專利名稱：一種旅行時(shí)間預(yù)測(cè)的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及智能交通領(lǐng)域，尤其涉及一種旅行時(shí)間預(yù)測(cè)的方法。
背景技術(shù)：
近年來(lái)，隨著城市對(duì)交通需求的迅速增長(zhǎng)，交通問題日益嚴(yán)峻。智能交通系統(tǒng)(ITS)將先進(jìn)的信息技術(shù)，數(shù)據(jù)通信傳輸技術(shù)，自動(dòng)控制技術(shù)以及計(jì)算機(jī)處理技術(shù)等有效地運(yùn)用于整個(gè)運(yùn)輸管理體系，能為目前城市交通面臨的眾多問題提出可行的解決方案，其相關(guān)領(lǐng)域的研究越來(lái)越受到各個(gè)國(guó)家的重視。 道路旅行時(shí)間預(yù)測(cè)能夠預(yù)測(cè)在一段時(shí)間后某段道路的旅行時(shí)間，這樣，駕駛員就
能夠提前知道到達(dá)某段道路時(shí)該道路的旅行時(shí)間，從而得到優(yōu)化的路徑。 在實(shí)現(xiàn)本發(fā)明的過程中，發(fā)明人發(fā)現(xiàn)以下問題 現(xiàn)階段的道路旅行時(shí)間預(yù)測(cè)，如使用時(shí)間序列和Kalman濾波模型進(jìn)行旅行時(shí)間預(yù)測(cè)時(shí)，預(yù)測(cè)結(jié)果誤差較大，且隨著預(yù)測(cè)提前時(shí)間的增大，如預(yù)測(cè)半小時(shí)至一小時(shí)后某段道路的旅行時(shí)間時(shí)，誤差也會(huì)大幅增加。

發(fā)明內(nèi)容
本發(fā)明的實(shí)施例提供了 一種旅行時(shí)間預(yù)測(cè)的方法，能夠減小旅行時(shí)間預(yù)測(cè)的誤差，提高旅行時(shí)間預(yù)測(cè)的精度。 為達(dá)到上述目的，本發(fā)明的實(shí)施例采用如下技術(shù)方案
—種旅行時(shí)間預(yù)測(cè)的方法，包括 獲取預(yù)測(cè)指示，所述預(yù)測(cè)指示攜帶待預(yù)測(cè)路徑的信息和預(yù)測(cè)起始時(shí)間；
根據(jù)所述預(yù)測(cè)指示獲取對(duì)應(yīng)的樣本數(shù)據(jù)； 從預(yù)先配置的至少一個(gè)存儲(chǔ)于自組織神經(jīng)網(wǎng)絡(luò)中的旅行時(shí)間模型中，獲取與所述樣本數(shù)據(jù)匹配的旅行時(shí)間模型； 根據(jù)所述旅行時(shí)間模型，預(yù)測(cè)所述待預(yù)測(cè)路徑的旅行時(shí)間。 本發(fā)明的實(shí)施例提供的一種旅行時(shí)間預(yù)測(cè)的方法，根據(jù)預(yù)測(cè)請(qǐng)求獲取樣本數(shù)據(jù)，將樣本數(shù)據(jù)與預(yù)先配置的至少一個(gè)存儲(chǔ)于自組織神經(jīng)網(wǎng)絡(luò)中的旅行時(shí)間模型進(jìn)行匹配，獲取與所述樣本數(shù)據(jù)匹配的旅行時(shí)間模型，進(jìn)而根據(jù)該旅行時(shí)間模型獲取待預(yù)測(cè)路徑的旅行時(shí)間，減小了旅行時(shí)間預(yù)測(cè)的誤差，提高了旅行時(shí)間預(yù)測(cè)的精度。


為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
圖1為本發(fā)明實(shí)施例提供的一種旅行時(shí)間預(yù)測(cè)的方法的流程 圖2為本發(fā)明又一實(shí)施例提供的一種旅行時(shí)間預(yù)測(cè)的方法的流程圖； 圖3為本發(fā)明的實(shí)施例使用的自組織神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。 圖4為圖2中步驟203的詳細(xì)流程圖； 圖5為圖2中步驟207的詳細(xì)流程圖。
