CN104091216A - 基于果蝇优化最小二乘支持向量机的交通信息预测方法 - Google Patents

Abstract

本发明针对现有交通信息预测方法预测精确度不高的问题，提供了一种基于果蝇优化最小二乘支持向量机的交通信息预测方法，包括如下步骤：对原始交通信息数据进行归一化预处理，将数据归一化到[0，1]区间内，生成数据集并且进行分组，即训练集和测试集；选择径向基函数作为最小二乘支持向量机模型的核函数，确定参数组合(γ，σ)；采用果蝇优化算法对最小二乘支持向量机的参数组合(γ，σ)进行优化，在全局范围内得到最优值；代入经过优化的参数，构造基于果蝇优化最小二乘支持向量机的交通信息预测模型；输入数据集，通过预测模型生成交通信息预测结果；进行预测误差评价分析。

Description

基于果蝇优化最小二乘支持向量机的交通信息预测方法

技术领域

本发明涉及一种基于果蝇优化最小二乘支持向量机的交通信息预测方法,属于公路网交通规划系统领域。

背景技术

随着交通基础设施建设和智能交通系统的发展,交通规划和交通诱导成为交通领域研究的热点。对于交通规划和交通诱导来说,准确的交通信息预测有其重要的意义。交通信息预测结果的好坏将直接关系到交通控制与诱导的效果，无论是交通控制系统还是交通诱导系统，实时准确地对交通信息进行预测是这些系统实现的前提与关键，所以交通信息预测越来越受到重视。交通信息预测结果可以作为先进的交通系统的输入，用于制定主动型的交通控制策略，还可以直接用于先进的交通管理系统的信息发布，为出行者提供实时有效的信息，帮助他们更好的进行路径选择，进而提高路网效率。

交通信息数据具有高度非线性和不确定性等特点,并且与时间相关性很强,是一种典型的时间序列预测问题,目前,比较常见的交通网络信息预测模型包括ARIMA(Auto-RegressionIntergrated Moving Average)方法、卡尔曼滤波模型(Kalman Filtering Model)和神经网络模型(Neural Network Model)。ARIMA是一种典型的时间序列预测方法,有着良好的预测性能,是一种基于线性的模型,而交通信息具有非线性特征,所以预测结果不理想。卡尔曼滤波是一个非常适用于实时动态预测交通信息的方法,但是由于卡尔曼滤波模型的误差项不好确定,因为交通信息的随机性非常大,这样卡尔曼滤波模型中存在着大量的矩阵运算和复杂的参数估计,在实际应用中难以掌握,所以对于预测结果来说还是存在很多不尽人意的地方。BP神经网络(BPNeural Network,BPNN)预测模型存在训练数据需求大、收敛速度慢等问题，而RBF神经网络(RBFNN)是一种前向神经网络模型,克服了BP神经网络训练数据需求大、收敛速度太慢等缺点，日渐取代BP神经网络成为一种新的交通信息预测方法，然而，由于人工神经网络采用经验风险最小化原理(ERM)，容易陷入局部极值，从而影响泛化能力。近年来，支持向量机(SVM)在交通信息预测中应用越来越广泛，它采用结构风险最小化原则，能有效解决小样本、非线性等回归问题，具有全局寻优能力与良好的泛化推广能力,同时计算量少。克服了神经网络局部极值的难题。目前,用遗传算法优化支持向量机参数的方法应用较多,但遗传算法复杂的遗传操作(如选择、交叉、变异)使支持向量机的训练时间随问题规模及复杂程度的增大而呈指数级增长,且存在局部最优等问题。果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)是一种智能群体搜索方法,它不仅具有很强的全局搜索能力,而且容易实现,非常适用于最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的参数优化。

