【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...
【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：
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。