基于烟花差分进化混合算法-极限学习机的短时交通流预测模型制造技术

本发明专利技术公开了一种基于烟花差分进化混合算法‑极限学习机的短时交通流预测模型，采用奇异谱分析(SSA)方法滤除原始交通流数据中包含的噪声成分，用降噪后的交通流数据训练极限学习机(ELM)神经网络模型；进行相空间重构，利用C‑C算法确定时间延迟、嵌入窗宽和嵌入维数等ELM网络模型的关键参数；将烟花算法(FWA)和差分进化算法(DE)有机结合得到一种烟花差分进化(FWADE)混合优化算法，以增强基本算法的全局收敛能力及鲁棒性能，提高整体优化性能；将FWADE算法用于优化ELM网络的权阈值，建立短时交通流预测模型并进行评估。所发明专利技术的短时交通流预测模型具有较高的预测精度和较强的泛化能力，预测值与实际值的拟合程度好。

【技术实现步骤摘要】
基于烟花差分进化混合算法-极限学习机的短时交通流预测模型
本专利技术涉及短时交通流预测模型，尤其涉及一种基于烟花差分进化混合算法-极限学习机的短时交通流预测模型。
技术介绍
“智慧交通”引领智慧城市建设，交通流预测在智能交通系统中占据重要地位，是实现交通实时控制与诱导的前提。短时交通流的实时准确预测对路网交通状态分析、交通网络规划和交通优化控制都具有十分重要的作用；另一方面，交通数据采集技术的不断发展为路网交通流信息的实时获取提供了技术手段，为短时交通流预测方法的研究提供了数据保障。交通流预测建模方法研究具有重要的理论价值和实际意义。根据原理不同，现有交通流预测建模方法可分为参数方法和非参数方法两类。参数方法主要包括历史平均、线性和非线性参数回归、卡尔曼滤波、自动回归和指数平滑等预测方法。非参数方法主要包括非参数回归、人工神经网络和支持向量机等预测方法或多模型组合预测方法。参数方法的特点是模型易于实现且计算量较小，但存在模型学习能力不足、难以处理模型内在不确定性及交通数据突变影响预测精度等不足。非参数方法则是采用数据挖掘和人工智能等方法根据历史数据揭示数据变化规律，从而建立输入输出映射关系；其缺点是预测精度严重依赖历史数据的数量和质量，且模型参数选取较为困难。受城市道路交通环境、天气状况和道路行人等不确定因素影响，实际城市交通流数据具有较强的非线性、时变性和易受随机噪声影响等特征。现有交通流预测建模方法存在模型参数难以确定、预测精度较低和泛化能力较差等不足，难以满足复杂情况下的短时交通流预测要求。
技术实现思路
基于上述问题，本专利技术提出一种基于烟花差分进化混合算法-极限学习机的短时交通流预测模型，采用SSA方法滤除原始交通流数据中包含的噪声成分，用降噪后的交通流数据训练ELM神经网络模型；进行相空间重构，利用C-C算法确定时间延迟、嵌入窗宽和嵌入维数等ELM网络模型的关键参数；将烟花算法(FWA)和差分进化算法(DE)有机结合提出一种烟花差分进化(FWADE)混合优化算法，以增强基本算法的全局收敛能力及鲁棒性能，提高整体优化性能；将FWADE算法用于优化ELM网络的权阈值，建立短时交通流预测模型并进行评估。本专利技术的短时交通流预测模型具有较高的预测精度和较强的泛化能力，预测值与实际值的拟合程度好。所采用的技术方案是：基于烟花差分进化混合算法-极限学习机的短时交通流预测模型，建模步骤如下：S1：将UTC/SCOOT系统所采集的某路段车流量数据，作为原始交通流时间序列数据；S2：采用SSA方法对S1数据进行降噪处理，作为交通流预测模型的建模数据；S3：进行相空间重构，采用C-C算法估算嵌入窗宽τw、时间延迟τ，计算嵌入维数m，确定ELM网络模型的结构；嵌入维数m的计算公式如下：τw＝(m-1)τ(1)S4：以降噪及相空间重构后的交通流时间序列数据，生成训练样本和测试样本；S5：将S4中的训练样本作为ELM网络的训练样本；采用FWADE混合优化算法确定ELM网络输入层与隐含层之间的连接权值和隐含层神经元的阈值；其中，FWADE混合优化算法，是将烟花算法(FWA)和差分进化算法(DE)有机结合，得到的一种烟花差分进化混合优化算法；S6：保存S5中优化后的ELM网络连接权值和阈值，建立短时交通流预测的ELM网络模型；S7：S4中的测试样本，是未经训练的交通流时间序列数据，作为ELM网络模型的测试样本，评估优化后ELM网络模型的预测性能。