CN110390419A - 基于pso-lssvm模型的高速公路收费站流量预测方法 - Google Patents
基于pso-lssvm模型的高速公路收费站流量预测方法 Download PDFInfo
- Publication number
- CN110390419A CN110390419A CN201910419664.4A CN201910419664A CN110390419A CN 110390419 A CN110390419 A CN 110390419A CN 201910419664 A CN201910419664 A CN 201910419664A CN 110390419 A CN110390419 A CN 110390419A
- Authority
- CN
- China
- Prior art keywords
- model
- pso
- value
- lssvm
- lssvm model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000002123 temporal effect Effects 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 241001269238 Data Species 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013277 forecasting method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于PSO‑LSSVM模型的高速公路收费站流量预测方法,首先对收费站流量时间序列进行提取,求得两两时间序列间的皮尔逊相关系数,在保证收费站流量具有时间相关性后,通过大量历史数据训练LSSVM模型,并在此基础上利用PSO算法优化LSSVM模型中核函数参数,该方法避免了传统线性预测算法逻辑简单,实验条件过于理想,预测误差较大的不足,利用核函数将数据映射到高维空间进行回归,考虑了数据间的非线性关系;其次,通过PSO算法优化最小二乘支持向量回归LSSVM模型,通过选取最优核函数参数使得预测效果达到最优,算法可消除传统LSSVM模型中核函数参数随机选择或人为设置对目标收费站流量预测结果的影响,稳定性好、预测精度高。
Description
技术领域
本发明涉及交通数据处理及预测技术领域,特别涉及一种基于PSO-LSSVM模型的高速公路收费站流量预测方法。
背景技术
高速公路作为现代交通不可或缺的一环,是经济发展的必然产物,在交通领域有着极其重要的作用。而高速公路收费站作为封闭道路特定的出入口,使得多种类型的交通流在此汇集,因而收费站的流量预测对于交通出行者、交通管理者、交通决策者具有重要的意义。收费站流量预测对于交通出行者而言,可以合理制定出行路线与出行时间,有效规避拥堵,提高出行效率;收费站流量预测对于交通管理者而言,可以对上下游的车辆进行合理管制,保证路段车辆少于一定值,有效减少拥堵,提高群众出行满意度;收费站流量预测对于交通决策者而言,可以作为道路整修与扩建,收费站通道个数与收费站人员安排的重要依据,辅助科学制定决策。
准确地预测高速公路收费站流量,掌握高速公路收费站间流量关系,有利于交管部门和营运部门合力管控。对于高速公路交管部门而言,可以在拥堵收费站上游进行限流、交通管制,保证主线上车辆数低于饱和,有效避免拥堵;对于高速公路营运部门而言,可以通过高速公路下道流量预测结果进行收费站开关车道数及收费员排班等资源合理配置,低峰期避免资源浪费,高峰期可提前做好应对措施,启动应急预案。同时,对于交通出行者而言,也能够为出行者提供有效的路径诱导服务。因此如何选用合适的模型刻画收费站流量关系,预测收费站的流量,具有十分重要的意义。
针对传统线性预测方法计算复杂度低、满足不了复杂交通系统以及非线性方法计算复杂度高的不足,因此,本发明提供了一种高速公路收费站交通流量预测方法,首先在利用LSSVM模型进行预测时,对其流量进行时间相关性分析,计算皮尔逊相关系数以证明收费站流量的时间相关性;其次,通过PSO算法对LSSVM模型中核函数的参数进行寻优,从而得到最优的核函数参数,算法可消除传统LSSVM模型中核函数参数随机选择或人为设置对目标收费站流量预测结果的影响,稳定性好、预测精度高。
发明内容
有鉴于此,为了解决现有技术中存在的不足,本发明的目的在于提供一种高速公路收费站交通流量预测方法,可适用于高速公路主线收费站及匝道收费站下道交通流量的预测。
第一方面,本发明的基于PSO-LSSVM模型的高速公路收费站流量预测方法,包括以下步骤:
步骤S1:以τ为时间窗提取目标收费站历史上道/下道流量每天的时间序列 [Q(t-m),Q(t-m-1),…,Q(t),…,Q(t+n-1),Q(t+n)],其中,Q(t-m),Q(t-m-1),Q(t), Q(t+n-1),Q(t+n)为时间序列中t-m,t-m-1,t,t+n-1,t+n时段的收费站上道/下道流量历史数据;
步骤S2:对时间序列进行时间相关性分析,计算两两时间序列间的皮尔逊相关系数ρX,Y;
步骤S3:计算提取得到的时间序列内数值的总数S,将其一部分作为训练集对后续模型进行训练,剩下的部分作为测试集对模型的预测精度进行检验;
