專(zhuān)利名稱(chēng)：交通信息的處理方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及智能交通系統(tǒng)領(lǐng)域，特別涉及一種交通信息的處理方法及裝置。
背景技術(shù)：
反向傳播BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法等方法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層(input)、隱層(hide layer)和輸出層(output layer)0雖然通過(guò)現(xiàn)有技術(shù)可以獲取各路段的交通流數(shù)據(jù)，但無(wú)法獲取影響交通流所有可能的變量因素，從而導(dǎo)致獲取的交通流信息不夠全面準(zhǔn)確。
發(fā)明內(nèi)容
本發(fā)明實(shí)施例提供的一種交通信息的處理方法及裝置，解決了現(xiàn)有技術(shù)由于無(wú)法獲取影響交通流數(shù)據(jù)的各個(gè)因素變量或者不同因素變量組合所占的權(quán)重，從而造成的不能提供交通流信息的變化是由哪種因素變量影響以及影響度的問(wèn)題。本發(fā)明實(shí)施例采用的技術(shù)方案為一種交通信息的處理方法，包括獲取歷史交通流數(shù)據(jù)和影響最終目標(biāo)變量的各個(gè)因素變量，所述最終目標(biāo)變量根據(jù)實(shí)際業(yè)務(wù)需求確定；在神經(jīng)網(wǎng)絡(luò)的輸入層輸入所述各個(gè)因素變量值并得到所述各個(gè)因素變量在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值；在所述神經(jīng)網(wǎng)絡(luò)的隱含層得到所述至少一個(gè)隱含層變量中各個(gè)隱含層變量在輸出層對(duì)應(yīng)的至少一個(gè)最終目標(biāo)變量中所占的權(quán)重值，所述隱含層變量的值根據(jù)在所述輸入層所有因素變量中與所述隱含層變量對(duì)應(yīng)的至少一個(gè)因素變量的值和所述至少一個(gè)因素變量中各個(gè)因素變量在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值獲?。辉谒錾窠?jīng)網(wǎng)絡(luò)的輸出層輸入最終目標(biāo)變量的值并得到所述最終目標(biāo)變量對(duì)應(yīng)的權(quán)重值，所述最終目標(biāo)變量的值根據(jù)在所述隱含層所有隱含層變量中與所述最終目標(biāo)變量對(duì)應(yīng)的至少一個(gè)隱含層變量的值和所述至少一個(gè)隱含層變量中各個(gè)隱含層變量所占的權(quán)重值獲取。一種交通信息的處理裝置，包括獲取單元，用于獲取歷史交通流數(shù)據(jù)和影響最終目標(biāo)變量的各個(gè)因素變量；第一處理單元，用于在神經(jīng)網(wǎng)絡(luò)的輸入層輸入所述各個(gè)因素變量值并得到所述各個(gè)因素變量在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值；第二處理單元，用于在所述神經(jīng)網(wǎng)絡(luò)的隱含層得到所述至少一個(gè)隱含層變量中各個(gè)隱含層變量在輸出層對(duì)應(yīng)的至少一個(gè)最終目標(biāo)變量中所占的權(quán)重值，所述隱含層變量的值根據(jù)在所述輸入層所有因素變量中與所述隱含層變量對(duì)應(yīng)的至少一個(gè)因素變量的值和所述至少一個(gè)因素變量中各個(gè)因素變量在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值獲??；第三處理單元，用于在所述神經(jīng)網(wǎng)絡(luò)的輸出層輸入最終目標(biāo)變量的值并得到所述最終目標(biāo)變量對(duì)應(yīng)的權(quán)重值，所述最終目標(biāo)變量的值根據(jù)在所述隱含層所有隱含層變量中與所述最終目標(biāo)變量對(duì)應(yīng)的至少一個(gè)隱含層變量的值和所述至少一個(gè)隱含層變量中各個(gè)隱含層變量所占的權(quán)重值獲取。