一种在线式实时短时间交通流预测方法技术

本发明专利技术提出了一种在线式实时短时交通流预测方法，对LS‑SVM模型中Lagrange乘子向量的求解过程进行了简化，提出了利用滑动时间窗口的移动来控制新数据样本的加入和旧数据样本的移除，滑动时间窗口中数据样本更新后，仅通过向量的线性运算就可以求得Lagrange乘子向量更新值，从而完成短时交通流预测模型的在线更新。本方法能够有效缩短预测模型在线更新的时间，提高在线短时交通流预测的实时性。

【技术实现步骤摘要】
一种在线式实时短时间交通流预测方法
本专利技术涉及一种交通流的预测方法，具体涉及一种基于LS-SVM技术的在线式实时短时间交通流预测方法。
技术介绍
交通流预测是智能交通系统的关键组成部分，具有重要的研究意义。交通流预测主要是对由一定统计间隔的实时交通流时间序列构成的动力系统进行的一种预测性研究。交通流预测的主要研究对象为统计间隔为2至15分钟内的短时交通流时间序列，由上述短时交通流时间序列构成的交通流动力系统具有非线性和非平稳的特征。目前，短时交通流非线性预测方法主要包括灰色系统理论、神经网络和支持向量机等方法，其中支持向量机(SupportVectorMachine，SVM)通过采用结构风险最小化原则和引入核方法，有效解决小样本、高维度的学习问题，并通过将学习算法转化为凸二次规划的优化问题，有效解决了局部极值问题，由于上述优点以及完备的统计学习理论基础和良好的泛化性能，目前SVM已经被广泛应用于短时交通预测领域。在实际应用中，短时交通流时间序列是随着时间的推移逐步注入到预测模型中，这就需要随着新样本的到来，对原预测模型实时在线更新。传统的SVM预测算法将所有的训练样本参与求解二次规划问题，每当新样本加入时，需要用所有的数据重新训练预测模型，随着样本数量的增加预测模型的训练效率不断下降。相对而言，在线式的SVM预测算法能够充分利用前一步的学习结果，而不需要重新开始学习，从而可以减少新样本加入时预测模型的训练时间。目前，常见的在线式SVM回归预测算法大多根据KarushKuhnTucker(KKT)条件将训练数据集中的样本点划分为边界支持向量集合、误差支持向量集合和保留向量集合三类，当训练数据集更新时，原模型所满足的KKT条件被破坏，需迭代式的逐点判断更新后数据集中各个样本点的类型，并依据各个样本点在三类集合之间的迁移情况修正SVM回归模型相关参数，使得模型重新满足KKT条件。上述算法对新样本点的增加和旧样本点的删除需要分两个阶段完成，每个阶段都需要对模型进行迭代式的修正，算法实现复杂且收敛性无法有效保证，在实际工程中难于应用，因而迫切需要提出一种更加高效的在线式的SVM预测算法。
技术实现思路
针对上述现有技术中存在的问题，本专利技术的目的在于，提供一种在线式实时短时交通流预测方法，克服了常规在线短时交通流预测时预测模型重复训练、预测模型更新算法的计算复杂度高等缺陷，实现了短时交通流预测模型的在线更新，并简化了预测模型更新算法，在不降低预测精度的条件下，提高在线短时交通流预测的实时性。为了实现上述任务，本专利技术采用以下技术方案：一种在线式实时短时间交通流预测方法，包括以下步骤：步骤一，选定需要进行交通流预测的路段，获取所选路段的短时交通流历史数据，并构建所选路段的短时交通流历史数据库；步骤二，根据获取的短时交通流历史数据，确定短时交通流预测的预测时段；步骤三，根据所述的预测时段，确定短时交通流数据的样本周期；步骤四，根据所述的样本周期，确定在线预测时间样本更新的滑动时间窗口长度，即每次在线预测时所需要使用的交通流历史数据的数量；步骤五，进行短时交通流的初始预测首先，根据滑动时间窗口的长度，选择初始短时交通流样本数据，并构成最小二乘支持向量机模型，即LS-SVM模型的初始训练数据集，该训练数据集中的交通流历史数据按时间逆序排列，并根据采样时刻的顺序进行编号；然后，利用所述的初始训练数据集训练所述的LS-SVM模型；最后，利用训练好的最LS-SVM模型进行初始交通流预测；步骤六，按照滑动时间窗口进行交通流历史数据的更新在短时交通流历史数据库中，获取一条新的交通流数据，根据该交通流数据的采样时刻确定该数据在滑动时间窗口中的编号；然后，根据确定的编号，删除原滑动时间窗口中对应编号的数据，将新的数据插入到该位置，这样滑动时间窗口就完成了一次数据更新；步骤七，对所述的LS-SVM模型进行更新，然后进行新一轮的短时交通流预测。