CN105243428A - 基于蝙蝠算法优化支持向量机预测公交车到站时间的方法 - Google Patents

Abstract

一种基于蝙蝠算法优化支持向量机预测公交车到站时间的方法：选择影响公交车运行因素的数据作为SVM的输入变量；对影响公交车运行因素的数据进行归一化处理；选择核函数得到SVM参数，选择径向基核作为核函数；构造蝙蝠算法寻找最优支持向量机参数c和g的最优参数。将得到的归一化处理后的数据划分为三个子集：训练样本集、检验样本集和测试样本集，并输入数据集，生成预测值；对预测值进行误差分析，如果误差小于设定值，所得预测值为预测结果，结束。本发明采用的蝙蝠算法具有结构简单、参数少、鲁棒性强、易于理解和易于编程等特点，正因为如此，我们将其与SVM结合在一起，优化参数的同时保证了预测的精准性。

Description

基于蝙蝠算法优化支持向量机预测公交车到站时间的方法

技术领域

本发明涉及一种预测公交车到站时间的方法。特别是涉及一种基于蝙蝠算法优化支持向量机预测公交车到站时间的方法。

背景技术

公共交通系统的运行，旨在保证人们的日常出行，在此过程中，为乘客提供可靠、舒适的服务是非常关键的。服务的准时性及稳定性是解决公交运营调度问题的核心内容，其不仅适用于正常运营的情况下，即使当正常运营受到干扰时，运营者也可以根据实时情况采取适当的措施(比如，增设或减少公交车在该线路的数量)来调整运行时刻表和发车间隔，从而更有效地进行运营管理。

公交车到站时间预测技术，可以提高公交车行程时间预测精度，而提高公交车准时性的同时，就可以减少乘客等待时间，从而提高公交吸引力，这对于促进智能运输系统(ITS，IntelligentTransportationSystem)在交通运输领域的应用具有重要意义。

近年来，出现了一种新的机器学习方法---支持向量机(SVM，SupportVectorMachine)，它具有很强的学习能力和泛化能力，其作为新兴技术已在很多领域得到应用，并取得了很多突破。SVM预测的关键在于参数的选定，好的参数会使预测变得更加准确。

智能算法如遗传算法、神经网络算法虽可能找到最优解，但在运行时间还存在不足，且易陷入局部最优。所以我们采用一种新的智能算法---蝙蝠算法(BA，BatAlgorithm)。由于蝙蝠算法具有相互协助、稳定性、可扩充性、简单性等优点，所以也逐渐成为计算智能领域的研究热点，很多学者致力于蝙蝠算法的应用，且已被成功应用到许多领域。主要应用在约束优化，多目标优化和工程问题等领域。

发明内容

本发明所要解决的技术问题是，提供一种准确率更高，泛化能力更强的基于蝙蝠算法优化支持向量机预测公交车到站时间的方法。

本发明所采用的技术方案是：一种基于蝙蝠算法优化支持向量机预测公交车到站时间的方法，包括如下步骤：

1)选择影响公交车运行因素的数据作为SVM的输入变量；

2)对影响公交车运行因素的数据进行归一化处理；

3)选择核函数得到SVM参数，选择径向基核作为核函数；

径向基核函数对应的支持向量机参数有c和g，其中c是惩罚系数，即对误差的宽容度，g是选择径向基函数作为核函数后，所述核函数自带的一个参数，支持向量机参数c的取值范围在1～1000，支持向量机参数g的取值范围在2^-5,2^-4…,2⁴,2⁵。

4)构造蝙蝠算法寻找最优支持向量机参数c和g的最优参数。

5)将步骤2)得到的归一化处理后的数据划分为三个子集：训练样本集、检验样本集和测试样本集，并输入数据集，生成预测值；

6)对预测值进行误差分析，具体是将预测值代入如下公式：

$MSE=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{(x_i-{\hat{x}}_i)}^2---\left(11\right)$

如果MSE大于0.01则返回步骤4)，否则，步骤5)所得预测值为预测结果，结束。

步骤1)所述的因素包括：天气、时间段和路段、下一路段最新运行时间以及当前路段运行时间。

步骤2)所述的归一化处理包括首先设定：晴天为1，雨天为0；高峰期为1，非高峰期为0；路段编号为1--N，归一化后的数据为各自编号与最大编号N的比值，归一化的路段数

