本發(fā)明屬于智能交通領(lǐng)域，尤其涉及一種基于時空關(guān)聯(lián)的城市交通流量預(yù)測方法。
背景技術(shù)：
城市道路交通流的狀態(tài)變化是一個實(shí)時、非線性、高維、非平穩(wěn)的過程，帶有隨機(jī)性和不確定性，統(tǒng)計(jì)時間越短，隨機(jī)性和不確定性越強(qiáng)。除此之外，還與出行需求、上下游流量、節(jié)假日、天氣變化、交通事故和道路環(huán)境等因素密切相關(guān)，為交通流量的預(yù)測帶來很大困難。傳統(tǒng)的歷史均值法、時間序列法、卡爾曼濾波等雖然實(shí)現(xiàn)簡單，但在路況復(fù)雜的情況下預(yù)測精度急劇下降；而基于非線性系統(tǒng)理論小波分析、突變理論、混沌理論等預(yù)測方法雖能比較好地模擬系統(tǒng)的非線性特征，且精確性相對較高，但計(jì)算復(fù)雜，理論基礎(chǔ)尚不成熟，難以推廣。而基于知識發(fā)現(xiàn)的智能模型尤其是已被廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)預(yù)測方法，因其具有非線性數(shù)據(jù)擬合能力強(qiáng)，理論成熟，預(yù)測精度高、穩(wěn)定性好等顯著特征，在訓(xùn)練數(shù)據(jù)充分的情況下，可在時空分布上產(chǎn)生很強(qiáng)的泛化能力，能夠很好地滿足交通系統(tǒng)尤其是大規(guī)模智能交通系統(tǒng)的交通流量預(yù)測需求。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明為解決背景技術(shù)中存在的上述技術(shù)問題，而提供一種基于時空關(guān)聯(lián)的城市交通流量預(yù)測方法。
本發(fā)明的技術(shù)解決方案是：本發(fā)明為一種基于時空關(guān)聯(lián)的城市交通流量預(yù)測方法，其特殊之處在于：該方法包括以下步驟：
1)預(yù)測模型訓(xùn)練：根據(jù)不同的時間預(yù)測粒度，生成相應(yīng)的預(yù)測模型；
1.1)流量分類統(tǒng)計(jì)
1.1.1)設(shè)定每天的統(tǒng)計(jì)時間范圍、統(tǒng)計(jì)時間；
1.1.2)采集每一統(tǒng)計(jì)時間需要進(jìn)行預(yù)測的路段的時段數(shù)據(jù)；
1.2)樣本預(yù)處理
1.2.1)完整性檢驗(yàn)：為保證歷史數(shù)據(jù)的完整性，對歷史數(shù)據(jù)進(jìn)行檢驗(yàn)，
如當(dāng)日某一統(tǒng)計(jì)時間段內(nèi)數(shù)據(jù)不存在，則計(jì)算在該時間段內(nèi)的其余所有歷史數(shù)據(jù)的平均值，將該均值作為其他日期內(nèi)在該時間段內(nèi)數(shù)據(jù)缺失時的默認(rèn)補(bǔ)充值，若某條道路當(dāng)天的缺失數(shù)據(jù)累計(jì)超過預(yù)設(shè)時間段，則丟棄該路段當(dāng)天所有數(shù)據(jù)；
1.2.2)有效性檢驗(yàn)：將每日所有路段所有統(tǒng)計(jì)時間間隔內(nèi)統(tǒng)計(jì)的流量轉(zhuǎn)換到以小時為單位，即pcu/小時，當(dāng)每小時交通流量超出預(yù)設(shè)的車道流量上限和下限時，視為錯誤數(shù)據(jù)，用其余所有日期內(nèi)該時間段的流量均值替換；若某條道路當(dāng)天的無效數(shù)據(jù)累計(jì)超過預(yù)設(shè)時間段，則丟棄該路段當(dāng)天所有數(shù)據(jù)；
1.2.3)將所有的歷史數(shù)據(jù)整理為訓(xùn)練網(wǎng)絡(luò)所需的輸入輸出對；
