CN109816204A - 一种基于ga-svm的地铁运营安全态势预测方法 - Google Patents

Abstract

本发明公开了一种基于GA‑SVM的地铁运营安全态势预测方法，该方法能够根据地铁历史和当前相关运营安全态势信息精确预测未来的安全态势值，主要包括以下三个过程：数据预处理、利用GA算法对SVM参数进行优化，将优化得到的最优参数传递给SVM，和利用训练数据集训练得到预测模型，然后用此模型进行预测。地铁运营安全态势预测模型是一个多输入的复杂系统，传统的时间序列或回归法难以预测到精确的预测值，需要借助智能优化算法进行安全态势预测建模。

Description

一种基于GA-SVM的地铁运营安全态势预测方法

技术领域

本发明涉及一种基于GA-SVM的地铁运营安全态势预测方法，属于轨道交通运营安全领域。

背景技术

目前我国各城市地铁运营安全状况整体形势良好，但随着地铁运营的网络化发展，运营规模将急剧增加，客运量持续攀升，地铁运营安全形势将日益严峻。为实时掌握风险状态，需对地铁运营安全态势变化情况进行预测。

地铁运营安全态势感知是对城市轨道交通运行安全状况的宏观描述，通过城市轨道安全态势理解得到现在和过去的安全态势值，量化反映城市轨道交通运行安全状况，进一步预测其将来的安全态势值，并进行态势分级，帮助管理者了解城市轨道交通安全态势发展趋势，迅速做出反映提供决策支持。地铁运营安全态势预测是基于对环境信息的感知和理解，预测未来的发展趋势，是态势感知中最高层次的要求。

目前，涉及态势预测方面的专利集中在通信网络、电力网络等领域，关于轨道交通网络运营安全态势预测的相关专利很少。地铁运营安全态势值预测模型是一个多输入的复杂系统，传统的时间序列或回归法难以预测到精确的预测值，需要借助智能优化算法进行安全态势预测建模。

发明内容

为了克服现有技术的不足，本发明提供了一种基于GA-SVM的地铁运营安全态势预测方法。

为了达到上述目的，本发明采用以下技术方案：一种基于GA-SVM的地铁运营安全态势预测方法，包括如下步骤：

步骤1：数据预处理：对原始数据进行归一化，获得模型所需要的训练数据集和测试数据集；

步骤2：利用GA算法对SVM参数进行优化，将优化得到的最优参数传递给SVM；

步骤3：利用训练数据集训练得到预测模型，然后用此模型进行预测。

作为优选，所述步骤2包括：

步骤2-1：基于支持向量机建立SVM模型：将安全态势值定为所述SVM模型的输入向量，将标量化值定为所述SVM模型的输出向量；

步骤2-2：对所述SVM模型执行GA算法；

步骤2-3：求解SVM模型中参数的最优解。

作为优选，所述步骤2-1包括：

步骤2-1-1：设置所述SVM模型的输入量为安全态势值的时间序列x_i，设置所述SVM模型的输出向量为对应时间序列x_i的指标量化值的时间序列y_i，其中，i＝1，2，...，N，N＜M；

步骤2-1-2：将由所述时间序列x_i和所述时间序列y_i构成的时间序列集(x_i，y_i)采用非线性映射执行向高维空间的映射，并构造所述SVM模型的函数为其中，i＝1，2，...，N，x_i∈Rⁿ，y_i∈R，w为权向量，b为常数；