值为1/N—1；下一路段最新运行时间和当前路段运行时间采用了如下式归一化处理：

$P_n=\frac{P-P_{min}}{P_{max}-P_{min}}---\left(1\right)$

其中p是欲归一化的样本数据，P_n是归一化后的值，P_max和P_min是样本数据中的最大和最小值。即把样本数据转化为0～1之间的数据。

步骤4)所述的寻找最优支持向量机参数c和g的最优参数包括：

(1)在支持向量机参数c的取值范围[1,1000]和支持向量机参数g的取值范围[2^-5,2^-4…,2⁴,2⁵]中分别随机产生一组支持向量机参数c和g，用随机产生的参数值进行编码，进而构造初始群体；

(2)计算个体适应度值，更新个体最优值和全局最优值；

(3)进行条件判断，判断个体适应度值是否达到了设定的预测精度，设定预测精度为0.001，当个体适应度值小于预测精度，则进入步骤(4)，否则返回步骤(2)；

(4)更新个体位置，并进行边界处理；

(5)重复步骤(2)，使初始确定的一组支持向量机参数不断进化，如果在当前迭代中第i只蝙蝠的适应度f(x_id)优于全局最优位置x_best的适应度f(x_best)，就用第i只蝙蝠的新位置x_id替换当前位置x_best，否则x_best不用更新，直到满足设定的最大迭代次数为止；

(6)得到最优支持向量机参数c和g。

步骤(1)中，当t＝0时，对所有蝙蝠个体进行随机初始化，取值约束在设置的范围内使种群中各个蝙蝠具有位置向量x_id，其中i∈[1,m]，m是蝙蝠个数，d∈[1,D]，D是粒子的维数，初始化脉冲的响度A₀和脉冲发射速率r_i，还有最大频率f_max和最小频率f_min；

具体来说，假设在D维空间中进行搜索，由m个蝙蝠构成一个蝙蝠种群，则第i只蝙蝠的当前位置表示为向量x_i＝(x_i1,x_i2,…x_iD)，速度记为向量V_i＝(v_i1,v_i2,…,v_iD)，目前整个蝙蝠种群搜索到的全局最优位置为x_best＝(x₁,x₂,…,x_D)其中i＝1,2,…,m。

步骤(2)所述的计算个体适应度值，通常衡量预测值与实测值差别的变量采用平均相对变动值，定义为：

$AVR=\frac{{\mathrm{\Σ}}_{i=1}^N{\[x\left(i\right)-\hat{x}\left(i\right)\]}^2}{{\mathrm{\Σ}}_{i=1}^N{\[x\left(i\right)-\stackrel{\‾}{x}\left(i\right)\]}^2}---\left(2\right)$

其中：N——用于预测数据的组数；

x(i)——影响公交车运行因素的数据归一化后用于预测数据值；

——影响公交车运行因素的数据归一化后用于预测数据平均值；

——影响公交车运行因素的数据归一化后计算得到的预测值。

显然，平均相对变动值ARV越小，也表明预测效果越好，ARV＝0表示达到了理想预测效果，当ARV＝1时，表明模型仅达到平均值的预测效果。由于ARV反映了网络的泛化能力，所以定义适应度函数为：

$f=\frac{1}{AVR}---\left(3\right).$

步骤(4)所述的更新个体位置，并进行边界处理，具体方法如下：

计算全局最优位置x_best为种群中最优粒子的位置，结合以下公式，更新粒子i的位置x_id和速度V_id并检查位置x_id是否越界，

f_i＝(f_max-f_min)β(4)

$V_i^t=V_i^{t-1}+(x_i^{t-1}-x_{best})f_i---\left(5\right)$

$x_i^t=x_i^{t-1}+V_i^t---\left(6\right)$

其中t为当前的迭代次数，β是在0,1之间均匀分布的随机变量，

X_new＝X_id+εA^t(7)

