[發(fā)明專(zhuān)利]可優(yōu)化的自適應(yīng)多核支持向量機(jī)的短時(shí)交通流預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710352326.4
• 申請(qǐng)日: 2017-05-18
• 公開(kāi)（公告）號(hào): CN106971548B
• 公開(kāi)（公告）日: 2019-06-07
• 發(fā)明（設(shè)計(jì)）人: 馮心欣;凌獻(xiàn)堯;林燁婷;陳忠輝
• 申請(qǐng)（專(zhuān)利權(quán)）人: 福州大學(xué)
• 主分類(lèi)號(hào): G08G1/01
• 分類(lèi)號(hào): G08G1/01;G08G1/065
• 代理公司: 福州元?jiǎng)?chuàng)專(zhuān)利商標(biāo)代理有限公司 35100
• 代理人: 蔡學(xué)俊

1.一種可優(yōu)化的自適應(yīng)多核支持向量機(jī)的短時(shí)交通流預(yù)測(cè)方法，其特征在于：包括如下步驟，

步驟S1：組合高斯核函數(shù)和多項(xiàng)式核函數(shù)以構(gòu)建自適應(yīng)多核支持向量機(jī)；

步驟S2：利用自適應(yīng)粒子群算法對(duì)自適應(yīng)多核支持向量機(jī)進(jìn)行參數(shù)優(yōu)化；

步驟S3：同時(shí)考慮歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)，提出基于自適應(yīng)多核支持向量機(jī)的短時(shí)交通流預(yù)測(cè)模型；

步驟S4：輸入交通流數(shù)據(jù)集，利用預(yù)測(cè)模型生成短時(shí)交通流的預(yù)測(cè)結(jié)果；

步驟S5：根據(jù)交通流的預(yù)測(cè)結(jié)果和實(shí)際交通數(shù)據(jù)，對(duì)預(yù)測(cè)誤差進(jìn)行評(píng)價(jià)分析。

2.根據(jù)權(quán)利要求1所述的可優(yōu)化的自適應(yīng)多核支持向量機(jī)的短時(shí)交通流預(yù)測(cè)方法，其特征在于：在所述步驟S1中，所述自適應(yīng)多核支持向量機(jī)通過(guò)如下方式構(gòu)建：

步驟S11：構(gòu)建高斯核函數(shù)與多項(xiàng)式核函數(shù)組合而成的混合核函數(shù)：

K(x,x_i)＝β·exp(-γ||x-x_i||²)+(1-β)·[γ(x·x_i)+1]^q

其中，x和x_i表示樣本集中任意兩個(gè)實(shí)輸入向量，β∈[0,1]為混合核函數(shù)的權(quán)重系數(shù)，γ為核函數(shù)的固有參數(shù)，q為冪次；

步驟S12：根據(jù)交通流的實(shí)時(shí)變化趨勢(shì)即數(shù)值的斜率大小來(lái)自適應(yīng)調(diào)整權(quán)重：

其中，表示之前兩個(gè)時(shí)段交通流量值在二維平面上所對(duì)應(yīng)點(diǎn)(x_i-1,y_i-1)和(x_i-2,y_i-2)的斜率。

3.根據(jù)權(quán)利要求1所述的可優(yōu)化的自適應(yīng)多核支持向量機(jī)的短時(shí)交通流預(yù)測(cè)方法，其特征在于：在所述步驟S2中，所述自適應(yīng)粒子群算法采用自適應(yīng)的慣性權(quán)重、學(xué)習(xí)因子和飛行時(shí)間因子隨慣性權(quán)重動(dòng)態(tài)調(diào)整的學(xué)習(xí)策略；自適應(yīng)粒子群算法中每個(gè)粒子的當(dāng)前位置為待定參數(shù)的當(dāng)前值：χ＝(C,ε,γ)，通過(guò)優(yōu)化過(guò)程搜索得到所需的自適應(yīng)多核支持向量機(jī)的最優(yōu)參數(shù)。

4.根據(jù)權(quán)利要求1所述的可優(yōu)化的自適應(yīng)多核支持向量機(jī)的短時(shí)交通流預(yù)測(cè)方法，其特征在于：在所述步驟S3中，所述的短時(shí)交通流預(yù)測(cè)模型具體流程如下：

步驟S31：初始化自適應(yīng)粒子群環(huán)境參數(shù)；

步驟S32：將待求參數(shù)當(dāng)作粒子的位置向量，并初始化粒子速度和位置；

步驟S33：輸入歷史平均交通流數(shù)據(jù)到訓(xùn)練模塊，通過(guò)自適應(yīng)多核支持向量機(jī)進(jìn)行映射和回歸；

步驟S34：計(jì)算粒子的適應(yīng)度值，并更新粒子的速度和位置；

步驟S35：針對(duì)每個(gè)粒子，重復(fù)步驟S32～S34；

步驟S36：按照步驟S33～S35進(jìn)行迭代更新，直到樣本的訓(xùn)練誤差滿(mǎn)足精度限制，此時(shí)輸出最優(yōu)參數(shù)C、ε和γ到預(yù)測(cè)模塊；

步驟S37：輸入前N個(gè)時(shí)段的實(shí)時(shí)交通流數(shù)據(jù)到預(yù)測(cè)模塊：X＝[X_t-N,…,X_t-1,X_t]，根據(jù)實(shí)時(shí)數(shù)據(jù)計(jì)算β值，然后在最優(yōu)參數(shù)條件下訓(xùn)練自適應(yīng)多核支持向量機(jī)，并預(yù)測(cè)輸出下一時(shí)段的交通流量。

5.根據(jù)權(quán)利要求1所述的可優(yōu)化的自適應(yīng)多核支持向量機(jī)的短時(shí)交通流預(yù)測(cè)方法，其特征在于：在所述步驟S4中，對(duì)交通流數(shù)據(jù)集進(jìn)行預(yù)處理，輸入到步驟S3中所述的預(yù)測(cè)模型，模型經(jīng)優(yōu)化和訓(xùn)練后輸出目標(biāo)路段在下一時(shí)段的短時(shí)交通流預(yù)測(cè)值。

6.根據(jù)權(quán)利要求1所述的可優(yōu)化的自適應(yīng)多核支持向量機(jī)的短時(shí)交通流預(yù)測(cè)方法，其特征在于：所述步驟S5中，采用以下的評(píng)價(jià)標(biāo)準(zhǔn)對(duì)預(yù)測(cè)誤差進(jìn)行評(píng)價(jià)分析：

1)平均絕對(duì)百分誤差(MAPE)：

2)均方根誤差(RMSE)：

3)相關(guān)系數(shù)(R)：

其中，Y_i為實(shí)際交通量，為預(yù)測(cè)的交通流量，n為樣本個(gè)數(shù)。