[發明專利]基于奇異譜分析和回聲狀態網絡的短時交通流預測方法

有效

• 申請號: 202011493512.8
• 申請日: 2020-12-17
• 公開（公告）號: CN112614346B
• 公開（公告）日: 2022-02-15
• 發明（設計）人: 王煒;周偉;金坤;趙德;于維杰
• 申請（專利權）人: 東南大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/065;G06K9/00;G06K9/62;G06N3/04
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 羅運紅

1.一種基于奇異譜分析和回聲狀態網絡的短時交通流預測方法，其特征在于，所述方法具體包括：

(1)設置一定的時間間隔，收集得到反映交通狀態信息隨時間變化的交通流時間序列，并將所述交通流時間序列進行劃分，構建得到訓練集，驗證集和測試集；所述訓練集和驗證集中的交通流時間序列在時間上連續；

其中，交通流時間序列用Y(t)＝y₁,y₂,...,y_N,t＝1,2,...,N表示；式中，t表示時間；N表示交通流時間序列的長度；

所述交通流時間序列為交通狀態信息按照時間順序組成的時間序列；

(2)通過奇異譜分析將步驟(1)所述訓練集、驗證集和測試集中的交通流時間序列Y(t)均分解為趨勢Y_T(t)、周期Y_P(t)和殘差Y_N(t)三個子成分，具體方法如下：

(21)將交通流時間序列嵌入為軌跡矩陣

式中，表示實數集；f_t,t＝1,2,...,N表示交通流時間序列在第t時刻的數值；N表示交通流時間序列的長度；L為窗口長度；K為軌跡矩陣F的列數；

其中，軌跡矩陣參數值滿足關系式：K＝N-L+1且2≤K≤N/2；

(22)將步驟(21)所述軌跡矩陣F進行奇異值分解：

式中，Σ為對角矩陣；對角線元素為軌跡矩陣F的奇異值；矩陣U為軌跡矩陣F的左奇異向量；矩陣V為軌跡矩陣F的右奇異向量；向量U_i為矩陣U的第i列；向量V_i為矩陣V的第i列；V^T為矩陣V的轉置；V_i^T為向量V_i的轉置；d,d＝rank(F)≤min(L,K)表示軌跡矩陣F的奇異值個數；為特征三元組；所述特征三元組均可以表示為軌跡矩陣F的一種特征成分

(23)根據重要程度曲線“拐點”法將軌跡矩陣F的全部特征成分F_i重組為趨勢、周期和殘差三個成分；

F＝F_T+F_P+F_N

式中，F_T、F_P和F_N分別表示趨勢，周期和殘差成分；F_i表示軌跡矩陣的第i成分；λ_i表示軌跡矩陣的第i成分F_i的權值；

(24)通過對角平均化將分組重構的矩陣F_T、F_P和F_N分別轉化為趨勢成分Y_T(t)，周期成分Y_P(t)和殘差成分Y_N(t)的時間序列；

(3)構建PSO-ESN網絡訓練模型，所述PSO-ESN網絡訓練模型包括PSO和ESN兩部分；利用PSO對所述PSO-ESN網絡訓練模型的性能進行優化，得到優化后的PSO-ESN網絡訓練模型；所述PSO-ESN網絡模型的性能取決于ESN網絡，而ESN網絡的性能取決于4個預先設定的參數：S、SR、SP和IS；其中，S為儲備池規模，具體表示儲備池神經元個數；SR為儲備池的譜半徑，具體表示儲備池內部連接矩陣W_x最大特征值的絕對值；SR反映了網絡的記憶情況，且SR∈[0,1]；SP為儲備池稀疏度，具體表示連接矩陣W_x中非0元素的比例值；SP反映了儲備池內部連接情況，且SP∈[0,1]；IS為輸入縮放因子，具體表示數據在輸入之前的縮放比例，且IS∈[0,1]；

(4)利用步驟(2)所述訓練集和驗證集的交通流時間序列Y(t)的趨勢Y_T(t)、周期Y_P(t)和殘差Y_N(t)三個子成分分別對步驟(3)中優化后的PSO-ESN網絡訓練模型進行訓練，得到三個子成分所對應的PSO-ESN網絡模型，具體方法如下：

設置ESN網絡中輸入層的神經元個數為N，儲備池的神經元個數為S，輸出層的神經元個數為O；則ESN的狀態方程：

x(t+1)＝σ(W_inu(t+1)+W_xx(t)+b_x)

y(t+1)＝W_outx(t+1)+b

式中，和分別為t+1時刻的輸入向量、儲備池的狀態向量、輸出向量；和分別表示輸入層到儲備池、儲備池內部之間和儲備池到輸出層的連接權重；σ(·)為sigmod激活函數：

其中，連接權重W_in和W_x由初始化隨機生成，并且在訓練的過程中保持不變；在網絡訓練的過程中僅對W_out進行訓練，W_out通過偽逆法訓練得到；

(5)將步驟(1)所述測試集中交通流時間序列Y(t)的趨勢Y_T(t)、周期Y_P(t)和殘差Y_N(t)三個子成分分別輸入其對應的PSO-ESN網絡模型，得到關于三個子成分的預測結果值；將三個子成分的預測結果值相加，作為交通流的預測結果。