ε∈[-1,1]是随机的数值，A_t是指t次迭代后所有蝙蝠求得的平均响度；

判断产生的随机数ε是否大于r_i，如果是，则由公式在第i只蝙蝠的历史最优位置附近产生一个新解替代当前解x_id；

如果第i只蝙蝠的新的适应度f(x_new)优于第i只蝙蝠当前位置x_id的适应度f(x_id)，就用粒子当前位置x_new替换x_id,否则x_id不用更新。

步骤5)中，测试样本占10％数据，检验样本占20％数据，其余为训练样本。

本发明的基于蝙蝠算法优化支持向量机预测公交车到站时间的方法，具有以下优点：1、本发明采用一种新型的智能优化算法——蝙蝠算法。蝙蝠算法是受蝙蝠回声定位这一行为的启发而提出的一种新型的搜索算法，该算法已成功地解决如：神经网络、多目标优化等一系列实际问题。2、本发明采用的蝙蝠算法具有结构简单、参数少、鲁棒性强、易于理解和易于编程等特点，正因为如此，我们将其与SVM结合在一起，优化参数的同时保证了预测的精准性。

附图说明

图1是本发明实施例中7路公交线路的信息及时间点。

具体实施方式

下面结合实施例和附图对本发明的基于蝙蝠算法优化支持向量机预测公交车到站时间的方法做出详细说明。

本发明的基于蝙蝠算法优化支持向量机预测公交车到站时间的方法，是针对现有公交车到站时间预测方法的不足之处，提出改进的蝙蝠算法优化支持向量机预测公交车到站时间。

一种基于蝙蝠算法优化支持向量机预测公交车到站时间的方法，其特征在于，包括如下步骤：

1)选择影响公交车运行因素的数据作为SVM的输入变量，所述的因素包括：天气、时间段和路段(从第K个时间点到K+1个时间点)、下一路段最新运行时间(上一公交车在K--K+1路段上的运行时间)、当前路段运行时间(当前公交车在K-1--K路段上的运行时间)；

2)对影响公交车运行因素的数据进行归一化处理，

所述的归一化处理包括首先设定：晴天为1，雨天为0；高峰期为1，非高峰期为0；路段编号为1--N，归一化后的数据为各自编号与最大编号N的比值，归一化的路段数值为1/N—1；下一路段最新运行时间和当前路段运行时间采用了如下式归一化处理：

$P_n=\frac{P-P_{min}}{P_{max}-P_{min}}---\left(1\right)$

其中p是欲归一化的样本数据，P_n是归一化后的值，P_max和P_min是样本数据中的最大和最小值。即把样本数据转化为0～1之间的数据；

3)选择核函数得到SVM参数，选择径向基核作为核函数；

常用的核函数有多项式核函数、径向基函数和Sigmoid函数等。一般而言，径向基核和多项式核优于Sigmoid核函数。从核函数参数数量的角度考察径向基核和多项式核，前者比后者少，由于核函数参数能够反映模型选择的复杂程度，径向基核函数是一个普适的核函数，通过选择合适的核函数参数，它可以适用于任意的分布的样本。

径向基核函数是目前在支持向量基中被应用的最广泛的核函数。因此，本发明选择径向基核作为核函数。

径向基核函数对应的支持向量机参数有c和g，其中c是惩罚系数，即对误差的宽容度，这个值越高，说明越不能容忍出现误差，g(gamma)是选择径向基函数作为核函数后，所述核函数自带的一个参数，隐含地决定了数据映射到新的特征空间后的分布。支持向量机参数c的取值范围在[1，1000]，支持向量机参数g的取值范围在[2^-5，2^-4…，2⁴，2⁵]。

由于参数选择会对数据训练以及预测产生很大影响，参数取值不当，会导致预测的错误率增大，因此需要确定最优参数。

4)构造蝙蝠算法寻找最优支持向量机参数c和g的最优参数。包括：

(1)在c的取值范围[1，1000]和g的取值范围[2^-5，2^-4…，2⁴，2⁵]中分别随机产生一组支持向量机参数c和g，用随机产生的参数值进行编码，进而构造初始群体；定义t为算法迭代的次数，当t＝0时，对所有蝙蝠个体进行随机初始化，取值约束在设置的范围内使种群中各个蝙蝠具有位置向量x_id，其中i∈[1，m]，m是蝙蝠个数，d∈[1，D]，D是粒子的维数，初始化脉冲的响度A₀和脉冲发射速率r_i，还有最大频率f_max和最小频率f_min；