进一步的，SSA方法，是滤除原始交通流数据中包含的噪声成分，是将现场采集到含有噪声成分的原始交通流时间序列数据YN＝[y1,y2,…,yN]转化为轨迹矩阵X；对矩阵XXT进行奇异值分解，得到L个特征值λ1≥λ2≥…≥λL≥0及对应的特征向量；将每个特征值所代表的信号进行分析组合，重构出新的时间序列G＝[g0,g1,…,gN-1]。处理过程包括嵌入、奇异值分解、分组与重构四个步骤；S21：嵌入，选取窗口长度L(1<L<N，K＝N-L+1)，将数据YN转化为轨迹矩阵X，即S22：奇异值分解，对矩阵XXT进行奇异值分解，得到L个特征值λ1≥λ2≥…≥λL≥0及对应的正交特征向量U1,…,UL，令d＝max{i,λi≥0}，记则矩阵X的奇异值分解为X＝X1+…+Xd(3)其中，为矩阵X的奇异值，Ui为左特征向量，Vi分别为右特征向量；S23：分组，根据所提取成分的不同，将Xi分为m个不同的组I1,I2,…,Im，并将每组内所包含的矩阵相加，设第IJ组包含的子集为IJ＝{i1,…,ip}，则X相应被分解为S24：重构，将每一个成分子组重构为长度为N的序列G；设矩阵Y＝(yij)(i＝1,…,L，j＝1,…,K)，定义L*＝min(L,K)，K*＝max(L,K)，y*ij＝yij(若L<K)或y*ij＝yji(若L≥K)，重构序列G＝[g0,…,gk,…,gN-1]可通过如下公式计算求得：重构过程保留了原始交通流时间序列中前m个较大奇异值的成分，舍弃了那些由噪声引起的较小奇异值成分；原始交通流时间序列经过SSA的过滤处理，得到降噪后的重构时间序列G，用于建立短时交通流预测模型。进一步的，FWADE混合优化算法，初始阶段采用标准DE算法搜索，对于每个目标向量，通过变异和交叉运算产生试验向量；若试验向量的适应度优于目标向量，则将其作为下一代候选解；否则，算法进入FWA算法搜索阶段，利用烟花算法搜索机制产生新的候选解；FWADE算法实现步骤如下：S51：算法的初始化，根据待优化问题确定种群规模N1、最大迭代次数N2、个体成员的初始值Xi(k)；设置FWA算法爆炸半径调节常数R、爆炸火花数调节常数M、爆炸火花数下限系数a、爆炸火花数上限系数b和高斯变异火花数G初始值，DE算法的比例因子F和交叉率CR参数初始值；设定迭代次数k＝1；S52：根据待优化问题的数学模型，计算各个体成员的适应度值f(Xi(k))；S53：DE算法搜索阶段。步骤如下：S531：变异操作，随机选择种群中两个不同的个体，参照DE算法原理对种群中每个目标向量Xi(k)进行变异操作，产生变异向量Vi(k)；S532：交叉操作，对每对目标向量Xi(k)和对应的变异向量Vi(k)进行交叉操作，形成新的试验向量Ui(k)；S533：选择操作。根据待优化问题的数学模型，评价每个试验向量Ui(k)与对应目标向量Xi(k)的适应度值f。若Ui(k)的适应度值更优，则将其作为下一次迭代的候选解并转至步骤S55；否则进入步骤S54，即FWA算法搜索阶段。S54：FWA算法搜索阶段。参照FWA算法的优化机制对种群执行搜索，计算种群的适应度值，择优产生新的候选解；S55：对种群中每个个体都进行相同操作。个体序号i＝i+1，如果i≤N1转至步骤S53，否则转至步骤S56；S56：本文档来自技高网...

