基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù)測方法
【專利摘要】本發(fā)明針對(duì)現(xiàn)有交通信息預(yù)測方法預(yù)測精確度不高的問題，提供了一種基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù)測方法，包括如下步驟：對(duì)原始交通信息數(shù)據(jù)進(jìn)行歸一化預(yù)處理，將數(shù)據(jù)歸一化到[0，1]區(qū)間內(nèi)，生成數(shù)據(jù)集并且進(jìn)行分組，即訓(xùn)練集和測試集；選擇徑向基函數(shù)作為最小二乘支持向量機(jī)模型的核函數(shù)，確定參數(shù)組合(γ，σ)；采用果蠅優(yōu)化算法對(duì)最小二乘支持向量機(jī)的參數(shù)組合(γ，σ)進(jìn)行優(yōu)化，在全局范圍內(nèi)得到最優(yōu)值；代入經(jīng)過優(yōu)化的參數(shù)，構(gòu)造基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù)測模型；輸入數(shù)據(jù)集，通過預(yù)測模型生成交通信息預(yù)測結(jié)果；進(jìn)行預(yù)測誤差評(píng)價(jià)分析。
【專利說明】基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù)測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù)測方法，屬于 公路網(wǎng)交通規(guī)劃系統(tǒng)領(lǐng)域。

【背景技術(shù)】
[0002] 隨著交通基礎(chǔ)設(shè)施建設(shè)和智能交通系統(tǒng)的發(fā)展，交通規(guī)劃和交通誘導(dǎo)成為交通 領(lǐng)域研究的熱點(diǎn)。對(duì)于交通規(guī)劃和交通誘導(dǎo)來說，準(zhǔn)確的交通信息預(yù)測有其重要的意義。 交通信息預(yù)測結(jié)果的好壞將直接關(guān)系到交通控制與誘導(dǎo)的效果，無論是交通控制系統(tǒng)還是 交通誘導(dǎo)系統(tǒng)，實(shí)時(shí)準(zhǔn)確地對(duì)交通信息進(jìn)行預(yù)測是這些系統(tǒng)實(shí)現(xiàn)的前提與關(guān)鍵，所以交通 信息預(yù)測越來越受到重視。交通信息預(yù)測結(jié)果可以作為先進(jìn)的交通系統(tǒng)的輸入，用于制定 主動(dòng)型的交通控制策略，還可以直接用于先進(jìn)的交通管理系統(tǒng)的信息發(fā)布，為出行者提供 實(shí)時(shí)有效的信息，幫助他們更好的進(jìn)行路徑選擇，進(jìn)而提高路網(wǎng)效率。
[0003] 交通信息數(shù)據(jù)具有高度非線性和不確定性等特點(diǎn)，并且與時(shí)間相關(guān)性很 強(qiáng)，是一種典型的時(shí)間序列預(yù)測問題，目前，比較常見的交通網(wǎng)絡(luò)信息預(yù)測模型包括 ARIMA(Auto-Regression Intergrated Moving Average)方法、卡爾曼濾波模型（Kalman Filtering Model)和神經(jīng)網(wǎng)絡(luò)模型（Neural Network Model)。ARIMA是一種典型的時(shí)間 序列預(yù)測方法，有著良好的預(yù)測性能，是一種基于線性的模型，而交通信息具有非線性特 征，所以預(yù)測結(jié)果不理想?？柭鼮V波是一個(gè)非常適用于實(shí)時(shí)動(dòng)態(tài)預(yù)測交通信息的方法， 但是由于卡爾曼濾波模型的誤差項(xiàng)不好確定，因?yàn)榻煌ㄐ畔⒌碾S機(jī)性非常大，這樣卡爾曼 濾波模型中存在著大量的矩陣運(yùn)算和復(fù)雜的參數(shù)估計(jì)，在實(shí)際應(yīng)用中難以掌握，所以對(duì)于 預(yù)測結(jié)果來說還是存在很多不盡人意的地方。