具体来说，假设在D维空间中进行搜索，由m个蝙蝠构成一个蝙蝠种群，则第i只蝙蝠的当前位置表示为向量x_i＝(x_i1,x_i2,…x_iD)，速度记为向量V_i＝(v_i1,v_i2,…,v_iD)，目前整个蝙蝠种群搜索到的全局最优位置为x_best＝(x₁,x₂,…,x_D)其中i＝1，2，…，m；

(2)计算个体适应度值，更新个体最优值和全局最优值。

所述的计算个体适应度值，在实际应用中，对于实际测得的时间序列{x1，x2，…}，可以利用其一部分数据建模，而用另一部分数据来对所建模型进行验证，如果预测值是实测值相差越少，显然模型越理想，理想情况是预测值与实测值相等，则达到完美预测。

显然，平均相对变动值ARV越小，也表明预测效果越好，ARV＝0表示达到了理想预测效果，当ARV＝1时，表明模型仅达到平均值的预测效果。通常衡量预测值与实测值差别的变量采用平均相对变动值(AverageRelativeVariance，ARV)，定义为：

$AVR=\frac{{\mathrm{\Σ}}_{i=1}^N{\[x\left(i\right)-\hat{x}\left(i\right)\]}^2}{{\mathrm{\Σ}}_{i=1}^N{\[x\left(i\right)-\stackrel{\‾}{x}\left(i\right)\]}^2}---\left(2\right)$

其中：N——用于预测数据的组数；

x(i)——统计数据归一化后用于预测的数据值；

——统计数据归一化后用于预测的数据平均值；

——支持向量机计算后得到的预测值。

显然，平均相对变动值ARV越小，也表明预测效果越好，ARV＝0表示达到了理想预测效果，当ARV＝1时，表明模型仅达到平均值的预测效果。由于ARV反映了网络的泛化能力，所以定义适应度函数为：

$f=\frac{1}{AVR}---\left(3\right).$

(3)进行条件判断，判断个体适应度值是否达到了设定的预测精度，设定预测精度为0.001，当个体适应度值小于预测精度，则进入步骤(4)，否则返回步骤(2)；

(4)更新个体位置，并进行边界处理，具体方法如下：

计算全局最优位置x_best为种群中最优粒子的位置，结合以下公式，更新粒子i的位置x_id和速度V_id并检查位置x_id是否越界，

f_i＝(f_max-f_min)β(4)

$V_i^t=V_i^{t-1}+(x_i^{t-1}-x_{best})f_i---\left(5\right)$

$x_i^t=x_i^{t-1}+V_i^t---\left(6\right)$

其中t为当前的迭代次数，β是在0，1之间均匀分布的随机变量，

X_new＝X_id+εA^t(7)

ε∈[-1，1]是随机的数值，A_t是指t次迭代后所有蝙蝠求得的平均响度；

判断产生的随机数ε是否大于r_i，如果是，则由公式在第i只蝙蝠的历史最优位置附近产生一个新解替代当前解x_id；

如果第i只蝙蝠的新的适应度f(x_new)优于第i只蝙蝠当前位置x_id的适应度f(x_id)，就用粒子当前位置x_new替换x_id，否则x_id不用更新；

(5)重复步骤(2)，使初始确定的一组支持向量机参数不断进化，如果在当前迭代中第i只蝙蝠的适应度f(x_id)优于全局最优位置x_best的适应度f(x_best)，就用第i只蝙蝠的新位置x_id替换当前位置x_best，否则x_best不用更新，直到满足设定的最大迭代次数为止；

(6)得到最优支持向量机参数c和g。

5)将步骤2)得到的归一化处理后的数据划分为三个子集：训练样本集、检验样本集和测试样本集，并输入数据集，生成预测值，其中，测试样本占10％数据，检验样本占20％数据，其余为训练样本；

6)对预测值进行误差分析，根据前面步骤生成的预测函数进行预测，并进行预测误差评价分析，具体是将预测值代入如下公式：

$MSE=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{(x_i-{\hat{x}}_i)}^2---\left(11\right)$