1.2.4)數(shù)據(jù)歸一化：將所有原始數(shù)據(jù)歸一化到[0，1]范圍內(nèi)，利用以下公式：歸一化后流量值＝((歸一化前流量值)-MINVALUE)/(MAXVALUE-MINVALUE)MAXVALUE為所有路段所有時段中可能出現(xiàn)的統(tǒng)計(jì)時間間隔內(nèi)流量最大值，MINVALUE為所有路段所有時段中可能出現(xiàn)的統(tǒng)計(jì)時間間隔內(nèi)流量最小值，這兩個數(shù)值在完成數(shù)據(jù)完整性檢驗(yàn)和數(shù)據(jù)有效性檢驗(yàn)后通過人工觀察或程序檢索得到；
1.3)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練：訓(xùn)練模型采用BP神經(jīng)網(wǎng)絡(luò)，輸入層神經(jīng)元的數(shù)目與輸入數(shù)據(jù)的維度一致，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如下：
1.3.1)設(shè)定輸入層的神經(jīng)元數(shù)目,輸出層神經(jīng)元數(shù)目,隱藏層層數(shù)，隱藏層神經(jīng)元的數(shù)目由經(jīng)驗(yàn)公式確定，其中n為輸入層神經(jīng)元數(shù)目,l為輸出層數(shù)目，α取0；
1.3.2)選擇迭代次數(shù)，訓(xùn)練收斂時的絕對誤差不大于0.001。
2)流量實(shí)時預(yù)測:與模型訓(xùn)練的過程一致，進(jìn)行交通流量預(yù)測時會將最新采集到的流量數(shù)據(jù)加入預(yù)測模型的輸入端，再經(jīng)過預(yù)測模型的處理，即可輸出下一時段的預(yù)測流量。
2.1)數(shù)據(jù)采集:
根據(jù)不同的預(yù)測的時間范圍，啟動不同的預(yù)測進(jìn)程，不同的進(jìn)程根據(jù)各自數(shù)據(jù)更新的時間粒度去檢索對應(yīng)的文件，將最新統(tǒng)計(jì)的流量數(shù)據(jù)加載到模型的輸入端，如果在統(tǒng)計(jì)時刻結(jié)束時沒有對應(yīng)的文件生成，則保持等待，如在等待預(yù)設(shè)時間后仍無對應(yīng)的文件生成，則直接將上一時段的統(tǒng)計(jì)流量作為補(bǔ)充進(jìn)行發(fā)布；
2.2)數(shù)據(jù)預(yù)處理:
將最新生成的流量數(shù)據(jù)從文件中解析出來，并與各時段歷史流量數(shù)據(jù)、關(guān)聯(lián)路段流量數(shù)據(jù)按照與模型訓(xùn)練過程一致的格式組合成訓(xùn)練模型的輸入數(shù)據(jù)，再經(jīng)歸一化處理后送入預(yù)測模型；歸一化的格式、MAXVALUE和MINVALUE與樣本訓(xùn)練時的保持一致；
2.3)預(yù)測輸出
預(yù)測模型的輸出是介于[0，1]之間經(jīng)過歸一化后的數(shù)值，在發(fā)布前進(jìn)行反歸一化，采用公式：反歸一化后流量值＝反歸一化前流量值*(MAXVALUE-MINVALUE)+MINVALUE。
該方法的具體步驟如下：
1)預(yù)測模型訓(xùn)練
根據(jù)不同的時間預(yù)測粒度，生成相應(yīng)的預(yù)測模型，包括流量5分鐘預(yù)測模型，30分鐘預(yù)測模型，1小時預(yù)測模型，24小時預(yù)測模型和1周內(nèi)預(yù)測模型，每種模型的訓(xùn)練過程輸入輸出不同，訓(xùn)練流程一致，具體如下：
1.1)流量分類統(tǒng)計(jì)
針對不同的時間預(yù)測范圍，采集所有需要進(jìn)行預(yù)測的路段歷史數(shù)據(jù)，保證歷史數(shù)據(jù)完整、有效。對每一路段的上下游關(guān)系進(jìn)行關(guān)聯(lián)，以路段ID號為索引,統(tǒng)計(jì)方法如下：
