CN109635914B - 基于混合智能遗传粒子群的优化极限学习机轨迹预测方法 - Google Patents

Abstract

本发明公开了一种基于混合智能遗传粒子群的优化极限学习机轨迹预测方法。传统的神经网络算法存在训练时间较长、容易陷入局部最优解、参数选择敏感等缺点，而极限学习机（ELM）神经网络具有训练速度快、泛化能力强等优点，故选择ELM神经网络做预测。由于传统的ELM存在小数据集泛化性能较差的问题，优化极限学习机（OELM）克服了该缺点，但由于受到输入权值和隐藏层节点阈值随机赋值的影响，在预测过程中往往无法达到最优结果。故采用混合智能遗传粒子群算法（HGPSO）动态寻优找出OELM模型最佳的参数组，针对模型建立的随机性进行改进，使它只需要较少的隐藏层神经元数目就能达到较好的预测性能，提高了网络的泛化性。

Description

基于混合智能遗传粒子群的优化极限学习机轨迹预测方法

技术领域

本发明涉及一种基于混合智能遗传粒子群的优化极限学习机轨迹预测方法，对道路上的车辆的轨迹进行预测，属于智能交通领域。

背景技术

随着经济的快速发展，尤其是近十几年来，私家车几乎成为超半数家庭出行的代步工具。然而，与此同时带来了城市大气环境污染、交通路况堵塞等问题，因此对于污染物超出国家标准的车辆位置进行有效预测并进行执法拦截的研究成为热点课题。另外，定位技术的快速发展，许多设备都可以获得位置，例如移动电话和基于全球定位系统（GPS）的设备，为车辆的位置预测提供了基础。位置预测对许多基于位置的服务都具有重大意义。例如，在递送包裹时，客户渴望知道快递的位置以及他下次访问的地点，以便估计包裹的到达时间。而且，在公共交通系统，乘客希望知道最近的出租车或公共汽车将去哪里，从而估计他们的等待时间。在超标排放车辆监测系统中，车辆将前往的地方很重要，因为这样执法部门就可以对车辆进行有效的拦截。位置预测可以通过以下方式确定：给定一系列位置，这一系列的位置预先收集或依赖于实时，经过位置预测技术推断出对象将最有可能进入的下一个位置。

传统的基于群集或基于单元的方法会忽略群集之间的轨迹，这些轨迹可能包含特定应用程序的关键信息。但是，许多基于位置的服务，例如交付系统和交通系统，都非常注重预测物体在道路上的确切位置。此外，通过聚类算法生成的频繁模式或位置序列相对较短。传统模型，如隐马尔科夫模型（HMM）和长短期记忆神经网络（LSTM），擅长处理短序列，并且传统的预测方法预测所需的时间往往较长，不适合用于车辆的位置预测的实际情况。

发明内容

本发明要解决的技术问题：克服现有技术的不足，提供一种基于混合智能遗传粒子群的优化极限学习机算法。

本发明技术解决方案：

本发明具体包括以下步骤：

步骤一：数据清洗；进行删除无效数据和重复数据，其中对无效数据的处理可以在每个GPS定位数据输入之前，先将跟踪匹配区域的经度和纬度范围作为条件添加到输入的判断条件，如果输入的GPS定位数据不符合该条件，那么删除该无效数据进行下一个数据的输入判断。重复数据对应着超标排放车辆的状态为驻车，定位数据超过一段时间不发生变化。

步骤二：针对OELM（优化极限学习机）输入权值和偏置随机生成导致的网络结构不稳定问题，本发明提出一种改进的OELM算法。首先初始化输入数据，并随机产生多组OELM隐藏层参数；然后对于随机生成的M组隐藏层参数利用HGPSO（混合智能遗传粒子群算法）算法进行寻优；最后将得到的一组最优的和作为OELM的隐藏层参数代入网络进行训练，从而增强网络的稳定性与算法的预测精度。

