干个RBM“串联”起来则构成了一个DBN,其中,上一个RBM的隐层即为下一个RBM的显层,上一个RBM的输出即为下一个RBM的输入。训练过程中,需要充分训练上一层的RBM后才能训练当前层的RBM,直至最后一层。
S3、将训练后的深度信念网络模型的顶层输出与预设的SVR模型相连,得到深度学习混合模型。
进一步地,所述深度信念网络模型中的受限玻尔兹曼机为连续受限玻尔兹曼机;在对所述连续受限玻尔兹曼机进行训练时,结合注意力机制进行节点连接权重的分配。
请参见图4,在本发明实施例中,步骤S3为构建深度学习混合模型。作为优选方案,由于RBM模型无法对连续的交通流数据进行更精准的特征提取和输出,此步骤引入CRBM(Continue Restricted Boltzmann Machine),并结合Attention机制思想为节点更合理地分配权重,通过堆叠CRBM来组建混合模型。
进一步地,在步骤S3之后,在步骤S4之前,还包括:
S31、采用FR-CG算法对所述深度学习混合模型中的网络参数进行微调,以对所述深度学习混合模型进行全局优化。
需要说明的是,在本发明实施例中,为了提高混合模型预测精度,此处引入(Fletcher Reeves Conjugate Gradient FR-CG)算法来微调整个网络的参数。该算法的关键是使用参数的梯度方向去重构一组共扼方向,在共扼梯度方向上更新参数。它克服了梯度下降(Gradient Decent,GD)法和牛顿(Newton)法的缺点,包括锯齿现象、局部收敛、需要大量的计算和存储空间等。
S4、基于实时采集的所述目标区域的交通流量数据,利用所述深度学习混合模型对所述目标区域进行交通状态预测。
在本发明实施例中,步骤S4为通过将实时采集的目标区域的交通流量数据输入到训练好的深度学***均速度随时间和空间变化等特征,确定以预处理后的浮动车数据为预测模型输入数据集,根据不同节点对预测任务的贡献,进行交通状态的预测。
可以理解的是,通过实施本发明,能够通过深度学习技术对交通状态信息数据进行有效处理,从而快速、准确地对目标区域的交通状态进行预测。可以为交通管理者提供有力的交通决策依据,同时也让驾驶员选择更为个性化的出方案。预测的交通状态信息可为交管部门提供交通控制与管理的依据,为道路规划部门合理规划道路设施提供参考依据,达到缓解交通拥堵、节能减排的目的。交通状态流变化具有明显的潮汐性和周期性,掌握城市内每条道路的交通状态变化规律,对于交通流预测、路径规划和诱导、道路规划等都具有重要的意义。
需要说明的是,对于以上方法或流程实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作并不一定是本发明实施例所必须的。
请参加图5,为了解决相同的技术问题,本发明还提供了一种基于深度学习的交通状态预测装置,包括:
数据获取模块1,用于获取目标区域的交通流量历史数据,并按预设的格式将所述交通流量历史数据转化为训练集数据;
模型构建模块2,用于构建深度信念网络模型,并基于所述训练集数据对所述深度信念网络模型进行训练;
模型融合模块3,用于将训练后的深度信念网络模型的顶层输出与预设的SVR模型相连,得到深度学习混合模型;
交通预测模块4,用于基于实时采集的所述目标区域的交通流量数据,利用所述深度学习混合模型对所述目标区域进行交通状态预测。
进一步地,所述模型构建模块,具体用于:构建深度信念网络模型;其中,所述深度信念网络模型包括若干层受限玻尔兹曼机;基于所述训练集数据,依次对每一层所述受限玻尔兹曼机进行训练,以得到所述训练后的深度信念网络模型。
进一步地,所述对每一层所述受限玻尔兹曼机进行训练,以得到所述训练后的深度信念网络模型,具体包括:
对每一层所述受限玻尔兹曼机进行无监督预训练,获取每一层所述所述受限玻尔兹曼机的初始化参数;其中,所述初始化参数包括节点连接权重、显层偏置系数、隐层偏置系数;
将预设的分类器模型连接到最后一层所述受限玻尔兹曼机的输出层,并对所述深度信念网络模型进行全局参数微调,以得到所述训练后的深度信念网络模型。
可以理解的是上述装置项实施例,是与本发明方法项实施例相对应的,本发明实施例提供的一种基于深度学习的交通状态预测装置,可以实现本发明任意一项方法项实施例提供的基于深度学习的交通状态预测方法。
为了解决相同的技术问题,本发明还提供了一种基于深度学习的交通状态预测终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述存储器与所述处理器耦接,且所述处理器执行所述计算机程序时,实现任一项所述的基于深度学习的交通状态预测方法。
所述基于深度学习的交通状态预测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述处理器可以是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述基于深度学习的交通状态预测终端设备的控制中心,利用各种接口和线路连接整个基于深度学习的交通状态预测终端设备的各个部分。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
为了解决相同的技术问题,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行任一项所述的基于深度学习的交通状态预测方法。
所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于深度学习的交通状态预测方法,其特征在于,包括:
获取目标区域的交通流量历史数据,并按预设的格式将所述交通流量历史数据转化为训练集数据;
构建深度信念网络模型,并基于所述训练集数据对所述深度信念网络模型进行训练;
将训练后的深度信念网络模型的顶层输出与预设的SVR模型相连,得到深度学习混合模型;
基于实时采集的所述目标区域的交通流量数据,利用所述深度学习混合模型对所述目标区域进行交通状态预测。
2.根据权利要求1所述的基于深度学习的交通状态预测方法,其特征在于,所述构建深度信念网络模型,并基于所述训练集数据对所述深度信念网络模型进行训练,具体包括:
构建深度信念网络模型;其中,所述深度信念网络模型包括若干层受限玻尔兹曼机;
基于所述训练集数据,依次对每一层所述受限玻尔兹曼机进行训练,以得到所述训练后的深度信念网络模型。
3.根据权利要求2所述的基于深度学习的交通状态预测方法,其特征在于,所述对每一层所述受限玻尔兹曼机进行训练,以得到所述训练后的深度信念网络模型,具体包括:
对每一层所述受限玻尔兹曼机进行无监督预训练,获取每一层所述所述受限玻尔兹曼机的初始化参数;其中,所述初始化参数包括节点连接权重、显层偏置系数、隐层偏置系数;
