一种基于BP神经网络的可变车道车流量的预测方法与流程

一种基于bp神经网络的可变车道车流量的预测方法
技术领域
1.本发明涉及智能预测技术领域，尤其涉及一种基于bp神经网络的可变车 道车流量的预测方法。


背景技术：

2.在全国范围内，各类车辆日益增多，无可避免为城市道路增添了很大的通 行压力，由于城市部分道路受限，无法拓宽，为提高通行效率，就提出了可变 车道的方案，即设置一条可变车道，城市道理管理部门根据实际情况调整道路 为左转或直行车道，但现下城市可变车道多为人工手动进行调整，不能充分体 现可变车道的功能，不能充分提高运行效率。
3.目前，交通需求的动态变化与静态的道路设施之间存在矛盾，静态的调控 方式不能预测不同方向车流量的变化，且可变车道多为人工手动进行调整，依 赖于人工的经验判断，多数情况下只能在拥堵或车流量变大之后才会为了改善 交通状况对可变车道进行相应的调整，不能解决道路的拥堵问题；而提前调整 会限制道路的最大通行率。
4.由此需要一种能够预测道路车流量的方法，及时对可变车道做出调控，以 缓解交通压力。


技术实现要素：

5.为了解决上述现有技术的缺陷，本发明提供一种基于bp神经网络的可变 车道车流量的预测方法。
6.根据本发明的第一方面，提供一种基于bp神经网络的可变车道车流量的 预测方法，包括：
7.获取待测时段的日类型和时段类型，并获得所述待测时段内的环境影响因 素；
8.将所述日类型、所述时段类型及对应的所述环境影响因素整理为预测集合；
9.将所述预测集合处理为预测向量集合；
10.将所述预测向量集合输入预先训练好的bp神经网络模型，通过预先训练 好的bp神经网络模型获取所述待测时段内的车流量。
11.其中，所述预测集合包括所述日类型的数据序列、所述时段类型的数据序 列及对应的所述环境影响因素的数据序列；
12.其中，所述日类型包括工作日和非工作日；
13.所述时段类型包括高峰时段和平峰时段：
14.所述环境影响因素包括太阳辐照度、环境温度、环境湿度、瞬时风速；
15.根据本发明提供的一种基于bp神经网络的可变车道车流量的预测方法， 本发明采用最小最大法对所述预测集合进行归一化处理获得预测向量集合，将 所述预测集合中的所述数据序列分别作为输入向量，应用公式：
[0016][0017]
其中，为归一化处理后一个所述数据序列的第k个分量，x
k
为归一化处 理前一个所述数据序列的第k个分量，为归一化处理前一个所述数据序列 中的最小数，为归一化处理前一个所述数据序列中的最大数。
[0018]
根据本发明提供的一种基于bp神经网络的可变车道车流量的预测方法， 将所述向量集合输入bp神经网络模型中，通过bp神经网络模型获取所述待测 时段内的车流量，包括：
[0019]
将所述预测向量集合输入预先训练好的bp神经网络模型，通过预先训练 好的bp神经网络模型获取输出向量，获取所述待测时段内的左转车流量和直 行车流量；其中，所述输出向量包括左转车流量的数据序列和直行车流量的数 据序列；
[0020]
根据本发明提供的一种基于bp神经网络的可变车道车流量的预测方法， 获得所述输出向量之后，对所述输出向量进行反归一化处理，应用公式：
[0021][0022]
其中，y
i
为反归一化处理后所述输出向量的一个数据序列中的第i个分量， 为反归一化处理前所述输出向量的一个数据序列的第i个分量，为归一 化处理前所述输出向量的一个数据序列中的最小数，为归一化处理前所述 输出向量的一个数据序列中的最大数。
[0023]
根据本发明提供的一种基于bp神经网络的可变车道车流量的预测方法， 获取所述待测时段内的左转车流量和直行车流量，计算可变道参数a，应用公 式：
[0024][0025]
其中，c1为所述待测时段内的左转车流量、c2为所述待测时段内的直行车 流量，d1为固定左转车道数量，d2为固定直行车道数量，可变车道数量为1；
[0026]
若a<1,则提示将可变车道在所述待测时段内设置为直行车道，若a≥1, 则提示将可变车道在所述待测时段内设置为左转车道。
[0027]
根据本发明提供的一种基于bp神经网络的可变车道车流量的预测方法， 所述bp神经网络模型经过预先训练，包括：
[0028]
获取训练样本集合，采集历史数据：获取样本直行车流量和样本左转车流 量，获取所述样本直行车流量和样本左转车流量对应的样本日类型、样本时段 类型，获取对应的样本环境影响因素；
[0029]
对所述训练样本集合进行所述归一化预处理，获取向量集合；
[0030]
其中，输入向量为所述样本日类型、样本时段类型和样本环境影响因素； 输出向量为样本直行车流量和样本左转车流量；
[0031]
确定bp神经网络拓扑结构；
[0032]