步骤S4:建立LSSVM模型,以处理好的时间序列作为特征输入LSSVM模型进行训练,训练好的LSSVM模型可用于收费站上道/下道流量预测;
步骤S5:用PSO算法优化LSSVM模型;
步骤S6:PSO寻优得到最优参数;
步骤S7:利用最优参数重新训练LSSVM模型;
步骤S8:利用测试集数据对训练好的LSSVM模型预测效果进行检验,计算预测结果与真实值之间的误差,若符合预定标准,将训练好的LSSVM模型用于收费站流量的预测,若不符合预定标准,重复步骤S5。
特别地,所述步骤S2中,计算公式如下:
以上四个公式是等价的,其中E为时间序列的数学期望,cov为协方差,N为时间序列里变量取值的个数。
特别地,所述步骤S3中,将其70%作为训练集对后续模型进行训练,30%作为测试集对模型的预测精度进行检验。
特别地,所述步骤S4中,包括以下具体步骤,首先设计LSSVM优化问题为:
s.t yi=Φ(xi)ω+b+ξi(i=1,2,…,n)
式中:c为惩罚因子;ξi为误差变量,Φ(xi)为一个用非线性映射Φ(·)把样本映射到的高维空间,ω为权重,b为偏置项。
引入Lagrange乘子αi(i=1,2,…,n),得:
根据优化条件,
消去变量ω、ξi,得:
式中,Ω为m×m非负定矩阵,第t行第s列元素为Ωts=Φ(xt)Φ(xs),t,s=1,2,…,m;α=[α1,α2,…,αm]T。
特别地,步骤S51:初始化一群微粒(群体规模为N),包括随机位置和速度,设置PSO算法的初始参数,规定参数的取值范围,规定PSO算法的终止条件(通常为足够好的适应度或达到一个预设最大迭代数(Gmax);
步骤S52:计算微粒的适应度;
选用均方误差作为适应度函数,计算公式如下:
MSE=∑(Tf-Te)2/N
其中,MSE为均方误差,Tf表示实际值,Te表示模型预测值,N并表示实际值和预测值对数。
步骤S53:对每个微粒,将其适应度与其经过的最好位置个体极值pbest作比较,如果其适应度较好,则将其作为当前的最好位置个体极值pbest;
步骤S54:对每个微粒,将其适应度与其经过的最好位置全局最优解gbest作比较,如果其适应度较好,则将其作为当前的最好位置全局最优解gbest;
步骤S55:对粒子进行速度更新,个体更新,更新的公式如下:
vi=vi+c1×rand(0,1)×(pbesti-xi)+c2×rand(0,1)×(gbesti-xi)
xi=xi+vi
其中,i=1,2,…,N,N为微粒的总数,vi为微粒的速度,xi为微粒的当前位置, rand(0,1)为介于(0,1)之间的随机数,c1,c2为学习因子或加速常数,通常取值为2, pbest为个体极值,gbest为全局最优解;
步骤S56:计算更新后的适应度,重复步骤S52;
步骤S57:判断是否满足PSO算法终止条件,若不满足,重复步骤S53,若满足,进行步骤S6。
特别地,所述步骤S8中,误差的计算公式如下:
MAE=∑|Tf-Te|/N
其中,MAE为平均绝对误差,MAPE为平均绝对百分比误差,RMSE为均方根误差,Tf表示实际值,Te表示模型预测值,N并表示实际值和预测值对数。
第二方面,本发明还公开了一种电子设备,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如前所述的方法。
第三方面,本发明还公开了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如前所述的方法。
本发明的有益效果在于:
本发明的方法首先避免了传统线性预测算法逻辑简单,实验条件过于理想,预测误差较大的不足,利用核函数将数据映射到高维空间进行回归,考虑了数据间的非线性关系;其次,通过PSO算法优化最小二乘支持向量回归LSSVM模型,通过选取最优核函数参数使得预测效果达到最优,算法可消除传统LSSVM模型中核函数参数随机选择或人为设置对目标收费站流量预测结果的影响,稳定性好、预测精度高。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1示出了本发明的流程示意图;
图2示出了步骤1中多天的重庆市某收费站上道流量时间序列示意图;
图3示出了步骤1中多天的重庆市某收费站下道流量时间序列示意图;
图4示出了步骤5中利用粒子群优化算法PSO进行优化的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
如图1所示,本实施例的一种高速公路收费站下道交通流量预测方法,包括如下步骤:
步骤S1:以τ为时间窗提取目标收费站历史上道/下道流量每天的时间序列 [Q(t-m),Q(t-m-1),...,Q(t),...,Q(t+n-1),Q(t+n)],参见图2、图3;
步骤S2:对时间序列进行时间相关性分析,计算两两时间序列间的皮尔逊相关系数ρX,Y,计算公式如下:
以上四个公式是等价的,其中E为时间序列的数学期望,cov为协方差,N为时间序列里变量取值的个数。
相关系数ρX,Y的绝对值越大,两个变量X和Y之间的相关性就越强,相关系数越接近于1或-1,相关度就越强,反之,相关系数越接近于0,相关度越弱。对图2、图3的收费站上/下道流量时间序列的相关系数计算结果如下表1、下表2所示。
