本发明涉及城市交通技术领域，尤其是一种基于神经网络的交通需求逐日演变预测方法。
背景技术：
交通需求预测，是根据过去和现状的交通状况和特征建立模型，预测未来的交通流量变化。解决城市交通问题的关键在于实现交通供需平衡，而准确的进行交通需求分析又是解决供需矛盾的基础。
出行生成预测是城市交通规划中交通需求预测的基础，为有效、准确的动态交通分配模型提供了重要的支持。然而，已有的交通需求预测模型主要基于传统的人工调查方式和大量经济、人口等相关数据，不仅耗费巨大的人力物力，其结果还缺少准确性和时效性，无法满足智能交通系统中对大范围交通网动态、实时的管理要求。
综上所述，现有的交通需求预测方法存在诸多缺陷；传统的以四阶段交通需求预测方法为基础的交通生成预测研究，忽略了交通网络的时空内在关联性，更无法做到短时间内大范围交通网的动态实时分析。
技术实现要素：
本发明所要解决的技术问题在于，提供一种基于神经网络的交通需求逐日演变预测方法，利用手机信令资源进行数据挖掘，解决了交通规划领域中传统的交通需求预测方法在精度和效率方面的缺陷，充分考虑了交通网络逐日动态演化过程中每一天的路网性能，具有较强的适用性。
为解决上述技术问题，本发明提供一种基于神经网络的交通需求逐日演变预测方法，包括如下步骤：
(1)划分城市交通网络的具体分区并编号；
(2)基于步骤(1)中建立的交通网络分区，确定神经网络模型训练时的小区集合与模型校验时的小区集合；
(3)将已得的数据集根据出行生成小区和小时段进行分组，进行数据预处理；
(4)建立预测交通需求的循环神经网络模型和特征级融合神经网络模型，用于对各小区不同时间状态下的函数估计和权值更新；
(5)输入各小区的出行生成量作为训练样本，完成循环神经网络模型和特征级融合神经网络模型的权值确定；在进行预测时，将测试的小区交通需求数据输入到已经训练完成的循环神经网络模型和特征级融合神经网络模型中进行计算，最终得到该地区的预测交通需求量。
优选的，步骤(3)中，数据预处理具体包括如下步骤：
(31)填补缺失数据，单个数据缺失时，使用该数据临近的两个时间段的数据平均值代替，多个数据缺失时，使用后一天同时间段的数据代替；
(32)利用大小为r，步值为1的滑动时间窗提取特征；
(33)将需求数据进行标准化，
x＝(x-mean)/std
其中std为数据标准差。
优选的，步骤(4)中，建立预测交通需求的循环神经网络模型和特征级融合神经网络模型具体包括如下步骤：
(41)构建循环神经网络模型和特征级融合神经网络模型，确定rnn模型的前向传播过程，rnn模型由输入单元、输出单元和循环隐藏层构成，xt为时间t时的输入值，st为时间t时的隐藏层状态
st＝f(uxt+wst-1)
其中，函数f为非线性函数如tanh或relu，u和w分别为相应的权值；
(42)确定神经网络模型中的输入值和隐藏层的计算方式，对于隐藏单元：
其中，长度为t的输入序列x，其拥有i个输入单元，h个隐藏单元以及k个输出单元；
(43)对于特征级融合神经网络模型，将od矩阵数据和该地区的平均气温、天气状况和对应的日期、时间5个变量一起作为输入量进行训练；
(44)使用bptt算法得到模型中的权重。
优选的，步骤(44)中，使用bptt算法得到模型中的权重具体为：
(a)在区间
(b)令epoch＝1；
(c)运行神经网络模型中的前向传播过程；
(d)计算损失函数l和状态梯度
(e)用随机梯度下降和后向传播过程训练rnn模型，epoch计数值加1；
(f)若epoch等于m，则停止循环，此时的(u,v,w)为所求的权重值，否则返回(c)。
本发明的有益效果为：本发明能够对大范围交通网的出行需求进行动态实时预测，提出循环神经网络模型和特征级融合神经网络模型，对于短期动态交通需求预测有着很高的灵活性及准确度。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的交通小区划分示意图。
图3(a)为本发明的深度神经网络模型预测结果示意图。
图3(b)为本发明的循环神经网络模型预测结果示意图。
图3(c)为本发明的特征级融合神经网络模型预测结果示意图。
具体实施方式
如图1所示，一种基于神经网络的交通需求逐日演变预测方法，根据需求预测区域内各小区之间的手机信令数据，构建某时间段内交通出行的生成吸引od矩阵，利用机器学习中深度学习的方法，建立循环神经网络模型和特征级融合神经网络模型，从而预测该区域逐日演变的动态交通需求量，该方法包括以下步骤：
步骤一：划分城市交通网络的具体分区并编号。
将分析地区划分为1261个内部区域(1-3999)和6个外部区域(4000-4005)，如图2所示；
步骤二：基于步骤一中建立的交通网络分区，确定神经网络模型训练时的小区集合，为编号4000-4004号的外部小区与内部1261个小区产生的od量；模型校验时的小区集合为编号4005号的外部小区与内部1261个小区产生的od量；
步骤三：为了解决手机信令数据存在的数据丢失、时间段过短等问题，将已得的数据集根据出行生成小区和小时段进行分组，进行数据预处理，具体步骤如下：
3.1填补缺失数据，单个数据缺失时，使用该数据临近的两个时间段的数据平均值代替，多个数据缺失时，使用后一天同时间段的数据代替；
3.2利用大小为r，步值为1的滑动时间窗提取特征；
3.3将需求数据进行标准化，
x＝(x-mean)/std
其中std为数据标准差；
步骤四：建立预测交通需求的循环神经网络模型和特征级融合神经网络模型，用于对各小区不同时间状态下的函数估计和权值更新，具体步骤如下：
4.1构建循环神经网络模型和特征级融合神经网络模型，确定rnn模型的前向传播过程，rnn模型由输入单元、输出单元和循环隐藏层构成，xt和ot分别为时间t时的输入值和输出值，st为时间t时的隐藏层状态
st＝f(uxt+wst-1)
其中，函数f为非线性函数如tanh或relu；
4.2确定神经网络模型中的输入值和隐藏层的计算方式，对于隐藏单元：
其中，长度为t的输入序列x，其拥有i个输入单元，h个隐藏单元以及k个输出单元。
4.3对于特征级融合神经网络模型，将od矩阵数据和该地区的平均气温、天气状况和对应的日期、时间等5个变量一起作为输入量进行训练；
4.4使用backpropagationthroughtime(bptt)算法得到模型中的权重。
进一步的，发明方法中，步骤4.4中的bptt算法流程为：
a)在区间
b)令epoch＝1
c)运行神经网络模型中的前向传播过程
d)计算损失值
e)用随机梯度下降和后向传播过程训练rnn模型，epoch计数值加1；
f)若epoch等于m，则停止循环，此时的(u,v,w)为所求的权重值，否则返回c)；
步骤五：输入各小区的出行生成量作为训练样本，完成循环神经网络模型和特征级融合神经网络模型的权值确定；其次，在进行预测时，将测试的小区交通需求数据输入到已经训练完成的循环神经网络模型和特征级融合神经网络模型中进行计算，最终得到该地区的预测交通需求量。
图3(a)、图3(b)和图3(c)展示了逐日动态交通需求预测问题下三种模型的输出结果。实验结果证明循环神经网络(rnn)在逐日交通需求预测上要优于深度神经网络(dnn)，而特征级融合神经网络模型在这三种模型中表现最好，其平均相对误差低于18％。