1.1.1)5分鐘流量預(yù)測：從每日00時00分00秒開始，每5分鐘統(tǒng)計(jì)一次，每次統(tǒng)計(jì)時間范圍為5分鐘，每條路段每日可采集288個時段數(shù)據(jù)；
1.1.2)30分鐘流量預(yù)測：從每日00時00分00秒開始，每10分鐘統(tǒng)計(jì)一次，每次統(tǒng)計(jì)時間范圍為30分鐘，每條路段每日可采集144個時段數(shù)據(jù)；
1.1.3)1小時流量預(yù)測：從每日00時00分00秒開始，每15分鐘統(tǒng)計(jì)一次，每次統(tǒng)計(jì)時間范圍為60分鐘，每條路段每日可采集96個時段數(shù)據(jù)；
1.1.4)24小時流量預(yù)測：從每日00時00分00秒開始，每1小時統(tǒng)計(jì)一次，每次統(tǒng)計(jì)時間范圍為60分鐘，每條路段每日可采集24個時段數(shù)據(jù)；
1.2)樣本預(yù)處理
1.2.1)完整性檢驗(yàn)。為保證歷史數(shù)據(jù)的完整性，需要對歷史數(shù)據(jù)進(jìn)行檢驗(yàn)，如當(dāng)日某一統(tǒng)計(jì)時間段內(nèi)數(shù)據(jù)不存在，則計(jì)算在該時間段內(nèi)的其余所有歷史數(shù)據(jù)的平均值，并將該均值作為其他日期內(nèi)在該時間段內(nèi)數(shù)據(jù)缺失時的默認(rèn)補(bǔ)充值；若某條道路當(dāng)天的缺失數(shù)據(jù)累計(jì)超過2小時，則丟棄該路段當(dāng)天所有數(shù)據(jù)；
1.2.2)有效性檢驗(yàn)。將每日所有路段所有統(tǒng)計(jì)時間間隔內(nèi)統(tǒng)計(jì)的流量轉(zhuǎn)換到以小時為單位(該數(shù)值只用作數(shù)據(jù)有效性檢驗(yàn))，即pcu/小時，如5分鐘流量(統(tǒng)計(jì)時間間隔為5分鐘時)*12或者30分鐘流量(統(tǒng)計(jì)時間間隔為30分鐘時)*2即可，當(dāng)每小時交通流量超出預(yù)設(shè)的車道流量上限(2000pcu/每小時每車道)和下限(0pcu/每小時每車道)時，視為錯誤數(shù)據(jù)，用其余所有日期內(nèi)該時間段的流量均值替換；若某條道路當(dāng)天的無效數(shù)據(jù)累計(jì)超過2小時，則丟棄該路段當(dāng)天所有數(shù)據(jù)；
1.2.3)將所有的歷史數(shù)據(jù)整理為訓(xùn)練網(wǎng)絡(luò)所需的輸入輸出對；
對于5分鐘流量預(yù)測、30分鐘流量預(yù)測、1小時流量預(yù)測，其訓(xùn)練輸入數(shù)據(jù)來自三個部分：前5個統(tǒng)計(jì)時段的數(shù)據(jù)、前7日每日同時段的統(tǒng)計(jì)數(shù)據(jù)、來自各個上游路段的流量數(shù)據(jù)；訓(xùn)練輸出數(shù)據(jù)為從第6個時段開始的每個時段的流量數(shù)據(jù)；
對于24小時流量預(yù)測、1周流量預(yù)測，其訓(xùn)練輸入數(shù)據(jù)分為兩部分：前7日每日同時段流量數(shù)據(jù)、來自各個上游路段的流量數(shù)據(jù)；訓(xùn)練輸出數(shù)據(jù)為從第6個時段開始的每個時段的流量數(shù)據(jù)；
每組輸入輸出對整理完成后依次處理下一個時段；
