用于城市道路短时交通流量预测的方法和系统技术方案

本发明专利技术公开了一种用于城市道路短时交通流量预测的方法和系统。该方法具体包括：进行数据预处理；选取LSSVM核函数；设置求解问题维度d，最大迭代次数Mit，“学生”群体n等参数；将上下代“学生”按适应值最优排序；进行“教”和“学”阶段学习；若达到最大迭代次数Mit，且满足预测误差条件，根据最优“学生”科目成绩，设置LSSVM的惩罚参数c和核宽度参数σ，并基于LSSVM构建预测模型对城市道路短时交通流量进行预测；进行反归一化输出；依据预测评价指标进行性能评价。

Method and System for Short-term Traffic Flow Forecasting of Urban Roads

The invention discloses a method and system for short-term traffic flow prediction of urban roads. This method includes: data preprocessing; LSSVM kernel function selection; setting parameters such as solving dimension d, maximum iteration number Mit and student group n; optimizing the ranking of the next generation of students according to fitness; learning in the \teaching\ and \learning\ stages; if the maximum iteration number Mit is reached and the prediction error condition is satisfied, according to the optimal \student\ subject performance, The penalty parameter C and the core width parameter_of LSSVM are set up, and a prediction model is built based on LSSVM to predict the short-term traffic flow of urban roads; the normalized output is carried out; and the performance evaluation is carried out according to the prediction evaluation index.

