CN110378526A - 基于gw及svr的汽车站移动流量预测方法、系统及存储介质 - Google Patents

Abstract

本发明公开了一种基于GW及SVR的汽车站移动流量预测方法、系统及存储介质。本发明把SVR用于长途汽车站移动流量预测，通过灰狼优化算法寻优SVR的最优参数，以此省去繁琐的SVR的人工参数择优过程，实现长途汽车站移动流量的准确预测。(1)本发明将SVR算法用于长途汽车站移动网络流量预测，实现汽车站移动流量的准确预测，为节假日人流量大的汽车站的网络安全和用于体验提供保证。(2)本发明将先进的元启发式优化算法用于优化SVR的最优参数，本发明所选用GW优化算法不仅继承了元启发优化算法的优点外，而且还具有搜索能力强、不易陷入局部最优的优点，省去SVR算法的复杂人工参数择优过程。

Description

基于GW及SVR的汽车站移动流量预测方法、系统及存储介质

技术领域

本发明涉及大场景移动互联网流量预测领域，尤其涉及一种基于GW及SVR的汽车站移动流量预测方法、系统及存储介质。

背景技术

随着移动互联网技术的发展和智能手机的全面普及，移动互联网数据流量呈现爆发式增长。电信网络运营商已从传统的“话费运营”模式转变为“流量运营”模式，推出的“不限量”套餐，也更进一步的推动流量的增长。急增的移动流量和用户规模给现行网络的压力带来极大的挑战，同时也严重影响用户体验。准确的预测移动网络的总流量，提前做好保障工作，能有效的保证网络安全、稳定的运行。由于移动流量和用户数呈现显著的正相关，对于人员高密集、大流动的长途汽车站，准确的预测移动网络的总流量，不仅能为移动网络安全稳定运营提供有力的保障，而且可以根据流量数预估未来一段时间乘客量，给汽车站工作人员的服务工作做好提前准备工作。因此，准确的预测汽车站移动网络流量在安全领域具有重大意义。

支持向量回归(Support Vector Regression,SVR)是机器学习领域先进的回归算法，在解决小样本、非线性、高维度预测问题中有着十分显著的优点，如专利CN201910101733.7把SVR用于的pm2.5浓度的预测，专利CN201810785606.9将SVR用于解决高速公路短时流量预测问题等；但还未有将SVR用于解决人员高密集、大流动的长途汽车站移动流量预测问题。本发明提出一种基于灰狼(Grey Wolf,GW)优化的SVR长途汽车站日移动流量预测方法，把先进的元启发优化算法GW用于搜索预测算法SVR的最优参数，并将其用于汽车站移动流量预测。相比于上述所提发明专利，本发明的预测方法不仅省去SVR繁琐的人工参数择优的过程，而且能准确的预测长途汽车站每日移动流量。

发明内容

本发明的主要目的是提出一种基于GW及SVR的汽车站移动流量预测方法、系统及存储介质，旨在解决现有技术中繁琐的人工参数择优的过程以及不能实现简单、准确的预测长途汽车站日移动流量的问题。

为实现上述目的，本发明提出一种基于GW及SVR的汽车站移动流量预测方法，把SVR用于长途汽车站移动流量预测，通过灰狼优化算法寻优SVR的最优参数，以此省去繁琐的SVR的人工参数择优过程，实现长途汽车站移动流量的准确预测。