本發(fā)明實(shí)施例提供的交通信息的處理方法及裝置，首先獲取歷史交通流數(shù)據(jù)和影響最終目標(biāo)變量的各個(gè)因素變量，然后在神經(jīng)網(wǎng)絡(luò)的輸入層輸入所述各個(gè)因素變量值并通過(guò)神經(jīng)網(wǎng)絡(luò)BP方法得到各個(gè)因素變量在下一層級(jí)目標(biāo)變量中所占的權(quán)重值，并以此權(quán)值和各個(gè)因素變量值加權(quán)組合得到至少一個(gè)隱含層變量值，并把至少一個(gè)隱含層變量作為隱含層的輸入變量，然后通過(guò)BP方法得到至少一個(gè)隱含層變量在輸出層目標(biāo)變量中所占的權(quán)重值，最終得到最終目標(biāo)變量所占的權(quán)重值。本發(fā)明實(shí)施例通過(guò)分別計(jì)算神經(jīng)網(wǎng)絡(luò)各個(gè)層的輸出來(lái)獲取影響交通流數(shù)據(jù)的各個(gè)因素或者各個(gè)因素不同組合所占的權(quán)重值，從而使得交通流數(shù)據(jù)信息的內(nèi)容更加全面，并提高了交通流數(shù)據(jù)信息的精確度。
為了更清楚地說(shuō)明本發(fā)明實(shí)施例中的技術(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(jiàn)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)的前提下，還可以根據(jù)這些附圖獲得其它的附圖。圖1為本發(fā)明實(shí)施例一提供的交通信息的處理方法流程圖；圖2為本發(fā)明實(shí)施例一提供的交通信息的處理裝置結(jié)構(gòu)示意圖；圖3為本發(fā)明實(shí)施例二提供的交通信息的處理方法流程圖；圖4為本發(fā)明實(shí)施例二提供的交通信息的處理裝置結(jié)構(gòu)示意圖；圖5為本發(fā)明實(shí)施例二提供的權(quán)重值完整計(jì)算示意圖；圖6為本發(fā)明實(shí)施例二提供的各個(gè)樣本值的示意圖；圖7為本發(fā)明實(shí)施例二提供的權(quán)重值計(jì)算示意圖。
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(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其它實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。為使本發(fā)明技術(shù)方案的優(yōu)點(diǎn)更加清楚，下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作詳細(xì)說(shuō)明。實(shí)施例一本實(shí)施例提供一種交通信息的處理方法，如圖1所示，所述方法包括
101、獲取歷史交通流數(shù)據(jù)和影響最終目標(biāo)變量的各個(gè)因素變量。其中，所述歷史交通流數(shù)據(jù)和影響最終目標(biāo)變量的各個(gè)因素變量可以在歷史數(shù)據(jù)庫(kù)中獲取。影響所述最終目標(biāo)變量的各個(gè)因素變量主要有道路等級(jí)、城市車(chē)輛數(shù)等級(jí)、城市人口數(shù)、車(chē)輛狀態(tài)、天氣、季節(jié)、節(jié)假日、早晚高峰、交通管制、紅綠燈等。另外，數(shù)據(jù)的來(lái)源不同，城市地區(qū)不同，也是需要考慮的因素。102、在神經(jīng)網(wǎng)絡(luò)的輸入層輸入所述各個(gè)因素變量值并得到所述各個(gè)因素變量在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值。其中，各個(gè)因素變量值又可以分為連續(xù)變量參數(shù)和離散變量參數(shù)，對(duì)這些變量參數(shù)通常簡(jiǎn)化成介于[-1，1]或者W，1]的值以利于后續(xù)的計(jì)算。103、在所述神經(jīng)網(wǎng)絡(luò)的隱含層得到所述至少一個(gè)隱含層變量中各個(gè)隱含層變量在輸出層對(duì)應(yīng)的最終目標(biāo)變量中所占的權(quán)重值。其中，所述隱含層變量的值根據(jù)在所述輸入層所有因素變量中與所述隱含層變量對(duì)應(yīng)的至少一個(gè)因素變量的值和所述至少一個(gè)因素變量中各個(gè)因素變量在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值獲取。104、在所述神經(jīng)網(wǎng)絡(luò)的輸出層輸入最終目標(biāo)變量的值并得到所述最終目標(biāo)變量對(duì)應(yīng)的權(quán)重值。