根据本发明提供的一种基于bp神经网络的可变车道车流量的预测方法， 所述bp
神经网络结构包括6个输入层、2个输出层和n1个隐含层；
[0033]
其中,所述输入层的节点对应日类型、时段类型和对应的太阳辐照度、环境 温度、环境湿度、瞬时风速；
[0034]
所述输出层的节点分别对应左转车流量、直行车流量；
[0035]
所述隐含层的节点数根据公式：
[0036][0037]
其中，n1为隐含层节点数，n为输入层节点数，m为输出层节点数，b为区 间[1,10]内的常数。
[0038]
根据本发明的第二方面，提供一种可变车道车流量的预测系统，包括：信 息模块、预处理模块、神经网络模块和分析模块；
[0039]
信息模块，用于获取待测时段的日类型和时段类型，并获得所述待测时段 内的环境影响因素；将所述日类型、所述时段类型及对应的所述环境影响因素 整理为预测集合；
[0040]
预处理模块，用于将所述预测集合处理为预测向量集合；
[0041]
神经网络模块，将所述向量集合输入bp神经网络模型中，通过bp神经网 络模型输出预测的车流量向量，通过反归一化处理获取预测的直行车流量和左 转车流量；用于训练基于预测车流量的bp神经网络模型；
[0042]
分析模块，计算所述待测时段内可变车道的可变道参数。
[0043]
根据本发明的第三方面，提供一种可变车道车流量的预测设备，包括存储 器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其 特征在于，所述处理器执行所述程序时实现如上述任一种所述预测方法的步骤。
[0044]
本发明提供的一种基于bp神经网络的可变车道车流量的预测方法(发明 名称)，通过将所述日类型、所述时段类型及对应的所述环境影响因素一一对 应，获得预测集合并处理为向量集合；通过bp神经网络模型获取所述待测时 段内的车流量，可实现输入天类型、时段类型及环境影响因素，即可输出左转、 直行车流量；进一步通过左转、直行车流量数据提示将可变车道在此时段变为 左转车道或直行车道，从而有效提高通行的效率。
附图说明
[0045]
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的 附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性 劳动的前提下，还可以根据这些附图获得其他的附图。
[0046]
图1是本发明实施例提供的预测方法的流程示意图；
[0047]
图2是本发明实施例提供的bp神经网络模型构建流程示意图；
[0048]
图3是本发明实施例提供的预测系统的结构示意图；
[0049]
图4是本发明实施例提供的预测设备的结构示意图。
具体实施方式
[0050]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附 图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是 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。
[0051]
需要说明的是，可变车道主要是针对部分高峰时段车流集中，但车道偏少； 或者早晚高峰时段来回车流量有明显差异的路段而设置的可以变换行车方向的 车道；可变导向车道主要设置在交叉口，可依据不同时段车辆流量流向的特点， 对流向进行灵活调控，变换车道的行驶方向，缓解交通压力，尤其适用于需要 采取时间性交通管理措施的交叉口；
[0052]
目前，交通需求的动态变化与静态的道路设施之间存在矛盾，静态的调控 方式不能预测不同方向车流量的变化，且可变车道多为人工手动进行调整，依 赖于人工的经验判断，多数情况下只能在拥堵或车流量变大之后才会为了改善 交通状况对可变车道进行相应的调整，不能解决道路的拥堵问题；而提前调整 会限制道路的最大通行率；由此需要一种能够预测道路车流量的方法，及时对 可变车道做出调控，以缓解交通压力；
[0053]
通过bp神经网络模型可以有效的预测车流量，预测直行车流量和左转车 流量，从而实现实时及时地调整可变车道，避免大范围的交通拥堵；
[0054]
需要说明的是，bp神经网络是一种多层前馈神经网络，是目前最流行的算 法之一，bp算法其实质是求解误差函数的最小值问题，采用非线性规划中的最 速下降法，按误差函数负梯度方向修正权值阈值，具有简单、易行、计算量小、 并行性强等特点。
[0055]
在一个实施例中，如图1所示，本发明提供一种基于bp神经网络的可变 车道车流量的预测方法，包括：
[0056]
