基于奇异谱分析和回声状态网络的短时交通流预测方法技术

本发明专利技术公开了一种基于奇异谱分析和回声状态网络的短时交通流预测方法，具体包括如下步骤：首先，设置一定的时间间隔，收集得到反应交通状态信息随时间变化的交通流时间序列；利用奇异谱分析(SSA)将原始交通流时间序列分解为趋势、周期和残差3个成分；其次，利用回声状态网络(ESN)对这3个成分分别建模、训练并预测，使用粒子群优化(PSO)优化模型的超参数；最后，对3个成分的预测结果相加作为最终预测结果。该方法能够用于分析交通流量的变化特征，并有效提高短时交通流预测结果的精确度。

【技术实现步骤摘要】
基于奇异谱分析和回声状态网络的短时交通流预测方法
本专利技术涉及智能交通
，尤其涉及一种基于奇异谱分析和回声状态网络的短时交通流预测方法。
技术介绍
短时交通流预测是智能交通系统的基础任务，精准的交通流预测结果不仅可以为居民出行提供参考依据，也可以为政府管理部门指定交通管控方案提供数据支撑。因此，短时交通流预测受到了学者的广泛关注。短时交通流预测以连续的短时段(如5分钟、10分钟、15分钟等)的交通状态(交通流量、平均车速等)为研究对象，实现交通流的实时预测。目前的研究普遍认为交通流序列是一种时间序列模型，其高度依赖历史状态。根据目前的研究，短时交通流预测的模型主要分为3大类：(1)参数模型：如移动平均(MA)、ARIMA、卡尔曼滤波(KF)等；(2)非参数模型：如最近邻回归(KNN)、支持向量回归(SVR)、人工神经网络(ANN)、长短期记忆神经网络(LSTM)等；(3)组合模型：通过组合两种或两种以上的模型。由于交通流序列是由多种成分复合的复杂成分，单一模型往往不能有效挖掘交通流序列的内在信息，无法取得较为准确的预测结果。...

【技术保护点】
1.一种基于奇异谱分析和回声状态网络的短时交通流预测方法，其特征在于，所述方法具体包括：/n(1)设置一定的时间间隔，收集得到反映交通状态信息随时间变化的交通流时间序列，并将所述交通流时间序列进行划分，构建得到所述训练集，验证集和测试集；所述训练集和验证集中的交通流时间序列在时间上连续；/n其中，交通流时间序列用Y(t)＝y

【技术特征摘要】
1.一种基于奇异谱分析和回声状态网络的短时交通流预测方法，其特征在于，所述方法具体包括：
(1)设置一定的时间间隔，收集得到反映交通状态信息随时间变化的交通流时间序列，并将所述交通流时间序列进行划分，构建得到所述训练集，验证集和测试集；所述训练集和验证集中的交通流时间序列在时间上连续；
其中，交通流时间序列用Y(t)＝y1,y2,...,yN,t＝1,2,...,N表示；式中，t表示时间；N表示交通流时间序列的长度；
所述交通流时间序列为交通状态信息按照时间顺序组成的时间序列；
(2)通过奇异谱分析将步骤(1)所述训练集、验证集和测试集中的交通流时间序列Y(t)均分解为趋势YT(t)、周期YP(t)和残差YN(t)三个子成分；
(3)构建PSO-ESN网络训练模型，并利用步骤(2)所述训练集和验证集的交通流时间序列Y(t)的趋势YT(t)、周期YP(t)和残差YN(t)三个子成分分别对PSO-ESN网络训练模型进行训练，得到三个子成分所对应的PSO-ESN网络模型；
(4)将步骤(1)所述测试集中交通流时间序列Y(t)的趋势YT(t)、周期YP(t)和残差YN(t)三个子成分分别输入其对应的PSO-ESN网络模型，得到关于三个子成分的预测结果值；将三个子成分的预测结果值相加，作为交通流的预测结果。


