[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

技術領域

本發明涉及機器學習方法和交通流預測等技術領域，具體涉及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。

現有技術和背景技術

隨著我國汽車產業的發展，城市及高速公路道路擁堵問題日益嚴峻，準確、及時的交通流信息對智能交通系統(Intelligent Transportation System,ITS)的成功應用至關重要。它可以幫助道路使用者做出更好的出行決策，緩解交通擁堵，減少碳排放，并提高交通運行效率。而這些實現的前提和關鍵是能夠對短時交通流量進行準確的預測，預測的準確度直接決定了交通運行的效率。

交通流預測模型主要分為時間序列模型，非參數回歸模型和神經網絡模型。早期的研究者們使用基于時間序列分析的參數化模型來預測交通。該模型不像其它時間序列方法一樣需要固定的初始化模擬。它將某一時刻的交通流量看成是更為一般的非平穩隨機序列,一般帶有3個或6個模型參數。非參數回歸是一種適合不確定的、非線性的動態系統的非參數建模方法。它不需先驗知識,只需足夠的歷史數據,尋找歷史數據中與當前點相似的“近鄰”,并用那些“近鄰”預測下一時刻值。因此,特別是在有特殊事件發生時,預測結果要比參數建模精確。美國聯邦運輸局在有關發展智能交通系統的報告中指出:先進的交通控制系統不僅應當具備已有系統的優點,更為重要的是要能充分利用不斷積累的經驗,有效地產生控制策略,使模型具有根據歷史數據進行學習和經驗積累的能力。Eleni等綜述了近十年來的交通流預測方法的研究成果，總結了交通流預測領域的十個挑戰方向，然后指出研究者需要將統計數據和人工智能方法組合互補并提供統一的公共數據集來解決交通預測領域這些挑戰，從而提高交通流預測性能。現有的技術中，如名稱為“一種基于深度學習神經網絡結構的交通流預測方法”(申請號為201510478215.9)利用深度編碼器模型對采集的交通流數據進行訓練，在訓練過程中對深度自動編碼器模型進行調整，最后利用調整后的深度自動編碼器模型對短期交通流進行預測，提高了短期交通流預測的性能和精確度。

在交通流預測領域，現在最流行的方法是基于機器學習的非參數模型來預測短時交通流，該方法在大量不間斷數據的基礎上,擁有較高的預測精度，但需要復雜的參數估計，而且計算出的參數不能移植。在實際情況中，經常由于各種各樣的原因容易造成數據遺漏,導致模型精度降低。目前的交通流預測算法仍大量依賴歷史數據，在大量歷史數據的基礎上建立模型造成計算量巨大，導致交通流預測效率低下。

發明內容

本發明要解決的技術問題是解決在短時交通流預測中，由于海量的交通流數據導致的支持向量機(SVM)訓練時間長，對計算機資源消耗大，預測性能較差，而BP(Back propagation)神經網絡泛化能力差即對新鮮樣本的適應能力差，預測結果容易產生過擬合等問題。

為解決上述問題，本發明提出通過將支持向量機和BP神經網絡相結合的方法來預測短時交通流，減少對大量歷史數據的依賴，提高預測性能及對新鮮樣本的適應能力。具體的技術方案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，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。

進一步，上述步驟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：

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。

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。

進一步，步驟2的具體包括以下步驟：