发明内容

本发明针对现有交通信息的预测模型预测精确度不高的问题，而提供一种基于果蝇优化最小二乘支持向量机的交通信息预测方法，该方法能够有效的提高预测精确度。

为实现上述目的，本发明采用如下技术方案：

基于果蝇优化最小二乘支持向量机的交通信息预测方法，该预测方法包括如下步骤：

步骤一、对原始交通信息数据(包括交通流量、速度和占有率)进行归一化预处理，将数据归一化到[0,1]区间内，生成数据集并且进行分组，即训练集和测试集；

步骤二、选择径向基函数，作为最小二乘支持向量机模型的核函数，确定参数组合(γ,σ)，其中γ为正则化参数，σ为径向基函数的宽度参数；

步骤三、采用果蝇优化算法对最小二乘支持向量机的参数组合(γ,σ)进行优化，在全局范围内得到最优值；

步骤四、代入经过优化的参数，构造基于果蝇优化最小二乘支持向量机的交通信息预测模型；

步骤五、输入数据集，通过预测模型生成交通信息预测结果；

步骤六、根据交通信息预测结果和实际交通信息数据，进行预测误差评价分析。

进一步的技术方案如下：

步骤一的具体过程为：

为了加快网络的收敛速度和预测模型的准确率，需要对输入输出数据进行归一化处理，即通过一定的线性变化将输入和输出数据统一限制在[0,1]或[-1,1]区间内，对数据进行线性归一化处理：

$x_t^{\′}=\frac{x_t-x_{\min }}{x_{\max }-x_{\min }}---\left(1\right)$

其中，x_max为原始交通信息数据的最大值，x_min为原始交通信息数据的最小值，x_t为t时刻的原始交通信息数据，x_t′为t时刻相对应的归一化处理后的交通信息数据。

步骤二的具体过程为：

径向基函数在支持向量机中应用最广，因而采用径向基函数作为最小二乘支持向量机的核函数：

$K(x,x_i)=\exp (-\frac{{\left|\right|x-x_i\left|\right|}^2}{{\mathrm{\σ}}^2})---\left(2\right)$

其中σ为径向基函数的宽度参数。

步骤三的具体过程为：

1)读入交通信息数据集。

2)确定种群个体数量sizepop＝20和最大迭代次数max gen＝100，在[0,1]范围内，随机生成果蝇的初始位置。

3)赋予果蝇个体搜寻食物的随机飞行方向与距离区间。

4)估计果蝇位置与原点之间的距离，计算味道浓度判定值S_i，S_i＝1/D_i，

5)将参数组合(γ,σ)代入最小二乘支持向量机预测模型中，以预测的误差平方和作为味道判定函数，求出该果蝇位置味道浓度Smell_i，即误差平方和。

6)找出果蝇群体中使得误差平方和最小的果蝇，即其味道浓度最低。

7)保留最佳模型参数(γ,σ)与(X_i,Y_i)坐标，此时果蝇群体利用视觉往该位置飞去。

8)迭代寻优，重复执行步骤3)至步骤6)，并判断预测误差平方和是否优于前一迭代预测误差平方和，若是则执行步骤7)。

步骤四的具体过程为：

1)考虑道路网中交通信息的时间序列变化规律,路段上的交通信息与前几个时段的交通信息有着必然的联系,这样就可以利用路段前几个时段的交通信息数据去预测未来时段的交通信息。设x(t)为t时刻的交通信息数据，x(t-1)为t-1时刻的交通信息数据，采用当前时间段和前s个时间段的交通信息对未来时间段的交通信息进行预测，将x(t),x(t-1),…,x(t-s)作为样本t时刻的输入值，即x_i，x(t+1)作为样本的输出值，即yi。

2)建立训练集{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}∈(X×Y)^N，N为训练集中输入输出数据对的个数,以作为最小二乘支持向量机的训练数据。

3)通过己知数据的分析,选择径向基函数作为核函数以及采用经过果蝇算法优化的参数,根据最小二乘支持向量机的算法,构造并求解下列问题：

其中：为核空间映射函数，是权矢量，e_i∈R为误差变量，b为偏差量，J为损失函数，γ为可调常数。

可以构造拉格朗日函数：

其中，α_i∈R为拉格朗日乘子，分别求式(4)对e_i，α_i，w，b的偏导，再消去w，e_i，可得如下方程：

其中，y＝[y₁；…；y_N]，I_v＝[1；…；1]，α＝[α₁；…；α_N]，i,j＝1,2,…,N。根据Mercer理论，可以选择核函数K(·,·)，使得

由式(5)可解出α_i和b。

4)构造预测函数

$f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x,x_i)+b---\left(7\right)$