具體實(shí)施例方式
下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。 如圖1所示，本發(fā)明實(shí)施提供的旅行時(shí)間預(yù)測(cè)的方法，包括 步驟101、獲取預(yù)測(cè)指示，所述預(yù)測(cè)指示攜帶待預(yù)測(cè)路徑的信息和預(yù)測(cè)起始時(shí)間；
步驟102、根據(jù)所述預(yù)測(cè)指示獲取對(duì)應(yīng)的樣本數(shù)據(jù)； 步驟103、從預(yù)先配置的至少一個(gè)存儲(chǔ)于自組織神經(jīng)網(wǎng)絡(luò)中的旅行時(shí)間模型中，獲取與所述樣本數(shù)據(jù)匹配的旅行時(shí)間模型； 步驟104、根據(jù)所述旅行時(shí)間模型，預(yù)測(cè)所述待預(yù)測(cè)路徑的旅行時(shí)間。 本發(fā)明的實(shí)施例提供的一種旅行時(shí)間預(yù)測(cè)的方法，根據(jù)預(yù)測(cè)請(qǐng)求獲取樣本數(shù)據(jù)，
將樣本數(shù)據(jù)與預(yù)先配置的至少一個(gè)存儲(chǔ)于自組織神經(jīng)網(wǎng)絡(luò)中的旅行時(shí)間模型進(jìn)行匹配，獲
取與所述樣本數(shù)據(jù)匹配的旅行時(shí)間模型，進(jìn)而根據(jù)該旅行時(shí)間模型獲取待預(yù)測(cè)路徑的旅行
時(shí)間，減小了旅行時(shí)間預(yù)測(cè)的誤差，提高了旅行時(shí)間預(yù)測(cè)的精度。 進(jìn)一步地，本發(fā)明的又一實(shí)施例提供了一種旅行時(shí)間預(yù)測(cè)的方法，使用所述旅行時(shí)間預(yù)測(cè)的方法進(jìn)行旅行時(shí)間的預(yù)測(cè)，能夠有效的減少預(yù)測(cè)誤差，提高預(yù)測(cè)精度，該方法如圖2所示，包括 步驟201 、創(chuàng)建自組織神經(jīng)網(wǎng)絡(luò)； 本發(fā)明實(shí)施例通過自組織神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)更準(zhǔn)確更長(zhǎng)期的旅行時(shí)間預(yù)測(cè)，所述自組
織神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示，包括N個(gè)輸入神經(jīng)元301和K個(gè)輸出神經(jīng)元302。為輸入神
經(jīng)元分配標(biāo)號(hào)1至N，為輸出神經(jīng)元分配標(biāo)號(hào)1至K。輸出神經(jīng)元的數(shù)量應(yīng)小于輸入神經(jīng)元
的數(shù)量，即K小于N。每個(gè)輸出神經(jīng)元與每個(gè)輸出神經(jīng)元之間都存在關(guān)聯(lián)，稱為連接輸入神
經(jīng)元與輸出神經(jīng)元的權(quán)值。 步驟202 、準(zhǔn)備歷史數(shù)據(jù)； 本發(fā)明實(shí)施例使用的歷史數(shù)據(jù)為一個(gè)長(zhǎng)時(shí)期內(nèi)一條道路每天各個(gè)不同時(shí)段的旅行時(shí)間，例如，在一天中，對(duì)一條道路每隔五分鐘進(jìn)行一次測(cè)試，得到該時(shí)刻這條道路的旅行時(shí)間，那么這一天得到的全部測(cè)試結(jié)果就構(gòu)成了一個(gè)時(shí)間序列，所述時(shí)間序列就是一個(gè)訓(xùn)練樣本；將一年的訓(xùn)練樣本集合在一起，就得到了一組歷史數(shù)據(jù)。 本步驟中，以Td二 {tl，t2，.... ，tk}作為一個(gè)訓(xùn)練樣本，表示第d天采集k次旅行時(shí)間。 步驟203、對(duì)所述自組織神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；