1.2.4)數(shù)據(jù)歸一化。為了減小不同數(shù)量級的原始數(shù)據(jù)之間對模型的影響，將所有原始數(shù)據(jù)歸一化到[0，1]范圍內(nèi)，利用以下公式：歸一化后流量值＝((歸一化前流量值)-MINVALUE)/(MAXVALUE-MINVALUE)MAXVALUE為所有路段所有時段中可能出現(xiàn)的統(tǒng)計(jì)時間間隔內(nèi)流量最大值，MINVALUE為所有路段所有時段中可能出現(xiàn)的統(tǒng)計(jì)時間間隔內(nèi)流量最小值，這兩個數(shù)值在完成數(shù)據(jù)完整性檢驗(yàn)和數(shù)據(jù)有效性檢驗(yàn)后通過人工觀察或程序檢索得到；
1.3)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練
訓(xùn)練模型采用BP神經(jīng)網(wǎng)絡(luò)，輸入層神經(jīng)元的數(shù)目與輸入數(shù)據(jù)的維度一致，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如下：
1.3.1)5分鐘/30分鐘/1小時預(yù)測:輸入層的神經(jīng)元數(shù)目為15個,輸出層神經(jīng)元數(shù)目均為1個,隱藏層設(shè)置為1層，隱藏層神經(jīng)元的數(shù)目由經(jīng)驗(yàn)公式確定，其中n為輸入層神經(jīng)元數(shù)目,l為輸出層數(shù)目，α取0；
1.3.2)24小時/1周流量預(yù)測：輸入層的神經(jīng)元數(shù)目為10個,輸出層神經(jīng)元數(shù)目均為1個,隱藏層設(shè)置為1層，隱藏層數(shù)目、迭代次數(shù)、訓(xùn)練收斂時的絕對誤差與步驟1.3.1)一致；
1.3.3)迭代次數(shù)選擇10000次，訓(xùn)練收斂時的絕對誤差不大于0.001；
2)流量實(shí)時預(yù)測
與模型訓(xùn)練的過程一致，進(jìn)行交通流量預(yù)測時會將最新采集到的流量數(shù)據(jù)加入預(yù)測模型的輸入端，再經(jīng)過預(yù)測模型的處理，即可輸出下一時段的預(yù)測流量；
2.1)數(shù)據(jù)采集
由于預(yù)測的時間范圍不同，主程序會啟動不同的預(yù)測進(jìn)程，不同的進(jìn)程根據(jù)各自數(shù)據(jù)更新的時間粒度去檢索對應(yīng)的文件，將最新統(tǒng)計(jì)的流量數(shù)據(jù)加載到模型的輸入端，如果在統(tǒng)計(jì)時刻結(jié)束時沒有對應(yīng)的文件生成，則保持等待，如在等待60秒后仍無對應(yīng)的文件生成，則直接將上一時段的統(tǒng)計(jì)流量作為補(bǔ)充進(jìn)行發(fā)布；
2.2數(shù)據(jù)預(yù)處理
將最新生成的流量數(shù)據(jù)從文件中解析出來，并與各時段歷史流量數(shù)據(jù)、關(guān)聯(lián)路段流量數(shù)據(jù)按照與模型訓(xùn)練過程一致的格式組合成訓(xùn)練模型的輸入數(shù)據(jù)，再經(jīng)歸一化處理后送入預(yù)測模型。歸一化的格式、MAXVALUE和MINVALUE與樣本訓(xùn)練時的保持一致；
2.3)預(yù)測輸出
預(yù)測模型的輸出是介于[0，1]之間經(jīng)過歸一化后的數(shù)值，在發(fā)布前進(jìn)行反歸一化，采用公式：反歸一化后流量值＝反歸一化前流量值*(MAXVALUE-MINVALUE)+MINVALUE；
發(fā)布方式如下：
2.3.1)5分鐘流量預(yù)測：所有路段每5分鐘發(fā)布一次；
2.3.2)30分鐘流量預(yù)測：所有路段每10分鐘發(fā)布一次，依次發(fā)布從當(dāng)前時刻起30分鐘內(nèi)每隔10分鐘共3個時間點(diǎn)的流量數(shù)據(jù)；
2.3.3)1小時流量預(yù)測：所有路段每15分鐘發(fā)布一次，每次發(fā)布從當(dāng)前時刻起1小時內(nèi)每隔15分鐘共4個時間點(diǎn)的流量數(shù)據(jù)；
