一种短时交通流预测方法技术

本发明专利技术涉及一种短时交通流预测方法，其特征在于，包括以下步骤：1)分别利用灰色算法和ELM神经网络预测出第p+1个时间段的交通流量；2)计算第p+1个时间段的之前几个时间段交通流量的标准差S和子模型在第p个时间段的误差，并以此误差，求得两子模型在下一时间段的预测的权重；3)若第p个时间段之前的几个时间段交通流流量的标准差Sp＞S0，则直接采用ELM算法的预测结果作为该时刻的预测值；若第p‑1个时间段之前的几个时间段的标准差Sp‑1＞S0，此时给组合模型的子模型一个固定权重，以消除灰色算法的影响。

【技术实现步骤摘要】

本专利技术提供了一种短时交通流预测方法。
技术介绍
随着经济的不断发展，人们对汽车的需求不断增加，使得公路交通流量不断增加。交通问题越来越成为一个困扰人们生活的的复杂问题。在不改变当前路网的条件下，智能交通是解决复杂交通问题的有效途径。及时的交通诱导和交通控制是智能交通的核心内容。短时交通流预测是实现交通诱导和控制的关键，同时也是智能交通管理系统的基础。以下是和本申请相关的现有技术文献：[1]韩超，宋苏，王成红.基于ARIMA模型的短时交通流实时自适应预测[J].系统仿真学报,2004,16(7):1530-1535.[2]杨兆升，朱中.基于卡尔曼滤波理论的交通流量实时预测模型[J].中国公路学报，1999,12(3):63-67.[3]卢建中，程浩.改进GA优化BP神经网络的短时交通流量预测[J].合肥工业大学学报(自然科学版)，2015,38(1):127-131.[4]谢海红，戴许昊，齐远.短时交通流的改进K近邻算法[J].交通运输工程学报，2014,14(3):87-94.[5]杨春霞，符义琴.鲍铁男基于相似性的短时交通流预测[J].公路交通科技，2015,32(10):124-128.[6]高连生，易诞，毛娜，李亮.基于改进GM(1,1)的长期交通流量预测模型[J].铁道科学与工程学报,2015,12(1):203-207.[7]何沛桦，曹磊，马宏兵，贾云健，陈玲玲，贺良云，刘曙光，卢海兵.一种公交客流组合预测方法[P].中国，201410424296.X，2016.4.20[8]吴汉，王宁，沈国江.一种短时交通流加权组合预测方法[P].中国，201210186056.1，2012.9.26.[9]沈江国，朱芸，钱晓杰，胡越.短时交通流组合预测模型[J].南京理工大学学报,2014,38(2):246-251.[10]钱伟，杨矿利，杨慧慧，徐青正.基于组合模型的短时交通流预测[J].计算机仿真,2015,32(2):175-178.[11]王子赟，纪志成.基于灰色Verhulst模型的短期风速预测研究[J].控制工程，2013,20(2):219-222.[12]王明东，刘宪林，于继来.基于灰色预测的可拓控制方法[J].控制工程,2011,18(1):75-77.[13]DengChenwei,HuangGuangbin,XuJia,TangJielong.ExtremeLearningMachines:newtrendsandapplication.ScienceChina.InformationScience[J].2015,58.[14]Xiao-JianDing,Bao-FangChang.Activesetstrategyofoptimizedextremelearningmachine[J].ChineseScienceBulletin,2014,59(31):4152-4160.[15]季雪美，高军伟，刘新，张彬.基于ELM算法的短时交通流预测研究.青岛大学学报.2015,30(4):58-61.[16]马超，张英堂，任国全，李志宁，尹刚.基于VAE-ELM的时间序列预测及应用[J].控制工程,2014,24(7):529-532.[7]黄庭，王昕，李立学，周荔丹，姚刚，张杨.基于小波-极限学习机的短期风电功率预测[J].控制工程，2012,18:232-236.[18]郑为中，史其信.基于贝叶斯组合的短期交通流量预测研究[J].中国公路学报,2015,18(1):85-89.短时交通流量具有很强的不确定性，容易受到随机干扰的扰动，规律性不明显。近年来，随着对智能交通的研究的深入，已经出现了很多短时交通流量预测模型。文献[1]提出了用于短时交通流预测的多项式分布滞后模型，它是一种动态的回归模型，其建模思想为交通流时间序列同时受到自身滞后项之外的多个因素的影响，并分布到多个时段。但该模型抗干扰能力差，且需要更多的输入量。文献[2]采用基于传统线性系统理论的卡尔曼滤波模型，该模型采用较灵活的选择方法，精度较高。但是其预测精度依赖于交通流的线性特征，用于线性非实时在线交通流预测。文献[3]提出了一种改进GA优化BP神经网络的短时交通流量预测模型，具有很强的自组织和自适应能力,该模型能很好地克服普通线性回归模型不能反映交通流变化的非线性和不确定性，收敛速度慢，易陷入局部最小的状态的不足。但其仍需要进行大量的迭代来完成训练。文献[4]提出了改进K近邻模型，该模型用模式距离搜索方法代替原有的欧氏距离搜索方法，引入多元统计回归模型，使预测精度有了进一步提高。它利用已有数据建立输入输出的关系模型，对数据并没有严格的约束条件。但该模型所需数据量巨大，且难免产生冗余，同时，对错误数据的识别也将对预测造成较大的困难。文献[5]提出了一种基于相似性的短时交通流量预测方法，利用每周同一天的交通流相似性比相邻几天相似性大，建立小波神经网络模型。该方法综合了小波和神经网络的优点取得了较好的效果。但是对数据样本的选择具有定向性，若数据相似性较差，则预测效果随之下降。文献[6]提出了基于改进的GM(1,1)的长期交通量流预测模型，该方法所需数据量少，训练简单，对于平稳数据预测精度高，但对波动性较大的数据预测效果并不好。文献[7]提出的组合预测方法，利用灰度模型和自回归滑动平均模型进行预测，最后建立组合模型，利用最小二乘法对组合模型的权值进行估计，但由于其权值是固定的，其预测结果并不理想。文献[8]提出一种短时交通流加权组合预测方法，利用两种子模型各自的预测误差，确定子模型结果在组合模型中所占的权重，但会出现当前一时刻误差较小时导致权重过大的单极现象，影响预测精度。文献[9]提出的短时交通流预测组合模型，较好的解决了神经网络在大流量下的稳态性问题和卡尔曼滤波在流量不稳定时，预测精度不高的问题，在组合中，虽引入惯性因子，但却忽略了数据本身特性带来的影响。文献[10]提出的组合模型，引入权重调整因子，避免了当某一子模型在上一时刻预测结果较小，权重过大导致的单极预测现象。但没有考虑数据波动较大时，子模型的预测结果的可靠性。
技术实现思路
为解决上述问题，本专利技术提供了一种短时交通流预测方法。一种短时交通流预测方法，包括以下步骤：1)分别利用灰色算法和ELM神经网络预测出第p+1个时间段的交通流量；2)计算第p+1个时间段的之前几个时间段交通流量的标准差S和子模型在第p个时间段的误差，并以此误差，求得两子模型在下一时间段的预测的权重；3)若第p个时间段之前的几个时间段交通流流量的标准差Sp>S0，则直接采用ELM算法的预测结果作为该时刻的预测值；若第p-1个时间段之前的几个时间段的标准差Sp-1>S0，此时给组合模型的子模型一个固定权重，以消除灰色算法的影响。进一步，包括以下步骤：1)计算第p组交通流量的标准差Sp和第p-1组交通流量的标准差Sp-1，其中，2)计算在第p个时间段的灰色模型预测误差的绝对值Egp和ELM神经网络预测误差的绝对值Eep，其公式为：3)计算子模型预测结果的权值，灰色模型的预测权重记为ηg，ELM神经网络模型预测权重记为ηe，则ηe＝1-ηg；4)组合模型的预测值为：与现有技术本文档来自技高网...