如圖4所示，本步驟進(jìn)一步包括
步驟2031 、初始化自組織神經(jīng)網(wǎng)絡(luò)；
本步驟中，為所述自組織神經(jīng)網(wǎng)絡(luò)的每個(gè)輸出神經(jīng)元隨機(jī)分配權(quán)值向量Wj，j為輸 出神經(jīng)元的標(biāo)號(hào)，j = 1，2， . . . . ， K。標(biāo)號(hào)為i的輸入神經(jīng)元與標(biāo)號(hào)為j的輸出神經(jīng)元之間 的權(quán)值用Wij表示。 本步驟中，將各個(gè)輸入神經(jīng)元與輸出神經(jīng)元之間的權(quán)值初始化為0。
步驟2032、輸入所有訓(xùn)練樣本； 本步驟中，輸入全部訓(xùn)練樣本，假設(shè)有M個(gè)訓(xùn)練樣本。 步驟2033、計(jì)算每個(gè)訓(xùn)練樣本到各個(gè)輸出神經(jīng)元的歐氏距離； 本步驟中，通過公式^(^^^S二(;^,^W)2計(jì)算每個(gè)訓(xùn)練樣本到各個(gè)輸出神
經(jīng)元的歐氏距離，其中，1 = 1，2，......，M， j = 1，2，.....，K，Xu為訓(xùn)練樣本。 步驟2034、計(jì)算每個(gè)訓(xùn)練樣本到各個(gè)輸出神經(jīng)元的隸屬度函數(shù)； 本步驟中，通過公式A(O =-^"71計(jì)算每個(gè)訓(xùn)練樣本到各個(gè)輸出神經(jīng)元20
1
的隸屬度函數(shù)。 步驟2035、調(diào)整輸入神經(jīng)元與輸出神經(jīng)元的權(quán)值； 本步驟中，根據(jù)公式^ (/ +1) = K (0+"1 ;、 "~^調(diào)整權(quán)值。
步驟2036、判斷所述自組織神經(jīng)網(wǎng)絡(luò)是否收斂； 本步驟中，根據(jù)公式t J^.JI^ —K (《"判斷所述自組織神經(jīng)網(wǎng)絡(luò)是否
收斂，具體為，如果步驟2035調(diào)整后得到的權(quán)值均滿足上式，則認(rèn)為所述自組織神經(jīng)網(wǎng)絡(luò) 已收斂，結(jié)束訓(xùn)練；如果步驟2035調(diào)整后得到的權(quán)值中，存在不滿足上式的權(quán)值，則認(rèn)為所 述自組織神經(jīng)網(wǎng)絡(luò)未收斂，需要繼續(xù)訓(xùn)練，返回步驟2033。 此外，還可以預(yù)置一個(gè)迭代次數(shù)，在調(diào)整全部權(quán)值的次數(shù)達(dá)到所述迭代次數(shù)后，也 可以結(jié)束訓(xùn)練。 步驟204、獲取自組織神經(jīng)網(wǎng)絡(luò)的旅行時(shí)間預(yù)測(cè)模型； 在結(jié)束步驟203對(duì)所述自組織神經(jīng)網(wǎng)絡(luò)的訓(xùn)練后，可以根據(jù)當(dāng)前各個(gè)輸出神經(jīng)元 的權(quán)值向量，獲取與各個(gè)輸出神經(jīng)元對(duì)應(yīng)的旅行時(shí)間模型。 旅行時(shí)間模型用來(lái)描述一種旅行時(shí)間隨時(shí)間變化的模式，輸出神經(jīng)元的數(shù)量越 多，得到的結(jié)果就越精確，一般情況下，輸出神經(jīng)元的數(shù)量為10至20個(gè)，本發(fā)明對(duì)此不作限定。 