获取待测时段的日类型和时段类型，并获得所述待测时段内的环境影响因 素；将所述日类型、所述时段类型及对应的所述环境影响因素整理为预测集合； 将所述预测集合处理为预测向量集合；将所述预测向量集合输入预先训练好的 bp神经网络模型，通过预先训练好的bp神经网络模型获取所述待测时段内的 车流量；
[0057]
在一个实施例中，如图1所示，一种基于bp神经网络的可变车道车流量 的预测方法，包括步骤：
[0058]
s1、输入需要预测的待测时段；
[0059]
s2、获取待测时段的日类型和时段类型，获取所述待测时段内的环境影响 因素；
[0060]
s3、获取预测集合；
[0061]
s4、归一化处理；
[0062]
s5、获取预测向量集合；
[0063]
s6、将预测向量集合输入预先训练好的bp神经网络模型中；
[0064]
s7、bp神经网络模型输出待测时段内的车流量向量；
[0065]
s8、对获取的车流量向量作反归一化处理；
[0066]
s9、输出预测的直行车流量和左转车流量。
[0067]
其中，待测时段可以为任意的时间段，时间段的范围的时长包括但不限于 30分钟、1小时、1.5小时、2小时、4小时、6小时、8小时等，可根据道路交 通情况随时调整，本发明对此不做限定；
[0068]
其中，对于环境影响因素数据的采集，采集频率优选为1小时；可根据实 际情况进行调整，对于大型道路，采集频率为30分钟/次，对于小型道路，采 集频率为1小时以上，本
发明对此不作限定；
[0069]
具体的，对于小型道路，如具有一条额外可变车道的双向2车道道路，参 考长时长的预测时段，待测时段范围为4小时及以上；对于中型道路，如具有 一条额外可变车道的双向4车道道路，参考中等时长的预测时段，待测时段范 围为1
‑
4小时；对于大型道路，如具有一条额外可变车道的双向6车道道路， 参考短时长的预测时段，待测时长范围为0.5
‑
2小时；对于大型的多车道道路， 对可变车道的调整需求会更频繁，预测时段范围会更小；
[0070]
其中，所述日类型包括工作日和非工作日；具体的，参考国家法定假日相 关规定区分工作日和非工作日；
[0071]
其中，所述时段类型包括高峰时段和平峰时段，非高峰时段即为平峰时段； 具体的，高峰时段包括上下班高峰时段、非工作日进出城高峰时段；上下班高 峰时段为7：00
‑
9：00、17：00
‑
19：00，非工作日进出城高峰时段为8:30
‑
10:30、 17:00
‑
20:30，此处仅作为示例，不同城市不同地区的高峰和平峰时段都不相同， 故不应视为本发明对此的限定；
[0072]
其中，根据待测时段的具体时间段，进一步判断该待测时段为工作日或非 工作日、为高峰时段或平峰时段；
[0073]
其中，所述环境影响因素数据包括太阳辐照度、环境温度、环境湿度、瞬 时风速在所述时段内的预测值；
[0074]
具体的，在进行预测之前，从当地气象局、天气网站获取太阳辐照度、环 境温度、环境湿度、瞬时风速在待预测时段内的预测数值；或通过现场布置的 传感器阵列获取太阳辐照度、环境温度、环境湿度、瞬时风速在待预测时段内 的实时数值；
[0075]
在一个实施例中，步骤s2
‑
s3，在将所述日类型、所述时段类型及对应的 所述环境影响因素处理为预测向量集合之前，需要将带预测时段内的日类型、 时段类型和环境影响因素一一对应处理为预测集合；
[0076]
优选的，将日类型和时段类型作数字化处理：日类型中将工作日记为“1”、 非工作日记为“0”；时段类型中，将高峰时段记为“1”，平峰时段或非高峰 时段记为“0”；
[0077]
具体的，在一个预测集合中，形式为[“日类型”，“时段类型”，“环境 影响因素”]，对于工作日，高峰时段的预测集合，记为[“1”，“1”，“太 阳辐照度、环境温度、环境湿度、瞬时风速”]；
[0078]
其中，“日类型”，“时段类型”，“太阳辐照度”、“环境温度”、“环 境湿度”、“瞬时风速”均作为不同的数据序列；
[0079]
进一步，如步骤s3
‑
s5，采用最小最大法对所述预测集合进行归一化处理 获得预测向量集合，将所述预测集合中的各个数据序列分别作为输入向量，应 用公式：
[0080][0081]
其中，为归一化处理后一个所述数据序列的第k个分量，x
k
为归一化处 理前一个所述数据序列的第k个分量，为归一化处理前一个所述数据序列 中的最小数，为归一化处理前一个所述数据序列中的最大数。
[0082]
需要说明的是，通过归一化处理，将预测集合作数字化处理，尤其对于环 境影响因素；
[0083]
作为示例，对于预测集合中，瞬时风速的数据序列，取一时段内的瞬时风 速，取t＝10h，每一小时采集一次预测的风速平均值，记为t1
‑
t10，其中的最 大值记为tmax,最小值记为tmin,计算第一个小时内的归一化分量：
