【技术实现步骤摘要】
基于混沌量子粒子群算法优化的SD-LSSVR短时交通流量预测方法
本专利技术属于交通
，主要应用于交叉口交通流量的预测，具体涉及一种基于混沌量子粒子群算法优化的SD-LSSVR短时交通流量预测方法。
技术介绍
道路交叉口是城市道路中最为常见的交通组织形式，对交通管理与控制有着极为重要的意义。道路交叉口交通状况复杂多变，但也呈现出明显的时间、空间特性。如何结合交通流的时空特性，借助现有的车辆检测器对交叉口交通状况进行分析，从而保障交叉口的交通安全、充分发挥交叉口的通行能力，是每一个交通人最为关心的问题。主要工作体现在借助交叉口历史交通流量数据对未来时段的交通流量进行预测。现有技术中，对于提高短时交通流量预测精度的主要方法是优化调整模型和改进模型，如：Cong等人提出了一种果蝇优化算法，并将其应用于LSSVR模型中，为了获得更好的流量预测结果。Bing等人利用GA-PSO混合优化算法为LSSVR选择最优参数组合，并将混合模型应用于短期流量预测。然而，许多学者并没有注意到交通流量数据的季节特征变化。他...
【技术保护点】
1.一种基于混沌量子粒子群算法优化的SD-LSSVR短时交通流量预测方法，其特征在于，包括如下步骤：/nS1、基于历史交通流量建立初始交通流量的时间序列，将所述时间序列数据划分为训练样本集和测试样本集，根据时间序列的季节性周期变化，对所述时间序列数据做季节性因子预处理；/nS2、构建最小二乘支持向量机，将预处理后的训练样本集输入所构建的最小二乘支持向量机进行训练，得到最小二乘支持向量回归模型；/nS3、采用混沌量子粒子群算法迭代优化所构建的最小二乘支持向量回归模型，提取最小平均绝对百分比误差下的最佳模型参数；/nS4、根据所获得的最佳模型参数构建基于混沌量子粒子群迭代优化的...
【技术特征摘要】
1.一种基于混沌量子粒子群算法优化的SD-LSSVR短时交通流量预测方法，其特征在于，包括如下步骤：
S1、基于历史交通流量建立初始交通流量的时间序列，将所述时间序列数据划分为训练样本集和测试样本集，根据时间序列的季节性周期变化，对所述时间序列数据做季节性因子预处理；
S2、构建最小二乘支持向量机，将预处理后的训练样本集输入所构建的最小二乘支持向量机进行训练，得到最小二乘支持向量回归模型；
S3、采用混沌量子粒子群算法迭代优化所构建的最小二乘支持向量回归模型，提取最小平均绝对百分比误差下的最佳模型参数；
S4、根据所获得的最佳模型参数构建基于混沌量子粒子群迭代优化的季节性最小二乘支持向量回归模型，输入测试样本进行回归预测，得到最终结果；
S5、对所述预测结果进行数据后处理。
2.如权利要求1所述的基于混沌量子粒子群算法优化的SD-LSSVR短时交通流量预测方法，其特征在于，步骤S1中
所述时间序列的描述如下：
其中包括不在考虑时间范围内的数据集和选取时间范围内的数据集在数据集Torigin中，xi是m维的输入向量，其中包含天气，时间占有率，平均行驶速度，前三天该时间段的交通流量等6个因素；目标输出向量yi是时间段内的交通流量，表示为y-s+1，y-s+2，...，y1，...，yks，其中k表示为季节周期数，s代表单位季节性周期长度。
3.如权利要求2所述的基于混沌量子粒子群算法优化的SD-LSSVR短时交通流量预测方法，其特征在于，步骤S1中，对所述时间序列数据做季节性因子预处理包括如下步骤：
步骤1：季节性因子预处理：数据集Tout和T中目标输出向量yi遵循以下季节性因子预处理方法：
结合目标输出向量与m维的输入向量x1，x2，...，xm形成一个新的数据集
步骤2：归一化处理：采用L2范式归一化方法，方法总结如下：
结合每一个归一化后的形成预处理数据集
4.如权利要求3所述的基于混沌量子粒子群算法优化的SD-LSSVR短时交通流量预测方法，其特征在于，步骤S2具体包括：
给定预处理数据集为：
此预处理数据集分为训练数据集和测试数据集其中训练数据集为N，同理测试数据集为n-N；
训练数据集用于最小二乘支持向量回归；代表从输入空间m维数到特征空间高纬数mh的非线性映射；线性函数构造为：
f(x)＝ωTφ(x)+b
其中ω＝(ω1，ω2，...，ωm)∈Rm×1为权重向量，b为偏移值；基于以上的方法，最小二乘支持向量回归函数旨在处理优化问题：
...
【专利技术属性】
技术研发人员：施佺，张添豪，沈琴琴，曹阳，荆彬彬，朱森来，周晨璨，
申请(专利权)人：南通大学，
类型：发明
国别省市：江苏;32
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。