将预设的分类器模型连接到最后一层所述受限玻尔兹曼机的输出层,并对所述深度信念网络模型进行全局参数微调,以得到所述训练后的深度信念网络模型。
4.根据权利要求3所述的基于深度学习的交通状态预测方法,其特征在于,所述深度信念网络模型中的受限玻尔兹曼机为连续受限玻尔兹曼机;在对所述连续受限玻尔兹曼机进行训练时,结合注意力机制进行节点连接权重的分配。
5.根据权利要求1至4任一项所述的基于深度学习的交通状态预测方法,其特征在于,在所述将训练后的深度信念网络模型的顶层输出与预设的SVR模型相连,得到深度学习混合模型之后,在所述基于实时采集的所述目标区域的交通流量数据,利用所述深度学习混合模型对所述目标区域进行交通状态预测之前,还包括:
采用FR-CG算法对所述深度学习混合模型中的网络参数进行微调,以对所述深度学习混合模型进行全局优化。
6.一种基于深度学习的交通状态预测装置,其特征在于,包括:
数据获取模块,用于获取目标区域的交通流量历史数据,并按预设的格式将所述交通流量历史数据转化为训练集数据;
模型构建模块,用于构建深度信念网络模型,并基于所述训练集数据对所述深度信念网络模型进行训练;
模型混合模块,用于将训练后的深度信念网络模型的顶层输出与预设的SVR模型相连,得到深度学习混合模型;
交通预测模块,用于基于实时采集的所述目标区域的交通流量数据,利用所述深度学习混合模型对所述目标区域进行交通状态预测。
7.根据权利要求6所述的基于深度学习的交通状态预测装置,其特征在于,所述模型构建模块,具体用于:构建深度信念网络模型;其中,所述深度信念网络模型包括若干层受限玻尔兹曼机;基于所述训练集数据,依次对每一层所述受限玻尔兹曼机进行训练,以得到所述训练后的深度信念网络模型。
8.根据权利要求7所述的基于深度学习的交通状态预测装置,其特征在于,所述对每一层所述受限玻尔兹曼机进行训练,以得到所述训练后的深度信念网络模型,具体包括:
对每一层所述受限玻尔兹曼机进行无监督预训练,获取每一层所述所述受限玻尔兹曼机的初始化参数;其中,所述初始化参数包括节点连接权重、显层偏置系数、隐层偏置系数;
将预设的分类器模型连接到最后一层所述受限玻尔兹曼机的输出层,并对所述深度信念网络模型进行全局参数微调,以得到所述训练后的深度信念网络模型。
9.一种基于深度学习的交通状态预测终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述存储器与所述处理器耦接,且所述处理器执行所述计算机程序时,实现如权利要求1至5任一项所述的基于深度学习的交通状态预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至5任一项所述的基于深度学习的交通状态预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010288369.2A CN111554089A (zh) | 2020-04-13 | 2020-04-13 | 一种基于深度学习的交通状态预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010288369.2A CN111554089A (zh) | 2020-04-13 | 2020-04-13 | 一种基于深度学习的交通状态预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111554089A true CN111554089A (zh) | 2020-08-18 |
Family
ID=72007443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010288369.2A Pending CN111554089A (zh) | 2020-04-13 | 2020-04-13 | 一种基于深度学习的交通状态预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111554089A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132331A (zh) * | 2020-09-15 | 2020-12-25 | 宝信软件(武汉)有限公司 | 一种基于深度学习的炼钢***预警方法和*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096614A (zh) * | 2015-09-23 | 2015-11-25 | 南京遒涯信息技术有限公司 | 基于生成型深信度网络的新建路***通流量预测方法 |
CN108960496A (zh) * | 2018-06-26 | 2018-12-07 | 浙江工业大学 | 一种基于改进学习率的深度学习交通流预测方法 |
CN110097755A (zh) * | 2019-04-29 | 2019-08-06 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
CN110675623A (zh) * | 2019-09-06 | 2020-01-10 | 中国科学院自动化研究所 | 基于混合深度学习的短时交通流量预测方法、***、装置 |
WO2020040412A1 (ko) * | 2018-08-21 | 2020-02-27 | 한국과학기술정보연구원 | 교통신호 제어 장치, 교통신호 제어 방법 및 교통신호 제어 프로그램을 저장하는 저장매체 |
CN110929958A (zh) * | 2019-12-10 | 2020-03-27 | 西安邮电大学 | 基于深度学习参数优化的短时交通流量预测方法 |
-
2020
- 2020-04-13 CN CN202010288369.2A patent/CN111554089A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096614A (zh) * | 2015-09-23 | 2015-11-25 | 南京遒涯信息技术有限公司 | 基于生成型深信度网络的新建路***通流量预测方法 |
CN108960496A (zh) * | 2018-06-26 | 2018-12-07 | 浙江工业大学 | 一种基于改进学习率的深度学习交通流预测方法 |
WO2020040412A1 (ko) * | 2018-08-21 | 2020-02-27 | 한국과학기술정보연구원 | 교통신호 제어 장치, 교통신호 제어 방법 및 교통신호 제어 프로그램을 저장하는 저장매체 |