其中，所述最終目標(biāo)變量的值根據(jù)在所述隱含層所有隱含層變量中與所述最終目標(biāo)變量對(duì)應(yīng)的至少一個(gè)隱含層變量的值和所述至少一個(gè)隱含層變量中各個(gè)隱含層變量所占的權(quán)重值獲取。本實(shí)施例提供一種交通信息的處理裝置，如圖2所示，所述裝置包括獲取單元 21、第一處理單元22、第二處理單元23、第三處理單元對(duì)。獲取單元21，用于獲取歷史交通流數(shù)據(jù)和影響最終目標(biāo)變量的各個(gè)因素變量。其中，所述歷史交通流數(shù)據(jù)和影響最終目標(biāo)變量的各個(gè)因素變量可以在歷史數(shù)據(jù)庫(kù)中獲取。影響所述最終目標(biāo)變量的各個(gè)因素變量主要有道路等級(jí)、城市車(chē)輛數(shù)等級(jí)、城市人口數(shù)、車(chē)輛狀態(tài)、天氣、季節(jié)、節(jié)假日、早晚高峰、交通管制、紅綠燈等。另外，數(shù)據(jù)的來(lái)源不同，城市地區(qū)不同，也是需要考慮的因素。第一處理單元22，用于在神經(jīng)網(wǎng)絡(luò)的輸入層輸入所述各個(gè)因素變量值并得到所述各個(gè)因素變量在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值。其中，各個(gè)因素變量值又可以分為連續(xù)變量參數(shù)和離散變量參數(shù)，對(duì)這些變量參數(shù)通常簡(jiǎn)化成介于[-1，1]或者W，1]的值以利于后續(xù)的計(jì)算。第二處理單元23，用于在所述神經(jīng)網(wǎng)絡(luò)的隱含層得到所述至少一個(gè)隱含層變量中各個(gè)隱含層變量在輸出層對(duì)應(yīng)的最終目標(biāo)變量中所占的權(quán)重值。其中，所述隱含層變量的值根據(jù)在所述輸入層所有因素變量中與所述隱含層變量對(duì)應(yīng)的至少一個(gè)因素變量的值和所述至少一個(gè)因素變量中各個(gè)因素變量在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值獲取。第三處理單元M，用于在所述神經(jīng)網(wǎng)絡(luò)的輸出層輸入最終目標(biāo)變量的值并得到所述最終目標(biāo)變量對(duì)應(yīng)的權(quán)重值。其中，所述最終目標(biāo)變量的值根據(jù)在所述隱含層所有隱含層變量中與所述最終目標(biāo)變量對(duì)應(yīng)的至少一個(gè)隱含層變量的值和所述至少一個(gè)隱含層變量中各個(gè)隱含層變量所占的權(quán)重值獲取。本發(fā)明實(shí)施例提供的交通信息的處理方法及裝置，首先獲取歷史交通流數(shù)據(jù)和影響最終目標(biāo)變量的各個(gè)因素變量，然后在神經(jīng)網(wǎng)絡(luò)的輸入層輸入所述各個(gè)因素變量值并通過(guò)神經(jīng)網(wǎng)絡(luò)BP方法得到各個(gè)因素變量在下一層級(jí)目標(biāo)變量中所占的權(quán)重值，并以此權(quán)值和各個(gè)因素變量值加權(quán)組合得到至少一個(gè)隱含層變量值，并把至少一個(gè)隱含層變量作為隱含層的輸入變量，然后通過(guò)BP方法得到至少一個(gè)隱含層變量在輸出層目標(biāo)變量中所占的權(quán)重值，最終得到最終目標(biāo)變量所占的權(quán)重值。本發(fā)明實(shí)施例通過(guò)分別計(jì)算神經(jīng)網(wǎng)絡(luò)各個(gè)層的輸出來(lái)獲取影響交通流數(shù)據(jù)的各個(gè)因素或者各個(gè)因素不同組合所占的權(quán)重值，從而使得交通流數(shù)據(jù)信息的內(nèi)容更加全面，并提高了交通流數(shù)據(jù)信息的精確度。實(shí)施例二本實(shí)施例提供一種交通信息的處理方法，如圖3所示，所述方法包括301、獲取歷史交通流數(shù)據(jù)和影響最終目標(biāo)變量的各個(gè)因素變量。其中，所述歷史交通流數(shù)據(jù)和影響最終目標(biāo)變量的各個(gè)因素變量可以在歷史數(shù)據(jù)庫(kù)中獲取。影響所述最終目標(biāo)變量的各個(gè)因素變量主要有道路等級(jí)、城市車(chē)輛數(shù)等級(jí)、城市人口數(shù)、車(chē)輛狀態(tài)、天氣、季節(jié)、節(jié)假日、早晚高峰、交通管制、紅綠燈等。