进一步地，具体包括以下步骤：

S1、以24小时为粒度获取长途汽车站的每日移动流量数据，把获取的序列化的汽车站的流量数据映射到特定区间，并将其转换成等长的SVR的输入数据和对应的输出；

S2、基于SVR算法构建汽车站移动网的流量预测模型，计算模型预测误差；

S3、把预处理好的汽车站的历史流量数据分别作为构建的SVR预测模型的输入和输出，然后构建GW优化模型去搜索SVR准确预测移动流量的最优参数c和g；

S4、将GW优化模型搜索到的最优参数带入SVR预测模型，用于计算汽车站每天的移动流量数据，为节假日汽车站移动网络和人员出行提供保障。

进一步地，所述步骤S1中的数据映射方法如下：

其中x′为处理后的流量数据，x为实际流量数据，x_max和x_min分别为输入流量数据的最大值和最小值。

优选地，对于给定序列流量x₁,x₂,…,x_n，处理后的输入和输出数据的格式如下：

进一步地，所述步骤S2具体计算步骤如下：

对于非线性线回归函数待拟合数据为{x_i,y_i}，误差精度为ε，其优化目标为：

根据结构风险最小化准则，引入松弛因子ξ_i和后，优化目标等效为：

参数c的取值为C，采用优化方法可得到其对偶问题，即二次规划问题，建立Lagrange方程，偏导数为零，解得约束条件为：

从而得到：

由于非线性函数未知，而特征空间的维数很高(甚至无穷)，因此w难以求得；更近一步，在约束函数中引入核函数(kernel Function)：

其中，参数g的取值为引入核函数后，约束条件为：

最终可得：

优选的，所述步骤S3中的GW优化模型的实现过程如下：

S31:计算种群每个个体的适应度(SVR的误差)，将狼群中适应度最好的三匹灰狼依次标记为α、β、γ，而剩下的灰狼标记为η，即，灰狼群体中的社会等级从高到低排列依次为：α、β、γ及η；

S32：设t为当前迭代次数，A和C是协同系数向量；X_p表示猎物的位置向量；X(t)表示当前灰狼的位置向量：

D＝C*X_p(t)-X(t)

X(t+1)＝X_p(t)-A*D

A＝2a*r₁-a

C＝2r₂ (10)

S33：在每次迭代过程中，保留当前种群中的最好三只灰狼，然后根据它们的位置信息来更新其它搜索(包括η)的位置，如下：

其中，X_α、X_β和X_γ分别是当前种群中α、β和γ的位置向量；X是灰狼的位置向量；D_α、D_β和D_γ分是当前候选灰狼与最优三条狼之间的距离。

进一步地，所述步骤S31中的GW优化算法的适应度函数如下：

其中f(x)为实际值，为SVR预测结果。

此外，为实现上述目的，本发明一种存储介质，所述存储介质上存储有基于GW及SVR的汽车站移动流量预测程序，所述基于GW及SVR的汽车站移动流量预测程序被处理器执行时实现上文所述的基于GW及SVR的汽车站移动流量预测方法的计算流程。

此外，为实现上述目的，本发明还提出一种基于GW及SVR的汽车站移动流量预测系统，其特征在于，该系统包括：

流量获取及处理模块：以24小时为粒度获取长途汽车站的每日移动流量数据，把获取的序列化的汽车站的流量数据映射到特定区间，并将其转换成等长的SVR的输入数据和对应的输出；

初步SVR流量预测模块：基于SVR算法构建汽车站移动网的流量预测模型，计算模型预测误差；

GW优化流量预测模块：把预处理好的汽车站的历史流量数据分别作为构建的SVR预测模型的输入和输出，然后构建GW优化模型去搜索SVR准确预测移动流量的最优参数c和g；

在线预测模块：将GW优化模型搜索到的最优参数带入SVR预测模型，用于计算汽车站每天的移动流量数据，为节假日汽车站移动网络和人员出行提供保障。

本发明的技术方案中，具有以下有益效果：(1)本发明将SVR算法用于长途汽车站移动网络流量预测，实现汽车站移动流量的准确预测，为节假日人流量大的汽车站的网络安全和用于体验提供保证。(2)本发明将先进的元启发式优化算法用于优化SVR的最优参数，本发明所选用GW优化算法不仅继承了元启发优化算法的优点外，而且还具有搜索能力强、不易陷入局部最优的优点，省去SVR算法的复杂人工参数择优过程。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1是实施例1中的基于GW及SVR的汽车站移动流量预测方法的实现流程图；