[0084][0085]
从而将瞬时风速转换为0
‑
1内的数值，便于所述神经网络模型进行计算；
[0086]
将“太阳辐照度”、“环境温度”、“环境湿度”、“瞬时风速”均进行 归一化处理，转化为[0，1]范围内的数值，便于计算。
[0087]
进一步，步骤s6中，将所述向量集合输入bp神经网络模型中，将所述预 测向量集合输入预先训练好的bp神经网络模型；
[0088]
进一步，步骤s7中，通过预先训练好的bp神经网络模型获取输出向量；
[0089]
进一步，步骤s8
‑
s9中，对所述输出向量作反归一化处理，获取所述待测 时段内的左转车流量和直行车流量；
[0090]
其中，步骤s9中，输出向量中包括左转车流量的数据序列和直行车流量 的数据序列；
[0091]
具体的，步骤s8中，对所述车流量向量进行反归一化处理，应用公式：
[0092][0093]
其中，y
i
为反归一化处理后所述输出向量的一个数据序列中的第i个分量， 为反归一化处理前所述输出向量的一个数据序列的第i个分量，为归一化 处理前所述输出向量的一个数据序列中的最小数，为归一化处理前所述输 出向量的一个数据序列中的最大数。
[0094]
进一步，步骤s9中，经过反归一化处理后，获取预测的左转和直行车流 量；
[0095]
可选的，还可以通过编码器和解码器来实现数据的向量化和读取，通过解 码器获取预测集合，将“日类型”、“时段类型”、“环境影响因素”输入神 经网络，再通过解码器对神经网络输出的结果进行解码，以得到待测时段内的 预测车流量，获取直行车流量和左转车流量；
[0096]
在步骤s9获取所述待测时段内的左转车流量c1和直行车流量c2后，进一步 计算可变道参数a，应用公式：
[0097][0098]
其中，c1为所述待测时段内的左转车流量、c2为所述待测时段内的直行车 流量，d1为固定左转车道数量，d2为固定直行车道数量，可变车道数量为1；
[0099]
若a<1,则提示将可变车道在所述待测时段内设置为直行车道，若a≥1, 则提示将可变车道在所述待测时段内设置为左转车道；
[0100]
具体的，计算示例如下：
[0101]
若该方向一共有3条车道，一条为直行车道，一条为左转车道，一条为可 变车道，预测左转车流量为1，直行车流量为2，则d1＝1，d2＝1，c1＝1，c2＝2， 计算：
[0102][0103]
则确认将可变车道在所述待测时段内设置为直行车道；
[0104]
若该方向一共有3条车道，一条为直行车道，一条为左转车道，一条为可 变车道，预测左转车流量为2，直行车流量为1，则d1＝1，d2＝1，c1＝2，c2＝1， 计算：
[0105][0106]
则确认将可变车道在所述待测时段内设置为左转车道。
[0107]
在一个实施例中，还包括对所述bp神经网络模型进行训练，包括：
[0108]
获取训练样本集合，采集历史数据：获取样本直行车流量和样本左转车流 量，获取所述样本直行车流量和样本左转车流量对应的样本日类型、样本时段 类型，获取对应的样本环境影响因素；
[0109]
首先，对所述训练样本集合进行归一化预处理，获取向量集合；
[0110]
其中，输入向量为所述样本日类型、样本时段类型和样本环境影响因素； 输出向量为样本直行车流量和样本左转车流量；
[0111]
确定bp神经网络拓扑结构；
[0112]
确定bp神经网络的初始权值阈值,随机给各个权值阈值赋予(
‑
1,1)内的 随机值；将归一化处理后的训练样本输入bp网络；
[0113]
进一步的，利用训练样本输入向量、初始权值阈值计算中间层各单元输出， 然后通过传递函数计算输出层各单元响应，据此计算出输出层各单元一般化误 差，接着可求出中间层各单元一般化误差；
[0114]
利用计算出的输出层各单元一般化误差、中间层各单元输出、中间层一般 化误差以及输入层各单元输入，分别对网络各层权值阈值进行更新修正，以实 现网络误差的逆向传播，直到达到网络所需精度或者达到最大迭代次数，至此， 训练得到bp神经网络模型；
[0115]
可选的，历史数据可以包括过去至少一月内的数据，样本日类型包括工作 日和非工作日，样本时段类型包括高峰时段和平峰时段；历史数据还包括获取 典型日的数据，包括国家法定假日、大型活动日期等；
[0116]
其中，大型活动包括但不限于博览会、车展、音乐会等，将大型活动日作 为工作日；
[0117]
具体的，记录大型活动时间发生时间内的车流量，获取太阳辐照度、环境 温度、环境湿度、瞬时风速的环境影响因素；
[0118]
可选的，样本时段中的平峰时段和高峰时段可以根据历史记录中的车流量 时刻记录表得出，例如国庆假期期间，部分景点区域会出现持续性的大量车流 量；
[0119]