步驟205、接收預(yù)測(cè)請(qǐng)求； 本步驟中，在駕駛員需要預(yù)測(cè)某段道路的旅行時(shí)間時(shí)，即會(huì)發(fā)出預(yù)測(cè)請(qǐng)求，所述預(yù) 測(cè)請(qǐng)求中攜帶待預(yù)測(cè)路徑的信息和預(yù)測(cè)起始時(shí)間，所述預(yù)測(cè)起始時(shí)間即為預(yù)測(cè)的提前時(shí) 間，例如，駕駛員請(qǐng)求預(yù)測(cè)5分鐘后某段道路的旅行時(shí)間，則這一請(qǐng)求的預(yù)測(cè)起始時(shí)間即為 當(dāng)前時(shí)刻的5分鐘之后。 步驟206、獲取預(yù)測(cè)所需的樣本數(shù)據(jù)；
6
本步驟中，根據(jù)步驟205接收的預(yù)測(cè)請(qǐng)求，獲取對(duì)應(yīng)的樣本數(shù)據(jù)。 所述樣本數(shù)據(jù)為當(dāng)前時(shí)刻之前一段時(shí)間，等預(yù)測(cè)道路的旅行時(shí)間采樣，是一個(gè)時(shí)
間序列。例如，在8點(diǎn)鐘接收到預(yù)測(cè)請(qǐng)求，則所述樣本數(shù)據(jù)可以為6點(diǎn)至8點(diǎn)這一段時(shí)間內(nèi)
對(duì)待預(yù)測(cè)路徑的旅行時(shí)間的采樣，也可以是7點(diǎn)至8點(diǎn)，樣本數(shù)據(jù)覆蓋的時(shí)間段可長(zhǎng)可短，
需要操作人員根據(jù)實(shí)際情況進(jìn)行調(diào)整，本發(fā)明對(duì)此不作限定。 本步驟中，如果在c時(shí)刻請(qǐng)求預(yù)測(cè)旅行時(shí)間，則需要c時(shí)刻以前的樣本數(shù)據(jù)T =
{tc—h+1， . . . . ， t?！猲 t。}，其中，h為所述樣本數(shù)據(jù)中分量的個(gè)數(shù)。 步驟207、獲取與所述樣本數(shù)據(jù)匹配的旅行時(shí)間模型； 進(jìn)一步地，本步驟如圖5所示，包括 步驟2071、為所述樣本數(shù)據(jù)的每一個(gè)分量定義權(quán)重； 本步驟中，通過公式M。 = /〔E^定義所述樣本數(shù)據(jù)中各個(gè)分量的權(quán)重，其中，i = c， c_l，.....， c_h+l。 步驟2072、計(jì)算所述樣本數(shù)據(jù)與各個(gè)輸出神經(jīng)元的匹配度； 本步驟中，根據(jù)公式。=)2 .M(/)計(jì)算樣本數(shù)據(jù)與各個(gè)輸出神經(jīng)元 的匹配度，其中j = 1，2，……，K。 步驟2073、計(jì)算所述樣本數(shù)據(jù)與各個(gè)輸出神經(jīng)元的匹配概率； 本步驟中，根據(jù)步驟2072獲得的匹配度，通過公式P, =~^"計(jì)算獲取匹配概
'=1率。 步驟2074、獲取與所述樣本數(shù)據(jù)匹配的旅行時(shí)間模型； 本步驟中，根據(jù)步驟2073的運(yùn)算結(jié)果，選擇匹配概率最大的一個(gè)輸出神經(jīng)元對(duì)應(yīng)
的旅行時(shí)間模型，作為與所述樣本數(shù)據(jù)相匹配的旅行時(shí)間模型。 步驟208、根據(jù)所述旅行時(shí)間模型，預(yù)測(cè)所述待預(yù)測(cè)路徑的旅行時(shí)間； 本步驟中，將步驟2074選擇的輸出神經(jīng)元與各個(gè)輸出神經(jīng)元的權(quán)值計(jì)算出 本步驟中，將步驟2074選擇的輸出神經(jīng)元與各個(gè)輸出神經(jīng)元的權(quán)值計(jì)算出來(lái)，得