步骤2-1-3：引入不敏感损失误差ξ和惩罚因子C，建立所述SVM模型的目标函数为约束条件为其中，ξ≥0，C＞0，i＝1，2，...，N；

步骤2-1-4：确定所述SVM模型的核函数为径向基函数其中，σ＞0；

步骤2-1-5：建立所述SVM模型其中，α_i＝Cξ_i，为拉格朗日系数。

作为优选，所述步骤2-2包括：

步骤2-2-1：设定GA算法的参数，确定初始种群规模G、全局迭代次数、变异概率、交叉概率，确定不敏感损失误差ξ、惩罚因子C和核函数σ为GA算法的决策变量；

步骤2-2-2：令迭代次数为1，初始化所述SVM模型的参数，并对初始化后的所述SVM模型的参数进行二进制编码，基于混沌理论产生G组初始种群；

步骤2-2-3：采用下述循环步骤，确定不敏感损失误差ξ、惩罚因子C和核函数σ的最优解；步骤2-2-3(a)：根据适应度函数计算种群中各个体的适应度函数值；步骤2-2-3(b)：判断当前迭代次数是否达到全局迭代次数，若达到全局迭代次数，则输出最优个体结束步骤2-2-3；若未达到全局迭代次数，则把适应度函数值最高的最优个体保存下来，并记录适应度函数值最低的最差个体序号，令迭代次数加1，进行选择、交叉、变异遗传操作，并用保存的最优个体替换序号为所述最差个体序号的新个体，产生新的种群，返回步骤2-2-3(a)。

作为优选，所述步骤2-3包括：

步骤2-3-1：将求解得到的所述最优解作为所述模型的参数,将所述的安全态势值的时间序列x_p输入所述模型,得到对应于所述时间序列x_p的指标量化值的时间序列其中，p＝N+1,N+2,K,M；

步骤2-3-2：根据所述时间序列x_p和时间序列计算所述SVM模型的确定性系数DC：

步骤2-3-3：判断所述确定性系数是否大于预设系数值，若大于预设系数值，则本步骤，若不大于预设系数值，则返回步骤2-2-1。

作为优选，所述步骤2-2-2包括：

步骤2-2-2(a):随机选取3N个[0,1]范围值构成初始序列ε₀＝(ε_1,0，ε_2,0，K，ε_3N，0)，通过Logistic映射ε_n，j+1＝με_n,j(1-ε_n,j)，得到G各轨迹不同的混沌序列ε_j，其中ε_n,0为初始参数(选取的初始值不包括0，0.25，0.5，0.75和1这5个值)，ε_n,j∈(0,1)，μ∈(0,4)为控制参数，n＝1，2，...，3N-1，j＝1，2，...，G；

步骤2-2-2(b)：定义决策变量范围X_min，X_max，

其中，

X_min＝[ξ_1，min，ξ_2，min，K，ξ_N，min，C_1，min，C_2，min，K，C_N，min，σ_1，min，σ_2，min，K，σ_N，min]，

X_max＝[ξ_1，max，ξ_2，max，K，ξ_N，max，C_1，max，C_2，max，K，C_N，max，σ_1，max，σ_2，max，K，σ_N，max]；

步骤2-2-2(c)：将所述混沌序列按X_n,j＝X_n,min+(X_n,max-X_n,min)ε_n,j放大各决策变量的取值范围，得到G个代表SVM模型参数序列构成初始种群：

(X_1,1，X_1,2，K，X_1,3N)，(X_2,1，X_2,2，K，X_2,3N)，K，(X_G,1，X_G,2，K，X_G,3N)，

其中，X_n,j为第j个体的第n个决策变量值，X_n,max为第n个体的最大值，X_n,min为第n个体的最小值，j＝1，2，...，G，n＝1，2，...，3N。

作为优选，所述步骤2-2-3(b)包括：

选择操作采用轮盘选择，交叉操作的交叉算子采用单点，变异操作的变异概率选择自适应概率，其中，

交叉概率采用(1)公式进行计算：

变异概率采用(2)公式进行计算：

其中，f为当前个体的非支配等级，为选择的非支配等级，取f_mac为当前种群中个体非支配等级的最大值，P_c1为常数，P_m1为限制变异概率的最小值，k₁∈(0,1)，k₂∈(0,1)。

