一種混合人工魚群算法優(yōu)化支持向量回歸的交通流預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計算機應(yīng)用技術(shù)的人工智能領(lǐng)域，涉及到智能優(yōu)化算法的群智能優(yōu)化 方法的應(yīng)用，特別涉及到智能交通系統(tǒng)中的交通流量預(yù)測方法。針對群智能算法中人工魚 群算法的初始參數(shù)設(shè)置較多和步長因子的設(shè)置對尋優(yōu)性能的影響的缺點，提出采用粒子群 算法改進人工魚群算法來優(yōu)化支持向量回歸進行參數(shù)選擇，建立基于混合人工魚群優(yōu)化支 持向量回歸的交通流量預(yù)測模型，提高了預(yù)測精度。
【背景技術(shù)】
[0002] 智能交通系統(tǒng)是緩解道路交通擁堵、減少汽車尾氣污染和預(yù)防交通事故發(fā)生等交 通問題的有效方法，而準確、可靠的道路交通流量信息是智能交通系統(tǒng)中交通控制和信息 管理的重要內(nèi)容。實時準確的交通流量的預(yù)測結(jié)果可以運用到先進的交通信息管理和控制 系統(tǒng)，給出行者提供實時有效的信息，幫助出行者更好地選擇出行路徑，減少出行者旅行時 間，緩解交通壓力和節(jié)約能源等目的。因此，國內(nèi)外的研究學(xué)者提出了多種預(yù)測方法致力于 交通流量預(yù)測這一應(yīng)用領(lǐng)域的研究。
[0003] 交通流量預(yù)測就是基于動態(tài)獲取的若干時間序列的道路交通流量狀態(tài)數(shù)據(jù)預(yù)測 未來時段的交通流量狀態(tài)數(shù)據(jù)。使用道路交通流檢測器采集交通流量數(shù)據(jù)，整理得到交通 流狀態(tài)的時間序列數(shù)據(jù)，根據(jù)建立的預(yù)測模型和方法進行數(shù)據(jù)分析和擬合，得到預(yù)測交通 流狀態(tài)信息，從而應(yīng)用到實際場景中。
[0004] 傳統(tǒng)的交通流量預(yù)測方法一類是基于數(shù)學(xué)測定方法的自回歸移動平均方 法（ARIMA)、卡爾曼濾波方法和非線性回歸方法（Brian L. Smith et. al. Comparison of parametric and nonparametric models for traffic flow forecasting[J]. Transportation Research Part C, 2002, 10 (4) :303 - 321)。這些預(yù)測方法有計算簡單和 計算速度快的優(yōu)點，但是它們不能處理交通流量信息的不確定性和非線性的復(fù)雜特征。另 一類有基于知識發(fā)現(xiàn)的智能方法，如模糊理論、小波理論和人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)方 法由于其無先驗性的解決高復(fù)雜度問題的良好性能在交通流預(yù)測領(lǐng)域取得了一定的成果 (Eleni I.V et.al. Optimized and meta-optimized neural networks for short-term traffic flow prediction:A genetic approach[J]. Transportation Research Part C，2005, 13(3) :211 - 234)。但是人工神經(jīng)網(wǎng)絡(luò)是基于經(jīng)驗風(fēng)險最小化原則，存在收斂速度 慢和訓(xùn)練誤差非凸的問題，難以求得最優(yōu)解。