可选的，可通过交通管理部门获取历史记录的车流量数据、或通过布置传 感器网络，实地采集车流量数据；
[0120]
其中，样本环境影响因素包括太阳辐照度、环境温度、环境湿度、瞬时风 速；
[0121]
可选的，通过最大最小法对对所述训练样本集合进行归一化预处理，获取 向量集合，获得输入向量和输出向量，应用如下公式：
[0122][0123][0124]
为归一化处理后其中一个数据序列的第k个分量，x
k
为归一化处理前其 中一个数据序列的第k个分量，为归一化处理前其中一个数据序列的最小 数，为归一化处理前其中一个数据序列的最大数；为归一化处理后其中 一个数据序列的第k个分量，y
k
为归一化处理其中一个数据序列的第k个分量， 为归一化处理前其中一个数据序列的最小数，为归一化处理前其中一 个数据序列的最大数；
[0125]
获取的输入向量包括所述样本日类型、样本时段类型以及太阳辐照度、环 境温度、环境湿度、瞬时风速在内的样本环境影响因素；输出向量包括样本直 行车流量和样本左转车流量；
[0126]
将“日类型”、“时段类型”、“太阳辐照度”、“环境温度”、“环境 湿度”、“瞬时风速”均进行归一化处理，转化为[0，1]范围内的数值，便于 计算；
[0127]
将“左转车流量”和“直行车流量”转化为[0，1]范围内的数值，便于神 经网络模型的训练；
[0128]
需要说明的是，在bp神经网络模型用于测试时段内预测车流量时，根据 输入预测时段的相关参数(归一化后的“日类型”、“时段类型”、“太阳辐 照度”、“环境温度”、“环境湿度”、“瞬时风速”)，获取输出向量，输 出向量需要经过反归一化处理以得到具体时段的左转和直行车流量强度；
[0129]
其中，bp神经网络结构包括6个输入层、2个输出层和n1个隐含层；
[0130]
其中,所述输入层的节点数对应的是日类型、时段类型和对应的太阳辐照度、 环境温度、环境湿度、瞬时风速；
[0131]
所述输出层的节点对应的是左转车流量、直行车流量；
[0132]
所述隐含层的节点数根据公式：
[0133][0134]
其中，n1为隐含层节点数，n为输入层节点数，m为输出层节点数，b为区 间[1,10]内的常数；
[0135]
其中，隐含层层数或层数向上取整，本发明对此不作限定；
[0136]
本发明的第二方面，如图3所示，提供一种可变车道车流量的预测系统， 包括：信息模块、预处理模块、神经网络模块和分析模块；该提高可变车道运 行效率的预测系统装置与上文描述的基于bp神经网络的可变车道车流量的预 测方法可相互对应参照；
[0137]
其中，信息模块用于获取待测时段的日类型和时段类型，并获得所述待测 时段内的环境影响因素；
[0138]
具体的，信息模块还用于判断待测时段的日类型和时段类型，并将日类型、 时段类型与对应的太阳辐照度、环境温度、环境湿度和瞬时风速处理为预测集 合；
[0139]
具体的，信息模块还用于获得历史数据中的车流量和环境影响因素信息； 并将样本日类型、样本时段类型与对应的样本环境影响因素中的太阳辐照度、 环境温度、环境湿度和瞬时风速处理为训练样本集合；
[0140]
具体的，预处理模块接受上述预测集合和训练样本集合，并采用最大最小 法将预测集合和训练样本集合分别归一化处理为测试向量集合和训练向量集合；
[0141]
具体的，将测试向量集合输入神经网络模块中，通过预先训练好的神经网 络模块中输出预测的车流量向量，通过反归一化处理获取预测的直行车流量和 左转车流量；
[0142]
具体的，神经网络模块还用于训练bp神经网络模型，接收预处理完成的 训练样本集合的向量集合，接收预先设置的输出向量，输出向量包括样本直行 车流量和样本左转车流量，进而对神经网络模型进行训练
[0143]
分析模块，计算所述待测时段内可变车道的可变道参数，通过：
[0144][0145]
其中，c1为所述待测时段内的左转车流量、c2为所述待测时段内的直行车 流量，d1为固定左转车道数量，d2为固定直行车道数量，可变车道数量为1；
[0146]
若a<1,则提示将可变车道在所述待测时段内设置为直行车道，若a≥1, 则提示将可变车道在所述待测时段内设置为左转车道。
[0147]
本发明的第三方面，提供一种可变车道车流量的预测设备，包括存储器、 处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处 理器执行所述程序时实现如上所述的预测方法的步骤；
[0148]