式(7)即为最后的预测函数，其中核函数K(x,x_i)采用径向基函数。

5)将测试数据集构造成上述预测函数中输入变量的形式，代入预测函数得到交通信息的预测结果。

步骤六的具体过程为：

评价交通参数预测结果的好坏的标准包括误差、相对误差、平均误差及平均相对误差。而这几个标准的定义如下：

误差＝|预测结果-输出样本数据|；

相对误差＝误差/输出样本数据；

1)平均误差误差(i)/n，即平均误差是由所有误差之和除以输出样本的数量的个数得到的；

2)平均相对误差相对误差(i)/n，即平均相对误差是由所有相对误差之和除以输出样本的数量的个数得到的。

3)均等系数(EC)

$\mathrm{EC}=1-\frac{\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x^{\′}\left(k\right)-x\left(k\right))}^2}}{\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{x}^{\′}{\left(k\right)}^2}+\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}x{\left(k\right)}^2}}$

其中x(k)为实际交通信息数据，x'(k)为预测交通信息数据，n为预测个数。

本发明利用果蝇优化算法设置简单、需要调整的参数少、算法灵活和很强的全局搜索能力的优势，建立了一种基于果蝇优化最小二乘支持向量机(FOA-LSSVM)的交通信息预测模型，通过对最小二乘支持向量机模型目标函数中的γ和核函数中的σ进行参数寻优，提高了预测模型的预测精度和推广泛化能力，随着预测时间延长，预测模型具有较高的预测精度，且预测精度的稳定性较高。总之，该方法通过实证分析，获得了良好的效果，说明了所提出的发明在交通信息预测中的有效性。

附图说明

图1为本发明所述的一种基于果蝇优化最小二乘支持向量机的交通信息预测方法的方法流程图。

图2为果蝇优化最小二乘支持向量机参数的流程图。

图3是基于果蝇优化最小二乘支持向量机的交通信息预测方法预测交通流量的果蝇优化过程和觅食路径。

图4是是基于果蝇优化最小二乘支持向量机的交通信息预测方法预测交通速度的果蝇优化过程和觅食路径。

图5是是基于果蝇优化最小二乘支持向量机的交通信息预测方法预测交通占有率的果蝇优化过程和觅食路径。

图6是两种预测方法基于流量、速度和占有率的预测误差对比图。

图7是两种预测方法基于流量、速度和占有率的预测相对误差对比图。

图8是使用最小二乘支持向量机交通信息预测方法的交通流量预测值同实测值的比较。

图9是使用果蝇优化最小二乘支持向量机交通信息预测方法的交通流量预测值同实测值的比较。

图10是使用最小二乘支持向量机交通信息预测方法的交通速度预测值同实测值的比较。

图11是使用果蝇优化最小二乘支持向量机交通信息预测方法的交通速度预测值同实测值的比较。

图12是使用最小二乘支持向量机交通信息预测方法的交通占有率预测值同实测值的比较。

图13是使用果蝇优化最小二乘支持向量机交通信息预测方法的交通占有率预测值同实测值的比较。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白理解，下面结合附图对发明的技术方案进行详细说明：

本发明针对现有交通信息预测的不足之处，提出一种基于果蝇优化最小二乘支持向量机的交通信息预测方法，参见图1，其步骤如下：

步骤一：对原始交通信息数据进行预处理；

为了加快网络的收敛速度和预测模型的准确率，需要对输入输出数据进行归一化处理，即通过一定的线性变化将输入和输出数据统一限制在[0,1]或[-1,1]区间内。本发明采用的归一化方法是：先求出所有数据中的最大值与最小值之差，然后用原始数据与最小值的差值除以这个结果，则得到的数据区间是[0,1]。即：

$x_t^{\′}=\frac{x_t-x_{\min }}{x_{\max }-x_{\min }}---\left(1\right)$

其中x_max为原始交通信息数据的最大值，x_min为原始交通信息数据的最小值，x_t为t时刻的原始交通信息数据，x_t′为t时刻相对应的归一化处理后的交通信息数据。