步骤三：训练结束，模型参数确定，将上步中所得到的最优的隐藏层参数带入OELM神经网络中，将超标排放车辆的轨迹数据输入该模型中，输出车辆的单步预测轨迹以及未来一分钟的轨迹预测。

传统的神经网络算法存在训练时间较长、容易陷入局部最优解、参数选择敏感等缺点，而极限学习机（ELM）神经网络具有训练速度快、泛化能力强等优点，故选择ELM神经网络做预测。由于传统的ELM存在小数据集泛化性能较差的问题，优化极限学习机（OELM）克服了该缺点，但由于受到输入权值和隐藏层节点阈值随机赋值的影响，在预测过程中往往无法达到最优结果。故采用混合智能遗传粒子群算法（HGPSO）动态寻优找出OELM模型最佳的参数组，针对模型建立的随机性进行改进，使它只需要较少的隐藏层神经元数目就能达到较好的预测性能，提高了网络的泛化性。

通过实验仿真，单步预测的精度达到了93.55%，验证了本发明的准确性；设置多个步长进行实验，验证了本发明的稳定性。另外，与传统的轨迹预测算法相比，本发明实时性提高了100倍以上。

本发明与现有技术相比存在的优点：

1、ELM神经网络在小样本数据集测试中泛化性能较低而OELM神经网络克服了该缺点，但是OELM的参数仍是随机赋值，因而可能存在一系列并非最佳的输入权值和隐藏层节点阈值，导致OELM预测精度受到影响。本发明提出基于混合智能遗传粒子群的算法来搜索OELM模型的最佳输入权值与隐藏层节点阈值，在较短的预测耗时下仍具有较高的预测精度。

2、传统的基于聚类的预测算法忽略了诸如聚类之间的轨迹，旨在于找到经常初始点至终点的位置预测忽略了两点之间的位置预测。本发明是一个基于时间序列的预测模型充分考虑了轨迹中所有位置点之间的关系并进行位置预测。另外，传统的序列模型（如HMM和LSTM）在长定位序列中可能表现不佳，提出的基于OELM神经网络的预测模型在长定位序列的时候，同样可以做出较好的预测。

附图说明

图1为本发明方法流程图。

具体实施方式

为使本发明实现的技术创新点易于理解，下面结合图1，对本发明的实现方式进一步详细叙述，具体步骤如下：

数据清洗，包括进行删除无效数据和重复数据。其中对无效数据的处理可以在每个GPS定位数据输入之前，先将跟踪匹配区域的经度和纬度范围作为条件添加到输入的判断条件，如果输入的GPS定位数据不符合该条件，那么删除该无效数据进行下一个数据的输入判断。重复数据对应着超标排放车辆的状态为驻车，定位数据超过一段时间不发生变化。