【技术实现步骤摘要】
用于城市道路短时交通流量预测的方法和系统
本专利技术涉及智能交通系统车流量预测
，尤其涉及一种用于城市道路短时交通流量预测的方法和系统。
技术介绍
随着经济持续快速发展，城市汽车保有量不断创新高，随之而来的城市交通拥挤成为困扰人类生活的全球性挑战。通常利用交通诱导和交通控制方式来缓解交通压力，而作为现代智能交通系统的核心内容之一，精确的交通流量预测是解决交通拥堵和构建智慧城市交通管理系统的基础和关键。传统短时交通流量预测方法有时间序列法、自回归模型、灰色理论等。这类方法技术相对成熟且结构较为简单，但基本建立于线性规则，难以预测城市交通复杂非线性、影响因素波动较大的交通流量序列。近年来，智能技术蓬勃发展，模糊推理、神经网络、深度学习等在短时交通流量预测中得到了良好应用。例如现有技术专利申请号为：CN2018100451199的专利申请中，采用人工神经网络粒子群算法进行交通道路拥堵预测，第一接收模块，设置在云服务器上，用于接收所述第一交通数据和所述第二交通数据，以及设置在云服务器上的粒子群算法程序模块，用于对所述第一接收模块接收的数据进行处理，得到第一预测数据；以及传输模块，设置在云服务器上，用于将所述第一预测数据传输至终端侧的设备；在终端侧的设备上，包括第二接收模块，用于接收云服务器回传的数据；以及存储装置，用于保存所述第二接收模块接收的数据；更新模块，设置在云服务器上，用于实时获取第一交通数据和第二交通数据，并将第一交通数据和第二交通数据作为新的输入变量，基于所述粒子群算法程序模块持续学习，不断优化第一预测数据，但人工神经网络方法收敛速度较慢，预测精度受初始连接权值、阈值参数的影响，同时也可能收敛至局部最优点。专利申请号为：CN201510478215的先有技术中提供一种基于深度学习神经网络结构的交通流预测方法，通过采集各类交通流数据，并利用深度自动编码器模型对采集各类交通流数据进行训练，在训练过程中对深度自动编码器模型进行调整，最后利用调整后的深度自动编码器模型对短期交通流进行预测，深度学习模型虽然性能优势，但其网络层级深，且为黑盒模型，使得预测较为复杂和不确定。现有技术中专利公告号为CN105389980B的现有技术中提供了基于长短时记忆递归神经网络的短时交通流预测方法，根据短时交通流的预测时间间隔，对输入的历史交通流数据进行聚合；对聚合后的历史交通流进行预处理；对长短时记忆递归神经网络设置合理的参数；使用预处理后的数据训练该神经网络预测模型；调用预测模型预测指定时间间隔的交通流量并评估预测误差，该方法也属于神经网络模型，通过参数设置进行短时预测，虽在运算时间和精度上有所改良，但仍然无法规避人工神经网络方法收敛速度较慢的特点。最小二乘支持向量机(LeastSquaresSupportVectorMachine,LSSVM)算法是以统计学习理论的VC维理论和结构风险最小原理为基础，一种新型的机器学习方法。LSSVM回归预测精度高、复杂性低、鲁棒性好、且克服了维数灾难等优点。但传统LSSVM进行交通流量预测时，其惩罚参数c和核参数σ一般采用试凑法选取，使得预测过程不智能且误差偏大和不可控。故广大学者进行了改进最小二乘支持向量机参数选取的研究工作。提出粒子群算法优化最小二乘支持向量机、遗传算法改进最小二乘支持向量机、果蝇算法优化最小二乘支持向量机。引入群智能优化算法，使得LSSVM的核心参数选取更快速、智能、准确，同时提高了交通流量预测精度。然而，上述优化LSSVM算法较为复杂、迭代收敛速度慢、且参数较难达到全局最优。
技术实现思路
本专利技术的目的之一至少在于，针对如何克服上述现有技术存在的问题，提供一种用于城市道路短时交通流量预测的方法和系统，其拥有较强的全局寻优能力、步骤简洁、预测精度高。为了实现上述目的，本专利技术采用的技术方案包括以下各方面。一种用于城市道路短时交通流量预测的方法，所述方法包括：数据预处理、核函数选取、算法参数初始化、随机数据生成、适应值计算、最优排序、阶段学习、迭代终止判断、基于LSSVM最优短时交通流量预测、反归一化输出、预测评价；其中数据预处理具体包括：针对选取历史交通流量数据，进行数据归一化处理；算法参数初始化具体包括：选取改进教与学算法，其中改进教与学算法中包括教师和学生的设定，进行参数设置，具体为设置改进教与学算法求解问题维度d，最大迭代次数Mit，学生群体n，设置最小二乘支持向量机LSSVM的惩罚参数c和核参数σ各自的上、下限值，初始化学生个体的参数；适应值计算具体包括：利用LSSVM计算学生成绩适应值，适应值最高的视为教师；最优排序具体包括：将上下代学生按适应值最优排序；迭代终止判断具体包括：根据最大迭代次数和预测误差条件进行判断。所述算法参数初始化包括：随机生成学生个体科目成绩的初始解X0；随机初始化学习步长ri。根据改进教与学算法优化来设置LSSVM的惩罚参数c和核宽度参数σ，将LSSVM计算的适应值作为学生所学科目成绩，适应值最高的视为教师。所述改进教与学方法为：将上一代学生与本代相关联，求出两代的优秀学生个体按映射排序，进行教和学阶段学习，并通过LSSVM计算保存对应最优适应值。教阶段学习，其特征在于，根据公式及其更新条件进化学生科目成绩，当的适应值大于时，进行学生科目成绩更新。所述Difference为科目当前学生平均成绩与教师水平的差，通过式计算，TF为教学因子，通过式TF＝round[1+rand(0,1)]求取。学阶段学习，其特征在于，随机挑选两个学生Xp和Xq：当f(Xp)<f(Xq)时，表明学生Xq成绩较学生Xp要优秀，故Xp向Xq学习，依据公式更新学生科目成绩；当f(Xp)>f(Xq)时，表明学生Xp成绩较学生Xq要优秀，故Xp向Xq学习，根据公式更新学生科目成绩。所述学习科目向量的维度d为2。所述最大迭代次数Mit为100，“学生”群体的数量为30。预测评价具体包括：选取平均绝对百分误差和相对误差以及均方根误差作为预测性能评判指标，具体公式如下：式中：yi为交通流量真实值；y’i表示交通流量预测值；n为交通流采集点数，本专利技术技术方案中还包括一种用于城市道路短时交通流量预测的系统，所述系统包括：显示器、输入输出设备、至少一个处理器、与所述至少一个处理器通信连接的存储器、以及用于供电的电源设备；其中，所述显示器用于显示预测结果；所述输入输出设备用于输入初始化参数；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行以上方法。综上所述，由于采用了上述技术方案，本专利技术至少具有以下有益效果：(1)通过改进的“教与学”算法优化最小二乘支持向量机进行短时交通流量预测，使得预测精度得到有效提高，计算处理时间明显缩短。(2)该方法和系统应用场景是短时交通流量随机性较强的城市道路，预测精度依然较高，因此推广应用前景乐观。(3)本专利技术所提出的城市道路短时交通流量预测方法和系统，便于交管部门科学合理疏导车流量，一定程度上缓解了城市拥堵。同时为构建智慧交通管理系统提供技术支持。附图说明图1是根据本专利技术实施例的用于城市道路短时交通流量预测的方法的流程图。图2是根据本专利技术实施本文档来自技高网...