2.3.4)24小時流量預(yù)測：所有路段每1小時發(fā)布一次，每次發(fā)布從當(dāng)前時刻起24小時內(nèi)每隔1小時共24個時間點(diǎn)的流量數(shù)據(jù)；
2.3.5)1周流量預(yù)測：所有路段每24小時發(fā)布一次，每次發(fā)布從當(dāng)前時刻起7日內(nèi)每隔1小時共168個時間點(diǎn)的流量數(shù)據(jù)。
本發(fā)明的優(yōu)點(diǎn)如下：
對城市道路交通流量進(jìn)行準(zhǔn)確預(yù)測是實(shí)現(xiàn)智能交通控制與管理，交通信息服務(wù)的重要前提，具有顯著的社會和經(jīng)濟(jì)效益：
1)為緩解城市交通擁堵提供實(shí)時數(shù)據(jù)：包括交通信號控制中單點(diǎn)控制、干線協(xié)調(diào)控制和區(qū)域協(xié)調(diào)控制中流量、車輛排隊(duì)長度、車輛達(dá)到時間等參數(shù)的估算；交通流誘導(dǎo)系統(tǒng)中道路狀態(tài)預(yù)測和預(yù)警等；
2)交通安全方面：道路交通事件檢測、流量預(yù)警與應(yīng)急等提供數(shù)據(jù)支持；
3)為開展城市污染治理和能源節(jié)約等研究提供參考數(shù)據(jù)。城市交通路網(wǎng)流量預(yù)測是實(shí)現(xiàn)智能交通系統(tǒng)的重要前提，通過研究道路交通流量在路網(wǎng)中的時空分布特性和內(nèi)在變化規(guī)律并實(shí)現(xiàn)準(zhǔn)確、及時、有效的路網(wǎng)流量預(yù)測，不僅能為出行者提供重要參考，節(jié)約出行時間，也可以為管理者在交通規(guī)劃、交通控制與管理、交通流誘導(dǎo)、交通事件檢測與事故預(yù)防、污染治理和能源節(jié)約等方面提供數(shù)據(jù)支持，為實(shí)現(xiàn)城市道路交通精細(xì)化、智能化和系統(tǒng)化管理提供有力手段。
附圖說明
圖1為本發(fā)明具體實(shí)施例的流程示意圖。
具體實(shí)施方式
本發(fā)明的方法如下：
參見圖1，本實(shí)施例主要分為兩部分：預(yù)測模型訓(xùn)練部分和交通流量實(shí)時預(yù)測部分。預(yù)測模型訓(xùn)練又分為樣本流量分類統(tǒng)計(jì)、樣本預(yù)處理和模型訓(xùn)練三個部分；流量預(yù)測分為數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理和預(yù)測輸出三個部分。
1)預(yù)測模型訓(xùn)練
根據(jù)不同的時間預(yù)測粒度，生成相應(yīng)的預(yù)測模型，包括流量5分鐘預(yù)測模型，30分鐘預(yù)測模型，1小時預(yù)測模型，24小時預(yù)測模型和1周內(nèi)預(yù)測模型，每種模型的訓(xùn)練過程輸入輸出不同，訓(xùn)練流程一致，具體如下：
1.1)流量分類統(tǒng)計(jì)
針對不同的時間預(yù)測范圍，采集所有需要進(jìn)行預(yù)測的路段歷史數(shù)據(jù)，保證歷史數(shù)據(jù)完整、有效。對每一路段的上下游關(guān)系進(jìn)行關(guān)聯(lián)，以路段ID號為索引,統(tǒng)計(jì)方法如下：
1.1.1)5分鐘流量預(yù)測：從每日00時00分00秒開始，每5分鐘統(tǒng)計(jì)一次，每次統(tǒng)計(jì)時間范圍為5分鐘，每條路段每日可采集288個時段數(shù)據(jù)；
1.1.2)30分鐘流量預(yù)測：從每日00時00分00秒開始，每10分鐘統(tǒng)計(jì)一次，每次統(tǒng)計(jì)時間范圍為30分鐘，每條路段每日可采集144個時段數(shù)據(jù)；
