可优化的自适应多核支持向量机的短时交通流预测方法技术

本发明专利技术涉及一种可优化的自适应多核支持向量机的短时交通流预测方法。组合高斯核函数和多项式核函数以构建自适应多核支持向量机（AMSVM）；利用自适应粒子群算法（APSO）对AMSVM进行参数优化；同时考虑历史数据和实时数据，提出基于AMSVM的短时交通流预测模型；输入交通流数据集，利用预测模型生成短时交通流的预测结果；根据交通流的预测结果和实际交通数据，对预测误差进行评价分析。本发明专利技术方法可改善现有支持向量机（SVM）方法仅采用单个核函数进行预测的不足，能充分适应交通流非线性和随机性的变化特征，实现对短时交通流的实时、自适应预测，同时提高预测结果的速度和精度，具有一定的理论参考和现实意义。

【技术实现步骤摘要】
可优化的自适应多核支持向量机的短时交通流预测方法
本专利技术涉及机器学习和智能交通领域，特别是一种可优化的自适应多核支持向量机的短时交通流预测方法。
技术介绍
交通流诱导与控制是智能交通系统(ITS)的基本功能，通过发布实时有效的交通出行信息，诱导出行者选择最佳出行路径，避免向拥堵区域的进一步集聚，引导和均衡交通流在时间与空间上的分布，实现对交通拥堵的主动式控制，可有效提高路网通行效率、缓解城市交通拥堵，同时减轻由此产生的环境污染和资源浪费问题。而交通流诱导与控制系统的正常运行，核心基础就在于短时交通流的实时、动态和精准预测。目前为止，国内外业已提出的交通流预测方法主要有时间序列法、卡尔曼滤波、混沌理论、神经网络和支持向量机(SVM)等。影响交通流变化的因素多种多样，而且彼此之间具有非线性和随机性的特点。SVM具有良好的自学习和非线性预测能力，并且能在小训练样本的情况下获得较好的预测精度，因此在短时交通流预测领域拥有举足轻重的地位。SVM是一种针对分类和回归问题的统计学习方法，其建立在VC维理论和结构风险最小化原则之上，用于解决小样本和过度学习问题，能够保证所求极值是全局最优解。然而，现有基于SVM的方法在实际预测时本质上只采用了一种核函数，不足以充分适应交通流的变化特征。为提高预测结果的准确率，有必要对算法做进一步的改进并提出更好的预测模型。
技术实现思路
本专利技术的目的在于提供一种可优化的自适应多核支持向量机的短时交通流预测方法，该方法可改善现有支持向量机(SVM)方法仅采用单个核函数进行预测的不足，能充分适应交通流非线性和随机性的变化特征，实现对短时交通流的实时、自适应预测，同时提高预测结果的速度和精度，具有一定的理论参考和现实意义。为实现上述目的，本专利技术的技术方案是：一种可优化的自适应多核支持向量机的短时交通流预测方法，包括如下步骤，步骤S1：组合高斯核函数和多项式核函数以构建自适应多核支持向量机；步骤S2：利用自适应粒子群算法对自适应多核支持向量机进行参数优化；步骤S3：同时考虑历史数据和实时数据，提出基于自适应多核支持向量机的短时交通流预测模型；步骤S4：输入交通流数据集，利用预测模型生成短时交通流的预测结果；步骤S5：根据交通流的预测结果和实际交通数据，对预测误差进行评价分析。在本专利技术一实施例中，在所述步骤S1中，所述自适应多核支持向量机通过如下方式构建：步骤S11：构建高斯核函数与多项式核函数组合而成的混合核函数：K(x,xi)＝β·exp(-γ||x-xi||2)+(1-β)·[γ(x·xi)+1]q其中，x和xi表示样本集中任意两个实输入向量，β∈[0,1]为混合核函数的权重系数，γ为核函数的固有参数，q为幂次；步骤S12：根据交通流的实时变化趋势即数值的斜率大小来自适应调整权重：其中，表示之前两个时段交通流量值在二维平面上所对应点(xi-1,yi-1)和(xi-2,yi-2)的斜率。在本专利技术一实施例中，在所述步骤S2中，所述自适应粒子群算法采用自适应的惯性权重、学习因子和飞行时间因子随惯性权重动态调整的学习策略；自适应粒子群算法中每个粒子的当前位置为待定参数的当前值：χ＝(C,ε,γ)，通过优化过程搜索得到所需的自适应多核支持向量机的最优参数。在本专利技术一实施例中，在所述步骤S3中，所述的短时交通流预测模型具体流程如下：步骤S31：初始化自适应粒子群环境参数；步骤S32：将待求参数当作粒子的位置向量，并初始化粒子速度和位置；步骤S33：输入历史平均交通流数据到训练模块，通过自适应多核支持向量机进行映射和回归；步骤S34：计算粒子的适应度值，并按照更新粒子的速度和位置；步骤S35：针对每个粒子，重复步骤S32～S34；步骤S36：按照步骤S33～S35进行迭代更新，直到样本的训练误差满足精度限制，此时输出最优参数C、ε和γ到预测模块；步骤S37：输入前N个时段的实时交通流数据到预测模块：X＝[Xt-N,…,Xt-1,Xt]，根据实时数据计算β值，然后在最优参数条件下训练自适应多核支持向量机，并预测输出下一时段的交通流量。在本专利技术一实施例中，在所述步骤S4中，对交通流数据集进行预处理，输入到步骤S3中所述的预测模型，模型经优化和训练后输出目标路段在下一时段的短时交通流预测值。在本专利技术一实施例中，所述步骤S5中，采用以下的评价标准对预测误差进行评价分析：1)平均绝对百分误差(MAPE)：2)均方根误差(RMSE)：3)相关系数(R)：其中，Yi为实际交通量，为预测的交通流量，n为样本个数。相较于现有技术，本专利技术具有以下有益效果：本专利技术所提出的一种可优化的自适应多核支持向量机的短时交通流预测方法，可改善现有SVM方法仅采用单个核函数进行预测的不足，能充分适应交通流非线性和随机性的变化特征，实现对短时交通流的实时、自适应预测，同时提高预测结果的速度和精度。附图说明图1是本专利技术实施例中基于可优化的自适应多核支持向量机的短时交通流预测模型。图2(a)是本专利技术实施例中利用所专利技术的方法预测生成的某路段在高峰期的短时交通流量。图2(b)是本专利技术实施例中利用自适应混合核函数与固定混合核函数对高峰期短时交通流预测的性能评价指标。图3是本专利技术实施例中所专利技术的方法与现有技术对短时交通流预测结果的对比。具体实施方式下面结合附图，对本专利技术的技术方案进行具体说明。本专利技术提出一种可优化的自适应多核支持向量机的短时交通流预测方法，具体按照如下步骤实现：步骤S1，组合高斯核函数和多项式核函数以构建自适应多核支持向量机。在本实施例中，由于不同特征空间中数据的分布不同，支持向量机的性能很大程度上取决于核函数的选择。核函数按类型可分为局部核函数和全局核函数，局部核函数学习能力强，但泛化能力比较弱；全局核函数泛化能力强，学习能力则相对较弱。高斯径向基核函数(RBF)和多项式核函数(Poly)分别为典型的局部核函数、全局核函数，因此它们经常被用于交通流预测。两者的公式如下：K(x,xi)＝exp(-γ||x-xi||2)(1)K(x,xi)＝[γ(x·xi+1)]q(2)其中，(1)式为RBF，(2)式为Poly，x和xi表示样本集中任意两个实输入向量，γ为核函数的固有参数并决定了数据映射到新的特征空间后的分布，q为Poly的幂次。为适应交通流的非线性和随机性，同时提高预测结果的可靠性和准确性，本专利技术的自适应多核支持向量机采用高斯核函数与多项式核函数组合而成的混合核函数，表达式如下：K(x,xi)＝β·exp(-γ||x-xi||2)+(1-β)·[γ(x·xi)+1]q(3)其中，β∈[0,1]为混合核函数的权重系数。进一步的，为充分利用两者的优势，本专利技术根据交通流的实时变化趋势即数值的斜率大小来自适应调整权重，公式如下：其中，表示之前两个时段交通流量值在二维平面上所对应点(xi-1,yi-1)和(xi-2,yi-2)的斜率。当斜率|k减小时，曲线趋于平坦，此时应增强核函数的全局泛化能力，即增大多项式核函数的权重，对应减小β的值；当斜率|k|增大时，曲线趋于尖锐，此时应增强核函数的局部学习能力，即增大高斯核函数的权重，对应增大β的值。步骤S2，利用自适应粒子群算法对AMSVM进行参数优化。在本实施例中，已知待定参数包括：惩罚本文档来自技高网...