【技术保护点】
一种短时交通流预测方法，其特征在于，包括以下步骤：步骤1、分别利用灰色算法和ELM神经网络预测出第p+1个时间段的交通流量；步骤2、计算第p+1个时间段的之前几个时间段交通流量的标准差S和子模型在第p个时间段的误差，并以此误差，求得两子模型在下一时间段的预测的权重；步骤3、若第p个时间段之前的几个时间段交通流流量的标准差Sp>S0，则直接采用ELM算法的预测结果作为该时刻的预测值；若第p‑1个时间段之前的几个时间段的标准差Sp‑1>S0，此时给组合模型的子模型一个固定权重，以消除灰色算法的影响。

【技术特征摘要】
1.一种短时交通流预测方法，其特征在于，包括以下步骤：步骤1、分别利用灰色算法和ELM神经网络预测出第p+1个时间段的交通流量；步骤2、计算第p+1个时间段的之前几个时间段交通流量的标准差S和子模型在第p个时间段的误差，并以此误差，求得两子模型在下一时间段的预测的权重；步骤3、若第p个时间段之前的几个时间段交通流流量的标准差Sp>S0，则直接采用ELM算法的预测结果作为该时刻的预测值；若第p-1个时间段之前的几个时间段的标准差Sp-1&...

【专利技术属性】
技术研发人员：钱伟，车凯，李冰锋，黄凯征，刘海波，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：河南;41