进一步地，所述的路段短时交通流历史数据是指路段短时交通流量数据，该数据通过公路运营管理部门获取；路段短时交通流历史数据按时间顺序存储，数据中包括数据采集日期、时刻和交通流量值。进一步地，步骤二中所述的预测时段为5～15分钟。进一步地，步骤五中，滑动时间窗口表示为如下式所示的数据集合：{(xi,yi)|i＝1,2,...,M,xi＝i}(1)在式1中，xi的下标i表示交通流数据在滑动时间窗口中的编号，其取值范围为1至M，M为滑动时间窗口的长度；xi的值等于其下标i，即xi＝i；yi表示滑动时间窗口中第xi号交通流量采样值。进一步地，步骤五中，构建的LS-SVM模型表示为：上式中，M为滑动时间窗口长度；预设参数λ取值为1；核函数k(x,xi)采用径向基RBF核函数，ai是Lagrange乘子向量a的第i个元素，x为期望预测的交通流数据的编号，y为预测的编号为x的交通流的值，其中x取值大于M。进一步地，所述的公式(2)中，Lagrange乘子向量a的计算公式为：a＝(K+λ2E+C-1I)-1Y(4)上式中，预设参数λ取值为1，规则化参数C取值为4，E为M×M阶的全1矩阵，I为M×M阶单位矩阵，K为M×M阶核函数矩阵，Y＝(y1,y2,...,yM)T为滑动时间窗口中的交通流历史数据；令H＝K+λ2E+C-1I,(λ＞0,C＞0)，将H称为核扩展矩阵。进一步地，步骤六中，计算新的交通流数据在滑动时间窗口中的编号i'采用以下公式：i'＝((n-1)modN)*T+d(6)上式中，n表示新的交通流历史数据是第n天的采样数据，N是构建初始滑动时间窗口时选取的连续N天的交通流历史数据，T表示交通流数据的样本周期，d表示新的交通流历史数据的采样时刻编号。进一步地，步骤七中对LS-SVM模型进行更新的具体步骤为：设步骤五中得到的核扩展矩阵H的逆矩阵表示为R，则当滑动时间窗口发生一次数据更新后，根据更新数据的编号i'，按公式7计算滑动时间窗口发生一次数据更新后Lagrange乘子向量anew：在公式7中，aold表示滑动时间窗口更新前得到的Lagrange乘子向量；R(:,i')表示由矩阵R的第i'列元素构成的列向量；表示本次数据更新中新加入滑动时间窗口的交通流历史数据采样值；表示本次数据更新中被替换掉的交通流历史数据采样值；通过公式7求得Lagrange乘子向量anew后，则在线更新的LS-SVM预测模型可表示为:本专利技术与现有技术相比具有以下技术特点：本专利技术在进行在线短时交通流预测时，不需要进行LS-SVM预测模型的重复训练，仅根据更新的交通流训练数据集，利用简化的更新算法直接更新LS-SVM预测模型，在不降低预测精度的条件下，提高在线短时交通流预测的实时性。本专利技术的方法适用于交通流预测，在智能交通系统中有重要的应用价值。附图说明图1为本专利技术方法的流程图；具体实施方式最小二乘支持向量机(LeastSquare-SupportVectorMachine，LS-SVM)将传统SVM回归模型的ε-损失函数更换为二次损失函数，将SVM模型训练样本的不等式约束变为等式约束，进而将SVM的求解从二次规划问题转化为解线性方程组问题，同时Lagrange乘子的数量也减少一半，因此LS-SVM模型比较适合在线建模问题。同时，短本文档来自技高网...