另外，數(shù)據(jù)的來(lái)源不同，城市地區(qū)不同，也是需要考慮的因素。302、在神經(jīng)網(wǎng)絡(luò)的輸入層輸入所述各個(gè)因素變量值并得到所述各個(gè)因素變量在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值。其中，各個(gè)因素的參數(shù)值又可以分為連續(xù)變量參數(shù)和離散變量參數(shù)，對(duì)這些變量參數(shù)通常簡(jiǎn)化成介于[-1，1]或者W，1]的值以利于后續(xù)的計(jì)算。具體地，首先隨機(jī)預(yù)設(shè)各個(gè)因素變量所占的權(quán)重值，并獲取所述各個(gè)因素變量值與所述各個(gè)因素變量的預(yù)設(shè)權(quán)重值相乘后所有乘積的總和，然后將所述所有乘積的總和與節(jié)點(diǎn)偏差常數(shù)的和作為預(yù)設(shè)輸出值并將所述預(yù)設(shè)輸出值和所述最終目標(biāo)變量的值的差值作為目標(biāo)誤差值，再將所述各個(gè)因素變量值與所述目標(biāo)誤差值和學(xué)習(xí)率分別相乘后，獲取所述相乘后的乘積作為所述各個(gè)因素變量的權(quán)重調(diào)整值。其中，所述節(jié)點(diǎn)偏差常數(shù)為大于0且小于1的任意常數(shù)，所述學(xué)習(xí)率為大于負(fù)1且小于正1的任意常數(shù)。303、在所述神經(jīng)網(wǎng)絡(luò)的隱含層得到所述至少一個(gè)隱含層變量中各個(gè)隱含層變量在輸出層對(duì)應(yīng)的最終目標(biāo)變量中所占的權(quán)重值。其中，所述隱含層變量的值根據(jù)在所述輸入層所有因素變量中與所述隱含層變量對(duì)應(yīng)的至少一個(gè)因素變量的值和所述至少一個(gè)因素變量中各個(gè)因素變量在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值獲取。具體地，首先獲取與所述隱含層變量對(duì)應(yīng)的至少一個(gè)因素變量，然后將所述至少一個(gè)因素變量中每個(gè)因素變量的值與所述每個(gè)因素變量所占的權(quán)重值相乘后，獲取每個(gè)因素變量進(jìn)行所述相乘后的乘積，最后將所述每個(gè)因素變量對(duì)應(yīng)的乘積相加作為所述隱含層變量的值。304、在所述神經(jīng)網(wǎng)絡(luò)的輸出層輸入最終目標(biāo)變量的值并得到所述最終目標(biāo)變量對(duì)應(yīng)的權(quán)重值。其中，所述最終目標(biāo)變量的值根據(jù)在所述隱含層所有隱含層變量中與所述最終目標(biāo)變量對(duì)應(yīng)的至少一個(gè)隱含層變量的值和所述至少一個(gè)隱含層變量中各個(gè)隱含層變量所占的權(quán)重值獲取。具體地，首先獲取與所述最終目標(biāo)變量對(duì)應(yīng)的至少一個(gè)隱含層變量，然后將所述至少一個(gè)隱含層變量中每個(gè)隱含層變量的值與所述每個(gè)隱含層變量所占的權(quán)重值相乘后， 獲取每個(gè)隱含層變量進(jìn)行所述相乘后的乘積，最后將所述每個(gè)隱含層變量對(duì)應(yīng)的乘積相加作為所述最終目標(biāo)變量的值。圖5示出了本發(fā)明實(shí)施例的完整算法流程圖，具體地，其中一個(gè)節(jié)點(diǎn)的具體算法如圖6和圖7所示，一個(gè)樣本中有三個(gè)影響交通流數(shù)據(jù)的因素變量xl、x2和x3，各個(gè)因素變量的參數(shù)值分別為1、1、0. 5，交通流數(shù)據(jù)的期望參數(shù)值y為0. 7，設(shè)節(jié)點(diǎn)偏差常數(shù)的值為0、 學(xué)習(xí)率的值為0. 1、權(quán)值常數(shù)的值為1。首先隨機(jī)預(yù)設(shè)各個(gè)參數(shù)值的權(quán)重為0. 5、-0. 3和0. 8。 在神經(jīng)網(wǎng)絡(luò)輸入層將所述三個(gè)參數(shù)值與所述參數(shù)值對(duì)應(yīng)的預(yù)設(shè)權(quán)重值相乘后的乘積的總和與節(jié)點(diǎn)偏差常數(shù)的和作為預(yù)設(shè)輸出值，即yl = 0. 5X 1-(0. 3) X 1+0.8X0. 5+0 = 0. 6，yl 為預(yù)設(shè)輸出值，再將預(yù)設(shè)輸出值和交通流數(shù)據(jù)的期望參數(shù)值的差值作為目標(biāo)誤差值，即y2 =0. 