【技术保护点】
一种可优化的自适应多核支持向量机的短时交通流预测方法，其特征在于：包括如下步骤，步骤S1：组合高斯核函数和多项式核函数以构建自适应多核支持向量机；步骤S2：利用自适应粒子群算法对自适应多核支持向量机进行参数优化；步骤S3：同时考虑历史数据和实时数据，提出基于自适应多核支持向量机的短时交通流预测模型；步骤S4：输入交通流数据集，利用预测模型生成短时交通流的预测结果；步骤S5：根据交通流的预测结果和实际交通数据，对预测误差进行评价分析。

【技术特征摘要】
1.一种可优化的自适应多核支持向量机的短时交通流预测方法，其特征在于：包括如下步骤，步骤S1：组合高斯核函数和多项式核函数以构建自适应多核支持向量机；步骤S2：利用自适应粒子群算法对自适应多核支持向量机进行参数优化；步骤S3：同时考虑历史数据和实时数据，提出基于自适应多核支持向量机的短时交通流预测模型；步骤S4：输入交通流数据集，利用预测模型生成短时交通流的预测结果；步骤S5：根据交通流的预测结果和实际交通数据，对预测误差进行评价分析。2.根据权利要求1所述的可优化的自适应多核支持向量机的短时交通流预测方法，其特征在于：在所述步骤S1中，所述自适应多核支持向量机通过如下方式构建：步骤S11：构建高斯核函数与多项式核函数组合而成的混合核函数：K(x,xi)＝β·exp(-γ||x-xi||2)+(1-β)·[γ(x·xi)+1]q其中，x和xi表示样本集中任意两个实输入向量，β∈[0,1]为混合核函数的权重系数，γ为核函数的固有参数，q为幂次；步骤S12：根据交通流的实时变化趋势即数值的斜率大小来自适应调整权重：其中，表示之前两个时段交通流量值在二维平面上所对应点(xi-1,yi-1)和(xi-2,yi-2)的斜率。3.根据权利要求1所述的可优化的自适应多核支持向量机的短时交通流预测方法，其特征在于：在所述步骤S2中，所述自适应粒子群算法采用自适应的惯性权重、学习因子和飞行时间因子随惯性权重动态调整的学习策略；自适应粒子群算法中每个粒子的当前位置为待定参数的当前值：χ＝(C,ε,γ)，通过优化过程搜索得到所需的自适应多核支持向量机的最优参数。4.根据权利要求1所述的可优化的自适应多核支持向量机的短时交通流预测方法，其特征在于：在所述步骤S3...

【专利技术属性】
技术研发人员：冯心欣，凌献尧，林烨婷，陈忠辉，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35