1.1.3)1小時流量預(yù)測：從每日00時00分00秒開始，每15分鐘統(tǒng)計(jì)一次，每次統(tǒng)計(jì)時間范圍為60分鐘，每條路段每日可采集96個時段數(shù)據(jù)；
1.1.4)24小時流量預(yù)測：從每日00時00分00秒開始，每1小時統(tǒng)計(jì)一次，每次統(tǒng)計(jì)時間范圍為60分鐘，每條路段每日可采集24個時段數(shù)據(jù)；
1.2)樣本預(yù)處理
1.2.1)完整性檢驗(yàn)。為保證歷史數(shù)據(jù)的完整性，需要對歷史數(shù)據(jù)進(jìn)行檢驗(yàn)，如當(dāng)日某一統(tǒng)計(jì)時間段內(nèi)數(shù)據(jù)不存在，則計(jì)算在該時間段內(nèi)的其余所有歷史數(shù)據(jù)的平均值，并將該均值作為其他日期內(nèi)在該時間段內(nèi)數(shù)據(jù)缺失時的默認(rèn)補(bǔ)充值。若某條道路當(dāng)天的缺失數(shù)據(jù)累計(jì)超過2小時，則丟棄該路段當(dāng)天所有數(shù)據(jù)。
1.2.2)有效性檢驗(yàn)。將每日所有路段所有統(tǒng)計(jì)時間間隔內(nèi)統(tǒng)計(jì)的流量轉(zhuǎn)換到以小時為單位(該數(shù)值只用作數(shù)據(jù)有效性檢驗(yàn))，即pcu/小時，如5分鐘流量(統(tǒng)計(jì)時間間隔為5分鐘時)*12或者30分鐘流量(統(tǒng)計(jì)時間間隔為30分鐘時)*2即可，當(dāng)每小時交通流量超出預(yù)設(shè)的車道流量上限(2000pcu/每小時每車道)和下限(0pcu/每小時每車道)時，視為錯誤數(shù)據(jù)，用其余所有日期內(nèi)該時間段的流量均值替換。若某條道路當(dāng)天的無效數(shù)據(jù)累計(jì)超過2小時，則丟棄該路段當(dāng)天所有數(shù)據(jù)。
1.2.3)將所有的歷史數(shù)據(jù)整理為訓(xùn)練網(wǎng)絡(luò)所需的輸入輸出對。
對于5分鐘流量預(yù)測、30分鐘流量預(yù)測、1小時流量預(yù)測，其訓(xùn)練輸入數(shù)據(jù)來自三個部分：前5個統(tǒng)計(jì)時段的數(shù)據(jù)、前7日每日同時段的統(tǒng)計(jì)數(shù)據(jù)、來自各個上游路段的流量數(shù)據(jù)；訓(xùn)練輸出數(shù)據(jù)為從第6個時段開始的每個時段的流量數(shù)據(jù)；
對于24小時流量預(yù)測、1周流量預(yù)測，其訓(xùn)練輸入數(shù)據(jù)分為兩部分：前7日每日同時段流量數(shù)據(jù)、來自各個上游路段的流量數(shù)據(jù)；訓(xùn)練輸出數(shù)據(jù)為從第6個時段開始的每個時段的流量數(shù)據(jù)；
每組輸入輸出對整理完成后依次處理下一個時段；
1.2.4)數(shù)據(jù)歸一化。為了減小不同數(shù)量級的原始數(shù)據(jù)之間對模型的影響，將所有原始數(shù)據(jù)歸一化到[0，1]范圍內(nèi)，利用以下公式：歸一化后流量值＝((歸一化前流量值)-MINVALUE)/(MAXVALUE-MINVALUE)MAXVALUE為所有路段所有時段中可能出現(xiàn)的統(tǒng)計(jì)時間間隔內(nèi)流量最大值，MINVALUE為所有路段所有時段中可能出現(xiàn)的統(tǒng)計(jì)時間間隔內(nèi)流量最小值，這兩個數(shù)值在完成數(shù)據(jù)完整性檢驗(yàn)和數(shù)據(jù)有效性檢驗(yàn)后通過人工觀察或程序檢索得到；