如果MSE大于0.01则返回步骤4)，否则，步骤5)所得预测值为预测结果，结束。

为了验证模型的效率，本发明利用辽宁省大连市经济技术开发区7路公交线的数据对其进行了校验。如图1所示，7路公交线是从五彩城北门站到都悦里小区，全长14.5km，共有20个车站，该线路的单程运行时间为45min。笔者共设立了12个时间点，这些时间点将公交线路分为11个路段。在工作日，预测公交车到达这12个主要站点的时间。线路的信息如图1所示。

如前所述，本发明中提出的SVM包含5个输入变量：时间段、天气、路段、下一路段最新运行时间和当前路段运行时间。为了得到这12个主要站点的车辆到达时间，本发明选择在2005年9月对该线路进行了随车调查，调查数据包括车辆到达12个主要站点的时刻、调查的时间段(分为高峰6:30～7:30和非高峰10:00～11:00)和天气情况(晴天和雨天)，共得到了290组数据。由于公交车辆的运行和其所处的天气情况及时间段有很大关系，本发明将预测模型依照天气(晴天或雨天)和时间段(高峰和非高峰)划分为4种模式，相应地将数据集也分成了4个。其中，晴天高峰时段(SP类)180组数据，晴天非高峰时段(SO类)70组数据，雨天高峰时段(RP类)22组数据，雨天非高峰时段(RO类)18组数据，共计3190个路段的运行时间。然后，采用了158组SP类、60组SO类、18组RP类和14组RO类样本，共250组样本对SVM进行训练，将剩余的样本留作测试样本。再将所有的训练或测试的样本进行了归一化处理。最终得到的最优参数c和g分别为8和2^-5。

Claims (8)

1.一种基于蝙蝠算法优化支持向量机预测公交车到站时间的方法，其特征在于，包括如下步骤：

1)选择影响公交车运行因素的数据作为SVM的输入变量；

2)对影响公交车运行因素的数据进行归一化处理；

3)选择核函数得到SVM参数，选择径向基核作为核函数；

径向基核函数对应的支持向量机参数有c和g，其中c是惩罚系数，即对误差的宽容度，g是选择径向基函数作为核函数后，所述核函数自带的一个参数，支持向量机参数c的取值范围在1～1000，支持向量机参数g的取值范围在2^-5,2^-4…,2⁴,2⁵。

4)构造蝙蝠算法寻找最优支持向量机参数c和g的最优参数。

5)将步骤2)得到的归一化处理后的数据划分为三个子集：训练样本集、检验样本集和测试样本集，并输入数据集，生成预测值；

6)对预测值进行误差分析，具体是将预测值代入如下公式：

$MSE=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{(x_i-{\hat{x}}_i)}^2---\left(11\right)$

如果MSE大于0.01则返回步骤4)，否则，步骤5)所得预测值为预测结果，结束。

2.根据权利要求1所述的基于蝙蝠算法优化支持向量机预测公交车到站时间的方法，其特征在于，步骤1)所述的因素包括：天气、时间段和路段、下一路段最新运行时间以及当前路段运行时间。

3.根据权利要求1所述的基于蝙蝠算法优化支持向量机预测公交车到站时间的方法，其特征在于，步骤2)所述的归一化处理包括首先设定：晴天为1，雨天为0；高峰期为1，非高峰期为0；路段编号为1--N，归一化后的数据为各自编号与最大编号N的比值，归一化的路段数值为1/N—1；下一路段最新运行时间和当前路段运行时间采用了如下式归一化处理：

$P_n=\frac{P-P_{min}}{P_{max}-P_{min}}---\left(1\right)$

其中p是欲归一化的样本数据，P_n是归一化后的值，P_max和P_min是样本数据中的最大和最小值。即把样本数据转化为0～1之间的数据。

4.根据权利要求1所述的基于蝙蝠算法优化支持向量机预测公交车到站时间的方法，其特征在于，步骤4)所述的寻找最优支持向量机参数c和g的最优参数包括：

(1)在支持向量机参数c的取值范围[1,1000]和支持向量机参数g的取值范围[2^-5,2^-4…,2⁴,2⁵]中分别随机产生一组支持向量机参数c和g，用随机产生的参数值进行编码，进而构造初始群体；

