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

本发明专利技术提出了一种基于灰色ELM神经网络的短时交通流量预测的方法，步骤：对采集到的数据进行分组，得到等维新息序列，然后进行累加，得到累加后的等维新息序列；对累加后的等维新息序列进行处理，得到网络的输入矩阵和目标输出矩阵；先随机生成网络的权值和阈值，设定好网络参数，将生成的网络的输入矩阵集和目标输出矩阵集输入神经网络，训练网络；输入测试数据，得到网络的预测输出结果；用网络预测结果减去等维新息序列的累加值，得到实际预测结果，完成预测。其有益效果是：本发明专利技术的输入数据经过了灰色模型的处理，其差异性更小，使得灰色ELM神经网络的预测精度有了很大程度的提高。

A method of short term traffic flow forecasting based on Grey ELM neural network

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,(i＝1,2,…,l)为隐含层第i个节点与输出层节点的连接权值；d.网络训练，将步骤b中生成的输入矩阵集合目标输出矩阵集输入神经网络，对网络进行训练，网络训练原理为：隐层激励函数为sigmoid函数，表达式为：当输入为Xp时，根据神经网络原理有：隐层第i个节点的输入为neti＝WiXp+Bi(11)隐层第i个节点的输出为si＝f(neti)＝f(WiXp+Bi)(12)网络的输出层的输出为当输入为X时，记隐含层的输出矩阵为H，有对于输出层，则有输出方程为：T＝Hβ(15)网络训练的目的就是找到最优输出层权值使网络的实际输出T无限逼近于目标输出Y，通过求取最小范数二乘解的方法得到最优输出层权值即：其中，H+为Moore-penrose逆，e.仿真测试，利用求解到的最优权值求得最优输出层权值下的ELM神经网络的预测输出为：f.将预测结果累减还原成实际预测结果，用网络预测结果减去步骤b得到的等维新息序列的累加值，得到实际预测结果，通过累减得到实际预测值为：本测量方法首先对原始数据进行分组，构建等维新息序列，对等维新息序列进行灰色处理，得到灰色处理后的等维新息序列；然后对等维新息序列进行处理，构成输入矩阵集和目标输出矩阵集，对ELM神经网络进行训练，从而得到ELM神经网络对灰色数据的预测结果；最后通过累减还原，得到短时交通流的真实预测结果。本专利技术的有益效果是：ELM神经网络有着训练简单，训练速度快的特点，对交通流数据采用灰色模型累加处理，降低了交通流数据随机性，更有效减小因数据本身波动造成的误差。经仿真验证，相比于现有的一些预测方法，该方法提高了预测精度，是一种有效的短时交通流预测方法。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为ELM神经网络的架构图；图2为灰色模型预测结果与实际值的对比图；图3为ELM神经网络预测结果与实际值的对比图；图4为利用灰色模型和BP网络组合模型的预测结果与实际值的对比图；图5为带有惯性因子的组合模型的预测结果与实际值的对比图；图6为贝叶斯组合模型的预测结果与实际值的对比图；图7为灰色ELM网络的预测结果与实际值的对比图；图8为六种预测模型的预测结果综合对比图。其中x轴为时间点，y轴为交通流量；蓝色曲线为预测交通流量，红色曲线为实际交通流量。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。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,(i＝1,2,…,l)为隐含层第i个节点与输出层节点的连接权值；d.网络训练，将步骤b中生成的输入矩阵集合目标输出矩阵集输入神经网络，对网络进行训练，网络训练原理为：隐层激励函数为sigmoid函数，表达式为：当输入为Xp时，根据神经网络原理有：隐层第i个节点的输入为neti＝WiXp+Bi(11)隐层第i个节点的输出为si＝f(neti)＝f(WiXp+Bi)(12)网络的输出层的输出为当输入为X时，记隐含层的输出矩阵为H，有对于输出层，则有本文档来自技高网...

【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