7-0. 6 = 0.1, y2為所述目標(biāo)誤差值。然后將三個(gè)因素的參數(shù)值分別與各個(gè)因素的目標(biāo)誤差值和學(xué)習(xí)率相乘后，獲取各個(gè)因素的權(quán)重調(diào)整值，即Awl = 0. 1X0. 1X1 = 0.01， Aw2 = 0. 1X0. 1X1 = 0. 01, Δw3 = 0. 1 X0. 1 X0. 5 = 0. 005，最后將三個(gè)因素的預(yù)設(shè)權(quán)重值分別乘以權(quán)值常數(shù)后，與各自的權(quán)重調(diào)整值相加獲取所述各個(gè)因素所占的權(quán)重值，即 wl = 1*0. 5+0. 01 = 0. 51, w2 = 1*(_0· 3)+0. 01 = -0· 29, w3 = 1*0. 8+0. 005 = 0. 805。其中，Awl、Aw2和Aw3分別為三個(gè)因素對(duì)應(yīng)的權(quán)重調(diào)整值，wl、w2和w3分別為三個(gè)因素對(duì)應(yīng)的調(diào)整后準(zhǔn)確的權(quán)重值。進(jìn)一步地，設(shè)在神經(jīng)網(wǎng)絡(luò)隱含層輸入的bl對(duì)應(yīng)輸入層中的xl和x2，b2對(duì)應(yīng)輸入層中的x2和x3，則因素bl的參數(shù)值為xl的參數(shù)值和權(quán)重值相乘后與x2的參數(shù)值和權(quán)重值相乘后相加后的結(jié)果，即 bl = 1*0. 51+1*(-0. 29) = 0. 22，b2 = 1*(_0· 29)+0. 5*0. 805 =0. 1125，然后在輸入層分別獲取中間因素組合bl和中間因素組合所占的權(quán)重值，所述權(quán)重值的獲取方法與所述三個(gè)因素的權(quán)重值的獲取方法相似，在此不再贅述。再進(jìn)一步地，設(shè)在神經(jīng)網(wǎng)絡(luò)的輸出層輸入的因數(shù)的參數(shù)為cl，Cl與bl和1^2對(duì)應(yīng)， 則cl的值為參數(shù)值為bl的參數(shù)值和權(quán)重值相乘后與1^2的參數(shù)值和權(quán)重值相乘后相加后的結(jié)果，然后在所述輸出層獲取cl所占的權(quán)重值，獲取cl所占的權(quán)重值的方法與所述三個(gè)因素的權(quán)重值的獲取方法相似，在此不再贅述。本實(shí)施例提供一種交通信息的處理裝置，如圖4所示，所述裝置包括獲取單元 41、第一處理單元42、第二處理單元43和第三處理單元44。獲取單元41，用于獲取歷史交通流數(shù)據(jù)和影響最終目標(biāo)變量的各個(gè)因素變量。其中，所述歷史交通流數(shù)據(jù)和影響最終目標(biāo)變量的各個(gè)因素變量可以在歷史數(shù)據(jù)庫(kù)中獲取。影響所述最終目標(biāo)變量的各個(gè)因素變量主要有道路等級(jí)、城市車(chē)輛數(shù)等級(jí)、城市人口數(shù)、車(chē)輛狀態(tài)、天氣、季節(jié)、節(jié)假日、早晚高峰、交通管制、紅綠燈等。另外，數(shù)據(jù)的來(lái)源不同，城市地區(qū)不同，也是需要考慮的因素。第一處理單元42，用于在神經(jīng)網(wǎng)絡(luò)的輸入層輸入所述各個(gè)因素變量值并得到所述各個(gè)因素變量在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值。所述第一處理單元42包括第一獲取模塊4201、第一處理模塊4202。
第一獲取模塊4201，用于隨機(jī)預(yù)設(shè)各個(gè)因素在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值，并獲取所述各個(gè)因素變量值與所述各個(gè)因素變量的預(yù)設(shè)權(quán)重值相乘后所有乘積的總和。第一處理模塊4202，用于將所述所有乘積的總和與節(jié)點(diǎn)偏差常數(shù)的和作為預(yù)設(shè)輸出值并將所述預(yù)設(shè)輸出值和所述最終目標(biāo)變量的值的差值作為目標(biāo)誤差值。第一處理模塊4202，還可以用于將所述各個(gè)因素變量值與所述目標(biāo)誤差值和學(xué)習(xí)率分別相乘后，獲取所述相乘后的乘積作為所述各個(gè)因素變量的權(quán)重調(diào)整值。