2.根据权利要求1所述的一种基于奇异谱分析和回声状态网络的短时交通流预测方法，其特征在于，步骤(1)所述交通状态信息包括交通流量、平均车速、车道占有率、路段平均行程时间和道路拥堵指数。


3.根据权利要求1所述的一种基于奇异谱分析和回声状态网络的短时交通流预测方法，其特征在于，步骤(2)通过奇异谱分析将步骤(1)所述训练集、验证集和测试集中的交通流时间序列均分解为趋势、周期和残差三个子成分的方法如下：
(21)将交通流时间序列嵌入为轨迹矩阵



式中，表示实数集；ft,t＝1,2,...,N表示交通流时间序列在第t时刻的数值；N表示交通流时间序列的长度；L为窗口长度；K为轨迹矩阵F的列数；
其中，轨迹矩阵参数值满足关系式：K＝N-L+1且2≤K≤N/2；
(22)将步骤(21)所述轨迹矩阵F进行奇异值分解：



式中，Σ为对角矩阵；对角线元素为轨迹矩阵F的奇异值；矩阵U为轨迹矩阵F的左奇异向量；矩阵V为轨迹矩阵F的右奇异向量；向量Ui为矩阵U的第i列；向量Vi为矩阵V的第i列；VT为矩阵V的转置；ViT为向量Vi的转置；d,d＝rank(F)≤min(L,K)表示轨迹矩阵F的奇异值个数；为特征三元组；所述特征三元组均可以表示为轨迹矩阵F的一种特征成分
(23)根据重要程度曲线“拐点”法将轨迹矩阵F的全部特征成分Fi重组为趋势、周期和残差三个成分；
F＝FT+FP+FN
式中，FT、FP和FN分别表示趋势，周期和残差成分；Fi表示轨迹矩阵的第i成分；λi表示轨迹矩阵的第i成分Fi的权值；
(24)通过对角平均化将分组重构的矩阵FT、FP和FN分别转化为趋势成分YT(t)，周期成分YP(t)和残差成分YN(t)的时间序列。


4.根据权利要求3所述的一种基于奇异谱分析和回声状态网络的短时交通流预测方法，其特征在于，步骤(24)所述通过对角平均化将分组重构的矩阵FT、FP和FN分别转化为趋势成分YT(t)，周期成分YP(t)和残差成分YN(t)的时间序列的方法如下：
(241)设置对角平均化后的矩阵为Fi∈{FT,FP,FN}；fij，1≤i≤L,1≤j≤K为矩阵Fi的元素；同时令L*＝min(L,K)，K*＝max(L,K)；判断L与K的大小关系；
若L<K时，矩阵元素否则
(242)对角平均化后的交通流时间序列Y(t)中的每一个元素yt通过下式计算得到，其中计算式：



(243)通过步骤(242)所述交通流时间序列Y(t)中的每一个元素yt，得到分解后的趋势成分YT(t)，周期成分YP(t)和残差成分YN(t)。


5.根据权利要求4所述的一种基于奇异谱分析和回声状态网络的短时交通流预测方法，其特征在于，所述PSO-ESN网络模型包括PSO和ESN两部分；所述ESN部分由输入层，储备池和输出层构成；储备池与输入层和输出层均神经元连接，储备池内部的神经元稀疏连接。


6.根据权利要求5所述的一种基于奇异谱分析和回声状态网络的短时交通流预测方法，其特征在于，步骤(3)所述三个子成分分别对PSO-ESN网络训练模型进行训练，得到三个子成分所对应的PSO-ESN网络模型的具体方法如下：
设置ESN网络中输入层的神经元个数为N，储备池的神经元个数为S，输出层的神经元个数为O；则ESN的状态方程：
x(t+1)＝σ(Winu(t+1)+Wx...

【专利技术属性】
技术研发人员：王炜，周伟，金坤，赵德，于维杰，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32