【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 ...
【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 ...
【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
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。