第二處理單元43，用于在所述神經(jīng)網(wǎng)絡(luò)的隱含層得到所述至少一個(gè)隱含層變量中各個(gè)隱含層變量在輸出層對(duì)應(yīng)的最終目標(biāo)變量中所占的權(quán)重值。所述第二處理單元43包括第二獲取模塊4301、第二處理模塊4302。第二獲取模塊4301，用于獲取與所述隱含層變量對(duì)應(yīng)的至少一個(gè)因素變量。第二處理模塊4302，用于將所述至少一個(gè)因素變量中每個(gè)因素變量的值與所述每個(gè)因素變量所占的權(quán)重值相乘后，獲取每個(gè)因素變量進(jìn)行所述相乘后的乘積。所述第二處理模塊4302，還可以用于將所述每個(gè)因素變量對(duì)應(yīng)的乘積相加作為所述隱含層變量的值。第三處理單元44，用于在所述神經(jīng)網(wǎng)絡(luò)的輸出層輸入最終目標(biāo)變量的值并得到所述最終目標(biāo)變量對(duì)應(yīng)的權(quán)重值。所述第三處理單元44包括第三獲取模塊4401、第三處理模塊4402。第三獲取模塊4401，用于獲取與所述最終目標(biāo)變量對(duì)應(yīng)的至少一個(gè)隱含層變量。第三處理模塊4402，用于將所述至少一個(gè)隱含層變量中每個(gè)隱含層變量的值與所述每個(gè)隱含層變量所占的權(quán)重值相乘后，獲取每個(gè)隱含層變量進(jìn)行所述相乘后的乘積。所述第三處理模塊4402，還可以用于將所述每個(gè)隱含層變量對(duì)應(yīng)的乘積相加作為所述最終目標(biāo)變量的值。本發(fā)明實(shí)施例提供的方法及裝置中，隱含層可以為一層，也可以為多層，根據(jù)實(shí)際情況的需求具體確定隱含層的層數(shù)，但是從第一隱含層到更高一級(jí)隱含層各個(gè)變量參數(shù)的權(quán)重值的計(jì)算方法與從輸入層到第一隱含層求得權(quán)重值的方法相同。本發(fā)明實(shí)施例提供的交通信息的處理方法及裝置，首先獲取歷史交通流數(shù)據(jù)和影響最終目標(biāo)變量的各個(gè)因素變量，然后在神經(jīng)網(wǎng)絡(luò)的輸入層輸入所述各個(gè)因素變量值并通過(guò)神經(jīng)網(wǎng)絡(luò)BP方法得到各個(gè)因素變量在下一層級(jí)目標(biāo)變量中所占的權(quán)重值，并以此權(quán)值和各個(gè)因素變量值加權(quán)組合得到至少一個(gè)隱含層變量值，并把至少一個(gè)隱含層變量作為隱含層的輸入變量，然后通過(guò)BP方法得到至少一個(gè)隱含層變量在輸出層目標(biāo)變量中所占的權(quán)重值，最終得到最終目標(biāo)變量所占的權(quán)重值。本發(fā)明實(shí)施例通過(guò)分別計(jì)算神經(jīng)網(wǎng)絡(luò)各個(gè)層的輸出來(lái)獲取影響交通流數(shù)據(jù)的各個(gè)因素或者各個(gè)因素不同組合所占的權(quán)重值，從而使得交通流數(shù)據(jù)信息的內(nèi)容更加全面，并提高了交通流數(shù)據(jù)信息的精確度。本發(fā)明實(shí)施例提供的交通信息的處理裝置可以實(shí)現(xiàn)上述提供的方法實(shí)施例，具體功能實(shí)現(xiàn)請(qǐng)參見(jiàn)方法實(shí)施例中的說(shuō)明，在此不再贅述。本發(fā)明實(shí)施例提供的交通信息的處理方法及裝置可以適用于智能交通系統(tǒng)領(lǐng)域，但不僅限于此。本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分流程，是可以通過(guò)計(jì)算機(jī)程序來(lái)指令相關(guān)的硬件來(lái)完成，所述的程序可存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，可包括如上述各方法的實(shí)施例的流程。其中，所述的存儲(chǔ)介質(zhì)可為磁碟、光盤(pán)、只讀存儲(chǔ)記憶體(Read-Only Memory, ROM)或隨機(jī)存儲(chǔ)記憶體(Random Access Memory, RAM)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)，可輕易想到的變化或替換，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)該以權(quán)利要求的保護(hù)范圍為準(zhǔn)。
權(quán)利要求