有益效果：与现有技术相比，本发明具有以下优点：支持向量机算法(SupportVector Machine，SVM)具有收敛速度快、绝对误差小、抗过拟合能力强、能准确预测安全态势的发展趋势等优点，但SVM参数对SVM的性能有着重要影响，参数选择问题是SVM的重要研究内容。遗传算法(Genetic Algorithm，GA)通用性强、高度并行、基本不限制寻优参数，可以得到最佳解，相比传统的优化算法遗传算法是由解的串集开始搜索，这样就使得覆盖面扩大，更容易达到全局最优。因此，提出一种基于遗传算法(GA)的SVM参数选择方法，利用GA优化SVM训练参数，得到优化的SVM预测模型，并对将来的安全态势进行准确预测。

地铁运营安全态势值预测模型是一个多输入的复杂系统，传统的时间序列或回归法难以预测到精确的预测值，本发明借助智能优化算法进行安全态势预测建模，提高安全态势预测值的精确性。

附图说明

图1为整体的流程示意图；

图2为GA优化的SVM的安全态势预测模型预测流程图；

图3为南京地铁2号线下马坊车站归一化处理之后的安全态势值示意图；

图4为训练集原始数据和回归预测数据对比示意图；

图5为测试集原始数据和回归预测数据对比示意图；

图6为使用训练所得相关系数用GA优化的SVM预测输出与实际结果的相关性示意图；

图7为使用测试所得相关系数用GA优化的SVM预测输出与实际结果的相关性示意图；

图8为测试集预测结果的误差图；

图9为测试集预测结果的相对误差示意图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1和图2所示，一种地铁运营安全态势预测方法，该方法基于GA-SVM，它包括以下三个过程：

(一)对数据进行预处理，即对原始数据进行归一化，获得模型所需要的训练数据集和测试数据集，包括以下步骤：

如图3所示，以南京地铁二号线下马坊车站为例，将指标量化值和安全态势值作为原始数据集，输入为安全态势值，指标量化值为输出数据。共有305组原始数据(M＝305)，其中前240组数据作为训练数据(N＝240)，后65组数据作为测试数据。首先对安全态势值数据进行归一化。

由于均方误差数值较小，难以直观地给出安全态势值实际输出与GA优化的SVM安全态势预测模型预测输出直接的差别及对其相关性进行线性回归分析。因此，本发明采用相关系数R来进一步衡量GA优化的SVM安全态势预测模型预测的安全态势值与实际安全态势值的曲线拟合情况及相关性进行线性回归分析：

式中，为测试样本的平均值，为模型输出值的平均值。R值越接近1，表示模型预测精度越高，越接近实际系统。

(二)利用GA算法对SVM参数进行优化，将优化得到的最优参数传递给SVM包括以下步骤：

(1)建立SVM模型，步骤具体包括：

步骤1：设置所述SVM模型的输入量为安全态势值的时间序列x_i，设置所述SVM模型的输出向量为对应时间序列x_i的指标量化值的时间序列y_i，其中，i＝1，2，...，N；

步骤2：将由所述时间序列x_i和所述时间序列y_i构成的时间序列集(x_i，y_i)采用非线性映射执行向高维空间的映射，并构造所述SVM模型的函数为其中，i＝1，2，...，N，x_i∈Rⁿ，y_i∈R，w为权向量，b为常数；

步骤3：引入不敏感损失误差ξ和惩罚因子C，建立所述SVM模型的目标函数为约束条件为其中，ξ≥0，C＞0，i＝1，2，...，N；

步骤4：确定所述SVM模型的核函数为径向基函数

其中，σ＞0；

步骤5：建立所述SVM模型其中，α_i＝Cξ_i，为拉格朗日系数。

(2)对所述SVM模型执行GA算法，求解所述SVM模型中参数的最优解，包括以下步骤：

步骤6：设定GA算法的参数为：初始种群规模40(G＝40)、全局迭代次数40(MAXGEN＝40)、变异概率0.01(P_c1＝0.01)、交叉概率0.9(P_m1＝0.9)，确定不敏感损失误差ξ、惩罚因子C和核函数σ为GA算法的决策变量；

