[發(fā)明專利]基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201410367168.6
• 申請(qǐng)日: 2014-07-29
• 公開（公告）號(hào): CN104091216A
• 公開（公告）日: 2014-10-08
• 發(fā)明（設(shè)計(jì)）人: 叢玉良;李曉雷;郭一粟;張書揚(yáng);邢麗娟
• 申請(qǐng)（專利權(quán)）人: 吉林大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04
• 代理公司: 長(zhǎng)春吉大專利代理有限責(zé)任公司 22201
• 代理人: 朱世林;杜森垚

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù)測(cè)方法,屬于公路網(wǎng)交通規(guī)劃系統(tǒng)領(lǐng)域。

背景技術(shù)

隨著交通基礎(chǔ)設(shè)施建設(shè)和智能交通系統(tǒng)的發(fā)展,交通規(guī)劃和交通誘導(dǎo)成為交通領(lǐng)域研究的熱點(diǎn)。對(duì)于交通規(guī)劃和交通誘導(dǎo)來(lái)說(shuō),準(zhǔn)確的交通信息預(yù)測(cè)有其重要的意義。交通信息預(yù)測(cè)結(jié)果的好壞將直接關(guān)系到交通控制與誘導(dǎo)的效果，無(wú)論是交通控制系統(tǒng)還是交通誘導(dǎo)系統(tǒng)，實(shí)時(shí)準(zhǔn)確地對(duì)交通信息進(jìn)行預(yù)測(cè)是這些系統(tǒng)實(shí)現(xiàn)的前提與關(guān)鍵，所以交通信息預(yù)測(cè)越來(lái)越受到重視。交通信息預(yù)測(cè)結(jié)果可以作為先進(jìn)的交通系統(tǒng)的輸入，用于制定主動(dòng)型的交通控制策略，還可以直接用于先進(jìn)的交通管理系統(tǒng)的信息發(fā)布，為出行者提供實(shí)時(shí)有效的信息，幫助他們更好的進(jìn)行路徑選擇，進(jìn)而提高路網(wǎng)效率。

交通信息數(shù)據(jù)具有高度非線性和不確定性等特點(diǎn),并且與時(shí)間相關(guān)性很強(qiáng),是一種典型的時(shí)間序列預(yù)測(cè)問(wèn)題,目前,比較常見的交通網(wǎng)絡(luò)信息預(yù)測(cè)模型包括ARIMA(Auto-Regression?Intergrated?Moving?Average)方法、卡爾曼濾波模型(Kalman?Filtering?Model)和神經(jīng)網(wǎng)絡(luò)模型(Neural?Network?Model)。ARIMA是一種典型的時(shí)間序列預(yù)測(cè)方法,有著良好的預(yù)測(cè)性能,是一種基于線性的模型,而交通信息具有非線性特征,所以預(yù)測(cè)結(jié)果不理想。卡爾曼濾波是一個(gè)非常適用于實(shí)時(shí)動(dòng)態(tài)預(yù)測(cè)交通信息的方法,但是由于卡爾曼濾波模型的誤差項(xiàng)不好確定,因?yàn)榻煌ㄐ畔⒌碾S機(jī)性非常大,這樣卡爾曼濾波模型中存在著大量的矩陣運(yùn)算和復(fù)雜的參數(shù)估計(jì),在實(shí)際應(yīng)用中難以掌握,所以對(duì)于預(yù)測(cè)結(jié)果來(lái)說(shuō)還是存在很多不盡人意的地方。BP神經(jīng)網(wǎng)絡(luò)(BP?Neural?Network,BPNN)預(yù)測(cè)模型存在訓(xùn)練數(shù)據(jù)需求大、收斂速度慢等問(wèn)題，而RBF神經(jīng)網(wǎng)絡(luò)(RBFNN)是一種前向神經(jīng)網(wǎng)絡(luò)模型,克服了BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)需求大、收斂速度太慢等缺點(diǎn)，日漸取代BP神經(jīng)網(wǎng)絡(luò)成為一種新的交通信息預(yù)測(cè)方法，然而，由于人工神經(jīng)網(wǎng)絡(luò)采用經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原理(ERM)，容易陷入局部極值，從而影響泛化能力。近年來(lái)，支持向量機(jī)(SVM)在交通信息預(yù)測(cè)中應(yīng)用越來(lái)越廣泛，它采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，能有效解決小樣本、非線性等回歸問(wèn)題，具有全局尋優(yōu)能力與良好的泛化推廣能力,同時(shí)計(jì)算量少。克服了神經(jīng)網(wǎng)絡(luò)局部極值的難題。目前,用遺傳算法優(yōu)化支持向量機(jī)參數(shù)的方法應(yīng)用較多,但遺傳算法復(fù)雜的遺傳操作(如選擇、交叉、變異)使支持向量機(jī)的訓(xùn)練時(shí)間隨問(wèn)題規(guī)模及復(fù)雜程度的增大而呈指數(shù)級(jí)增長(zhǎng),且存在局部最優(yōu)等問(wèn)題。果蠅優(yōu)化算法(Fruit?Fly?Optimization?Algorithm,FOA)是一種智能群體搜索方法,它不僅具有很強(qiáng)的全局搜索能力,而且容易實(shí)現(xiàn),非常適用于最小二乘支持向量機(jī)(Least?Squares?Support?Vector?Machine,LSSVM)的參數(shù)優(yōu)化。

發(fā)明內(nèi)容

本發(fā)明針對(duì)現(xiàn)有交通信息的預(yù)測(cè)模型預(yù)測(cè)精確度不高的問(wèn)題，而提供一種基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù)測(cè)方法，該方法能夠有效的提高預(yù)測(cè)精確度。

為實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù)測(cè)方法，該預(yù)測(cè)方法包括如下步驟：

步驟一、對(duì)原始交通信息數(shù)據(jù)(包括交通流量、速度和占有率)進(jìn)行歸一化預(yù)處理，將數(shù)據(jù)歸一化到[0,1]區(qū)間內(nèi)，生成數(shù)據(jù)集并且進(jìn)行分組，即訓(xùn)練集和測(cè)試集；

步驟二、選擇徑向基函數(shù)，作為最小二乘支持向量機(jī)模型的核函數(shù)，確定參數(shù)組合(γ,σ)，其中γ為正則化參數(shù)，σ為徑向基函數(shù)的寬度參數(shù)；

步驟三、采用果蠅優(yōu)化算法對(duì)最小二乘支持向量機(jī)的參數(shù)組合(γ,σ)進(jìn)行優(yōu)化，在全局范圍內(nèi)得到最優(yōu)值；

步驟四、代入經(jīng)過(guò)優(yōu)化的參數(shù)，構(gòu)造基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù)測(cè)模型；

步驟五、輸入數(shù)據(jù)集，通過(guò)預(yù)測(cè)模型生成交通信息預(yù)測(cè)結(jié)果；

步驟六、根據(jù)交通信息預(yù)測(cè)結(jié)果和實(shí)際交通信息數(shù)據(jù)，進(jìn)行預(yù)測(cè)誤差評(píng)價(jià)分析。

進(jìn)一步的技術(shù)方案如下：

步驟一的具體過(guò)程為：

為了加快網(wǎng)絡(luò)的收斂速度和預(yù)測(cè)模型的準(zhǔn)確率，需要對(duì)輸入輸出數(shù)據(jù)進(jìn)行歸一化處理，即通過(guò)一定的線性變化將輸入和輸出數(shù)據(jù)統(tǒng)一限制在[0,1]或[-1,1]區(qū)間內(nèi)，對(duì)數(shù)據(jù)進(jìn)行線性歸一化處理：