1.一種交通信息的處理方法，其特征在于，包括獲取歷史交通流數(shù)據(jù)和影響最終目標(biāo)變量的各個(gè)因素變量，所述最終目標(biāo)變量從所述歷史交通流數(shù)據(jù)中獲取；在神經(jīng)網(wǎng)絡(luò)的輸入層輸入所述各個(gè)因素變量值并得到所述各個(gè)因素變量在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值；在所述神經(jīng)網(wǎng)絡(luò)的隱含層得到所述至少一個(gè)隱含層變量中各個(gè)隱含層變量在輸出層對(duì)應(yīng)的最終目標(biāo)變量中所占的權(quán)重值，所述隱含層變量的值根據(jù)在所述輸入層所有因素變量中與所述隱含層變量對(duì)應(yīng)的至少一個(gè)因素變量的值和所述至少一個(gè)因素變量中各個(gè)因素變量在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值獲??；在所述神經(jīng)網(wǎng)絡(luò)的輸出層輸入最終目標(biāo)變量的值并得到所述最終目標(biāo)變量對(duì)應(yīng)的權(quán)重值，所述最終目標(biāo)變量的值根據(jù)在所述隱含層所有隱含層變量中與所述最終目標(biāo)變量對(duì)應(yīng)的至少一個(gè)隱含層變量的值和所述至少一個(gè)隱含層變量中各個(gè)隱含層變量所占的權(quán)重值獲取。
2.根據(jù)權(quán)利要求1所述的交通信息的處理方法，其特征在于，所述在神經(jīng)網(wǎng)絡(luò)的輸入層輸入所述各個(gè)因素變量值并得到所述各個(gè)因素變量在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值包括隨機(jī)預(yù)設(shè)各個(gè)因素在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值，并獲取所述各個(gè)因素變量值與所述各個(gè)因素變量的預(yù)設(shè)權(quán)重值相乘后所有乘積的總和；將所述所有乘積的總和與節(jié)點(diǎn)偏差常數(shù)的和作為預(yù)設(shè)輸出值并將所述預(yù)設(shè)輸出值和所述最終目標(biāo)變量的值的差值作為目標(biāo)誤差值，所述節(jié)點(diǎn)偏差常數(shù)為大于等于0且小于等于1的任意常數(shù)；將所述各個(gè)因素變量值與所述目標(biāo)誤差值和學(xué)習(xí)率分別相乘后，獲取所述相乘后的乘積作為所述各個(gè)因素變量的權(quán)重調(diào)整值，所述學(xué)習(xí)率為大于等于負(fù)1且小于等于正1的任意常數(shù)。
3.根據(jù)權(quán)利要求1所述的交通信息的處理方法，其特征在于，所述隱含層變量的值根據(jù)在所述輸入層所有因素變量中與所述隱含層變量對(duì)應(yīng)的至少一個(gè)因素變量的值和所述至少一個(gè)因素變量中各個(gè)因素變量所占的權(quán)重值獲取包括獲取與所述隱含層變量對(duì)應(yīng)的至少一個(gè)因素變量；將所述至少一個(gè)因素變量中每個(gè)因素變量的值與所述每個(gè)因素變量所占的權(quán)重值相乘后，獲取每個(gè)因素變量進(jìn)行所述相乘后的乘積；將所述每個(gè)因素變量對(duì)應(yīng)的乘積相加作為所述隱含層變量的值。
4.根據(jù)權(quán)利要求1所述的交通信息的處理方法，其特征在于，所述最終目標(biāo)變量的值根據(jù)在所述隱含層所有隱含層變量中與所述最終目標(biāo)變量對(duì)應(yīng)的至少一個(gè)隱含層變量的值和所述至少一個(gè)隱含層變量中各個(gè)隱含層變量所占的權(quán)重值獲取包括獲取與所述最終目標(biāo)變量對(duì)應(yīng)的至少一個(gè)隱含層變量；將所述至少一個(gè)隱含層變量中每個(gè)隱含層變量的值與所述每個(gè)隱含層變量所占的權(quán)重值相乘后，獲取每個(gè)隱含層變量進(jìn)行所述相乘后的乘積；將所述每個(gè)隱含層變量對(duì)應(yīng)的乘積相加作為所述最終目標(biāo)變量的值。