步骤7：令迭代次数为1(GEN＝1)，初始化所述SVM模型的参数，并对初始化后的所述SVM模型的参数进行二进制编码，基于混沌理论产生40组初始种群；

步骤8：随机选取3N个[0,1]范围值构成初始序列ε₀＝(ε_1,0，ε_2,0，K，ε_3N，0)，通过Logistic映射ε_n，j+1＝με_n,j(1-ε_n,j)，得到40个轨迹不同的混沌序列ε_j，其中ε_n,0为初始参数(选取的初始值不包括0，0.25，0.5，0.75和1这5个值)，ε_n,j∈(0,1)，μ∈(0,4)为控制参数，n＝1，2，...，3N-1，j＝1，2，...，G；

步骤9：定义决策变量范围X_min，X_max：

X_min＝[ξ_1，min，ξ_2，min，K，ξ_N，min，C_1，min，C_2，min，K，C_N，min，σ_1，min，σ_2，min，K，σ_N，min]，

X_max＝[ξ_1，max，ξ_2，max，K，ξ_N，max，C_1，max，C_2，max，K，C_N，max，σ_1，max，σ_2，max，K，σ_N，max]；

步骤10：将所述混沌序列按X_n,j＝X_n,min+(X_n,max-X_n,min)ε_n,j放大各决策变量的取值范围，得到G个代表SVM模型参数序列构成初始种群：

(X_1,1，X_1,2，K，X_1,3N)，(X_2,1，X_2,2，K，X_2,3N)，K，(X_G,1，X_G,2，K，X_G,3N)

其中，X_n,j为第j个体的第n个决策变量值，X_n,max为第n个体的最大值，X_n,min为第n个体的最小值，j＝1，2，...，G，n＝1，2，...，3N；

步骤11：将种群送入SVM模型进行训练，并根据适应度函数计算种群中各个体的适应度函数值，所述适应度函数为 为以所述时间序列集(x_i，y_i)中第i组数据作为所述SVM模型的输入量计算得到的计算机模拟值，为所述时间序列集(x_i，y_i)中y_i的平均值；

步骤12：判断当前迭代次数GEN是否达到全局迭代次数MANGEN，若达到，则输出最优个体，得到最优参数C、σ和ξ，并进行步骤D；若未达到，则把适应度函数值最高的最优个体保存下来，并记录适应度函数值最低的最差个体序号，令GEN＝GEN+1，进行选择、交叉、变异遗传操作，并用保存的最优个体替换序号为所述最差个体序号的新个体，产生新的种群，返回步骤11；

在步骤12中，选择操作采用轮盘选择，交叉操作的交叉算子采用单点，变异操作的变异概率选择自适应概率，其中，

交叉概率采用(1)公式进行计算：

变异概率采用(2)公式进行计算：

其中，f为当前个体的非支配等级，为选择的非支配等级，一般可取f_mac为当前种群中个体非支配等级的最大值，k₁∈(0,1)，k₂∈(0,1)；

(3)求解所述SVM模型中参数的最优解，包括以下步骤：

步骤13：将求解得到的所述最优解作为所述模型的参数，将所述安全态势值工作日天数的时间序列x_p输入所述模型,得到对应于所述时间序列x_p的指标量化值的时间序列其中，p＝N+1,N+2,K,M；

步骤14：根据所述时间序列x_p和时间序列计算所述SVM模型的确定性系数DC：

步骤15：判断所述确定性系数是否大于预设系数值(取DC＞0.75)，若大于，则结束求解所述SVM模型中的参数的最优解的步骤，若不大于，则返回步骤6。

通过训练得到最佳的参数C、σ、ξ，见表1。

表1最佳参数

(三)利用训练数据集训练得到预测模型，并用此模型进行预测，预测结果如表2：

表2训练和测试数据结果对比

图4和图5给出了训练和测试所得到的安全态势预测值输出和实际安全态势值之间的比较，可见GA优化的SVM安全态势预测模型安全态势预测值输出与实际值间的符合程度较好，无论是在训练数据还是在测试数据上均能够基本拟合实际安全态势值。