[0005] 支持向量回歸（Support Vector Regression, SVR)是支持向量機用于解決非線 性回歸估值問題，能夠很好的解決小樣本、非線性和高維的問題，已經(jīng)成功的用于交通流 量預(yù)測領(lǐng)域（Manoel Castro-Neto et.al. Online-SVR for short-term traffic flow prediction under typical and atypical traffic conditions[J]. Expert Systems with Applications, 2009, 36(3) :6164-6173.)。SVR的核心思想是基于結(jié)構(gòu)風(fēng)險最小化原則，通 過定義一個非線性映射將輸入數(shù)據(jù)集映射到高維特征空間，在這個高維特征空間就存在一 個線性函數(shù)能夠明確的表示輸入數(shù)據(jù)集和輸出數(shù)據(jù)集之間的非線性關(guān)系。SVR模型中參數(shù) 組合C、ε和〇的值的選擇影響預(yù)測的精度，所以建立優(yōu)化的交通流量預(yù)測模型就需要選 取最優(yōu)的參數(shù)組合來最小化實際值和預(yù)測值之間的誤差。
[0006] 圖1給出了基于支持向量機的交通流量預(yù)測模型。然而基于SVR的交通流量預(yù)測 方法存在模型中SVR的輸入?yún)?shù)組合設(shè)置不合適問題，從而不能得到最優(yōu)的預(yù)測結(jié)果。傳 統(tǒng)的基于人工選擇的方法存在主觀經(jīng)驗判斷的缺點，而基于網(wǎng)格遍歷的的方法則存在求解 時間長的缺點，都不能選擇出較優(yōu)的回歸參數(shù)，從而影響預(yù)測結(jié)果。
[0007] 人工智能領(lǐng)域的群智能進化算法求解最優(yōu)化問題有著廣泛的應(yīng)用。人工魚群 算法是由李曉磊于2002年提出的通過模擬自然界中魚群的行為的一種群智能優(yōu)化算 法，已成功的運用到通信、控制和數(shù)據(jù)挖掘等領(lǐng)域問題的優(yōu)化（江銘炎，袁東風(fēng).人 工魚群算法及其應(yīng)用[Μ].北京：科學(xué)出版社，2012)。FANG Na等提出了采用混合 的群智能進化算法進行調(diào)度方面的應(yīng)用，取得較優(yōu)效果。（FANG Na et.al. A hybrid of real coded genetic algorithm and artificial fish swarm algorithm for short-term optimal hydrothermal scheduling[J]. Electrical Power and Energy Systems, 2014(62) :617-629)其他的群智能優(yōu)化算法諸如粒子群算法和模擬退火等都 得到很好的實際應(yīng)用。Wei-Chiang Hong提出運用混沌的模擬退火算法優(yōu)化SVR進行 交通流量預(yù)測，提高了預(yù)測精度（Wei-Chiang Hong. Traffic flow forecasting by seasonal SVR with chaotic simulated annealing algorithm[J]. Neurocomputti ng，2011，74(12-13) :2096-2107)。Ming-Wei Li等利用混沌云粒子群混合算法優(yōu)化SVR進 行交通流量預(yù)測，模型的可行性和有效性得到驗證（Ming-Wei Li et.al. Urban traffic flow forecasting using Gauss - SVR with cat mapping, cloud model and PSO hybrid algorithm[J]. Neurocomputing, 2013, 99):230-240)〇
[0008] 雖然基于群智能算法優(yōu)化SVR在交通流量預(yù)測應(yīng)用上取得了良好的效果，但是也 存在技術(shù)的不足之處：
[0009] (1)單一的群智能的進化選擇算法都存在各自的缺點，比如粒子群優(yōu)化算法存在 發(fā)生早熟收斂現(xiàn)象，容易陷入局部最小解的缺點；模擬退火算法存在搜索時間較長的現(xiàn)象 等。所以在優(yōu)化SVR進行參數(shù)選擇時不能得到最優(yōu)回歸參數(shù)。
