[發明專利]一種基于支持向量機和BP神經網絡結合的交通流預測方法

在審

• 申請號: 201710779559.2
• 申請日: 2017-09-01
• 公開（公告）號: CN107705556A
• 公開（公告）日: 2018-02-16
• 發明（設計）人: 暴建民;余濤
• 申請（專利權）人: 南京郵電大學
• 主分類號: G08G1/01
• 分類號: G08G1/01
• 代理公司: 南京知識律師事務所32207
• 代理人: 李吉寬

1.一種基于支持向量機和BP神經網絡結合的短時交通流預測方法，其特征在于包括如下步驟：

步驟1:采集歷史交通流數據，利用歸一化方法對交通流數據進行預處理，得到歸一化后的數據集,將歸一化后的數據集劃分為訓練數據集和測試數據集；

步驟2:利用SVM模型對測試數據集進行預測分析，得到預測結果，使用BP神經網絡模型對殘差序列進行分析，得到修正后的殘差序列；

步驟3:將SVM模型所得到的預測結果與BP神經網絡模型所得到的修正殘差序列相加，得到最終的預測數據；

步驟4:將測試數據集和最終的預測數據進行比較，并分析誤差。

2.根據權利要求1所述的基于支持向量機和BP神經網絡結合的短時交通流預測方法，其特征在于步驟1中的歸一化具體過程如下：

分別計算歷史交通流數據某一個樣本中的最小值min和最大值max，使用min-max標準化方法對數據進行歸一化，使得歸一化之后的交通流數據結果映射到[0-1]之間，即根據交通流數據集合F＝{f_t|t＝1,2,...,T}求得集合中的最大值max和最小值min，對集合中的每個數據計算：

x*=x-minmax-min]]>

式中x^*表示歸一化處理后的交通流數據，min表示樣本數據中的最小值，max表示樣本數據最大值，x表示待歸一化處理的歷史交通流數據。

3.根據權利要求1所述的基于支持向量機和BP神經網絡結合的短時交通流預測方法，其特征在于步驟1中歸一化處理之后將歷史交通流數據中百分之80的數據作為訓練集，百分之20的數據作為測試集。

4.根據權利要求1所述的基于支持向量機和BP神經網絡結合的短時交通流預測方法，其特征在于步驟2具體包括以下步驟：

4.1：建立基于支持向量機和BP神經網絡的交通流預測模型，利用歸一化后的訓練集樣本訓練SVM模型用交叉驗證找出優化后的參數C,γ，參數γ是Sigmoid核函數的參數，參數C是SVM懲罰函數的參數；

4.2：利用SVM模型對原始數據進行預測分析，得到預測結果，記為原始序列和預測結果序列的差為新的序列，記為e_i序列，用BP神經網絡模型對e_i序列也就是殘差序列進行分析，得到修正后的殘差序列，記為e′_i。

5.根據權利要求4所述的基于支持向量機和BP神經網絡結合的短時交通流預測方法，其特征在于將SVM模型所得到的預測結果與BP神經網絡模型所得到的修正殘差序列相加，得到最終的預數據，即，

6.根據權利要求1所述的基于支持向量機和BP神經網絡結合的短時交通流預測方法，其特征在于所述步驟4包括：通過平均絕對百分比誤差MAPE來對預測數據進行誤差分析，計算公式如下：

MAPE(f,f^)=1NΣi=1N|fi-fi′fi|]]>

RMSE(f,f^)=[1nΣi=1n(|fi-f^i|2)]12]]>

式中表示測試數據集與預測數據的平均絕對百分比誤差，表示測試數據集與預測數據的均方根誤差，f表示交通流的觀測值，表示交通流的預測值，N表示交通流預測值得數量，f_i表示測試數據集中的第i個交通流參數，表示預測數據集中的第i個預測交通流參數，i的取值范圍為1,2...N。