步骤二：选择径向基函数，作为最小二乘支持向量机的核函数；

径向基函数在支持向量机中应用最广，因而采用径向基函数作为最小二乘支持向量机的核函数：

$K(x,x_i)=\exp (-\frac{{\left|\right|x-x_i\left|\right|}^2}{{\mathrm{\σ}}^2})---\left(2\right)$

其中σ为径向基函数的宽度参数。

步骤三：采用果蝇优化算法对最小二乘支持向量机的参数进行优化，在全局范围内得到最优值；

果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)是一种基于果蝇觅食行为推演出的寻求全局最优化的新方法。由于果蝇本身在感观知觉上优于其它物种，尤其在视觉与嗅觉上，果蝇的嗅觉器官能很好地搜集漂浮在空气中的各种气味，通过使用其灵敏的视觉发现食物与同伴的聚集位置，最后找到味道浓度最高的果蝇。FOA的流程如下：

(1)sizepop是给定群体规模，max gen代表着最大的迭代次数,随机产生果蝇群体的初始位置(X_axis,Y_axis)。

(2)利用嗅觉，种群个体搜索目标的方向以及距离的方式如式(3)，Value代表搜索距离，rand()为随机生成函数。

$\left\{\begin{array}{c}{X}_i=X\_\mathrm{axis}+\mathrm{Value}*\mathrm{rand}\left(\right)\\ Y_i=Y\_\mathrm{axis}+\mathrm{Value}*\mathrm{rand}\left(\right)\end{array}\right.---\left(3\right)$

(3)根据式(3)先确定初始位置，然后根据(4)估计出到原点的距离，利用式(5)计算出味道浓度的具体判定值S。

$D_i=\sqrt{{X_i}^2+{Y_i}^2}---\left(4\right)$

S_i＝1/D_i                     (5)

(4)将味道浓度判定值S_i代入味道浓度判定函数(或称为Fitness function)用来求出果蝇个体位置的味道浓度Smell_i，Smell_i＝Function(S_i)。

(5)获得具体的Smell_i，就可以求取最小值Smell_target，即就是果蝇群体中最好味道浓度值。

(6)记录最好味道浓度值Smellbest＝Smell_target及其对应的初始位置X_axis＝X_target,Y_axis＝Y_target，并存档，这时候群体靠近味道浓度最好的位置。

(7)如此迭代寻优，完成步骤2～5，确定果蝇味道浓度值与前一最好迭代味道浓度之间的关系，如果优于前一最好味道浓度，那么就转步骤(6)，直至满足终止要求。

预测模型需要选择的参数主要包括最小二乘支持向量机目标函数中的参数和核函数中的参数。主要通过果蝇算法对模型中的参数进行优化，相比于传统的优化方法，果蝇优化算法具有计算量小，复杂度低，精度高的优点。

在预测模型中,面临着参数选择问题即怎样选择γ和σ才能使得预测结果的效果较好。一般支持向量机模型参数的选择是从己知的数据中挑选出建模数据和检验数据,利用选择参数结合建模数据计算出检验数据,判别计算结果和实际结果的差异,从而判别参数选择的好坏。在上述模型参数选择的过程中,只能通过数值计算方式来判别参数好坏,难以用一个明确具体的解析式表示出来目标函数,不适用于传统的优化算法。果蝇算法是一种数值求解方法,对目标函数的性质几乎没有要求,适合求解那些多参数、多变量、多目标的通过解析式难以表达或求解的优化问题。在以往的设计过程中，需要通过不断的尝试来确定参数值，才能最终得到最优解。而采用果蝇优化算法，就可以在全局范围内寻求最优值，用预测得到的误差的平方和作为味道浓度的判定函数，就可以对参数值进行优化选择，从而快速、便利的得到最优解，因而本发明通过应用果蝇算法对γ和σ的选择进行优化，具体过程如下：