表1 重庆市某收费站上道流量时间序列的皮尔逊相关系数ρX,Y
表2 重庆市某收费站下道流量时间序列的皮尔逊相关系数ρX,Y
步骤S3:计算提取得到的时间序列内数值的总数S,将其一部分作为训练集对后续模型进行训练,剩下的部分作为测试集对模型的预测精度进行检验。
本实施例中,将其70%作为训练集对后续模型进行训练,30%作为测试集对模型的预测精度进行检验。
步骤S4:建立LSSVM模型,以处理好的时间序列作为特征输入LSSVM模型进行训练,训练好的LSSVM模型可用于收费站上道/下道流量预测。
LSSVM优化问题为:
s.t yi=Φ(xi)ω+b+ξi(i=1,2,…,n)
式中:c为惩罚因子;ξi为误差变量,Φ(xi)为一个用非线性映射Φ(·)把样本映射到的高维空间,ω为权重,b为偏置项。
引入Lagrange乘子αi(i=1,2,…,n),得:
根据优化条件,
消去变量ω、ξi,得:
式中,Ω为m×m非负定矩阵,第t行第s列元素为Ωts=Φ(xt)Φ(xs),t,s=1,2,…,m;α=[α1,α2,…,αm]T。
步骤S5:用PSO算法优化LSSVM模型,PSO算法的优化过程如图4所示。具体而言,包括以下子步骤:
步骤51:初始化一群微粒(群体规模为N),包括随机位置和速度,设置PSO算法的初始参数,规定参数的取值范围,规定PSO算法的终止条件(通常为足够好的适应度或达到一个预设最大迭代数(Gmax);
步骤52:计算微粒的适应度;
选用均方误差(Mean Squared Error,MSE)作为适应度函数,计算公式如下:
MSE=∑(Tf-Te)2/N
其中,MSE为均方误差,Tf表示实际值,Te表示模型预测值,N并表示实际值和预测值对数。
步骤53:对每个微粒,将其适应度与其经过的最好位置个体极值pbest作比较,如果其适应度较好,则将其作为当前的最好位置个体极值pbest;
步骤54:对每个微粒,将其适应度与其经过的最好位置全局最优解gbest作比较,如果其适应度较好,则将其作为当前的最好位置全局最优解gbest;
步骤55:对粒子进行速度更新,个体更新,更新的公式如下:
vi=vi+c1×rand(0,1)×(pbesti-xi)+c2×rand(0,1)×(gbesti-xi)
xi=xi+vi
其中,i=1,2,…,N,N为微粒的总数,vi为微粒的速度,xi为微粒的当前位置, rand(0,1)为介于(0,1)之间的随机数,c1,c2为学习因子或加速常数,通常取值为2, pbest为个体极值,gbest为全局最优解;
步骤56:计算更新后的适应度,重复步骤S52;
步骤57:判断是否满足PSO算法终止条件,若不满足,重复步骤S53,若满足,进行步骤S6;
步骤S6:PSO寻优得到最优参数;
步骤S7:利用最优参数重新训练LSSVM模型;
步骤S8:利用测试集数据对训练好的LSSVM模型预测效果进行检验,计算预测结果与真实值之间的误差,若符合预定标准,训练好的LSSVM模型可进行收费站流量的预测,若不符合预定标准,重复步骤5。误差的计算公式如下:
MAE=∑|Tf-Te|/N
其中,MAE为平均绝对误差,MAPE为平均绝对百分比误差,RMSE为均方根误差,Tf表示实际值,Te表示模型预测值,N并表示实际值和预测值对数。
本发明涉及的一种高速公路收费站交通流量预测方法,首先对收费站流量时间序列进行提取,求得两两时间序列间的皮尔逊相关系数,在保证收费站流量具有时间相关性后,通过大量历史数据训练LSSVM模型,并在此基础上利用PSO算法优化LSSVM模型中核函数参数,该方法计算稳定性好、预测精度高。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的基于大数据日志分析的网站入侵检测方法和技术编程时,本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (8)
1.基于PSO-LSSVM模型的高速公路收费站流量预测方法,其特征在于:所述方法包括以下步骤:
步骤S1:以τ为时间窗提取目标收费站历史上道/下道流量每天的时间序列[Q(t-m),Q(t-m-1),...,Q(t),...,Q(t+n-1),Q(t+n)];
其中,Q(t-m),Q(t-m-1),Q(t),Q(t+n-1),Q(t+n)为时间序列中t-m,t-m-1,t,t+n-1,t+n时段的收费站上道/下道流量历史数据。
步骤S2:对时间序列进行时间相关性分析,计算两两时间序列间的皮尔逊相关系数ρX,Y;
步骤S3:计算提取得到的时间序列内数值的总数S,将其一部分作为训练集对后续模型进行训练,剩下的部分作为测试集对模型的预测精度进行检验;
步骤S4:建立LSSVM模型,以处理好的时间序列作为特征输入LSSVM模型进行训练,训练好的LSSVM模型可用于收费站上道/下道流量预测;
步骤S5:用PSO算法优化LSSVM模型;
步骤S6:PSO寻优得到最优参数;
步骤S7:利用最优参数重新训练LSSVM模型;
步骤S8:利用测试集数据对训练好的LSSVM模型预测效果进行检验,计算预测结果与真实值之间的误差,若符合预定标准,将训练好的LSSVM模型用于收费站流量的预测,若不符合预定标准,重复步骤S5。