CN110097755A (zh) * | 2019-04-29 | 2019-08-06 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
CN110675623A (zh) * | 2019-09-06 | 2020-01-10 | 中国科学院自动化研究所 | 基于混合深度学习的短时交通流量预测方法、***、装置 |
CN110929958A (zh) * | 2019-12-10 | 2020-03-27 | 西安邮电大学 | 基于深度学习参数优化的短时交通流量预测方法 |
Non-Patent Citations (5)
Title |
---|
F.LI-ZEYU,S.GE-XIAOYU: "《Prediction And Analysis Of Road Traffic Efficiency Based On DBN-SVR》", 《 2019 1ST INTERNATIONAL CONFERENCE ON INDUSTRIAL ARTIFICIAL INTELLIGENCE》 * |
SIBAO FU,YONGWU LI,SHAOLONG SUN,HONGTAO LI: "《Evolutionary support vector machine for RMB exchange rate》", 《PHYSICA A》 * |
宋姗姗: "《基于浮动车数据的短时交通流预测研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
张传雷,张善文,李建荣: "《基于图像分析的植物及其病虫害识别方法研究》", 31 October 2018 * |
彭家学: "《基于深度学习的公共交通客流量预测方法研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132331A (zh) * | 2020-09-15 | 2020-12-25 | 宝信软件(武汉)有限公司 | 一种基于深度学习的炼钢***预警方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110880036B (zh) | 神经网络压缩方法、装置、计算机设备及存储介质 | |
Li et al. | Day-ahead traffic flow forecasting based on a deep belief network optimized by the multi-objective particle swarm algorithm | |
US20210064999A1 (en) | Multi-scale multi-granularity spatial-temporal traffic volume prediction | |
Xu et al. | Accurate and interpretable bayesian mars for traffic flow prediction | |
Shao et al. | Traffic flow prediction with long short-term memory networks (LSTMs) | |
Zhang et al. | A gradient boosting method to improve travel time prediction | |
CN110728317A (zh) | 决策树模型的训练方法、***、存储介质及预测方法 | |
Fonteneau et al. | Batch mode reinforcement learning based on the synthesis of artificial trajectories | |
CN108665175A (zh) | 一种保险业务风险预测的处理方法、装置及处理设备 | |
US11704570B2 (en) | Learning device, learning system, and learning method | |
Csikós et al. | Traffic speed prediction method for urban networks—An ANN approach | |
CN111047078B (zh) | 交通特征预测方法、***及存储介质 | |
CN108665093A (zh) | 基于深度学习的高速公路交通事故严重度预测方法 | |
US20220335293A1 (en) | Method of optimizing neural network model that is pre-trained, method of providing a graphical user interface related to optimizing neural network model, and neural network model processing system performing the same | |
US20230131518A1 (en) | Model Generation Method and Apparatus, Object Detection Method and Apparatus, Device, and Storage Medium | |
WO2022142574A1 (zh) | 流量预测模型的训练方法、装置和电子设备 | |
CN103676649A (zh) | 局部自适应小波神经网络训练***、设备及方法 | |
CN108062566A (zh) | 一种基于多核潜在特征提取的智能集成软测量方法 | |
CN115034430A (zh) | 碳排放量预测方法、装置、终端及存储介质 | |
Kosana et al. | Hybrid wind speed prediction framework using data pre-processing strategy based autoencoder network | |
CN113268929B (zh) | 短期负荷区间预测方法及装置 | |
CN112633591B (zh) | 一种基于深度强化学习的空间搜索方法及设备 | |
CN111554089A (zh) | 一种基于深度学习的交通状态预测方法及装置 | |
CN113191880A (zh) | 银行柜员终端加钞建议确定方法及装置 | |
CN109102698B (zh) | 基于集成lssvr模型的路网中短时交通流的预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200818 |