到一個(gè)時(shí)間序列，該序列即為預(yù)測(cè)結(jié)果，假設(shè)匹配概率最大的輸出神經(jīng)元為輸出神經(jīng)元o，
則預(yù)測(cè)得到的旅行時(shí)間序列為 {W。+1,。， W。+2,。， . . . ， W。+q,。}，其中，W。+1,。是預(yù)測(cè)得到的c+l時(shí)刻所述待預(yù)測(cè)路徑的旅 行時(shí)間。 需要說明的是，對(duì)于樣本數(shù)據(jù)來(lái)說，離當(dāng)前時(shí)刻距離越近的分量，對(duì)預(yù)測(cè)的貢獻(xiàn)越 大；對(duì)于預(yù)測(cè)得到的旅行時(shí)間序列來(lái)說，離當(dāng)前時(shí)刻越近的分量，其誤差就越小，準(zhǔn)確程度 就越大。 本發(fā)明實(shí)施例提供的旅行時(shí)間預(yù)測(cè)的方法，利用旅行時(shí)間的歷史數(shù)據(jù)作為訓(xùn)練樣 本，來(lái)訓(xùn)練自組織神經(jīng)網(wǎng)絡(luò)，訓(xùn)練結(jié)束后道路旅行時(shí)間隨時(shí)間的變化模式作為旅行時(shí)間模 型存儲(chǔ)在神經(jīng)網(wǎng)絡(luò)的權(quán)值中。預(yù)測(cè)時(shí)，使用當(dāng)前時(shí)刻之前的道路旅行時(shí)間隨時(shí)間變化的時(shí) 間序列作為樣本數(shù)據(jù)，將所述樣本數(shù)據(jù)與訓(xùn)練得到的自組織神經(jīng)網(wǎng)絡(luò)的輸出神經(jīng)元進(jìn)行匹5/5頁(yè)
配，匹配概率最高的神經(jīng)元作為預(yù)測(cè)輸出的神經(jīng)元，從而得到匹配的旅行時(shí)間模型，當(dāng)前時(shí) 刻之后的道路的旅行時(shí)間可以從旅行時(shí)間模型對(duì)應(yīng)的分量中得到，減小了旅行時(shí)間預(yù)測(cè)的 誤差，提高了預(yù)測(cè)精度。由于采用了自組織神經(jīng)網(wǎng)絡(luò)，可以對(duì)旅行時(shí)間隨時(shí)間線性變化或者 非線性變化的路徑進(jìn)行旅行時(shí)間的預(yù)測(cè)，符合現(xiàn)實(shí)交通變化的規(guī)律，進(jìn)一步提高了預(yù)測(cè)準(zhǔn) 確度。 本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法攜帶的全部或部分步驟是可 以通過程序來(lái)指令相關(guān)的硬件完成，所述的程序可以存儲(chǔ)于一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中， 該程序在執(zhí)行時(shí)，包括方法實(shí)施例的步驟之一或其組合。 另外，在本發(fā)明各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理模塊中，也可以 是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)模塊中。上述集成的模 塊既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能模塊的形式實(shí)現(xiàn)。所述集成的模塊如 果以軟件功能模塊的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，也可以存儲(chǔ)在一個(gè)計(jì)算機(jī) 可讀取存儲(chǔ)介質(zhì)中。 上述提到的存儲(chǔ)介質(zhì)可以是只讀存儲(chǔ)器，磁盤或光盤等。 以上所述，僅為本發(fā)明的具體實(shí)施方式