图4示例了该设备的实体结构示意图，该电子设备可以包括：处理器 (processor)410、通信接口(communicationsinterface)420、存储器(memory)430和 通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440 完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行上 述的一种基于bp神经网络的可变车道车流量的预测方法，包括：获取待测时 段的日类型和时段类型，并获得所述待测时段内的环境影响因素；将所述日类 型、所述时段类型及对应的所述环境影响因素处理为向量集合；将所述向量集 合输入预先训练好的bp神经网络模型，通过预先训练好的bp神经网络模型获 取所述待测时段内的车流量。
[0149]
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现 并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。 基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分 或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存 储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计 算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部 分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom， read
‑
onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁 碟或者光盘等各种可以存储程序代码的介质；
[0150]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括 存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序 指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的 基于bp神经网络的可变车道
车流量的预测方法，该方法包括：获取待测时段 的日类型和时段类型，并获得所述待测时段内的环境影响因素；将所述日类型、 所述时段类型及对应的所述环境影响因素处理为向量集合；将所述向量集合输 入预先训练好的bp神经网络模型，通过预先训练好的bp神经网络模型获取所 述待测时段内的车流量。
[0151]
其中，还包括一种非暂态计算机可读存储介质，其上存储有计算机程序， 该计算机程序被处理器执行时实现以执行上述各提供的基于bp神经网络的可 变车道车流量的预测方法，该方法包括：获取待测时段的日类型和时段类型， 并获得所述待测时段内的环境影响因素；将所述日类型、所述时段类型及对应 的所述环境影响因素处理为向量集合；将所述向量集合输入预先训练好的bp 神经网络模型，通过预先训练好的bp神经网络模型获取所述待测时段内的车 流量。
[0152]
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。 本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0153]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施 方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。 基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以 以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介 质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备 (可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例 的某些部分所述的方法。
[0154]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限 制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员 应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其 中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的 本质脱离本发明各实施例技术方案的精神和范围。