(1)读入交通信息数据集。

(2)确定种群个体数量sizepop＝20和最大迭代次数max gen＝100，在[0,1]范围内，随机生成果蝇的初始位置。

(3)赋予果蝇个体搜寻食物的随机飞行方向与距离区间。

(4)估计果蝇位置与原点之间的距离，计算味道浓度判定值S_i，S_i＝1/D_i， $D_i=\sqrt{{X_i}^2+{Y_i}^2}.$

(5)将参数组合(γ,σ)代入最小二乘支持向量机预测模型中，以预测的误差平方和作为味道判定函数，求出该果蝇位置味道浓度Smell_i，即误差平方和。

(6)找出果蝇群体使得误差平方和最小的果蝇，即其味道浓度最低。

(7)保留最佳模型参数(γ,σ)与(X_i,Y_i)坐标，此时果蝇群体利用视觉往该位置飞去。

(8)迭代寻优，重复执行步骤(3)～(6)，并判断预测误差平方和是否优于前一迭代预测误差平方和，若是则执行步骤(7)。

步骤四：构造基于果蝇优化最小二乘支持向量机的交通信息预测模型；

(1)考虑道路网中交通信息的时间序列变化规律，路段上的交通信息与前几个时段的交通信息有着必然的联系，这样就可以利用路段前几个时段的交通信息数据去预测未来时段的交通信息。设x(t)为t时刻的交通信息数据，x(t-1)为t-1时刻的交通信息数据，采用当前时间段和前s个时间段的交通信息对未来时间段的交通信息进行预测，将x(t),x(t-1),…,x(t-s)作为样本t时刻的输入值，即x_i，x(t+1)作为样本的输出值，即y_i。

(2)建立训练集{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}∈(X×Y)^N,N为训练集中输入输出数据对的个数，以作为最小二乘支持向量机的训练数据。

(3)通过己知数据的分析,选择径向基函数作为核函数以及采用经过果蝇算法优化的参数，根据最小二乘支持向量机的算法，构造并求解下列问题：

其中：为核空间映射函数，是权矢量，e_i∈R为误差变量，b为偏差量，J为损失函数，γ为可调常数。

可以构造拉格朗日函数：

其中，α_i∈R为拉格朗日乘子，分别求式(7)对e_i，α_i，w，b的偏导，再消去w，e_i，可得如下方程：

其中，y＝[y₁；…；y_N]，I_v＝[1；…；1]，α＝[α₁；…；α_N]，i,j＝1,2,…,N。根据Mercer理论，可以选择核函数K(i,i)，使得

由式(8)可解出α_i和b。

(4)构造预测函数

$f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x,x_i)+b---\left(10\right)$

式(10)即为最后的预测函数，其中核函数K(x,x_i)采用径向基函数。

(5)将测试数据集构造成上述预测函数中输入变量的形式,代入预测函数得到交通信息的预测结果。

采集某市2010年某个检测断面4天的交通信息数据，采集时间为6：00至18：00，每10分钟记录一次数据，共获得320个数据。采用前三天240个数据用于训练果蝇优化的最小二乘支持向量机，最后用第四天的80个交通信息数据验证预测的准确性。

为验证本发明预测方法的优越性，选择未经过参数优化的最小二乘支持向量机交通信息预测模型作为对比模型。

模型性能评价标准为：

误差＝|预测结果-输出样本数据|；

相对误差＝误差/输出样本数据；

1)平均误差误差(i)/n，即平均误差是由所有误差之和除以输出样本的数量的个数得到的；

2)平均相对误差相对误差(i)/n，即平均相对误差是由所有相对误差之和除以输出样本的数量的个数得到的。

3)均等系数(EC)

$\mathrm{EC}=1-\frac{\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x^{\′}\left(k\right)-x\left(k\right))}^2}}{\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{x}^{\′}{\left(k\right)}^2}+\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}x{\left(k\right)}^2}}$

均等系数(后面简称EC)表示预测值与实测值之间的拟合度，EC值的大小作为评价预测效果的重要标准之一，数值在(0,1)之间，EC>0.85被视为较好的预测，EC>0.9被视为满意的预测，EC值越高，则整体预测效果越与实际监测值接近，效果也越接近理想，其中x(k)为实际交通信息数据，x'(k)为预测交通信息数据，n为预测个数。