【技术保护点】
一种在线式实时短时间交通流预测方法，其特征在于，包括以下步骤：步骤一，选定需要进行交通流预测的路段，获取所选路段的短时交通流历史数据，并构建所选路段的短时交通流历史数据库；步骤二，根据获取的短时交通流历史数据，确定短时交通流预测的预测时段；步骤三，根据所述的预测时段，确定短时交通流数据的样本周期；步骤四，根据所述的样本周期，确定在线预测时间样本更新的滑动时间窗口长度，即每次在线预测时所需要使用的交通流历史数据的数量；步骤五，进行短时交通流的初始预测首先，根据滑动时间窗口的长度，选择初始短时交通流样本数据，并构成最小二乘支持向量机模型，即LS‑SVM模型的初始训练数据集，该训练数据集中的交通流历史数据按时间逆序排列，并根据采样时刻的顺序进行编号；然后，利用所述的初始训练数据集训练所述的LS‑SVM模型；最后，利用训练好的最LS‑SVM模型进行初始交通流预测；步骤六，按照滑动时间窗口进行交通流历史数据的更新在短时交通流历史数据库中，获取一条新的交通流数据，根据该交通流数据的采样时刻确定该数据在滑动时间窗口中的编号；然后，根据确定的编号，删除原滑动时间窗口中对应编号的数据，将新的数据插入到该位置，这样滑动时间窗口就完成了一次数据更新；步骤七，对所述的LS‑SVM模型进行更新，然后进行新一轮的短时交通流预测。...

【技术特征摘要】
1.一种在线式实时短时间交通流预测方法，其特征在于，包括以下步骤：步骤一，选定需要进行交通流预测的路段，获取所选路段的短时交通流历史数据，并构建所选路段的短时交通流历史数据库；步骤二，根据获取的短时交通流历史数据，确定短时交通流预测的预测时段；步骤三，根据所述的预测时段，确定短时交通流数据的样本周期；步骤四，根据所述的样本周期，确定在线预测时间样本更新的滑动时间窗口长度，即每次在线预测时所需要使用的交通流历史数据的数量；步骤五，进行短时交通流的初始预测首先，根据滑动时间窗口的长度，选择初始短时交通流样本数据，并构成最小二乘支持向量机模型，即LS-SVM模型的初始训练数据集，该训练数据集中的交通流历史数据按时间逆序排列，并根据采样时刻的顺序进行编号；然后，利用所述的初始训练数据集训练所述的LS-SVM模型；最后，利用训练好的最LS-SVM模型进行初始交通流预测；步骤六，按照滑动时间窗口进行交通流历史数据的更新在短时交通流历史数据库中，获取一条新的交通流数据，根据该交通流数据的采样时刻确定该数据在滑动时间窗口中的编号；然后，根据确定的编号，删除原滑动时间窗口中对应编号的数据，将新的数据插入到该位置，这样滑动时间窗口就完成了一次数据更新；步骤七，对所述的LS-SVM模型进行更新，然后进行新一轮的短时交通流预测。2.如权利要求1所述的所述的在线式实时短时间交通流预测方法，其特征在于，所述的路段短时交通流历史数据是指路段短时交通流量数据，该数据通过公路运营管理部门获取；路段短时交通流历史数据按时间顺序存储，数据中包括数据采集日期、时刻和交通流量值。3.如权利要求1所述的所述的在线式实时短时间交通流预测方法，其特征在于，步骤二中所述的预测时段为5～15分钟。4.如权利要求1所述的在线式实时短时间交通流预测方法，其特征在于，步骤五中，滑动时间窗口表示为如下式所示的数据集合：{(xi,yi)|i＝1,2,...,M,xi＝i}(1)在式1中，xi的下标i表示交通流数据在滑动时间窗口中的编号，其取值范围为1至M，M为滑动时间窗口的长度；xi的值等于其下标i，即xi＝i...

【专利技术属性】
技术研发人员：康军，段宗涛，陈柘，李都厚，葛建东，江华，黄凯，颜建强，李威，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西,61