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 ...
【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
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。