为了对果蝇优化最小二乘支持向量机的交通信息预测模型的预测精度有更清晰的了解，将与最小二乘支持向量机交通信息预测模型作对比，通过仿真分析，模型预测比较结果如表1所示。

表1三种交通信息参数的评价指标值

从表1可以看出，基于果蝇算法优化最小二乘支持向量机的交通信息预测方法优于最小二乘支持向量机的交通信息预测方法，可以明显的看出本发明提出的预测方法更具优越性，在平均误差和平均相对误差两个指标中，基于果蝇算法优化的最小二乘支持向量机预测方法在交通信息(包括流量、速度和占有率)预测中表现出相对较可观的平均误差和平均相对误差，并且EC相对较大，体现出很好的拟合能力，预测精度高。

从图6、图7所示的预测误差和预测相对误差可以看出，基于果蝇算法优化最小二乘支持向量机的预测方法表现出较小的误差和相对误差，其中预测交通流量中预测误差和预测相对误差分别减少了44％和42％，预测交通速度中预测误差减少了24％，预测相对误差减少了25％，预测交通占有率中预测误差和相对误差分别减少了52％和51％，从结果上看是相当可观的，可以明显看出新方法预测精度较理想。

从图8～图13所示的交通信息预测预测值同实测值的比较图可以看出，单独的最小二乘支持向量机方法预测值与实际值偏离较大，相对误差较大并且不稳定，预测精度差。而采用果蝇算法的最小二乘支持向量机方法，预测值与实际值基本吻合，相对误差较小，预测模型能更为准确的反映交通信息变化的趋势，能对交通流量、速度和占有率等实现更有效的预测，适合于实际工程应用。

综上所述，根据仿真结果显示，应用果蝇算法优化最小二乘支持向量机的交通信息预测方法预测交通信息，根据EC值判断比较令人满意，预测模型能够对复杂的交通信息特性进行描述。基于果蝇算法优化的最小二乘支持向量机对于随机性、不确定性较强的10min时段的交通信息预测能够很好的反映交通信息变化的趋势和规律，预测精度较高，可以满足交通控制和诱导所需要的预测精度。通过果蝇算法，快速的找出了最小二乘支持向量机最优训练参数，大大加快了训练速度，所需训练时间仅为十几秒钟，很快就达到了给定的误差要求。能够及时跟随交通信息等数据的变化，所以精确度更高，适应性更好，在丰富交通信息预测方面提供了一种较为成功的方法。

Claims (6)

1.一种基于果蝇优化最小二乘支持向量机的交通信息预测方法，其特征在于，包括以下步骤：

步骤一、对原始交通信息数据进行归一化预处理，将数据归一化到[0,1]区间内，生成数据集并且进行分组，即训练集和测试集；

步骤二、选择径向基函数，作为最小二乘支持向量机模型的核函数，确定参数组合(γ,σ)，其中γ为正则化参数，σ为径向基函数的宽度参数；

步骤三、采用果蝇优化算法对最小二乘支持向量机的参数组合(γ,σ)进行优化，在全局范围内得到最优值；

步骤四、代入经过优化的参数，构造基于果蝇优化最小二乘支持向量机的交通信息预测模型；

步骤五、输入数据集，通过预测模型生成交通信息预测结果；

步骤六、根据交通信息预测结果和实际交通信息数据，进行预测误差评价分析。

2.根据权利要求1所述的一种基于果蝇优化最小二乘支持向量机的交通信息预测方法，其特征在于，所述步骤一的具体过程为：

通过一定的线性变化将输入和输出数据统一限制在[0,1]或[-1,1]区间内，对数据进行线性归一化处理：

$x_t^{\′}=\frac{x_t-x_{\min }}{x_{\max }-x_{\min }}---\left(1\right)$

式(1)中，x_max为原始交通信息数据的最大值，x_min为原始交通信息数据的最小值，x_t为t时刻的原始交通信息数据，x_t′为t时刻相对应的归一化处理后的交通信息数据。