2.根据权利要求1所述的基于PSO-LSSVM模型的高速公路收费站流量预测方法,其特征在于:所述步骤S2中,计算公式如下:
以上四个公式是等价的,其中E为时间序列的数学期望,cov为协方差,N为时间序列里变量取值的个数。
3.根据权利要求1所述的基于PSO-LSSVM模型的高速公路收费站流量预测方法,其特征在于:所述步骤S3中,将其70%作为训练集对后续模型进行训练,30%作为测试集对模型的预测精度进行检验。
4.根据权利要求1所述的基于PSO-LSSVM模型的高速公路收费站流量预测方法,其特征在于:所述步骤S4中,包括以下具体步骤,首先设计LSSVM优化问题为:
s.t yi=Φ(xi)ω+b+ξi(i=1,2,…,n)
式中:c为惩罚因子;ξi为误差变量,Φ(xi)为一个用非线性映射Φ(·)把样本映射到的高维空间,ω为权重,b为偏置项。
引入Lagrange乘子αi(i=1,2,…,n),得:
根据优化条件,
消去变量ω、ξi,得:
式中,Ω为m×m非负定矩阵,第t行第s列元素为Ωts=Φ(xt)Φ(xs),t,s=1,2,…,m;α=[α1,α2,…,αm]T。
5.根据权利要求1所述的基于PSO-LSSVM模型的高速公路收费站流量预测方法,其特征在于:所述步骤S5还包括以下具体步骤:
步骤S51:初始化一群微粒(群体规模为N),包括随机位置和速度,设置PSO算法的初始参数,规定参数的取值范围,规定PSO算法的终止条件(通常为足够好的适应度或达到一个预设最大迭代数(Gmax);
步骤S52:计算微粒的适应度;
选用均方误差作为适应度函数,计算公式如下:
MSE=∑(Tf-Te)2/N
其中,MSE为均方误差,Tf表示实际值,Te表示模型预测值,N并表示实际值和预测值对数。
步骤S53:对每个微粒,将其适应度与其经过的最好位置个体极值pbest作比较,如果其适应度较好,则将其作为当前的最好位置个体极值pbest;
步骤S54:对每个微粒,将其适应度与其经过的最好位置全局最优解gbest作比较,如果其适应度较好,则将其作为当前的最好位置全局最优解gbest;
步骤S55:对粒子进行速度更新,个体更新,更新的公式如下:
vi=vi+c1×rand(0,1)×(pbesti-xi)+c2×rand(0,1)×(gbesti-xi)
xi=xi+vi
其中,i=1,2,…,N,N为微粒的总数,vi为微粒的速度,xi为微粒的当前位置,rand(0,1)为介于(0,1)之间的随机数,c1,c2为学习因子或加速常数,通常取值为2,pbest为个体极值,gbest为全局最优解;
步骤S56:计算更新后的适应度,重复步骤S52;
步骤S57:判断是否满足PSO算法终止条件,若不满足,重复步骤S53,若满足,进行步骤S6。
6.根据权利要求1所述的基于PSO-LSSVM模型的高速公路收费站流量预测方法,其特征在于:所述步骤S8中,误差的计算公式如下:
MAE=∑|Tf-Te|/N
其中,MAE为平均绝对误差,MAPE为平均绝对百分比误差,RMSE为均方根误差,Tf表示实际值,Te表示模型预测值,N并表示实际值和预测值对数。
7.一种电子设备,其特征在于,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1-6任一项所述的方法。
8.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419664.4A CN110390419A (zh) | 2019-05-20 | 2019-05-20 | 基于pso-lssvm模型的高速公路收费站流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419664.4A CN110390419A (zh) | 2019-05-20 | 2019-05-20 | 基于pso-lssvm模型的高速公路收费站流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110390419A true CN110390419A (zh) | 2019-10-29 |
Family
ID=68285333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910419664.4A Pending CN110390419A (zh) | 2019-05-20 | 2019-05-20 | 基于pso-lssvm模型的高速公路收费站流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390419A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111148118A (zh) * | 2019-12-18 | 2020-05-12 | 福建省南鸿通讯科技有限公司 | 基于时间序列的流量预测和载波关断方法和系统 |
CN111785018A (zh) * | 2020-06-18 | 2020-10-16 | 重庆大学 | 一种基于门控循环单元的收费站下道流量预测方法 |