，但本發(fā)明的保護(hù)范圍并不局限于此，任何 熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵 蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)所述以權(quán)利要求的保護(hù)范圍為準(zhǔn)。
8
權(quán)利要求
一種旅行時(shí)間預(yù)測(cè)的方法，其特征在于，包括獲取預(yù)測(cè)指示，所述預(yù)測(cè)指示攜帶待預(yù)測(cè)路徑的信息和預(yù)測(cè)起始時(shí)間；根據(jù)所述預(yù)測(cè)指示獲取對(duì)應(yīng)的樣本數(shù)據(jù)；從預(yù)先配置的至少一個(gè)存儲(chǔ)于自組織神經(jīng)網(wǎng)絡(luò)中的旅行時(shí)間模型中，獲取與所述樣本數(shù)據(jù)匹配的旅行時(shí)間模型；根據(jù)所述旅行時(shí)間模型，預(yù)測(cè)所述待預(yù)測(cè)路徑的旅行時(shí)間。
2. 根據(jù)權(quán)利要求1所述的旅行時(shí)間預(yù)測(cè)的方法，其特征在于，所述獲取預(yù)測(cè)指示之前， 還包括根據(jù)歷史數(shù)據(jù)生成至少一個(gè)存儲(chǔ)于自組織神經(jīng)網(wǎng)絡(luò)中的旅行時(shí)間模型。
3. 根據(jù)權(quán)利要求2所述的旅行時(shí)間預(yù)測(cè)的方法，其特征在于，所述根據(jù)歷史數(shù)據(jù)生成 至少一個(gè)存儲(chǔ)于自組織神經(jīng)網(wǎng)絡(luò)中的旅行時(shí)間模型包括組建自組織神經(jīng)網(wǎng)絡(luò)，所述自組織神經(jīng)網(wǎng)絡(luò)包括兩個(gè)以上的輸入神經(jīng)元和至少一個(gè)輸 出神經(jīng)元，輸入神經(jīng)元的數(shù)量大于輸出神經(jīng)元的數(shù)量；使用歷史數(shù)據(jù)對(duì)所述自組織神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，生成至少一個(gè)旅行時(shí)間模型。
4. 根據(jù)權(quán)利要求3所述的旅行時(shí)間預(yù)測(cè)的方法，其特征在于，所述組建自組織神經(jīng)網(wǎng) 絡(luò)包括確定輸入神經(jīng)元的數(shù)量，為每個(gè)輸入神經(jīng)元標(biāo)號(hào)；確定輸出神經(jīng)元的數(shù)量，所述輸出神經(jīng)元的數(shù)量小于輸入神經(jīng)元的數(shù)據(jù)，為每個(gè)出神 經(jīng)元標(biāo)號(hào)；為每個(gè)輸入神經(jīng)元分別與各個(gè)輸出神經(jīng)元建立關(guān)聯(lián)，形成自組織神經(jīng)網(wǎng)絡(luò)。
5. 根據(jù)權(quán)利要求3所述的旅行時(shí)間預(yù)測(cè)的方法，其特征在于，所述使用歷史數(shù)據(jù)對(duì)所 述自組織神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，生成至少一個(gè)旅行時(shí)間模型包括初始化所述自組織神經(jīng)網(wǎng)絡(luò)，為每組相互關(guān)聯(lián)的輸出神經(jīng)元和輸出神經(jīng)元設(shè)置權(quán)值， 并將該權(quán)值的初始值設(shè)為0 ;根據(jù)歷史數(shù)據(jù)調(diào)整權(quán)值，使用如下公式，<formula>formula see original document page 