CN109949577A - 一种道路交通流量预测方法 - Google Patents

Abstract

本发明公开了一种道路交通流量预测方法，该方法包括以下步骤：(1)道路交通流量收集；(2)数据处理和清洗；(3)混沌初始化种群粒子待优化参数；(4)优化后的参数用于LSVVM样本训练；(5)达到精度要求输出预测结果。本发明采用改进的粒子群算法优化最小二乘支持向量机的道路交通流量预测方法通过混沌的遍历性与变权组合模型极大地提高了粒子的全局最优性能，使得支持向量机模型参数相对最优化，从而让预测模型的精度和速度都有一定程度的提高，且模型对新数据的泛化预测误差更低，提高了泛化性能。

Description

一种道路交通流量预测方法

技术领域

本发明涉及一种道路交通流量预测方法，属于道路交通流量预测技术领域。

背景技术

当前，针对短时交通流量预测的方法有很多，前人已经做了很多卓有成效的工作：用果蝇算法优化最小二乘支持向量机进行了流量预测，但是果蝇算法容易陷入“早熟”和收敛精度不高的怪圈；用运用改进了的BP神经网络对一街道进行短时交通流量进行预测，BP神经网络在系统中附加动量，以此来避免系统“滑过”局部解，从而避免系统震荡，但还是没有解决可能陷入局部最优的问题；基于非参回归和支持向量机回归的混合模型，利用K近邻搜索机制，重构与当前交通流量时间序列相似的状态，支持向量机参数和K 参数采用网格划分法，不易找到全局最优解或者满意解；有运用小波神经网络模型对道路交通流量进行预测分析，融合了神经网络非线性能力强与小波局部分析的特点，利用小波函数动态频率和窗口将信号在频域和时域进行分解，但其泛化能力不高。

发明内容

本发明要解决的技术问题是：提供一种道路交通流量预测方法，以解决上述现有技术中存在的问题。

本发明采取的技术方案为：一种道路交通流量预测方法，该方法包括以下步骤：

(1)模型的建立：假设时间t时刻待预测路口横断面交通流量为v(t)，嵌入维数为m，时间间隔为τ，则有集合x(i)＝{v(t-τ)}，v(t-2*τ)…… v(t-(m-1)*τ)}，样本{x(i)，v(t)}为一个训练样本，任务是，通过模型找出历史状态序列数据的特征，预测未来一段时间的路口交通流量；

(2)预测模型的建立：对于输入x(i)，找出依赖关系f(x)，根据交通流量预测最小二乘支持向量机理论的公式，如下；

其中x是影响交通流量的因素，x_i是输入的第i个样本，K(x,x_i)是核函数， b为常数项，最小二乘支持向量机和支持向量机一样，引入经验风险与结构化风险，引入惩罚因子C和RBF函数的基宽度参数δ，由于对于这两个参数的选取模型具有敏感性，影响模型的精度和收敛速度，笔者通过改进了的粒子群算法来优化这两个参数：①粒子群算法的初始位置与初始速度一般采用伪随机函数(服从0-1均匀分布)产生，实际发现，粒子的丰富度并不高，于是我们引入混沌的概念，利用混沌系统的遍历性和伪随机性来初始化种群；②粒子群算法的局部收敛和全局收敛常数往往也采用固定值的方法，发现种群有“早熟”的现象，于是笔者采用变权组合模型，调整局部与整体的关系，实际发现，效果良好；

(3)初始化阶段：随机初始化种群利用混沌系统，采用不同的初始值来产生混沌序列，初始值不为0，作为初始粒子群的位置和速度矢量；

x_n+1＝sin(x_n/2)(-1≤x_n≤1)

其中，x_n是初始迭代值，在这里表征粒子的初始位置速度值，x_n+1是迭代后的值；

随着迭代次数线性递增和线性递减的方式来控制粒子的全局收敛和局部收敛状态；

c₁＝-0.5*i/maxgen+1.5

c₂＝0.5*i/maxgen+1.3

其中，c₁为全局收敛控制因子，c₂为局部收敛控制因子，i为迭代次数，maxgen 为最大迭代次数；

以测试集真实值和测试集预测值的差的平方和作为适应度值的计算：

其中y_i是测试集真实值，y_i(x_i)是模型预测值，f(i)是第i个粒子的适应度值；

(4)预测阶段：将样本分为预测集和训练集，通过如下粒子群算法进行训练:

n个粒子构成了粒子群，每个粒子都由速度矢量和位置矢量构成，设第i 个粒子的速度矢量和位置矢量分别是v_i＝(v_i1,v_i2..v_id),p_i＝(p_i1,p_i2..p_id)，在整个迭代过程中，设粒子i自身最好的位置z_i＝(p_i1,p_i2..p_id)，整个粒子群群体最优的位置为g_i＝(p_g1,p_g2..p_gd)，式中k代表迭代次数，ω代表权重因子，c₁,c₂代表了粒子学习率；找出最小二乘支持向量机的最优参数C^*和δ^*，然后用带有最优参数 C^*和δ^*的最小二乘支持向量机预测交通流量。

本发明的有益效果：与现有技术相比，本发明采用改进的粒子群算法优化最小二乘支持向量机的道路交通流量预测方法通过混沌的遍历性与变权组合模型极大地提高了粒子的全局最优性能，使得支持向量机模型参数相对最优化，从而让预测模型的精度和速度都有一定程度的提高，且模型对新数据的泛化预测误差更低，提高了泛化性能。