图2是2019年4月24日—6月11日淮南某汽车站预处理后移动流量数据；

图3是GW寻优SVR的最优参数g的变化曲线；

图4是GW寻优SVR的最优参数c的变化曲线；

图5是最优参数下SVR的预测结果和实际结果对比图；

图6是实施例3中的基于GW及SVR的汽车站移动流量预测系统结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，全文中出现的“和/或”的含义，包括三个并列的方案，以“A和/或B”为例，包括A方案、或B方案、或A和B同时满足的方案。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

本发明提出一种基于GW及SVR的汽车站移动流量预测方法、系统及存储介质，旨在解决现有技术中繁琐的人工参数择优的过程以及不能实现简单、准确的预测长途汽车站日移动流量的问题。

实施例1

为实现上述目的，本实施例提出一种基于GW及SVR的汽车站移动流量预测方法，把SVR用于长途汽车站移动流量预测，通过灰狼优化算法寻优SVR的最优参数，以此省去繁琐的SVR的人工参数择优过程，实现长途汽车站移动流量的准确预测。

需要说明的是，本发明将SVR算法用于长途汽车站移动网络流量预测，实现汽车站移动流量的准确预测，为节假日人流量大的汽车站的网络安全和用于体验提供保证。

在具体实现中，本发明将先进的元启发式优化算法用于优化SVR的最优参数，本发明所选用GW优化算法不仅继承了元启发优化算法的优点外，而且还具有搜索能力强、不易陷入局部最优的优点，省去SVR算法的复杂人工参数择优过程。

进一步地，参见图1：具体包括以下步骤：

S1、以24小时为粒度获取长途汽车站的每日移动流量数据，把获取的序列化的汽车站的流量数据映射到特定区间，并将其转换成等长的SVR的输入数据和对应的输出；

所述步骤S1中的数据映射方法如下：

其中x′为处理后的流量数据，x为实际流量数据，x_max和x_min分别为输入流量数据的最大值和最小值。

对于给定序列流量x₁,x₂,…,x_n，处理后的输入和输出数据的格式如下：

S2、基于SVR算法构建汽车站移动网的流量预测模型，计算模型预测误差；所述步骤S2具体计算步骤如下：

对于非线性线回归函数待拟合数据为{x_i,y_i}，误差精度为ε，其优化目标为：

根据结构风险最小化准则，引入松弛因子ξ_i和后，优化目标等效为：

参数c的取值为C，采用优化方法可得到其对偶问题，即二次规划问题，建立Lagrange方程，偏导数为零，解得约束条件为：

从而得到：

由于非线性函数未知，而特征空间的维数很高(甚至无穷)，因此w难以求得；更近一步，在约束函数中引入核函数(kernel Function)：

其中，参数g的取值为引入核函数后，约束条件为：

最终可得：

S3、把预处理好的汽车站的历史流量数据分别作为构建的SVR预测模型的输入和输出，然后构建GW优化模型去搜索SVR准确预测移动流量的最优参数c和g；

所述步骤S3中的GW优化模型的实现过程如下：

S31:根据公式(4)计算种群每个个体的适应度(SVR的误差)，将狼群中适应度最好的三匹灰狼依次标记为α、β、γ，而剩下的灰狼标记为η，即，灰狼群体中的社会等级从高到低排列依次为：α、β、γ及η；所述步骤S31中的GW优化算法的适应度函数如下：

其中f(x)为实际值，为SVR预测结果。

S32：设t为当前迭代次数，A和C是协同系数向量；X_p表示猎物的位置向量；X(t)表示当前灰狼的位置向量：

D＝C*X_p(t)-X(t)

X(t+1)＝X_p(t)-A*D

A＝2a*r₁-a

C＝2r₂ (10)