2</formula>其中，Wij代表標(biāo)號(hào)為i的輸入神經(jīng)元與標(biāo)號(hào)為j的輸出神經(jīng)元之間的權(quán)值，M是所述歷史數(shù)據(jù)中包含的訓(xùn)練樣本的數(shù)量，K是輸出神經(jīng)元的數(shù)量，X是訓(xùn)練樣本的取值，R(t)是輸出神經(jīng)元的隸屬度函數(shù)，通過如下公式計(jì)算獲得， 1<formula>formula see original document page 2</formula>其中，d(t)是每個(gè)訓(xùn)練樣本到各個(gè)輸出神經(jīng)元的歐氏距離，通過如下公式計(jì)算獲得，判斷所述自組織神經(jīng)網(wǎng)絡(luò)絡(luò)是否收斂，以調(diào)整后的權(quán)值為參數(shù)，根據(jù)如下公式判斷，如果滿足所述公式，則認(rèn)為所述自組織神經(jīng)網(wǎng)絡(luò)收斂；如果所述自組織神經(jīng)網(wǎng)絡(luò)收斂，根據(jù)當(dāng)前的輸出神經(jīng)元的權(quán)重向量建立旅行時(shí)間模 型，結(jié)束訓(xùn)練；或，如果調(diào)整權(quán)值的次數(shù)達(dá)到最大迭代次數(shù)值，結(jié)束訓(xùn)練；如果所述自組織神經(jīng)網(wǎng)絡(luò)不收斂，且調(diào)整權(quán)值的次數(shù)未達(dá)到最大迭代次數(shù)值，繼續(xù)根 據(jù)訓(xùn)練樣本調(diào)整權(quán)值。
6.根據(jù)權(quán)利要求1所述的旅行時(shí)間預(yù)測(cè)的方法，其特征在于，所述從預(yù)先配置的至少 一個(gè)存儲(chǔ)于自組織神經(jīng)網(wǎng)絡(luò)中的旅行時(shí)間模型中，獲取與所述樣本數(shù)據(jù)匹配的旅行時(shí)間模 型包括分別計(jì)算各個(gè)旅行時(shí)間模型與所述樣本數(shù)據(jù)的匹配概率，使用如下公式，其中，&為所述樣本數(shù)據(jù)與各個(gè)旅行時(shí)間模型的匹配度，通過如下公式計(jì)算獲得， 其中，h為所述樣本數(shù)據(jù)中分量的個(gè)數(shù)，M(i)是每個(gè)分量的權(quán)重，通過如下公式計(jì)算獲M(/) = e、"」，/ = c，c-1,…",c_"l，其中，C為預(yù)測(cè)起始時(shí)間對(duì)應(yīng)的數(shù)據(jù)；將匹配概率最大的旅行時(shí)間模型作為與所述樣本數(shù)據(jù)匹配的旅行時(shí)間模型。
全文摘要
本發(fā)明公開了一種旅行時(shí)間預(yù)測(cè)的方法。涉及智能交通領(lǐng)域；解決了旅行時(shí)間預(yù)測(cè)準(zhǔn)確率低的問題。該方法包括獲取預(yù)測(cè)指示，所述預(yù)測(cè)指示攜帶待預(yù)測(cè)路徑的信息和預(yù)測(cè)起始時(shí)間；根據(jù)所述預(yù)測(cè)指示獲取對(duì)應(yīng)的樣本數(shù)據(jù)；從預(yù)先配置的至少一個(gè)存儲(chǔ)于自組織神經(jīng)網(wǎng)絡(luò)中的的旅行時(shí)間模型中，獲取與所述樣本數(shù)據(jù)匹配的旅行時(shí)間模型；根據(jù)所述旅行時(shí)間模型，預(yù)測(cè)所述待預(yù)測(cè)路徑的旅行時(shí)間。本發(fā)明提供的技術(shù)方案適用于智能交通系統(tǒng)。
文檔編號(hào)G08G1/00GK101706888SQ20091008328
公開日2010年5月12日 申請(qǐng)日期2009年4月30日 優(yōu)先權(quán)日2009年4月30日
發(fā)明者周勇, 李建軍, 魏俊華 申請(qǐng)人:北京世紀(jì)高通科技有限公司