进行完数据清洗后，则将关于轨迹的数据输入至算法中，包括：

HGPSO算法实现步骤：

Step1.初始化算法中的相关参数，如惯性权重、学习因子、选择概率等。

Step2.初始化种群，根据初始搜索区间，随机初始化粒子位置和速度。

Step3.计算粒子的适应度函数，来确定最优粒子的个体极值和全局极值。

Step4.增加粒子迭代次数，并判别进化次数是偶数还是奇数，偶数代把粒子用遗传算子GA进行位置和速度更新，奇数代时用PSO算子进行粒子的速度和位置的更新。

Step5.根据粒子在搜索最优解过程中的聚集程度，如果粒子聚集程度超过阈值，就对一定数量的粒子采用变异处理。

Step6.再次判别适应度值，确定粒子的个体极值和全局极值。

Step7.判断迭代次数是否满足要求，不满足转向Step4。

Step8.输出最优粒子的全局最优位置和最优解。

HGPSO优化OELM神经网络是对初始权阈值的优化，分为以下几个步骤：

a：确定神经网络拓扑，随机产生初始值和偏置。得到初始种群2P。

b：对权值和偏置进行解码并赋给ELM神经网络，训练和测试误差，计算适应度。

c：根据适应度选择优秀的前P个个体，组成新的种群，为遗传算子和PSO位置更新作好准备。

d：将P个个体分别进行遗传操作和PSO位置、速度更新，并合并成种群2P。

e：若满足迭代次数要求，则结束操作；若不满足，则返回b。

总之，本发明针对车辆轨迹预测问题，提出了一种基于混合智能遗传粒子群的优化极限学习机算法。传统的神经网络算法存在训练时间较长、容易陷入局部最优解、参数选择敏感等缺点，而极限学习机（ELM）神经网络具有训练速度快、泛化能力强等优点，故选择ELM神经网络做预测。由于传统的ELM存在小数据集泛化性能较差的问题，优化极限学习机（OELM）克服了该缺点，但由于受到输入权值和隐藏层节点阈值随机赋值的影响，在预测过程中往往无法达到最优结果。故采用混合智能遗传粒子群算法（HGPSO）动态寻优找出OELM模型最佳的参数组，针对模型建立的随机性进行改进，使它只需要较少的隐藏层神经元数目就能达到较好的预测性能，提高了网络的泛化性。

提供以上实施例仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (1)

1.基于混合智能遗传粒子群的优化极限学习机轨迹预测方法，该方法具体包括以下步骤：

步骤一：数据清洗，包括删除无效数据和重复数据；

对无效数据的处理是在每个GPS定位数据输入之前，先将跟踪匹配区域的经度和纬度范围作为条件添加到输入的判断条件，如果输入的GPS定位数据不符合该条件，那么删除该无效数据进行下一个数据的输入判断；

重复数据对应着超标排放车辆的状态为驻车，定位数据超过一段时间不发生变化，则删除该重复数据；

步骤二：初始化输入清洗后的数据，并随机产生多组OELM隐藏层参数；然后对于随机生成的M组隐藏层参数利用混合智能遗传粒子群算法进行寻优；最后将得到的一组最优参数作为OELM的隐藏层参数代入网络进行训练，从而增强网络的稳定性与预测精度，采用训练后的网络进行车辆轨迹的预测，具体是：

混合智能遗传粒子群算法实现步骤：

Step1.初始化算法中的相关参数，包括惯性权重、学习因子、选择概率；

Step2.初始化种群，根据初始搜索区间，随机初始化粒子位置和速度；

Step3.计算粒子的适应度函数，来确定最优粒子的个体极值和全局极值；

Step4.增加粒子迭代次数，并判别进化次数是偶数还是奇数，偶数代时，粒子用遗传算子GA进行位置和速度更新，奇数代时用PSO算子进行粒子的速度和位置的更新；

Step5.根据粒子在搜索最优解过程中的聚集程度，如果粒子聚集程度超过阈值，就对一定数量的粒子采用变异处理；

Step6.再次判别适应度值，确定粒子的个体极值和全局极值；

Step7.判断迭代次数是否满足要求，不满足转向Step4；

Step8.输出最优粒子的全局最优位置和最优解；

另外混合智能遗传粒子群算法优化OELM神经网络是对初始权阈值的优化，分为以下几个步骤：

a：确定神经网络拓扑，随机产生初始值和偏置，得到初始种群2P；

b：对权值和偏置进行解码并赋给OELM 神经网络，训练和测试误差，计算适应度；

c：根据适应度选择优秀的前P个个体，组成新的种群，为遗传算子GA和PSO位置更新作好准备；

d：将P个个体分别进行遗传操作和PSO位置、速度更新，并合并成种群2P；

e：若满足迭代次数要求，则结束操作；若不满足，则返回b；

步骤三：训练结束，模型参数确定，将上步中所得到的最优的隐藏层参数带入OELM神经网络中，将超标排放车辆的轨迹数据输入该模型中，输出车辆的单步预测轨迹以及未来一分钟的轨迹预测。

Images