【技术保护点】
1.一种用于城市道路短时交通流量预测的方法，其特征在于，所述方法包括：数据预处理、核函数选取、算法参数初始化、随机数据生成、适应值计算、最优排序、阶段学习、迭代终止判断、基于LSSVM最优短时交通流量预测、反归一化输出、预测评价；其中数据预处理具体包括：针对选取历史交通流量数据，进行数据归一化处理；算法参数初始化具体包括：选取改进教与学算法，其中改进教与学算法中包括教师和学生的设定，进行参数设置，具体为设置改进教与学算法求解问题维度d，最大迭代次数Mit，学生群体n，设置最小二乘支持向量机LSSVM的惩罚参数c和核参数σ各自的上、下限值，初始化学生个体的参数；适应值计算具体包括：利用LSSVM计算学生成绩适应值，适应值最高的视为教师；最优排序具体包括：将上下代学生按适应值最优排序；阶段学习具体包括：教阶段学习和学阶段学习；迭代终止判断具体包括：根据最大迭代次数和预测误差条件进行判断；预测评价具体包括：选取平均绝对百分误差(MAPE)和相对误差(RE)以及均方根误差(RMSE)作为预测性能评判指标，具体公式如下：

【技术特征摘要】
1.一种用于城市道路短时交通流量预测的方法，其特征在于，所述方法包括：数据预处理、核函数选取、算法参数初始化、随机数据生成、适应值计算、最优排序、阶段学习、迭代终止判断、基于LSSVM最优短时交通流量预测、反归一化输出、预测评价；其中数据预处理具体包括：针对选取历史交通流量数据，进行数据归一化处理；算法参数初始化具体包括：选取改进教与学算法，其中改进教与学算法中包括教师和学生的设定，进行参数设置，具体为设置改进教与学算法求解问题维度d，最大迭代次数Mit，学生群体n，设置最小二乘支持向量机LSSVM的惩罚参数c和核参数σ各自的上、下限值，初始化学生个体的参数；适应值计算具体包括：利用LSSVM计算学生成绩适应值，适应值最高的视为教师；最优排序具体包括：将上下代学生按适应值最优排序；阶段学习具体包括：教阶段学习和学阶段学习；迭代终止判断具体包括：根据最大迭代次数和预测误差条件进行判断；预测评价具体包括：选取平均绝对百分误差(MAPE)和相对误差(RE)以及均方根误差(RMSE)作为预测性能评判指标，具体公式如下：式中：yi为交通流量真实值；y’i表示交通流量预测值；n为交通流采集点数。2.根据权利要求1所述的方法，其特征在于，所述算法参数初始化包括：随机生成学生个体科目成绩的初始解X0；随机初始化学习步长ri。3.根据权利要求1所述的方法，其特征在于，所述方法包括：根据改进教与学算法优化来设置LSSVM的惩罚参数c和核宽度参数σ，将LSSVM计算的适应值作为学生所学科目成绩，适应值最高的视为教师。4.根据权利要求3所述的方法，其特征在于，...

【专利技术属性】
技术研发人员：张鹏翔，曹扬，洒科进，
申请(专利权)人：中电科大数据研究院有限公司，
类型：发明
国别省市：贵州,52