S33：在每次迭代过程中，保留当前种群中的最好三只灰狼，然后根据它们的位置信息来更新其它搜索(包括η)的位置，如下：

其中，X_α、X_β和X_γ分别是当前种群中α、β和γ的位置向量；X是灰狼的位置向量；D_α、D_β和D_γ分别是当前候选灰狼与最优三条狼之间的距离。

S4、将GW优化模型搜索到的最优参数带入SVR预测模型，用于计算汽车站每天的移动流量数据，为节假日汽车站移动网络和人员出行提供保障。

需要说明的是，本发明把先进的元启发优化算法GW用于搜索预测算法SVR的最优参数，并将其用于汽车站移动流量预测。

应理解的是，本发明将元启发优化式灰狼优化算法用于SVR预测算法的参数优化，省去SVR繁琐的人工参数择优的过程，并实现了长途汽车站的移动流量的准确预测，其实现过程简单。

在具体实现中，本发明能能准确的预测长途汽车站每日移动流量，下面以实际案例仿真说明实施方案的有效性。

首先获取移动网络流量数据，实验数据是淮南某汽车站2019年4月24日—6月11日共计49日的每天流量数据(其中包含五一假期和端午节)，将其归一化，结果如图2所示。

将获取的汽车站移动网络流量数据处理等长序列的输入序列以及其对应的输出序列，其中序列的长度为7，即公式2中的d的取值为7。

SVR算法的核函数k(x_i,x_j)选用高斯核函数为：

k(x_i,x_j)＝exp(-||x_i-x_j||²/2σ²)

GW优化算法的初始参数设置如下表：

参数	值
		最大迭代次数	50
灰狼数	10
		c的取值范围	[0.01 100]
g的取值范围	[0.01 100]

GW优化算法优化SVR过程中，参数g和参数c的变化曲线分别如图3和图4所示。

GW优化算法拥有较强的参数搜索能力，且不易陷入局部最优，在灰狼数为10的情况下，不到50次的迭代就已搜索到SVR的最优参数c和g的取值。其中最优参数c和g的取值分别为57.79和1.148。

将GW搜索到的最优参数带入SVR预测算法，预测结果和实际值的对比如图5所示。从图5中可知，把GW优化获取的最优参数用于SVR预测汽车站每日移动网络总流量的误差较小。

综上可得，本发明将GW优化SVR的最优参数，并将最优参数用于汽车站每日移动流量的预测，不仅省去繁琐的人工参数择优过程，而且能较准确的预测汽车站移动流量。

实施例2

此外，为实现上述目的，本实施例一种存储介质，所述存储介质上存储有基于GW及SVR的汽车站移动流量预测程序，所述基于GW及SVR的汽车站移动流量预测程序被处理器执行时实现上文所述的基于GW及SVR的汽车站移动流量预测方法的计算流程。

实施例3

此外，为实现上述目的，参见图6：本实施例还提出一种基于GW及SVR的汽车站移动流量预测系统，该系统包括：

流量获取及处理模块：以24小时为粒度获取长途汽车站的每日移动流量数据，把获取的序列化的汽车站的流量数据映射到特定区间，并将其转换成等长的SVR的输入数据和对应的输出；

初步SVR流量预测模块：基于SVR算法构建汽车站移动网的流量预测模型，计算模型预测误差；

GW优化流量预测模块：把预处理好的汽车站的历史流量数据分别作为构建的SVR预测模型的输入和输出，然后构建GW优化模型去搜索SVR准确预测移动流量的最优参数c和g；

在线预测模块：将GW优化模型搜索到的最优参数带入SVR预测模型，用于计算汽车站每天的移动流量数据，为节假日汽车站移动网络和人员出行提供保障。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种基于GW及SVR的汽车站移动流量预测方法，其特征在于，把SVR用于长途汽车站移动流量预测，通过灰狼优化算法寻优SVR的最优参数，以此省去繁琐的SVR的人工参数择优过程，实现长途汽车站移动流量的准确预测。