CN113065279A (zh) * | 2021-03-15 | 2021-07-02 | 中国石油大学(北京) | 预测总有机碳含量的方法、装置、设备及存储介质 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003296870A (ja) * | 2002-03-29 | 2003-10-17 | Fujitsu Fip Corp | 交通流予測と事例推論を利用した交通渋滞の防止・解消方法 |
CN103020434A (zh) * | 2012-11-30 | 2013-04-03 | 南京航空航天大学 | 一种基于粒子群优化的最小二乘支持向量机组合预测方法 |
US20130148513A1 (en) * | 2011-12-08 | 2013-06-13 | Telefonaktiebolaget Lm | Creating packet traffic clustering models for profiling packet flows |
CN104240520A (zh) * | 2014-09-24 | 2014-12-24 | 四川省交通科学研究所 | 一种基于gso优化的高速公路流量预测方法 |
CN104599501A (zh) * | 2015-01-26 | 2015-05-06 | 大连理工大学 | 一种混合人工鱼群算法优化支持向量回归的交通流预测方法 |
CN104992008A (zh) * | 2015-06-24 | 2015-10-21 | 上海大学 | 基于Hilbert空间多核函数相乘的风速预测方法 |
WO2016096226A1 (en) * | 2014-12-18 | 2016-06-23 | Be-Mobile Nv | A traffic data fusion system and the related method for providing a traffic state for a network of roads |
CN106443259A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司电力科学研究院 | 基于欧式聚类和spo‑svm的变压器故障诊断新方法 |
CN106682682A (zh) * | 2016-10-20 | 2017-05-17 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN106971548A (zh) * | 2017-05-18 | 2017-07-21 | 福州大学 | 可优化的自适应多核支持向量机的短时交通流预测方法 |
EP3223227A1 (en) * | 2016-03-22 | 2017-09-27 | Zharko Asenov | System and method for predicting financial and / or market data |
CN107331164A (zh) * | 2017-07-25 | 2017-11-07 | 中南大学 | 一种高速公路收费站入口车辆数的预测方法 |
CN108564789A (zh) * | 2018-06-11 | 2018-09-21 | 重庆大学 | 基于收费站数据的高速公路匝道上下行方向流量估计方法 |
CN108597227A (zh) * | 2018-05-29 | 2018-09-28 | 重庆大学 | 高速公路收费站下道交通流量预测方法 |
CN108922183A (zh) * | 2018-07-17 | 2018-11-30 | 重庆大学 | 一种时空关联度与svr结合的高速公路短时流量预测方法 |
US20190025813A1 (en) * | 2016-05-09 | 2019-01-24 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for intelligent collection and analysis of vehicle data |
CN109272157A (zh) * | 2018-09-12 | 2019-01-25 | 中交信息技术国家工程实验室有限公司 | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 |
CN109657882A (zh) * | 2019-01-23 | 2019-04-19 | 华南理工大学 | 基于vmd-pso-lssvm的短期电力负荷预测模型建立方法 |
CN109711755A (zh) * | 2019-01-23 | 2019-05-03 | 华南理工大学 | 基于emd-vmd-pso-lssvm的短期电力负荷预测模型建立方法 |
-
2019
- 2019-05-20 CN CN201910419664.4A patent/CN110390419A/zh active Pending
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003296870A (ja) * | 2002-03-29 | 2003-10-17 | Fujitsu Fip Corp | 交通流予測と事例推論を利用した交通渋滞の防止・解消方法 |
