[發明專利]基于混沌量子粒子群算法優化的SD-LSSVR短時交通流量預測方法

在審

• 申請號: 201911085138.5
• 申請日: 2019-11-08
• 公開（公告）號: CN111027662A
• 公開（公告）日: 2020-04-17
• 發明（設計）人: 施佺;張添豪;沈琴琴;曹陽;荊彬彬;朱森來;周晨璨
• 申請（專利權）人: 南通大學
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06N7/08;G06Q10/04;G06Q50/26
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 秦秋星

1.一種基于混沌量子粒子群算法優化的SD-LSSVR短時交通流量預測方法，其特征在于，包括如下步驟：

S1、基于歷史交通流量建立初始交通流量的時間序列，將所述時間序列數據劃分為訓練樣本集和測試樣本集，根據時間序列的季節性周期變化，對所述時間序列數據做季節性因子預處理；

S2、構建最小二乘支持向量機，將預處理后的訓練樣本集輸入所構建的最小二乘支持向量機進行訓練，得到最小二乘支持向量回歸模型；

S3、采用混沌量子粒子群算法迭代優化所構建的最小二乘支持向量回歸模型，提取最小平均絕對百分比誤差下的最佳模型參數；

S4、根據所獲得的最佳模型參數構建基于混沌量子粒子群迭代優化的季節性最小二乘支持向量回歸模型，輸入測試樣本進行回歸預測，得到最終結果；

S5、對所述預測結果進行數據后處理。

2.如權利要求1所述的基于混沌量子粒子群算法優化的SD-LSSVR短時交通流量預測方法，其特征在于，步驟S1中

所述時間序列的描述如下：

其中包括不在考慮時間范圍內的數據集和選取時間范圍內的數據集在數據集T_origin中，x_i是m維的輸入向量，其中包含天氣，時間占有率，平均行駛速度，前三天該時間段的交通流量等6個因素；目標輸出向量y_i是時間段內的交通流量，表示為y_-s+1，y_-s+2，...，y₁，...，y_ks，其中k表示為季節周期數，s代表單位季節性周期長度。

3.如權利要求2所述的基于混沌量子粒子群算法優化的SD-LSSVR短時交通流量預測方法，其特征在于，步驟S1中，對所述時間序列數據做季節性因子預處理包括如下步驟：

步驟1：季節性因子預處理：數據集T_out和T中目標輸出向量y_i遵循以下季節性因子預處理方法：

結合目標輸出向量與m維的輸入向量x₁，x₂，...，x_m形成一個新的數據集

步驟2：歸一化處理：采用L₂范式歸一化方法，方法總結如下：

結合每一個歸一化后的形成預處理數據集

4.如權利要求3所述的基于混沌量子粒子群算法優化的SD-LSSVR短時交通流量預測方法，其特征在于，步驟S2具體包括：

給定預處理數據集為：

此預處理數據集分為訓練數據集和測試數據集其中訓練數據集為N，同理測試數據集為n-N；

訓練數據集用于最小二乘支持向量回歸；代表從輸入空間m維數到特征空間高緯數m_h的非線性映射；線性函數構造為：

f(x)＝ω^Tφ(x)+b

其中ω＝(ω₁，ω₂，...，ω_m)∈R^m×1為權重向量，b為偏移值；基于以上的方法，最小二乘支持向量回歸函數旨在處理優化問題：

其中J(ω，ε)為目標函數，ε＝[ε₁，ε₂，...，ε_N]^T為預測殘差向量，γ∈R⁺為正則化參數；拉格朗日方程為：

其中α_i(i＝1，2，...，N)為拉格朗日因子；分別對ω，b，ε，α求偏導得到：

通過消除ω，ε_i，最小二乘支持向量回歸轉換為解決如下線性問題；

其中I為單位矩陣，是輸出特征向量，采用GRBF高斯徑向基作為LSSVR的核函數，GRBF函數顯示如下：

其中δ為高斯徑向基的寬度參數；最終預測結果由解決的b，α給出，計算結果如下：