BP神經(jīng)網(wǎng)絡(luò)（BP Neural Network, BPNN)預(yù) 測模型存在訓(xùn)練數(shù)據(jù)需求大、收斂速度慢等問題，而RBF神經(jīng)網(wǎng)絡(luò)（RBFNN)是一種前向神經(jīng) 網(wǎng)絡(luò)模型，克服了 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)需求大、收斂速度太慢等缺點(diǎn)，日漸取代BP神經(jīng) 網(wǎng)絡(luò)成為一種新的交通信息預(yù)測方法，然而，由于人工神經(jīng)網(wǎng)絡(luò)采用經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原理 (ERM)，容易陷入局部極值，從而影響泛化能力。近年來，支持向量機(jī)（SVM)在交通信息預(yù)測 中應(yīng)用越來越廣泛，它采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，能有效解決小樣本、非線性等回歸問題， 具有全局尋優(yōu)能力與良好的泛化推廣能力，同時(shí)計(jì)算量少?？朔松窠?jīng)網(wǎng)絡(luò)局部極值的難 題。目前，用遺傳算法優(yōu)化支持向量機(jī)參數(shù)的方法應(yīng)用較多，但遺傳算法復(fù)雜的遺傳操作 (如選擇、交叉、變異）使支持向量機(jī)的訓(xùn)練時(shí)間隨問題規(guī)模及復(fù)雜程度的增大而呈指數(shù)級(jí) 增長，且存在局部最優(yōu)等問題。果蠅優(yōu)化算法（Fruit Fly Optimization Algorithm, F0A) 是一種智能群體搜索方法，它不僅具有很強(qiáng)的全局搜索能力，而且容易實(shí)現(xiàn)，非常適用于 最小二乘支持向量機(jī)（Least Squares Support Vector Machine, LSSVM)的參數(shù)優(yōu)化。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明針對(duì)現(xiàn)有交通信息的預(yù)測模型預(yù)測精確度不高的問題，而提供一種基于果 蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù)測方法，該方法能夠有效的提高預(yù)測精確度。
[0005] 為實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：
[0006] 基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù)測方法，該預(yù)測方法包括如下步 驟：
[0007] 步驟一、對(duì)原始交通信息數(shù)據(jù)（包括交通流量、速度和占有率）進(jìn)行歸一化預(yù)處 理，將數(shù)據(jù)歸一化到[0，1]區(qū)間內(nèi)，生成數(shù)據(jù)集并且進(jìn)行分組，即訓(xùn)練集和測試集；
[0008] 步驟二、選擇徑向基函數(shù)，作為最小二乘支持向量機(jī)模型的核函數(shù)，確定參數(shù)組合 (Y，〇)，其中Y為正則化參數(shù)，〇為徑向基函數(shù)的寬度參數(shù)；
[0009] 步驟三、采用果蠅優(yōu)化算法對(duì)最小二乘支持向量機(jī)的參數(shù)組合（Υ，〇 )進(jìn)行優(yōu) 化，在全局范圍內(nèi)得到最優(yōu)值；
[0010] 步驟四、代入經(jīng)過優(yōu)化的參數(shù)，構(gòu)造基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信 息預(yù)測模型；
[0011] 步驟五、輸入數(shù)據(jù)集，通過預(yù)測模型生成交通信息預(yù)測結(jié)果；
[0012] 步驟六、根據(jù)交通信息預(yù)測結(jié)果和實(shí)際交通信息數(shù)據(jù)，進(jìn)行預(yù)測誤差評(píng)價(jià)分析。