1.3)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練
訓(xùn)練模型采用BP神經(jīng)網(wǎng)絡(luò)，輸入層神經(jīng)元的數(shù)目與輸入數(shù)據(jù)的維度一致，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如下：
1.3.1)5分鐘/30分鐘/1小時預(yù)測:輸入層的神經(jīng)元數(shù)目為15個,輸出層神經(jīng)元數(shù)目均為1個,隱藏層設(shè)置為1層，隱藏層神經(jīng)元的數(shù)目由經(jīng)驗(yàn)公式確定，其中n為輸入層神經(jīng)元數(shù)目,l為輸出層數(shù)目，α取0；
1.3.2)24小時/1周流量預(yù)測：輸入層的神經(jīng)元數(shù)目為10個,輸出層神經(jīng)元數(shù)目均為1個,隱藏層設(shè)置為1層，隱藏層數(shù)目、迭代次數(shù)、訓(xùn)練收斂時的絕對誤差與步驟1.3.1)一致；
1.3.3)迭代次數(shù)選擇10000次，訓(xùn)練收斂時的絕對誤差不大于0.001。
2)流量實(shí)時預(yù)測
與模型訓(xùn)練的過程一致，進(jìn)行交通流量預(yù)測時會將最新采集到的流量數(shù)據(jù)加入預(yù)測模型的輸入端，再經(jīng)過預(yù)測模型的處理，即可輸出下一時段的預(yù)測流量。
2.1)數(shù)據(jù)采集
由于預(yù)測的時間范圍不同，主程序會啟動不同的預(yù)測進(jìn)程，不同的進(jìn)程根據(jù)各自數(shù)據(jù)更新的時間粒度去檢索對應(yīng)的文件，將最新統(tǒng)計(jì)的流量數(shù)據(jù)加載到模型的輸入端，如果在統(tǒng)計(jì)時刻結(jié)束時沒有對應(yīng)的文件生成，則保持等待，如在等待60秒后仍無對應(yīng)的文件生成，則直接將上一時段的統(tǒng)計(jì)流量作為補(bǔ)充進(jìn)行發(fā)布。
2.2數(shù)據(jù)預(yù)處理
將最新生成的流量數(shù)據(jù)從文件中解析出來，并與各時段歷史流量數(shù)據(jù)、關(guān)聯(lián)路段流量數(shù)據(jù)按照與模型訓(xùn)練過程一致的格式組合成訓(xùn)練模型的輸入數(shù)據(jù)，再經(jīng)歸一化處理后送入預(yù)測模型。歸一化的格式、MAXVALUE和MINVALUE與樣本訓(xùn)練時的保持一致。
2.3)預(yù)測輸出
預(yù)測模型的輸出是介于[0，1]之間經(jīng)過歸一化后的數(shù)值，在發(fā)布前進(jìn)行反歸一化，采用公式：反歸一化后流量值＝反歸一化前流量值*(MAXVALUE-MINVALUE)+MINVALUE；
發(fā)布方式如下：
2.3.1)5分鐘流量預(yù)測：所有路段每5分鐘發(fā)布一次；
2.3.2)30分鐘流量預(yù)測：所有路段每10分鐘發(fā)布一次，依次發(fā)布從當(dāng)前時刻起30分鐘內(nèi)每隔10分鐘共3個時間點(diǎn)的流量數(shù)據(jù)；
2.3.3)1小時流量預(yù)測：所有路段每15分鐘發(fā)布一次，每次發(fā)布從當(dāng)前時刻起1小時內(nèi)每隔15分鐘共4個時間點(diǎn)的流量數(shù)據(jù)；
2.3.4)24小時流量預(yù)測：所有路段每1小時發(fā)布一次，每次發(fā)布從當(dāng)前時刻起24小時內(nèi)每隔1小時共24個時間點(diǎn)的流量數(shù)據(jù)；
2.3.5)1周流量預(yù)測：所有路段每24小時發(fā)布一次，每次發(fā)布從當(dāng)前時刻起7日內(nèi)每隔1小時共168個時間點(diǎn)的流量數(shù)據(jù)。