(2)计算个体适应度值，更新个体最优值和全局最优值；

(3)进行条件判断，判断个体适应度值是否达到了设定的预测精度，设定预测精度为0.001，当个体适应度值小于预测精度，则进入步骤(4)，否则返回步骤(2)；

(4)更新个体位置，并进行边界处理；

(5)重复步骤(2)，使初始确定的一组支持向量机参数不断进化，如果在当前迭代中第i只蝙蝠的适应度f(x_id)优于全局最优位置x_best的适应度f(x_best)，就用第i只蝙蝠的新位置x_id替换当前位置x_best，否则x_best不用更新，直到满足设定的最大迭代次数为止；

(6)得到最优支持向量机参数c和g。

5.根据权利要求4所述的基于蝙蝠算法优化支持向量机预测公交车到站时间的方法，其特征在于，步骤(1)中，当t＝0时，对所有蝙蝠个体进行随机初始化，取值约束在设置的范围内使种群中各个蝙蝠具有位置向量x_id，其中i∈[1,m]，m是蝙蝠个数，d∈[1,D]，D是粒子的维数，初始化脉冲的响度A₀和脉冲发射速率r_i，还有最大频率f_max和最小频率f_min；

具体来说，假设在D维空间中进行搜索，由m个蝙蝠构成一个蝙蝠种群，则第i只蝙蝠的当前位置表示为向量x_i＝(x_i1,x_i2,…x_iD)，速度记为向量V_i＝(v_i1,v_i2,…,v_iD)，目前整个蝙蝠种群搜索到的全局最优位置为x_best＝(x₁,x₂,…,x_D)其中i＝1,2,…,m。

6.根据权利要求4所述的基于蝙蝠算法优化支持向量机预测公交车到站时间的方法，其特征在于，步骤(2)所述的计算个体适应度值，通常衡量预测值与实测值差别的变量采用平均相对变动值，定义为：

$AVR=\frac{{\mathrm{\Σ}}_{i=1}^N{\[x\left(i\right)-\hat{x}\left(i\right)\]}^2}{{\mathrm{\Σ}}_{i=1}^N{\[x\left(i\right)-\stackrel{\‾}{x}\left(i\right)\]}^2}---\left(2\right)$

其中：N——用于预测数据的组数；

x(i)——影响公交车运行因素的数据归一化后用于预测数据值；

——影响公交车运行因素的数据归一化后用于预测数据平均值；

——影响公交车运行因素的数据归一化后计算得到的预测值。

显然，平均相对变动值ARV越小，也表明预测效果越好，ARV＝0表示达到了理想预测效果，当ARV＝1时，表明模型仅达到平均值的预测效果。由于ARV反映了网络的泛化能力，所以定义适应度函数为：

$f=\frac{1}{AVR}---\left(3\right).$

7.根据权利要求4所述的基于蝙蝠算法优化支持向量机预测公交车到站时间的方法，其特征在于，步骤(4)所述的更新个体位置，并进行边界处理，具体方法如下：

计算全局最优位置x_best为种群中最优粒子的位置，结合以下公式，更新粒子i的位置x_id和速度V_id并检查位置x_id是否越界，

f_i＝(f_max-f_min)β(4)

$V_i^t=V_i^{t-1}+(x_i^{t-1}-x_{best})f_i---\left(5\right)$

$x_i^t=x_i^{t-1}+V_i^t---\left(6\right)$

其中t为当前的迭代次数，β是在0,1之间均匀分布的随机变量，

X_new＝X_id+εA^t(7)

ε∈[-1,1]是随机的数值，A_t是指t次迭代后所有蝙蝠求得的平均响度；

判断产生的随机数ε是否大于r_i，如果是，则由公式在第i只蝙蝠的历史最优位置附近产生一个新解替代当前解x_id；

如果第i只蝙蝠的新的适应度f(x_new)优于第i只蝙蝠当前位置x_id的适应度f(x_id)，就用粒子当前位置x_new替换x_id,否则x_id不用更新。

8.根据权利要求1所述的基于蝙蝠算法优化支持向量机预测公交车到站时间的方法，其特征在于，步骤5)中，测试样本占10％数据，检验样本占20％数据，其余为训练样本。