2.根据权利要求1所述的基于GW及SVR的汽车站移动流量预测方法，其特征在于，具体包括以下步骤：

S1、以24小时为粒度获取长途汽车站的每日移动流量数据，把获取的序列化的汽车站的流量数据映射到特定区间，并将其转换成等长的SVR的输入数据和对应的输出；

S2、基于SVR算法构建汽车站移动网的流量预测模型，计算模型预测误差；

S3、把预处理好的汽车站的历史流量数据分别作为构建的SVR预测模型的输入和输出，然后构建GW优化模型去搜索SVR准确预测移动流量的最优参数c和g；

S4、将GW优化模型搜索到的最优参数带入SVR预测模型，用于计算汽车站每天的移动流量数据，为节假日汽车站移动网络和人员出行提供保障。

3.根据权利要求2所述的基于GW及SVR的汽车站移动流量预测方法，其特征在于，所述步骤S1中的数据映射方法如下：

其中x′为处理后的流量数据，x为实际流量数据，x_max和x_min分别为输入流量数据的最大值和最小值。

4.根据权利要求3所述的基于GW及SVR的汽车站移动流量预测方法，其特征在于，对于给定序列流量x₁,x₂,…,x_n，处理后的输入和输出数据的格式如下：

5.根据权利要求2所述的基于GW及SVR的汽车站移动流量预测方法，其特征在于，所述步骤S2具体计算步骤如下：

对于非线性线回归函数待拟合数据为{x_i,y_i}，误差精度为ε，其优化目标为：

根据结构风险最小化准则，引入松弛因子ξ_i和后，优化目标等效为：

参数c的取值为C，采用优化方法可得到其对偶问题，即二次规划问题，建立Lagrange方程，偏导数为零，解得约束条件为：

从而得到：

由于非线性函数未知，而特征空间的维数很高(甚至无穷)，因此w难以求得；更近一步，在约束函数中引入核函数(kernelFunction)：

其中，参数g的取值为引入核函数后，约束条件为：

最终可得：

6.根据权利要求2所述的基于GW及SVR的汽车站移动流量预测方法，其特征在于，所述步骤S3中的GW优化模型的实现过程如下：

S31:计算种群每个个体的适应度(SVR的误差)，将狼群中适应度最好的三匹灰狼依次标记为α、β、γ，而剩下的灰狼标记为η，即，灰狼群体中的社会等级从高到低排列依次为：α、β、γ及η；

S32：设t为当前迭代次数，A和C是协同系数向量；X_p表示猎物的位置向量；X(t)表示当前灰狼的位置向量：

D＝C*X_p(t)-X(t)

X(t+1)＝X_p(t)-A*D

A＝2a*r₁-a

C＝2r₂ (10)

S33：在每次迭代过程中，保留当前种群中的最好三只灰狼，然后根据它们的位置信息来更新其它搜索(包括η)的位置，如下：

其中，X_α、X_β和X_γ分别是当前种群中α、β和γ的位置向量；X是灰狼的位置向量；D_α、D_β和D_γ分别是当前候选灰狼与最优三条狼之间的距离。

7.根据权利要求6所述的基于GW及SVR的汽车站移动流量预测方法，其特征在于，所述步骤S31中的GW优化算法的适应度函数如下：

其中f(x)为实际值，为SVR预测结果。

8.一种存储介质，其特征在于，所述存储介质上存储有基于GW及SVR的汽车站移动流量预测程序，所述基于GW及SVR的汽车站移动流量预测程序被处理器执行时实现如权利要求2至7任一项所述的基于GW及SVR的汽车站移动流量预测方法的计算流程。

9.一种基于GW及SVR的汽车站移动流量预测系统，其特征在于，该系统包括：

流量获取及处理模块：以24小时为粒度获取长途汽车站的每日移动流量数据，把获取的序列化的汽车站的流量数据映射到特定区间，并将其转换成等长的SVR的输入数据和对应的输出；

初步SVR流量预测模块：基于SVR算法构建汽车站移动网的流量预测模型，计算模型预测误差；

GW优化流量预测模块：把预处理好的汽车站的历史流量数据分别作为构建的SVR预测模型的输入和输出，然后构建GW优化模型去搜索SVR准确预测移动流量的最优参数c和g；

在线预测模块：将GW优化模型搜索到的最优参数带入SVR预测模型，用于计算汽车站每天的移动流量数据，为节假日汽车站移动网络和人员出行提供保障。