图6和图7给出了训练和测试所得到的安全态势预测值输出与实际安全态势值的相关性分析曲线，训练相关系数R为0.933856，测试相关系数R为0.928785，可见该模型预测安全态势值输出与实际安全态势值的曲线拟合程度较高。

图8和图9给出了测试集预测结果的误差和相对误差，由图可知预测结果的误差≤0.2、相对误差≤0.7，说明模型的预测精度较高。

由图4到图9分析可得，基于GA优化的SVM的安全态势预测模型能够很好地对南京地铁2号线下马坊站的安全态势值进行预测，预测的安全态势值输出与实际安全态势值的曲线拟合程度较高，预测结果的误差≤0.2，预测精度较高，能够较精确地预测车站将来的安全态势，能够满足现场应用的要求，具有一定的实际价值。

支持向量机算法(Support Vector Machine，SVM)具有收敛速度快、绝对误差小、抗过拟合能力强、能准确预测安全态势的发展趋势等优点，但SVM参数对SVM的性能有着重要影响，参数选择问题是SVM的重要研究内容。遗传算法(Genetic Algorithm，GA)通用性强、高度并行、基本不限制寻优参数，可以得到最佳解，相比传统的优化算法遗传算法是由解的串集开始搜索，这样就使得覆盖面扩大，更容易达到全局最优。因此，提出一种基于遗传算法(GA)的SVM参数选择方法，利用GA优化SVM训练参数，得到优化的SVM预测模型，并对将来的安全态势进行准确预测。

地铁运营安全态势值预测模型是一个多输入的复杂系统，传统的时间序列或回归法难以预测到精确的预测值，本发明借助智能优化算法进行安全态势预测建模，提高安全态势预测值的精确性。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种基于GA-SVM的地铁运营安全态势预测方法，其特征在于：包括如下步骤：

步骤1：数据预处理：对原始数据进行归一化，获得模型所需要的训练数据集和测试数据集；

步骤2：利用GA算法对SVM参数进行优化，将优化得到的最优参数传递给SVM；

步骤3：利用训练数据集训练得到预测模型，然后用此模型进行预测。

2.根据权利要求1所述的基于GA-SVM的地铁运营安全态势预测方法，其特征在于：所述步骤2包括：

步骤2-1：基于支持向量机建立SVM模型：将安全态势值定为所述SVM模型的输入向量，将标量化值定为所述SVM模型的输出向量；

步骤2-2：对所述SVM模型执行GA算法；

步骤2-3：求解SVM模型中参数的最优解。

3.根据权利要求2所述的基于GA-SVM的地铁运营安全态势预测方法，其特征在于：所述步骤2-1包括：

步骤2-1-1：设置所述SVM模型的输入量为安全态势值的时间序列x_i，设置所述SVM模型的输出向量为对应时间序列x_i的指标量化值的时间序列y_i，其中，i＝1，2，...，N，N＜M；

步骤2-1-2：将由所述时间序列x_i和所述时间序列y_i构成的时间序列集(x_i，y_i)采用非线性映射执行向高维空间的映射，并构造所述SVM模型的函数为其中，i＝1，2，...，N，x_i∈Rⁿ，y_i∈R，w为权向量，b为常数；

