【技术实现步骤摘要】
本专利技术涉及交通流量预测领域，具体涉及一种基于vmd-tsmixer-rime的交通流量预测方法。
技术介绍
1、在交通管理和规划领域，准确的交通流量预测至关重要。然而，传统的预测方法存在一些不足，主要表现在忽略了交通流量数据的非平稳性和多尺度特性，因此预测准确性不高。
2、因此，亟需设计一种新的能够准确预测交通流量的方法。
技术实现思路
1、本专利技术要解决的技术问题是克服现有技术的缺陷，提供一种基于vmd-tsmixer-rime的交通流量预测方法，它将vmd的分解能力与tsmixer模型的预测优势相结合，通过优化算法对算法及模型参数进行调整，提高交通流量预测的准确性和效率。
2、为了解决上述技术问题，本专利技术的技术方案是：一种基于vmd-tsmixer-rime的交通流量预测方法，方法包括：
3、对原始交通流量时间序列进行归一化处理；
4、使用rime算法对vmd算法的参数进行优化；
5、将归一化处理后的交通流量时间序列通过优化后的vmd算法分解为m个中心频率不同的imf子序列；
6、将复杂性相似的imf子序列相加重构，剩下n个特征增强的子序列，n≤m；
7、对每个特征增强的子序列分别建立tsmixer模型，使用rime算法对各个tsmixer模型的参数进行优化；
8、利用优化后的tsmixer模型对相应特征增强的子序列进行预测；
9、对各个预测结构进行相加重构，得
10、进一步，使用rime算法对vmd算法的参数进行优化；具体为：
11、步骤a，定义vmd算法的参数搜索空间，vmd算法的参数包括阻尼系数α、分解层数m和时间常数τ，参数采样过程为：
12、(α,τ,m)～uniform(αmin,αmax)×uniform(τmin,τmax)×uniform(mmin,mmax)
13、其中，αmin，αmax是阻尼系数的最小值和最大值，τmin，τmax是时间常数的最小值和最大值，mmin，mmax是分解层数的最大值和最小值；uniform()表示均匀分布，×表示均匀分布的联合，即参数的联合采样空间；
14、步骤b，使用采样得到的参数α,τ,m训练vmd算法。vmd的目标是将输入信号x(t)分解为m个imf，分解过程中的优化问题表示为：
15、
16、其中，aj(t)是第j个imf的幅值，ωj是中心频率，φj是相位，l(aj)是正则项，用于控制imf的平滑性；t0代表时间序列的起始时间点；tn代表时间序列数据中的最后一个时间点的索引，即时间序列的结束时间；
17、步骤c，使用tsmixer对imfs进行预测，并计算预测结果的性能指标p(α,τ,m)；
18、步骤d，使用性能指标p更新元学习模型f，元学习模型f定义为：
19、
20、其中，η是学习率，表示对vmd参数的梯度，fold(α,τ,m)为更新前的元学习模型f，fnew(α,τ,m)为更新后的元学习模型f；
21、步骤e，根据元学习模型f的预测和实际性能f，使用强化学习算法来优化参数；
22、步骤f，重复步骤a至e，直到满足停止条件。每次迭代均根据新的性能指标p和元学习模型f的预测调整参数采样策略；
23、步骤g，在迭代结束后，选择使得性能指标p最小化的参数(α*,τ*,m*)作为vmd算法的最终参数设置。
24、进一步，将归一化处理后的交通流量时间序列通过优化后的vmd算法分解为m个中心频率不同的imf子序列；分解方法为：
25、
26、其中，x(t)是原始交通流量时间序列，aj(t)为第j个子序列的幅值，t为时间序列数据中的每个时间点，ωj是中心频率，φj是相位。
27、进一步，使用rime算法对各个tsmixer模型的参数进行优化；具体为：
28、步骤a，定义tsmixer模型的超参数搜索空间，超参数包括学习率、隐藏层的大小、层数、激活函数的类型；
29、步骤b，在超参数空间内随机采样，生成一组超参数；