[0013] 進(jìn)一步的技術(shù)方案如下：
[0014] 步驟一的具體過程為：
[0015] 為了加快網(wǎng)絡(luò)的收斂速度和預(yù)測模型的準(zhǔn)確率，需要對(duì)輸入輸出數(shù)據(jù)進(jìn)行歸一化 處理，即通過一定的線性變化將輸入和輸出數(shù)據(jù)統(tǒng)一限制在[0,1]或[-1，1]區(qū)間內(nèi)，對(duì)數(shù) 據(jù)進(jìn)行線性歸一化處理：
[0016]

【權(quán)利要求】
1. 一種基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù)測方法，其特征在于，包括以 下步驟： 步驟一、對(duì)原始交通信息數(shù)據(jù)進(jìn)行歸一化預(yù)處理，將數(shù)據(jù)歸一化到[〇，1]區(qū)間內(nèi)，生成 數(shù)據(jù)集并且進(jìn)行分組，即訓(xùn)練集和測試集； 步驟二、選擇徑向基函數(shù)，作為最小二乘支持向量機(jī)模型的核函數(shù)，確定參數(shù)組合 (Y，〇)，其中Y為正則化參數(shù)，0為徑向基函數(shù)的寬度參數(shù)； 步驟三、采用果蠅優(yōu)化算法對(duì)最小二乘支持向量機(jī)的參數(shù)組合（Υ，σ)進(jìn)行優(yōu)化，在 全局范圍內(nèi)得到最優(yōu)值； 步驟四、代入經(jīng)過優(yōu)化的參數(shù)，構(gòu)造基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù) 測模型； 步驟五、輸入數(shù)據(jù)集，通過預(yù)測模型生成交通信息預(yù)測結(jié)果； 步驟六、根據(jù)交通信息預(yù)測結(jié)果和實(shí)際交通信息數(shù)據(jù)，進(jìn)行預(yù)測誤差評(píng)價(jià)分析。
2. 根據(jù)權(quán)利要求1所述的一種基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù)測方 法，其特征在于，所述步驟一的具體過程為： 通過一定的線性變化將輸入和輸出數(shù)據(jù)統(tǒng)一限制在[〇, 1]或[-1，1]區(qū)間內(nèi)，對(duì)數(shù)據(jù)進(jìn) 行線性歸一化處理：
(1) 式⑴中，Xmax為原始交通信息數(shù)據(jù)的最大值，Xmin為原始交通信息數(shù)據(jù)的最小值，\為 t時(shí)刻的原始交通信息數(shù)據(jù)，X/為t時(shí)刻相對(duì)應(yīng)的歸一化處理后的交通信息數(shù)據(jù)。
3. 根據(jù)權(quán)利要求1所述的一種基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù)測方 法，其特征在于，所述步驟二的具體過程為： 采用徑向基函數(shù)作為最小二乘支持向量機(jī)的核函數(shù)：
(2) 式（2)中，〇為徑向基函數(shù)的寬度參數(shù)。
4. 根據(jù)權(quán)利要求1所述的一種基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù)測方 法，其特征在于，所述步驟三的具體過程為： 1) 讀入交通信息數(shù)據(jù)集； 2) 確定種群個(gè)體數(shù)量sizepop = 20和最大迭代次數(shù)max gen = 100,在[0, 1]范圍內(nèi)， 隨機(jī)生成果蠅的初始位置； 3) 賦予果蠅個(gè)體搜尋食物的隨機(jī)飛行方向與距離區(qū)間； 4) 估計(jì)果蠅位置與原點(diǎn)之間的距離，計(jì)算味道濃度判定值Sp Si = Ι/Dp