步骤2-1-3：引入不敏感损失误差ξ和惩罚因子C，建立所述SVM模型的目标函数为约束条件为其中，ξ≥0，C＞0，i＝1，2，...，N；

步骤2-1-4：确定所述SVM模型的核函数为径向基函数其中，σ＞0；

步骤2-1-5：建立所述SVM模型其中，α_i＝Cξ_i，为拉格朗日系数。

4.根据权利要求2所述的基于GA-SVM的地铁运营安全态势预测方法，其特征在于：所述步骤2-2包括：

步骤2-2-1：设定GA算法的参数，确定初始种群规模G、全局迭代次数、变异概率、交叉概率，确定不敏感损失误差ξ、惩罚因子C和核函数σ为GA算法的决策变量；

步骤2-2-2：令迭代次数为1，初始化所述SVM模型的参数，并对初始化后的所述SVM模型的参数进行二进制编码，基于混沌理论产生G组初始种群；

步骤2-2-3：采用下述循环步骤，确定不敏感损失误差ξ、惩罚因子C和核函数σ的最优解；

步骤2-2-3(a)：根据适应度函数计算种群中各个体的适应度函数值；

步骤2-2-3(b)：判断当前迭代次数是否达到全局迭代次数，若达到全局迭代次数，则输出最优个体结束步骤2-2-3，若未达到全局迭代次数，则把适应度函数值最高的最优个体保存下来，并记录适应度函数值最低的最差个体序号，令迭代次数加1，进行选择、交叉、变异遗传操作，并用保存的最优个体替换序号为所述最差个体序号的新个体，产生新的种群，返回步骤2-2-3(a)。

5.根据权利要求4所述的基于GA-SVM的地铁运营安全态势预测方法，其特征在于：所述步骤2-3包括：

步骤2-3-1：将求解得到的所述最优解作为所述模型的参数,将所述的安全态势值的时间序列x_p输入所述模型,得到对应于所述时间序列x_p的指标量化值的时间序列其中，p＝N+1,N+2,K,M；

步骤2-3-2：根据所述时间序列x_p和时间序列计算所述SVM模型的确定性系数DC：

步骤2-3-3：判断所述确定性系数是否大于预设系数值，若大于预设系数值，则本步骤，若不大于预设系数值，则返回步骤2-2-1。

6.根据权利要求4所述的基于GA-SVM的地铁运营安全态势预测方法，其特征在于：所述步骤2-2-2包括：

步骤2-2-2(a):随机选取3N个[0,1]范围值构成初始序列ε₀＝(ε_1,0，ε_2,0，K，ε_3N，0)，通过Logistic映射ε_n，j+1＝με_n,j(1-ε_n,j)，得到G各轨迹不同的混沌序列ε_j，其中ε_n,0为初始参数(选取的初始值不包括0，0.25，0.5，0.75和1这5个值)，ε_n,j∈(0,1)，μ∈(0,4)为控制参数，n＝1，2，...，3N-1，j＝1，2，...，G；

步骤2-2-2(b)：定义决策变量范围X_min，X_max，

其中，

X_min＝[ξ_1，min，ξ_2，min，K，ξ_N，min，C_1，min，C_2，min，K，C_N，min，σ_1，min，σ_2，min，K，σ_N，min]，

X_max＝[ξ_1，max，ξ_2，max，K，ξ_N，max，C_1，max，C_2，max，K，C_N，max，σ_1，max，σ_2，max，K，σ_N，max]；

步骤2-2-2(c)：将所述混沌序列按X_n,j＝X_n,min+(X_n,max-X_n,min)ε_n,j放大各决策变量的取值范围，得到G个代表SVM模型参数序列构成初始种群：

(X_1,1，X_1,2，K，X_1,3N)，(X_2,1，X_2,2，K，X_2,3N)，K，(X_G,1，X_G,2，K，X_G,3N)，

其中，X_n,j为第j个体的第n个决策变量值，X_n,max为第n个体的最大值，X_n,min为第n个体的最小值，j＝1，2，...，G，n＝1，2，...，3N。

7.根据权利要求4所述的基于GA-SVM的地铁运营安全态势预测方法，其特征在于：所述步骤2-2-3(b)包括：

选择操作采用轮盘选择，交叉操作的交叉算子采用单点，变异操作的变异概率选择自适应概率，其中，

交叉概率采用(1)公式进行计算：

变异概率采用(2)公式进行计算：

其中，f为当前个体的非支配等级，为选择的非支配等级，取f_mac为当前种群中个体非支配等级的最大值，P_c1为常数，P_m1为限制变异概率的最小值，k₁∈(0,1)，k₂∈(0,1)。