30、步骤c，使用采样得到的超参数θ训练tsmixer模型，并在验证集上计算性能指标p(θ)；
31、步骤d，使用元学习模型来预测给定超参数θ下的预期性能q(θ)，元学习模型的更新方式为：其中
32、η是学习率，p(θ)是超参数的先验分布；ft为更新前的元学习模型，ft+1为更新后的元学习模型；
33、步骤e，根据元学习模型的预测和实际性能，使用强化学习算法调整超参数采样策略；具体为：
34、对于每个探索到的超参数配置θ，计算一个奖励信号r(θ)：r(θ)＝w1·(p(θ)-q(θ))+w2·exploration term，其中w1和w2是权重系数，q(θ)是元学习模型对性能p(θ)的预测，exploration term是一个预鼓励探索的项；
35、步骤f，使用softmax函数根据奖励信号更新超参数的采样分布，更新方法定义为：其中w3是控制采样分布变化强度的超参数，θ是所有可能的超参数配置的集合；
36、步骤g，使用更新后的采样分布p'(θ)指导下一步的超参数采样；
37、步骤h，重复步骤b到步骤g，直到达到预定的迭代次数或性能不再有显著提升；
38、步骤i，在迭代结束后，选择具有最佳性能的超参数作为最终的超参数配置。
39、进一步，利用优化后的tsmixer模型对相应特征增强的子序列进行预测；具体为：
40、对于低复杂度子序列，tsmixer模型表示为：
41、
42、对于高复杂度子序列，tsmixer模型表示为：
43、
44、其中，和分别是低复杂度和高复杂度子序列的预测值，mlplow和mlphigh分别是针对低复杂度和高复杂度子序列的多层感知器。
45、进一步，对各个预测结构进行相加重构，得到最终的交通流量预测值；具体为：
46、
47、其中，n是重构后的子序列的总数，wj是第j个子序列的权重。
48、进一步，筛分复杂性相似的imf子序列的策略为：
49、分别计算m个imf子序列的样熵，然后按照大小排序，连续样熵中，最大值与最小值的差值小于阈值，则该连续样熵对应的各个imf子序列为复杂性相似的imf子序列；其中，样熵的计算公式为：
50、
51、其中，n为时间序列中的总点数，ck(i)为在模板长度k下，数据点i的条件概率，l为计算样熵时使用的模板长度，是一个固定值，是考虑时间序列中连续数据点的数量以生成时间序列的模板向量。
52、采用上述技术方案后，该专利技术综合了变分模式分解vmd和tsmixer本文档来自技高网...
【技术保护点】
1.一种基于VMD-TSMixer-Rime的交通流量预测方法，其特征在于，
2.根据权利要求1所述的基于VMD-TSMixer-Rime的交通流量预测方法，其特征在于，
3.根据权利要求1所述的基于VMD-TSMixer-Rime的交通流量预测方法，其特征在于，
4.根据权利要求1所述的基于VMD-TSMixer-Rime的交通流量预测方法，其特征在于，
5.根据权利要求1所述的基于VMD-TSMixer-Rime的交通流量预测方法，其特征在于，
6.根据权利要求1所述的基于VMD-TSMixer-Rime的交通流量预测方法，其特征在于，
7.根据权利要求1所述的基于VMD-TSMixer-Rime的交通流量预测方法，其特征在于，
【技术特征摘要】
1.一种基于vmd-tsmixer-rime的交通流量预测方法，其特征在于，
2.根据权利要求1所述的基于vmd-tsmixer-rime的交通流量预测方法，其特征在于，
3.根据权利要求1所述的基于vmd-tsmixer-rime的交通流量预测方法，其特征在于，
4.根据权利要求1所述的基于vmd-tsmixer-r...
【专利技术属性】
技术研发人员：蒋洲，王斌，夏竹青，黄然平，杨杏娟，
申请(专利权)人：常州皓鸣信息科技有限公司，
类型：发明
国别省市：
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。