5.一種交通信息的處理裝置，其特征在于，包括獲取單元，用于獲取歷史交通流數(shù)據(jù)和影響最終目標(biāo)變量的各個(gè)因素變量； 第一處理單元，用于在神經(jīng)網(wǎng)絡(luò)的輸入層輸入所述各個(gè)因素變量值并得到所述各個(gè)因素變量在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值；第二處理單元，用于在所述神經(jīng)網(wǎng)絡(luò)的隱含層得到所述至少一個(gè)隱含層變量中各個(gè)隱含層變量在輸出層對(duì)應(yīng)的最終目標(biāo)變量中所占的權(quán)重值，所述隱含層變量的值根據(jù)在所述輸入層所有因素變量中與所述隱含層變量對(duì)應(yīng)的至少一個(gè)因素變量的值和所述至少一個(gè)因素變量中各個(gè)因素變量在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值獲??；第三處理單元，用于在所述神經(jīng)網(wǎng)絡(luò)的輸出層輸入最終目標(biāo)變量的值并得到所述最終目標(biāo)變量對(duì)應(yīng)的權(quán)重值，所述最終目標(biāo)變量的值根據(jù)在所述隱含層所有隱含層變量中與所述最終目標(biāo)變量對(duì)應(yīng)的至少一個(gè)隱含層變量的值和所述至少一個(gè)隱含層變量中各個(gè)隱含層變量所占的權(quán)重值獲取。
6.根據(jù)權(quán)利要求5所述的交通信息的處理裝置，其特征在于，所述第一處理單元包括 第一獲取模塊，用于隨機(jī)預(yù)設(shè)各個(gè)因素在隱含層對(duì)應(yīng)的至少一個(gè)隱含層變量中所占的權(quán)重值，并獲取所述各個(gè)因素變量值與所述各個(gè)因素變量的預(yù)設(shè)權(quán)重值相乘后所有乘積的總和；第一處理模塊，用于將所述所有乘積的總和與節(jié)點(diǎn)偏差常數(shù)的和作為預(yù)設(shè)輸出值并將所述預(yù)設(shè)輸出值和所述最終目標(biāo)變量的值的差值作為目標(biāo)誤差值，所述節(jié)點(diǎn)偏差常數(shù)為大于等于0且小于等于1的任意常數(shù)；所述第一處理模塊，還用于將所述各個(gè)因素變量值與所述目標(biāo)誤差值和學(xué)習(xí)率分別相乘后，獲取所述相乘后的乘積作為所述各個(gè)因素變量的權(quán)重調(diào)整值，所述學(xué)習(xí)率為大于等于負(fù)1且小于等于正1的任意常數(shù)。
7.根據(jù)權(quán)利要求5所述的交通信息的處理裝置，其特征在于，所述第二處理單元包括 第二獲取模塊，用于獲取與所述隱含層變量對(duì)應(yīng)的至少一個(gè)因素變量；第二處理模塊，用于將所述至少一個(gè)因素變量中每個(gè)因素變量的值與所述每個(gè)因素變量所占的權(quán)重值相乘后，獲取每個(gè)因素變量進(jìn)行所述相乘后的乘積；所述第二處理模塊，還用于將所述每個(gè)因素變量對(duì)應(yīng)的乘積相加作為所述隱含層變量的值。
8.根據(jù)權(quán)利要求5所述的交通信息的處理裝置，其特征在于，所述第三處理單元包括 第三獲取模塊，用于獲取與所述最終目標(biāo)變量對(duì)應(yīng)的至少一個(gè)隱含層變量；第三處理模塊，用于將所述至少一個(gè)隱含層變量中每個(gè)隱含層變量的值與所述每個(gè)隱含層變量所占的權(quán)重值相乘后，獲取每個(gè)隱含層變量進(jìn)行所述相乘后的乘積；所述第三處理模塊，還用于將所述每個(gè)隱含層變量對(duì)應(yīng)的乘積相加作為所述最終目標(biāo)變量的值。
全文摘要
本發(fā)明實(shí)施例公開(kāi)了一種交通信息的處理方法及裝置，所述方法包括首先獲取歷史交通流數(shù)據(jù)和影響最終目標(biāo)變量的各個(gè)因素變量，然后在神經(jīng)網(wǎng)絡(luò)的輸入層輸入所述各個(gè)因素變量值并通過(guò)神經(jīng)網(wǎng)絡(luò)BP方法得到各個(gè)因素變量在下一層級(jí)目標(biāo)變量中所占的權(quán)重值，并以此權(quán)值和各個(gè)因素變量值加權(quán)組合得到至少一個(gè)隱含層變量值，并把至少一個(gè)隱含層變量作為隱含層的輸入變量，然后通過(guò)BP方法得到至少一個(gè)隱含層變量在輸出層目標(biāo)變量中所占的權(quán)重值，最終得到最終目標(biāo)變量所占的權(quán)重值。本發(fā)明適用于智能交通系統(tǒng)領(lǐng)域。
文檔編號(hào)G08G1/01GK102568198SQ201210026470
公開(kāi)日2012年7月11日 申請(qǐng)日期2012年2月7日 優(yōu)先權(quán)日2012年2月7日
發(fā)明者張佳果, 胡健 申請(qǐng)人:北京世紀(jì)高通科技有限公司