[發明專利]基于融合的實時極限學習機短時交通流預測方法

有效

• 申請號: 201610190046.3
• 申請日: 2016-03-30
• 公開（公告）號: CN105761488B
• 公開（公告）日: 2018-11-23
• 發明（設計）人: 王東;熊潔;肖竹;李曉鴻
• 申請（專利權）人: 湖南大學
• 主分類號: G08G1/01
• 分類號: G08G1/01
• 代理公司: 深圳市興科達知識產權代理有限公司 44260
• 代理人: 王翀;葉舟

1.一種基于融合的實時極限學習機短時交通流預測方法，其特征在于，包括以下步驟：

S1、隨機選定道路上的探測器，按照預設的時間周期采集短時交通流數據；

S2、預處理并歸一化獲得的交通流數據，判斷所處的交通場景是平穩情況還是非平穩情況；

S3、如果是非平穩交通場景，初始化短時交通流預測模型；

S4、建立短時交通流預測模型的實時序列學習部分；

S5、完成短時交通流預測模型中的預測模塊；

S6、將預測結果進行反歸一化處理并進行評估；

S7、如果是平穩場景，則可直接按照S4到S6步驟進行預測；

S31、初始數據集為隨機分配預測模型的輸入參數，包括輸入結點和隱結點之間的權向量wi、閾值bi，并隨機選取隱結點的輸入權值ai和閾值bi，其中i＝1,2,…,L；

S32、計算隱層輸出矩陣H₀:

S33、計算初始輸出權值β⁽⁰⁾，為確保極限學習機可以保持同樣的學習性能，假設H的秩為有且已證明β＝H⁺T和H+＝(H^TH)^-1H^T，則有：

其中P₀＝(H₀^TH₀)^-1，M₀＝H₀^TH₀＝P₀^-1；

其中β、H和T分別指的是集合{β⁽⁰⁾，β⁽¹⁾，β⁽²⁾，…，β⁽ⁿ⁾}、{H₀，H₁，H₂，…，Hn}、{T₀，T₁，T₂，…，Tn}；

S34、設置到達的數據塊序列k＝0；

步驟S4中建立短時交通流預測模型的實時序列學習部分包括以下步驟：

S41、計算新添加數據的隱層輸出矩陣H_k+1:

S42、令

且則可計算輸出權值：

S43、根據公式求得

S44、設置到達數據塊序列k＝k+1，表示滑動窗口向前移動一個位置，即滑動窗口大小為1，返回步驟S41。

2.根據權利要求1所述的一種基于融合的實時極限學習機短時交通流預測方法，其特征在于，步驟S5中完成短時交通流預測模型中的預測模塊包括以下步驟：

S51、每當有新數據塊k+1到達時，每個實時序列學習機訓練β^(k+1)來計算f_k+2，其中f_k+2表示k+2時刻預測的交通流數值；

S52、將f_k+2放入測試集來預測下一刻交通流數值；

S53、只要還有新的數據塊到達，就返回步驟S51；

S54、根據公式計算加權平均值，實現加權融合機制；

其中，設單個實時極限學習網絡個數為L，每個網絡有著相同數量的隱層結點和激勵函數。

3.根據權利要求1所述的一種基于融合的實時極限學習機短時交通流預測方法，其特征在于，所述步驟S6的評價指標為：

假設觀測實際交通流量數據序列為f_i或者Y_p(t)，預測交通流量值結果為t_i或者Y_r(t)

(1)絕對百分比誤差

(2)平均絕對百分比誤差

(3)均方根誤差

(4)平均相對誤差

平均相對誤差反映的是交通流量預測值相對于真實值的偏離程度，其值越小表示預測效果越好；

(5)平均絕對誤差

平均相對誤差反映的是交通流量預測值與真實值之間誤差的絕對值大小，其值越小表示預測效果越好；

(6)均方誤差

該指標不僅反映了交通流量預測誤差的大小，而且還反映了誤差的離散分布情況，其值越小，表示誤差離散程度越小，預測效果越好；

(7)擬合度

擬合度從交通流量的幾何特征方面反映了交通流量預測曲線是否與實際觀測曲線的變化趨勢擬合；其值越大，說明交通流量的預測值越接近實際觀測值，預測效果越好。