附图说明

图1是本发明的算法流程图；

图2是优化前测试集的预测值图；

图3是优化后的测试集的预测值图。

具体实施方式

下面结合附图及具体的实施例对本发明进行进一步介绍。

实施例1：如图1-3所示，一种道路交通流量预测方法，该方法包括以下步骤：

(1)模型的建立：假设时间t时刻待预测路口横断面交通流量为v(t)，嵌入维数为m，时间间隔为τ，则有集合x(i)＝{v(t-τ)}，v(t-2*τ)…… v(t-(m-1)*τ)}，样本{x(i)，v(t)}为一个训练样本，任务是，通过模型找出历史状态序列数据的特征，预测未来一段时间的路口交通流量；

(2)预测模型的建立：回归分析主要解决的是，对于输入x(i)，找出依赖关系f(x)，根据交通流量预测最小二乘支持向量机理论的公式，如下；

其中x是影响交通流量的因素，x_i是输入的第i个样本，K(x,x_i)是核函数， b为常数项，最小二乘支持向量机和支持向量机一样，引入经验风险与结构化风险，引入惩罚因子C和RBF函数的基宽度参数δ，由于对于这两个参数的选取模型具有敏感性，影响模型的精度和收敛速度，笔者通过改进了的粒子群算法来优化这两个参数：①粒子群算法的初始位置与初始速度一般采用伪随机函数(服从0-1均匀分布)产生，实际发现，粒子的丰富度并不高，于是我们引入混沌的概念，利用混沌系统的遍历性和伪随机性来初始化种群；②粒子群算法的局部收敛和全局收敛常数往往也采用固定值的方法，发现种群有“早熟”的现象，于是笔者采用变权组合模型，调整局部与整体的关系，实际发现，效果良好；

(3)初始化阶段：随机初始化种群利用混沌系统，采用不同的初始值来产生混沌序列，初始值不为0，作为初始粒子群的位置和速度矢量；

x_n+1＝sin(x_n/2)(-1≤x_n≤1)

其中，x_n是初始迭代值，在这里表征粒子的初始位置速度值，x_n+1是迭代后的值；

随着迭代次数线性递增和线性递减的方式来控制粒子的全局收敛和局部收敛状态；

c₁＝-0.5*i/maxgen+1.5

c₂＝0.5*i/maxgen+1.3

其中，c₁为全局收敛控制因子，c₂为局部收敛控制因子，i为迭代次数，maxgen 为最大迭代次数；

以测试集真实值和测试集预测值的差的平方和作为适应度值的计算：

其中y_i是测试集真实值，y_i(x_i)是模型预测值，f(i)是第i个粒子的适应度值；

(4)预测阶段：将样本分为预测集和训练集，通过如下粒子群算法进行训练:

n个粒子构成了粒子群，每个粒子都由速度矢量和位置矢量构成，设第i 个粒子的速度矢量和位置矢量分别是v_i＝(v_i1,v_i2..v_id),p_i＝(p_i1,p_i2..p_id)，在整个迭代过程中，设粒子i自身最好的位置z_i＝(p_i1,p_i2..p_id)，整个粒子群群体最优的位置为g_i＝(p_g1,p_g2..p_gd)，式中k代表迭代次数，ω代表权重因子，c₁,c₂代表了粒子学习率；找出最小二乘支持向量机的最优参数C^*和δ^*，然后用带有最优参数 C^*和δ^*的最小二乘支持向量机预测交通流量。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (1)

1.一种道路交通流量预测方法，其特征在于：该方法包括以下步骤：

(1)模型的建立：假设时间t时刻待预测路口横断面交通流量为v(t)，嵌入维数为m，时间间隔为τ，则有集合x(i)＝{v(t-τ)}，v(t-2*τ)……v(t-(m-1)*τ)}，样本{x(i)，v(t)}为一个训练样本，任务是，通过模型找出历史状态序列数据的特征，预测未来一段时间的路口交通流量；

(2)预测模型的建立：对于输入x(i)，找出依赖关系f(x)，根据交通流量预测最小二乘支持向量机理论的公式，如下；

其中x是影响交通流量的因素，x_i是输入的第i个样本，K(x,x_i)是核函数，b为常数项，最小二乘支持向量机和支持向量机一样，引入经验风险与结构化风险，引入惩罚因子C和RBF函数的基宽度参数δ，对这两个参数的选取通过改进了的粒子群算法来优化获得；

(3)初始化阶段：随机初始化种群利用混沌系统，采用不同的初始值来产生混沌序列，初始值不为0，作为初始粒子群的位置和速度矢量；

x_n+1＝sin(x_n/2)(-1≤x_n≤1)

其中，x_n是初始迭代值，在这里表征粒子的初始位置速度值，x_n+1是迭代后的值；

随着迭代次数线性递增和线性递减的方式来控制粒子的全局收敛和局部收敛状态；

c₁＝-0.5*i/maxgen+1.5

c₂＝0.5*i/maxgen+1.3

其中，c₁为全局收敛控制因子，c₂为局部收敛控制因子，i为迭代次数，maxgen为最大迭代次数；

以测试集真实值和测试集预测值的差的平方和作为适应度值的计算：

其中y_i是测试集真实值，y_i(x_i)是模型预测值，f(i)是第i个粒子的适应度值；

(4)预测阶段：将样本分为预测集和训练集，通过如下粒子群算法进行训练:

n个粒子构成了粒子群，每个粒子都由速度矢量和位置矢量构成，设第i个粒子的速度矢量和位置矢量分别是v_i＝(v_i1,v_i2..v_id),p_i＝(p_i1,p_i2..p_id)，在整个迭代过程中，设粒子i自身最好的位置z_i＝(p_i1,p_i2..p_id)，整个粒子群群体最优的位置为g_i＝(p_g1,p_g2..p_gd)，式中k代表迭代次数，ω代表权重因子，c₁,c₂代表了粒子学习率；找出最小二乘支持向量机的最优参数C^*和δ^*，然后用带有最优参数C^*和δ^*的最小二乘支持向量机预测交通流量。