3.根据权利要求1所述的一种基于果蝇优化最小二乘支持向量机的交通信息预测方法，其特征在于，所述步骤二的具体过程为：

采用径向基函数作为最小二乘支持向量机的核函数：

$K(x,x_i)=\exp (-\frac{{\left|\right|x-x_i\left|\right|}^2}{{\mathrm{\σ}}^2})---\left(2\right)$

式(2)中，σ为径向基函数的宽度参数。

4.根据权利要求1所述的一种基于果蝇优化最小二乘支持向量机的交通信息预测方法，其特征在于，所述步骤三的具体过程为：

1)读入交通信息数据集；

2)确定种群个体数量sizepop＝20和最大迭代次数max gen＝100，在[0,1]范围内，随机生成果蝇的初始位置；

3)赋予果蝇个体搜寻食物的随机飞行方向与距离区间；

4)估计果蝇位置与原点之间的距离，计算味道浓度判定值S_i，S_i＝1/D_i，

5)将参数组合(γ,σ)代入最小二乘支持向量机预测模型中，以预测的误差平方和作为味道判定函数，求出该果蝇位置味道浓度Smell_i，即误差平方和；

6)找出果蝇群体中使得误差平方和最小的果蝇，即其味道浓度最低；

7)保留最佳模型参数(γ,σ)与(X_i,Y_i)坐标，此时果蝇群体利用视觉往该位置飞去；

8)迭代寻优，重复执行以上步骤3)至步骤6)，并判断预测误差平方和是否优于前一迭代预测误差平方和，若是则执行步骤7)。

5.根据权利要求1所述的一种基于果蝇优化最小二乘支持向量机的交通信息预测方法，其特征在于，所述步骤四的具体过程为：

1)路段上的交通信息与前几个时段的交通信息有着必然的联系，利用路段前几个时段的交通信息数据去预测未来时段的交通信息：设x(t)为t时刻的交通信息数据，x(t-1)为t-1时刻的交通信息数据，采用当前时间段和前s个时间段的交通信息对未来时间段的交通信息进行预测，将x(t),x(t-1),…,x(t-s)作为样本t时刻的输入值，即x_i，x(t+1)作为样本的输出值，即y_i；

2)建立训练集{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}∈(X×Y)^N，N为训练集中输入输出数据对的个数，以作为最小二乘支持向量机的训练数据；

3)通过己知数据的分析，选择径向基函数作为核函数以及采用经过果蝇算法优化的参数，根据最小二乘支持向量机的算法，构造并求解下列问题：

式(3)中，为核空间映射函数，是权矢量，e_i∈R为误差变量，b为偏差量，J为损失函数，γ为可调常数；

构造拉格朗日函数：

式(4)中，α_i∈R为拉格朗日乘子，分别求式(4)对e_i，α_i，w，b的偏导，再消去w，e_i，可得如下方程：

式(5)中，y＝[y₁；…；y_N]，I_v＝[1；…；1]，α＝[α₁；…；α_N]，i,j＝1,2,…,N；根据Mercer理论，可以选择核函数K(·,·)，使得

由式(5)可解出α_i和b。

4)构造预测函数

$f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x,x_i)+b---\left(7\right)$

式(7)即为最后的预测函数，其中核函数K(x,x_i)采用径向基函数；

5)将测试数据集构造成上述预测函数中输入变量的形式，代入预测函数得到交通信息的预测结果。

6.根据权利要求1所述的一种基于果蝇优化最小二乘支持向量机的交通信息预测方法，其特征在于，所述步骤六的具体过程为：

1)计算平均误差：平均误差误差(i)/n，即平均误差是由所有误差之和除以输出样本的数量的个数得到的；

2)计算平均相对误差：平均相对误差相对误差(i)/n，即平均相对误差是由所有相对误差之和除以输出样本的数量的个数得到的。

3)计算均等系数：

$\mathrm{EC}=1-\frac{\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x^{\′}\left(k\right)-x\left(k\right))}^2}}{\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{x}^{\′}{\left(k\right)}^2}+\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}x{\left(k\right)}^2}}$

其中，x(k)为实际交通信息数据，x'(k)为预测交通信息数据，n为预测个数。