US20130148513A1 (en) * | 2011-12-08 | 2013-06-13 | Telefonaktiebolaget Lm | Creating packet traffic clustering models for profiling packet flows |
CN103020434A (zh) * | 2012-11-30 | 2013-04-03 | 南京航空航天大学 | 一种基于粒子群优化的最小二乘支持向量机组合预测方法 |
CN104240520A (zh) * | 2014-09-24 | 2014-12-24 | 四川省交通科学研究所 | 一种基于gso优化的高速公路流量预测方法 |
WO2016096226A1 (en) * | 2014-12-18 | 2016-06-23 | Be-Mobile Nv | A traffic data fusion system and the related method for providing a traffic state for a network of roads |
CN104599501A (zh) * | 2015-01-26 | 2015-05-06 | 大连理工大学 | 一种混合人工鱼群算法优化支持向量回归的交通流预测方法 |
CN104992008A (zh) * | 2015-06-24 | 2015-10-21 | 上海大学 | 基于Hilbert空间多核函数相乘的风速预测方法 |
EP3223227A1 (en) * | 2016-03-22 | 2017-09-27 | Zharko Asenov | System and method for predicting financial and / or market data |
US20190025813A1 (en) * | 2016-05-09 | 2019-01-24 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for intelligent collection and analysis of vehicle data |
CN106443259A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司电力科学研究院 | 基于欧式聚类和spo‑svm的变压器故障诊断新方法 |
CN106682682A (zh) * | 2016-10-20 | 2017-05-17 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN106971548A (zh) * | 2017-05-18 | 2017-07-21 | 福州大学 | 可优化的自适应多核支持向量机的短时交通流预测方法 |
CN107331164A (zh) * | 2017-07-25 | 2017-11-07 | 中南大学 | 一种高速公路收费站入口车辆数的预测方法 |
CN108597227A (zh) * | 2018-05-29 | 2018-09-28 | 重庆大学 | 高速公路收费站下道交通流量预测方法 |
CN108564789A (zh) * | 2018-06-11 | 2018-09-21 | 重庆大学 | 基于收费站数据的高速公路匝道上下行方向流量估计方法 |
CN108922183A (zh) * | 2018-07-17 | 2018-11-30 | 重庆大学 | 一种时空关联度与svr结合的高速公路短时流量预测方法 |
CN109272157A (zh) * | 2018-09-12 | 2019-01-25 | 中交信息技术国家工程实验室有限公司 | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 |
CN109657882A (zh) * | 2019-01-23 | 2019-04-19 | 华南理工大学 | 基于vmd-pso-lssvm的短期电力负荷预测模型建立方法 |
CN109711755A (zh) * | 2019-01-23 | 2019-05-03 | 华南理工大学 | 基于emd-vmd-pso-lssvm的短期电力负荷预测模型建立方法 |
Non-Patent Citations (9)
Title |
---|
CHUAN LUO等: "Short-Term Traffic Flow Prediction Based on Least Square Support Vector Machine with Hybrid Optimization Algorithm", 《NEURAL PROCESSING LETTERS》 * |
QICHUN BING等: "Short-Term Traffic Flow Forecasting Method Based on LSSVM Model Optimized by GA-PSO Hybrid Algorithm", 《DISCRETE DYNAMICS IN NATURE AND SOCIETY》 * |
唐毅等: "改进时间序列模型在高速公路短时交通流量预测中的应用", 《计算机应用研究》 * |
