[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

本發明公開了一種基于融合的實時極限學習機短時交通流預測方法，針對短時非平穩交通流場景中的預測技術，基于短時交通流實時性、準確性、可靠性三大特征和融合的實時極限學習機來預測短時交通流。本發明提出的短時交通流預測方法，基于簡化的單隱層前饋神經網絡結構，能夠在交通流峰值期快速的訓練歷史數據并能增量地更新到達的數據，在保證一定預測精度的同時節省學習時間。此外，采用融合機制保證了短時交通流預測的穩定性和魯棒性。在數據缺失和波動劇烈時期進行重構，訓練階段時耗短，且預測結果的均方根誤差、標準誤差百分比均在置信區域內。

技術領域

本發明主要涉及機器學習、交通流預測等智能交通系統領域，尤其是基于融合的實時極限學習機短時交通流預測方法。

背景技術

隨著全球經濟發展和社會城市化進步，交通運輸業的發展變得越來越重要。作為人類社會進步的重要物質基礎，交通運輸業是整個國民經濟發展的命脈。然而近年來，道路車輛逐步增多導致交通運行效率每況愈下，交通堵塞、交通廢氣排放污染、交通操作繁雜效率低下、交通事故等現象頻繁出現，給人們出行等社會活動帶來困擾。為了減緩交通問題，智能交通系統(ITS)等一系列先進管理控制系統飛速發展并得到廣泛應用，在一定程度上解決部分道路交通問題。交通流預測對于支持交通管理系統的需求預測功能起著重要作用。交通流量數據(也可說交通參數)可直接反映宏觀的交通狀態，是交通業務的基礎數據，同時，交通流量數據也是交通中最易采集的數據，可以通過感應線圈檢測、微波檢測、視頻檢測、全球定位系統(Global Position System，簡稱GPS)、社會媒體設備等多種方法獲取，包括交通流、交通速度、交通占比、行程時間等信息。交通流預測實質上是對這些交通流基本參數的預測，根據預測周期長度可以將交通流量預測分為兩類：短期預測和中長期預測。交通流數據分布呈現出兩個峰值兩個低谷特征，類似高斯分布，進行峰值預測，以及提高短時交通流預測實時性和高精度不僅可以及時告知駕乘者交通信息，還能設計和實現移動基礎設施。短時交通流預測要求實時性，預測難度較大，得益于車載與道路傳感設施不斷完善以及ITS和交通控制系統的支持，短時交通預測技術也不斷發展。

早期短時交通流預測方法大多交通流預測方式是在簡單平穩均衡交通流數據假設下進行預測的，對于數據集的限制條件比較多，比如等間隔采樣、間隔長短適中、歷史數據樣本數量合適、樣本數據無噪聲等等，但在現實交通場景中，因設備本身故障或外部因素(如天氣惡劣、道路異常等)干擾，交通流數據在采集和傳輸過程中容易發生缺失、突變；上下班、節假日時期交通流容易激增達到峰值等，這些情況都可導致交通流數據出現非平穩非線性等異質性，這里的異質性值數據分布不均勻和復雜性，再加上設備成本因素的考慮，很多數據監控、采集、處理、傳輸等設備不可能覆蓋全部交通網，更是增加了交通流數據的異質性，所有這給因素都給交通流預測模型建模增加了難度，預測的實時性、準確性、穩定性有待提高。

為了加強短時交通流預測方法的可擴展性和魯棒性，使其在交通流數據非穩定異質情形下仍能達到一定預測實時性和精度要求，擴展已有預測模型的適用性，進行實時異質時序交通流的預測方法研究很有必要。

發明內容

本發明提出了一種基于融合的實時極限學習機短時交通流預測方法，以提高短時交通流數據的預測精度和可靠性，適用于實時交通流預測。

本發明的設計思路為，基于融合的實時極限學習機預測短時交通流，短時交通流數據呈現周期性和實時性、準確性、可靠性特征，隨機選取實時交通流數據，將序列學習思想應用于ELM算法并提出了實時序列ELM算法。實時序列ELM算法是在原始ELM算法的基礎上，采用在線學習模式而提出的一種新的算法，在該算法中，數據可以一個一個或一塊一塊地添加到網絡中，并且原先的數據學習完成后就會拋棄不再使用。

本發明所采用的技術方案為：一種基于融合的實時極限學習機短時交通流預測方法，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；