【技术保护点】
1.基于烟花差分进化混合算法-极限学习机的短时交通流预测模型，其特征在于：建模步骤如下：/nS1：将UTC/SCOOT系统所采集的某路段车流量数据，作为原始交通流时间序列数据；/nS2：采用奇异谱分析(SSA)方法对S1所得数据进行降噪处理，作为交通流预测模型的建模数据；/nS3：进行相空间重构，采用C-C算法估算嵌入窗宽τ

【技术特征摘要】
1.基于烟花差分进化混合算法-极限学习机的短时交通流预测模型，其特征在于：建模步骤如下：
S1：将UTC/SCOOT系统所采集的某路段车流量数据，作为原始交通流时间序列数据；
S2：采用奇异谱分析(SSA)方法对S1所得数据进行降噪处理，作为交通流预测模型的建模数据；
S3：进行相空间重构，采用C-C算法估算嵌入窗宽τw、时间延迟τ，计算嵌入维数m，确定极限学习机(ELM)网络模型的结构；嵌入维数m的计算公式如下：
τw＝(m-1)τ(1)
S4：以降噪及相空间重构后的交通流时间序列数据，生成训练样本和测试样本；
S5：将S4中的训练样本作为ELM网络的训练样本；采用烟花差分进化(FWADE)混合优化算法确定ELM网络输入层与隐含层之间的连接权值和隐含层神经元的阈值；其中，FWADE混合优化算法，是将烟花算法(FWA)和差分进化算法(DE)有机结合，得到的一种烟花差分进化混合优化算法；
S6：保存S5中优化后的ELM网络连接权值和阈值，建立短时交通流预测的ELM网络模型；
S7：S4中的测试样本，是未经训练的交通流时间序列数据，作为ELM网络模型的测试样本，评估优化后的ELM网络模型的预测性能。


2.根据权利要求1所述的基于烟花差分进化混合算法-极限学习机的短时交通流预测模型，其特征在于所述的采用SSA方法，是滤除原始交通流数据中包含的噪声成分，是将现场采集到含有噪声成分的原始交通流时间序列数据YN＝[y1，y2，...，yN]转化为轨迹矩阵X；对矩阵XXT进行奇异值分解，得到L个特征值λ1≥λ2≥...≥λL≥0及对应的特征向量；将每个特征值所代表的信号进行分析组合，重构出新的时间序列G＝[g0，g1，...，gN-1]。


3.根据权利要求1或2所述的基于烟花差分进化混合算法-极限学习机的短时交通流预测模型，其特征在于所述的采用SSA方法对数据进行降噪处理，处理过程包括嵌入、奇异值分解、分组与重构四个步骤；
S21：嵌入，选取窗口长度L(1＜L＜N，K＝N-L+1)，将数据YN转化为轨迹矩阵X，即



S22：奇异值分解，对矩阵XXT进行奇异值分解，得到L个特征值λ1≥λ2≥...≥λL≥0及对应的正交特征向量U1，...，UL，令d＝max{i，λi≥0}，记则矩阵X的奇异值分解为
X＝X1+...+Xd(3)
其中，为矩阵X的奇异值，Ui为左特征向量，Vi分别为右特征向量；
S23：分组，根据所提取成分的不同，将Xi分为m个不同的组I1，I2，...，Im，并将每组内所包含的矩阵相加，设第IJ组包含的子集为IJ＝{i1，...，ip}，则



X相应被分解为



S24：重构，将每一个成分子组重构为长度为N的序列G；设矩阵Y＝(yij)(i＝1，...，L，j＝1，...，K)，定义L*＝min(L，K)，K*＝max(L，K)，y*ij＝yij(若L＜K)或y*ij＝yji(若L≥K)，重构序列G＝[g0，…，gk，…，gN-1]可通过如下公式计算求得：

【专利技术属性】
技术研发人员：陈如清，
申请(专利权)人：嘉兴学院，
类型：发明
国别省市：浙江;33