商强等: "基于奇异谱分析和CKF-LSSVM的短时交通流量预测", 《吉林大学学报(工学版)》 * |
晏雨婵等: "采用MPSO优化SVR的短时交通流预测方法", 《计算机技术与发展》 * |
李玲玲: "基于支持向量机的高速公路交通量预测研究", 《中国优秀硕士学位论文全文数据库 (经济与管理科学辑)》 * |
王喜宾: "基于优化支持向量机的个性化推荐研究", 《中国博士学位论文全文数据库信息科技辑》 * |
肖智等: "PSO-SVM在高速公路交通量预测中的应用", 《管理评论》 * |
青天福等: "《概率论与数理统计 1 课程教学执行计划》", 31 March 2013 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111148118A (zh) * | 2019-12-18 | 2020-05-12 | 福建省南鸿通讯科技有限公司 | 基于时间序列的流量预测和载波关断方法和系统 |
CN111148118B (zh) * | 2019-12-18 | 2023-03-14 | 福建省南鸿通讯科技有限公司 | 基于时间序列的流量预测和载波关断方法和系统 |
CN111785018A (zh) * | 2020-06-18 | 2020-10-16 | 重庆大学 | 一种基于门控循环单元的收费站下道流量预测方法 |
CN113065279A (zh) * | 2021-03-15 | 2021-07-02 | 中国石油大学(北京) | 预测总有机碳含量的方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11301755B2 (en) | Methods, computing devices, and storage media for predicting traffic matrix | |
CN109285346B (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
Tekouabou et al. | Improving parking availability prediction in smart cities with IoT and ensemble-based model | |
CN110390419A (zh) | 基于pso-lssvm模型的高速公路收费站流量预测方法 | |
CN107730087A (zh) | 预测模型训练方法、数据监控方法、装置、设备及介质 | |
CN110942637B (zh) | 基于空域图卷积神经网络的scats系统道路交通流预测方法 | |
Lu et al. | Short-term demand forecasting for online car-hailing using ConvLSTM networks | |
CN111695722A (zh) | 一种城市轨道交通车站节假日短时客流预测方法 | |
CN111275479B (zh) | 一种人流量预测方法、装置及系统 | |
CN115347571B (zh) | 基于迁移学习的光伏发电功率短期预测方法及装置 | |
CN109102103A (zh) | 一种基于循环神经网络的多类别能耗预测方法 | |
CN107609583A (zh) | 分类模型的参数优化方法、装置、计算机设备及存储介质 | |
Prajam et al. | Applying machine learning approaches for network traffic forecasting | |
CN103870890A (zh) | 高速公路网交通流量分布的预测方法 | |
CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
CN106981204A (zh) | 一种信息处理方法及装置 | |
CN109615414A (zh) | 房产预估方法、装置及存储介质 | |
CN116523104A (zh) | 基于情景感知和深度学习的异常群体流量预测方法及装置 | |
CN115442253A (zh) | 一种利用注意力机制的网络流量预测方法 | |
CN111079993A (zh) | 一种交通流量预测方法、装置、电子设备及存储介质 | |
CN104217296A (zh) | 一种上市公司绩效综合评价方法 | |
CN112990530A (zh) | 区域人口数量预测方法、装置、电子设备和存储介质 | |
CN115049158B (zh) | 城市系统运行状态的预测方法、系统、存储介质及终端 | |
CN113689694B (zh) | 一种车流量预测方法、装置、设备及可读存储介质 | |
CN112766240B (zh) | 基于时空关系的残差多图卷积人群分布预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191029 |
|
RJ01 | Rejection of invention patent application after publication |