5) 將參數(shù)組合（Y，c〇代入最小二乘支持向量機(jī)預(yù)測模型中，以預(yù)測的誤差平方和作 為味道判定函數(shù)，求出該果蠅位置味道濃度Smell,，即誤差平方和； 6) 找出果蠅群體中使得誤差平方和最小的果蠅，即其味道濃度最低； 7) 保留最佳模型參數(shù)（Υ，σ)與（Xi，Yi)坐標(biāo)，此時(shí)果蠅群體利用視覺往該位置飛去； 8) 迭代尋優(yōu)，重復(fù)執(zhí)行以上步驟3)至步驟6)，并判斷預(yù)測誤差平方和是否優(yōu)于前一迭 代預(yù)測誤差平方和，若是則執(zhí)行步驟7)。
5.根據(jù)權(quán)利要求1所述的一種基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù)測方 法，其特征在于，所述步驟四的具體過程為： 1) 路段上的交通信息與前幾個(gè)時(shí)段的交通信息有著必然的聯(lián)系，利用路段前幾個(gè)時(shí)段 的交通信息數(shù)據(jù)去預(yù)測未來時(shí)段的交通信息：設(shè)x(t)為t時(shí)刻的交通信息數(shù)據(jù)，x(t-l)為 t-Ι時(shí)刻的交通信息數(shù)據(jù)，采用當(dāng)前時(shí)間段和前s個(gè)時(shí)間段的交通信息對(duì)未來時(shí)間段的交 通信息進(jìn)行預(yù)測，將X (t)，X (t-Ι)，…，X (t-s)作為樣本t時(shí)刻的輸入值，即Xi，X (t+Ι)作為 樣本的輸出值，即yi ; 2) 建立訓(xùn)練集{(xpyj，（x2，y2)，···，（xN，yN)} e (ΧΧΥ)Ν，N為訓(xùn)練集中輸入輸出數(shù)據(jù) 對(duì)的個(gè)數(shù)，以作為最小二乘支持向量機(jī)的訓(xùn)練數(shù)據(jù)； 3) 通過己知數(shù)據(jù)的分析，選擇徑向基函數(shù)作為核函數(shù)以及采用經(jīng)過果蠅算法優(yōu)化的參 數(shù)，根據(jù)最小二乘支持向量機(jī)的算法，構(gòu)造并求解下列問題：
(3) 式（3)中，
為核空間映射函數(shù)，
是權(quán)矢量，ei e R為誤差變量，b 為偏差量，J為損失函數(shù)，Y為可調(diào)常數(shù)； 構(gòu)造拉格朗日函數(shù)：
(4) 式⑷中，ai e R為拉格朗日乘子，分別求式⑷對(duì)ei，ai，w，b的偏導(dǎo)，再消去w， ei， 可得如下方程：
(5) 式（5)中，y = [y! ; ;yN]，Iv = [1 ; ;1]，a = [ a 丄；...；a N]，i，j = 1，2,…，N ; 根據(jù)Mercer理論，可以選擇核函數(shù)K( ·，·），使得
(6； 由式（5)可解出a i和b。 4) 構(gòu)造預(yù)測函數(shù)
(7) 式（7)即為最后的預(yù)測函數(shù)，其中核函數(shù)K(x，Xi)采用徑向基函數(shù)； 5) 將測試數(shù)據(jù)集構(gòu)造成上述預(yù)測函數(shù)中輸入變量的形式，代入預(yù)測函數(shù)得到交通信息 的預(yù)測結(jié)果。
6.根據(jù)權(quán)利要求1所述的一種基于果蠅優(yōu)化最小二乘支持向量機(jī)的交通信息預(yù)測方 法，其特征在于，所述步驟六的具體過程為： 1) 計(jì)算平均誤差：平均誤差
誤差（i)/n，即平均誤差是由所有誤差之和除以輸出 樣本的數(shù)量的個(gè)數(shù)得到的； 2) 計(jì)算平均相對(duì)誤差：平均相對(duì)誤差
相對(duì)誤差（i)/n，即平均相對(duì)誤差是由所有相 對(duì)誤差之和除以輸出樣本的數(shù)量的個(gè)數(shù)得到的。 3) 計(jì)算均等系數(shù)：
其中，x(k)為實(shí)際交通信息數(shù)據(jù)，X'（k)為預(yù)測交通信息數(shù)據(jù)，η為預(yù)測個(gè)數(shù)。
【文檔編號(hào)】G06Q10/04GK104091216SQ201410367168
【公開日】2014年10月8日 申請(qǐng)日期:2014年7月29日 優(yōu)先權(quán)日:2014年7月29日
【發(fā)明者】叢玉良, 李曉雷, 郭一粟, 張書揚(yáng), 邢麗娟 申請(qǐng)人:吉林大學(xué)