The present invention provides a method of short-term traffic flow, grey ELM neural network prediction based on grouped data collected by gray sequence, and then accumulate, be accumulated after the gray sequence; processing of accumulated equal dimension new information sequence, input matrix and target the output matrix of the network; the first randomly generated network weights and threshold, set the network parameters, the input matrix set and the target output matrix generation network input neural network, neural network; input test data, get the results to predict the output of the network; the prediction results accumulated minus the gray value of the sequence with the network to get the actual forecast results, forecast. The utility model has the advantages that the input data of the invention is processed by a grey model, and the difference is smaller, so that the prediction accuracy of the grey ELM neural network is greatly improved.
【技术实现步骤摘要】
一种基于灰色ELM神经网络的短时交通流量预测的方法
本专利技术涉及短时交通流量预测的
,特别是指一种基于灰色ELM神经网络的短时交通流量预测的方法。
技术介绍
随着经济的发展,对汽车需求的不断增加,公路交通流量也随之增加,由此带来了一系列的交通问题。在不改变当前路网的情况下,通过智能交通控制系统实现对路网的疏导和控制,是解决交通问题的有效途径。准确的交通流预测是交通流的疏导和控制的基础,是智能交通管理系统的重要组成部分。交通流本身具有很强的不确定性,是复杂、多变的,容易受到随机的扰动,并且规律性不明显,随着不同的预测方法的引入,对短时交通流的预测也出现了许多预测模型,但是现有的预测方法对数据波动性要求较高和易失真的特点。
技术实现思路
本专利技术为解决现有的问题,提出一种基于灰色ELM神经网络的短时交通流量预测的方法。本专利技术的技术方案是这样实现的:一种基于灰色ELM神经网络的短时交通流量预测的方法,其步骤包括:a.对数据进行灰色处理,将采集到的数据按照式(3)进行分组,即:设采集到的数据为Q,则Q=(q1,q2,…,qm),(m∈N+)(1)将其分为n组,每组M+1个数据,且满足n+M=m,(n∈N+,M∈N+)(2)对于其中的第p(p=1,2,…,n)组,记为:经过式(3)得到等维新息序列后,按照式(4)和(5)进行累加,得到累加后的等维新息序列,即:对中的数据进行灰色处理,得到一次累加序列为其中b.生成输入矩阵集和目标输出矩阵集,对累加后的等维新息序列按照式(6)、式(7)、式(8)处理,得到网络的输入矩阵和目标输出矩阵,即:选取的前M项作为EL ...
【技术保护点】
一种基于灰色ELM神经网络的短时交通流量预测的方法,其特征在于:其步骤包括:a.对数据进行灰色处理,将采集到的数据按照式(3)进行分组,即:设采集到的数据为Q,则Q=(q1,q2,…,qm),(m∈N
【技术特征摘要】
1.一种基于灰色ELM神经网络的短时交通流量预测的方法,其特征在于:其步骤包括:a.对数据进行灰色处理,将采集到的数据按照式(3)进行分组,即:设采集到的数据为Q,则Q=(q1,q2,…,qm),(m∈N+)(1)将其分为n组,每组M+1个数据,且满足n+M=m,(n∈N+,M∈N+)(2)对于其中的第p(p=1,2,…,n)组,记为:经过式(3)得到等维新息序列后,按照式(4)和(5)进行累加,得到累加后的等维新息序列,即:对中的数据进行灰色处理,得到一次累加序列为其中b.生成输入矩阵集和目标输出矩阵集,对累加后的等维新息序列按照式(6)、式(7)、式(8)处理,得到网络的输入矩阵和目标输出矩阵,即:选取的前M项作为ELM神经网络的输入,第M+1项作为网络的期望输出,则有对以上分成n组数据,由其构成的网络的输入矩阵集X和目标输出矩阵集Y分别为X=[X1,X2,…,Xn](7)Y=[Y1,Y2,…,Yn](8)设网络的实际输出矩阵T为T=[T1,T2,…,Tn](9);c.建立ELM神经网络模型,先随机生成网络的权值和阈值,设定好网络参数,网络参数设置如下:Wij,(i=1,2,…,l,j=1,2,…,M)为输入层和隐含层之间的连接权值,其中l∈N+,为隐层神经元个数,并记Wi=(Wi1,Wi2,…,WiM);Bi,(i=1,2,…,l)为隐含层第i个的节点的阈值;β为隐含层和输出层的权值,其中βi,...
【专利技术属性】
技术研发人员:钱伟,车凯,王瑞,黄凯征,王俊峰,刘海波,李冰锋,
申请(专利权)人:河南理工大学,
类型:发明
国别省市:河南,41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。