[發(fā)明專利]一種基于灰色ELM神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710068325.7
• 申請(qǐng)日: 2017-02-08
• 公開（公告）號(hào): CN107045785B
• 公開（公告）日: 2019-10-22
• 發(fā)明（設(shè)計(jì)）人: 錢偉;車凱;王瑞;黃凱征;王俊峰;劉海波;李冰鋒
• 申請(qǐng)（專利權(quán)）人: 河南理工大學(xué)
• 主分類號(hào): G08G1/01
• 分類號(hào): G08G1/01;G06Q10/04
• 代理公司: 鄭州浩德知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 41130
• 代理人: 王國旭

本發(fā)明提出了一種基于灰色ELM神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)的方法，步驟：對(duì)采集到的數(shù)據(jù)進(jìn)行分組，得到等維新息序列，然后進(jìn)行累加，得到累加后的等維新息序列；對(duì)累加后的等維新息序列進(jìn)行處理，得到網(wǎng)絡(luò)的輸入矩陣和目標(biāo)輸出矩陣；先隨機(jī)生成網(wǎng)絡(luò)的權(quán)值和閾值，設(shè)定好網(wǎng)絡(luò)參數(shù)，將生成的網(wǎng)絡(luò)的輸入矩陣集和目標(biāo)輸出矩陣集輸入神經(jīng)網(wǎng)絡(luò)，訓(xùn)練網(wǎng)絡(luò)；輸入測(cè)試數(shù)據(jù)，得到網(wǎng)絡(luò)的預(yù)測(cè)輸出結(jié)果；用網(wǎng)絡(luò)預(yù)測(cè)結(jié)果減去等維新息序列的累加值，得到實(shí)際預(yù)測(cè)結(jié)果，完成預(yù)測(cè)。其有益效果是：本發(fā)明的輸入數(shù)據(jù)經(jīng)過了灰色模型的處理，其差異性更小，使得灰色ELM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度有了很大程度的提高。

技術(shù)領(lǐng)域

本發(fā)明涉及短時(shí)交通流量預(yù)測(cè)的技術(shù)領(lǐng)域，特別是指一種基于灰色ELM神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)的方法。

背景技術(shù)

隨著經(jīng)濟(jì)的發(fā)展，對(duì)汽車需求的不斷增加，公路交通流量也隨之增加，由此帶來了一系列的交通問題。在不改變當(dāng)前路網(wǎng)的情況下，通過智能交通控制系統(tǒng)實(shí)現(xiàn)對(duì)路網(wǎng)的疏導(dǎo)和控制，是解決交通問題的有效途徑。準(zhǔn)確的交通流預(yù)測(cè)是交通流的疏導(dǎo)和控制的基礎(chǔ)，是智能交通管理系統(tǒng)的重要組成部分。

交通流本身具有很強(qiáng)的不確定性，是復(fù)雜、多變的，容易受到隨機(jī)的擾動(dòng)，并且規(guī)律性不明顯，隨著不同的預(yù)測(cè)方法的引入，對(duì)短時(shí)交通流的預(yù)測(cè)也出現(xiàn)了許多預(yù)測(cè)模型，但是現(xiàn)有的預(yù)測(cè)方法對(duì)數(shù)據(jù)波動(dòng)性要求較高和易失真的特點(diǎn)。

發(fā)明內(nèi)容

本發(fā)明為解決現(xiàn)有的問題，提出一種基于灰色ELM神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)的方法。

本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：

一種基于灰色ELM神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)的方法，其步驟包括：

a.對(duì)數(shù)據(jù)進(jìn)行灰色處理，將采集到的數(shù)據(jù)按照式(3)進(jìn)行分組，即：設(shè)采集到的數(shù)據(jù)為Q，則

Q＝(q₁，q₂，…，q_m)，(m∈N₊) (1)

將其分為n組，每組M+1個(gè)數(shù)據(jù)，且滿足

n+M＝m，(n∈N₊，M∈N₊) (2)

對(duì)于其中的第p組，記為：

經(jīng)過式(3)得到等維新息序列后，按照式(4)和(5)進(jìn)行累加，得到累加后的等維新息序列，即：對(duì)中的數(shù)據(jù)進(jìn)行灰色處理，得到一次累加序列為

其中

b.生成輸入矩陣集和目標(biāo)輸出矩陣集，對(duì)累加后的等維新息序列按照式(6)、式(7)、式(8)處理，得到網(wǎng)絡(luò)的輸入矩陣和目標(biāo)輸出矩陣，即：選取的前M項(xiàng)作為ELM神經(jīng)網(wǎng)絡(luò)的輸入，第M+1項(xiàng)作為網(wǎng)絡(luò)的期望輸出，則有

對(duì)以上分成n組數(shù)據(jù)，由其構(gòu)成的網(wǎng)絡(luò)的輸入矩陣集x和目標(biāo)輸出矩陣集y分別為

X＝[X₁，X₂，…，X_n] (7)

Y＝[Y₁，Y₂，…，Y_n] (8)

設(shè)網(wǎng)絡(luò)的實(shí)際輸出矩陣T為

T＝[T₁，T₂，…，T_n] (9)；

c.建立ELM神經(jīng)網(wǎng)絡(luò)模型，先隨機(jī)生成網(wǎng)絡(luò)的權(quán)值和閾值，設(shè)定好網(wǎng)絡(luò)參數(shù)，網(wǎng)絡(luò)參數(shù)設(shè)置如下：