[發(fā)明專利]基于GSA-SVR算法的短時(shí)道路交通擁堵預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110235890.4
• 申請(qǐng)日: 2021-03-03
• 公開（公告）號(hào): CN113096381A
• 公開（公告）日: 2021-07-09
• 發(fā)明（設(shè)計(jì)）人: 諸云;王陽(yáng);王建宇;蘇巖;馬立豐
• 申請(qǐng)（專利權(quán)）人: 南京理工大學(xué)
• 主分類號(hào): G08G1/01
• 分類號(hào): G08G1/01;G06K9/62;G06N3/00;G06N20/10
• 代理公司: 南京理工大學(xué)專利中心 32203
• 代理人: 陳鵬

本發(fā)明涉及一種基于GSA?SVR算法的短時(shí)道路交通擁堵預(yù)測(cè)方法，采用融合模型預(yù)測(cè)技術(shù)，針對(duì)短時(shí)交通流量預(yù)測(cè)問(wèn)題進(jìn)行研究，根據(jù)不同智能算法的優(yōu)缺點(diǎn)，提出一種基于引力搜索算法和支持向量機(jī)回歸模型融合的道路交通擁堵預(yù)測(cè)算法，并且將常用的SVM預(yù)測(cè)方法和本發(fā)明所提出的GSA?SVR預(yù)測(cè)方法進(jìn)行對(duì)比分析。本發(fā)明可以提高短時(shí)交通速度的預(yù)測(cè)精度，可以實(shí)現(xiàn)對(duì)城市路網(wǎng)的交通擁堵態(tài)勢(shì)評(píng)價(jià)。

技術(shù)領(lǐng)域

本發(fā)明屬于道路擁堵預(yù)測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于GSA-SVR算法的短時(shí)道路交通擁堵預(yù)測(cè)方法。

背景技術(shù)

隨著我國(guó)國(guó)民經(jīng)濟(jì)發(fā)展，城市化進(jìn)程加快，越來(lái)越多的資源及勞動(dòng)力涌向城市，促進(jìn)城市發(fā)展同時(shí)，交通擁堵問(wèn)題越來(lái)越突出，尤其是一些大城市的交通狀況更為嚴(yán)重，交通擁堵現(xiàn)象不僅造成了城市投資成本增加，浪費(fèi)了大量能源，還會(huì)增加環(huán)境污染，損害人們身體健康及帶來(lái)了精神困擾，并會(huì)耽誤人們很多事情，減少了社會(huì)活動(dòng)效率，造成較大經(jīng)濟(jì)損失。因此對(duì)交通擁堵進(jìn)行預(yù)測(cè)，尤其是預(yù)測(cè)交通流量有著重大的現(xiàn)實(shí)意義。

Vapnik等人于1995年首次提出向量機(jī)回歸模型(SVR)，是一種基于“小樣本”的學(xué)習(xí)機(jī)，主要用于函數(shù)逼近。目前，大量的研究表明SVR能夠處理小樣本、高維非線性預(yù)測(cè)問(wèn)題，并且在模式識(shí)別、參數(shù)估計(jì)、故障預(yù)判領(lǐng)域得到廣泛應(yīng)用，然而，由于SVM建模過(guò)程的計(jì)算量隨著訓(xùn)練樣本數(shù)量的增多而急劇增加，嚴(yán)重影響了建模效率。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于GSA-SVR算法的短時(shí)道路交通擁堵預(yù)測(cè)方法。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案為：一種基于GSA-SVR算法的短時(shí)道路交通擁堵預(yù)測(cè)方法，包括以下步驟：

步驟1、收集將要預(yù)測(cè)的某路段的某時(shí)段內(nèi)的全部交通流量數(shù)據(jù)；

步驟2、初始化改進(jìn)GSA算法相關(guān)參數(shù)以及SVR各參數(shù)；

步驟3、保留上代最優(yōu)個(gè)體位置，更新引力常數(shù)，利用公式計(jì)算個(gè)體的最新質(zhì)量，算出當(dāng)前個(gè)體收到其他個(gè)體引力的合力，從而算出個(gè)體的位移距離，得到新的個(gè)體位置，以此更新整個(gè)個(gè)體群的位置；計(jì)算適應(yīng)度；

步驟4、將當(dāng)前組新的個(gè)體位置與上一組位置p_t-1進(jìn)行比較以及替換，得到一組較優(yōu)的個(gè)體位置p_t；

步驟5、將步驟4中的p_t+1與步驟3中的p_t互相比較，用p_t+1其中較優(yōu)的解代替p_t中較差的解；并判斷其最優(yōu)適應(yīng)度是否滿足設(shè)置的預(yù)測(cè)精度；

步驟6、保留最優(yōu)個(gè)體位置以及對(duì)應(yīng)的(C,σ)值作為SVR的最優(yōu)參數(shù)，建立交通狀態(tài)預(yù)測(cè)模型；

步驟7、判斷得出的值是否符合設(shè)定精度，如符合輸出結(jié)果；否則，返回步驟3。

進(jìn)一步的，步驟1中收集將要預(yù)測(cè)的某路段的某時(shí)段內(nèi)的全部交通流量數(shù)據(jù)過(guò)程為：

對(duì)原始數(shù)據(jù)進(jìn)行歸一化，或者使用KPCA法進(jìn)行降維，生成SVR訓(xùn)練樣本。

進(jìn)一步的，步驟2中初始化改進(jìn)GSA算法相關(guān)參數(shù)以及SVR各參數(shù)過(guò)程為：

包括種群數(shù)量n，搜索空間的范圍，搜索精度acc，迭代次數(shù)iter；隨機(jī)選取n個(gè)個(gè)體初始位置假設(shè)每個(gè)個(gè)體位置可用參數(shù)集合(C,σ)表示，其中C為懲罰因子，σ為函數(shù)的寬度參數(shù)，找出當(dāng)前最優(yōu)個(gè)體的位置與最優(yōu)適應(yīng)度并記t＝0；

利用線性公式：

f(x_i)＝ωx_i+b (1)