【技术实现步骤摘要】
一种基于贝叶斯优化的短时交通流预测方法及系统
本专利技术涉及智能交通
,尤其涉及一种基于贝叶斯优化的短时交通流预测方法及系统。
技术介绍
近年来,随着经济的发展以及人们对便捷交通出行需求的不断增加,汽车保有量经历了快速的增长,这给有限的道路资源带来了巨大的压力。随着科学技术在交通领域的不断发展,智能交通系统(ITS)的概念被提出,我们期望在不用大量兴建新的城市道路和其他交通设施的前提下,通过大数据和各种智能算法技术把人、车、道路等信息综合起来考虑,制定出合理的交通路径提高车辆运行效率,从而减小道路通行压力。智能交通系统成为一种缓解交通矛盾的行之有效的策略。在智能交通系统的众多分支中,短时交通流预测是其中的一项基础性工作,也是一项具有挑战性的研究课题。准确的交通流量预测可以预估道路的拥挤程度,从而引导驾驶员选择到达目的地的最佳路径,为交通主管部门提供更有效的诱导数据。因此,近几十年来的短期交通流量预测了许多研究者的关注。国内外提出了很多用于短期交通流预测的方法。从时空预测角度来看,主要都是基于概率图的交通流预测模型,如马尔可夫链、马尔可夫随机场(MRFs)和卡尔曼滤波等都表现出较好的结果。与时空方法对应的是单点时间序列预测,相比时空预测,单点预测更易于建模,模型也更加实用。对于单一位置的短时交通流预测,经典的时间序列方法发挥了重要作用。Box和Jenkins提出的自回归移动平均ARMA算法在时序交通流预测中取得了不错的结果。ARMA的改进版本,如差分整合移动平均自回归模型ARIMA,季节性ARIMA,都被 ...
【技术保护点】
1.一种基于贝叶斯优化的短时交通流预测方法,其特征在于,包括:/n采集固定道路位置的固定时间间隔内通过的原始交通流量数据,根据季节模型算法对原始交通流量数据进行预处理,生成时序交通流数据;/n构建基于支持向量回归机的短时交通流预测模型,根据时序交通流数据对短时交通流预测模型进行训练;/n计算短时交通流预测模型的平均绝对百分误差,根据平均绝对百分误差获取短时交通流预测模型的预测精度;/n获取预测精度对应的模型参数,根据贝叶斯优化算法对预测精度对应的模型参数进行优化,根据优化后的模型参数对短时交通流预测模型进行调整,直至生成目标短时交通流预测模型;/n根据目标短时交通流预测模型对短时交通流量进行预测。/n
【技术特征摘要】
1.一种基于贝叶斯优化的短时交通流预测方法,其特征在于,包括:
采集固定道路位置的固定时间间隔内通过的原始交通流量数据,根据季节模型算法对原始交通流量数据进行预处理,生成时序交通流数据;
构建基于支持向量回归机的短时交通流预测模型,根据时序交通流数据对短时交通流预测模型进行训练;
计算短时交通流预测模型的平均绝对百分误差,根据平均绝对百分误差获取短时交通流预测模型的预测精度;
获取预测精度对应的模型参数,根据贝叶斯优化算法对预测精度对应的模型参数进行优化,根据优化后的模型参数对短时交通流预测模型进行调整,直至生成目标短时交通流预测模型;
根据目标短时交通流预测模型对短时交通流量进行预测。
2.根据权利要求1所述的基于贝叶斯优化的短时交通流预测方法,其特征在于,所述根据季节模型算法对原始交通流量数据进行预处理,生成时序交通流数据,还包括:
对时序交通流数据的格式进行构造,所述构造格式如下:
{(X,y)|X=[vi-1,vi-1-vi-2,vi-week,vi-week-vi-week-1,vi-day,vi-day-vi-day-1]T,y=vi}(1)
其中vi表示第i时间段内交通流量,i-1表示第i-1时间段,i-day表示第i时间段对应一天前的时间段,i-week表示第i时间段对应一周前的时间段,依此类推,X为短时交通流预测模型的输入特征向量,y=vi为短时交通流预测模型的回归目标。
3.根据权利要求2所述的基于贝叶斯优化的短时交通流预测方法,其特征在于,所述构建基于支持向量回归机的短时交通流预测模型,根据时序交通流数据对短时交通流预测模型进行训练,包括:
获取时序交通流数据对应的训练数据集,其中训练数据集记为D,D={(X1,y1),(X2,y2),...,(Xn,yn)},yi∈R,Xi表示样本的特征向量,yi表示相应的交通流预测目标值;
构造支持向量回归机的短时交通流预测模型,通过核函数将输入数据映射到高维特征空间,构造一个从输入空间到输出空间的非线性映射,短时交通流预测模型记为f(x),f(x)计算方式如公式(2)所示:
其中表示将输入数据转换到高维特征空间的核函数;
核函数采用径向基(RBF)核函数,径向基(RBF)核函数如公式(3)所示:
其中σ是内核参数;
支持向量回归机的泛化目标用下面的公式(4)来表示:
s.tf(x)i-yi≤ε+ξi(5)
其中,ξi表示下松弛变量,表示上松弛变量,对应的是不敏感范围y-f(x)≤ε,第一项1/2‖ω‖2为正则化项,第二项为经验误差项,C为惩罚参数,ε为非敏感性损失参数。
4.根据权利要求3所述的基于贝叶斯优化的短时交通流预测方法,其特征在于,所述计算短时交通流预测模型的平均绝对百分误差,根据平均绝对百分误差获取短时交通流预测模型的预测精度,包括:
计算短时交通流预测模型的平均绝对百分误差MAPE,平均绝对百分误差MAPE的计算公式为
其中,fi交通流的观测值,fi′是交通流的预测值,n是样本总数;
根据平均绝对百分误差获取短时交通流预测模型的预测精度,预测精度记为m,m的具体计算公式为
m=1–MAPE(9)。
5.根据权利要求4所述的基于贝叶斯优化的短时交通流预测方法,其特征在于,所述获取预测精度对应的模型参数,根据贝叶斯优化算法对预测精度对应的模型参数进行优化,根据优化后的模型参数对短时交通流预测模型进行调整,生成目标短时交通流预测模型,包括:
获取预测精度对应的惩罚参数C,非敏感性损失参数ε,核参数σ;
将高斯过程作为贝叶斯优化算法的目标函数,目标函数表示如公式(10)所示:
f(x)~GP(μ(x),k(x,x′))(10);
构建确定下一个要采集的样本点的获得函数,获得函数如公式(11)所示:
其中,和Φ(·)分别表示标准正态分布的PDF和CDF;表示当前最佳观...
【专利技术属性】
技术研发人员:周志文,肖竹,王东,汪成成,
申请(专利权)人:深圳市麦谷科技有限公司,
类型:发明
国别省市:广东;44
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。