[0010] (2)現(xiàn)有的人工魚群算法在對SVR進行參數(shù)優(yōu)化選擇時候，存在初始參數(shù)設(shè)置過 多的缺點，并且人工魚群算法中的步長因子的設(shè)置對優(yōu)化性能有較大的影響，如果步長太 小就將個體魚限制在較小搜索空間，增大了尋優(yōu)時間；如果步長太大，則可能找不到最優(yōu) 值。這樣不利于選擇出最優(yōu)的回歸參數(shù)。

【發(fā)明內(nèi)容】

[0011] 本發(fā)明要解決的技術(shù)問題是使用人工魚群算法優(yōu)化支持向量回歸時初始參數(shù)中 步長因子的設(shè)置對尋優(yōu)性能的影響的缺點，無法選擇出最優(yōu)回歸參數(shù)，從而導(dǎo)致的交通流 量預(yù)測應(yīng)用時不能得到較高預(yù)測精度問題。本發(fā)明的目的是提出一種混合人工魚群算法優(yōu) 化支持向量回歸，選擇出合適的回歸參數(shù)，建立混合優(yōu)化的交通流量預(yù)測模型，從而提高交 通流預(yù)測精度。
[0012] 本發(fā)明的技術(shù)方案是：采用粒子群算法改進人工魚群算法，建立混合優(yōu)化算法，減 少人工魚群算法中步長因子對算法的影響，并且引入混沌機制來初始化魚群位置，來進行 SVR的參數(shù)選擇，建立了混沌粒子群魚群混合優(yōu)化SVR的交通流量預(yù)測模型。
[0013] 本發(fā)明提出的混合人工魚群優(yōu)化方法具體內(nèi)容如下：
[0014] 人工魚群算法中每條人工魚代表D維空間中的一個點Xi，人工魚個體所在位置的 適應(yīng)度值為FS i,本發(fā)明所建立的交通流量預(yù)測模型致力于FSi最小化。兩條人工魚之間的 距離為I X卜Xj I，其他的參數(shù)包含魚群個數(shù)n，視野visual，步長St印和擁擠度因子δ。 每條人工魚通過模擬魚的覓食、聚群、追尾和隨機行為進行尋找最優(yōu)適應(yīng)度值來進行搜索 優(yōu)化過程。
[0015] (1)覓食行為：是人工魚趨向較優(yōu)適應(yīng)度值的基本行為。其計算公式為：
【主權(quán)項】
1. 一種混合人工魚群算法優(yōu)化支持向量回歸的交通流預(yù)測方法，是采用粒子群算法改 進人工魚群算法，建立混合優(yōu)化算法，減少人工魚群算法中步長因子對算法的影響，并且引 入混沛機制來初始化魚群位置，來進行SVR的參數(shù)選擇，建立了混沛粒子群魚群混合優(yōu)化 SVR的交通流量預(yù)測模型；其特征在于W下步驟， (一） 人工魚群算法 每條人工魚個體代表D維空間中的一個點Xi，人工魚個體所在位置的適應(yīng)度值為FSi; 建立的交通流量預(yù)測模型致力于FSi最小化； 兩條人工魚之間的距離為I k_xj II，魚群個數(shù)為n，視野為visual,步長為St巧，擁擠 度因子為5 ; 每條人工魚通過下述模擬魚的覓食、聚群、追尾和隨機行為，進行尋找最優(yōu)適應(yīng)度值來 進行搜索優(yōu)化過程； 具體步驟如下： (1)覓食 覓食行為是人工魚趨向較優(yōu)適應(yīng)度值的基本行為，其計算公式為：
(4) Xi+i= X i+rand2 ? step 其中randl和rand2分別代表隨機變量區(qū)間[0, 1]和[-1，1]，Xi代表第i條人工魚位 置信息，F(xiàn)Sj.為X i在視野范圍內(nèi)隨機移動到另一位置X j.的適應(yīng)度值； 若按（1)反復(fù)嘗試后，仍不滿足前進條件，則按Xw= X i+rand2 ? step隨機移動一步； 似聚群 聚群行為是指人工魚個體在游動過程中為了趨利避害，會自然的聚集成群向鄰居中也 移動；其計算公式為：
(2) n,為當(dāng)前視野范圍內(nèi)的鄰居數(shù)目，X。代表所有鄰居的聚集群體的中也位置；當(dāng)X。的適 應(yīng)度值優(yōu)于當(dāng)前Xi位置的適應(yīng)度值，并且魚群不太擁擠時候，Xi就向中也位置移動；否則， 執(zhí)行（1)覓食行為； (3)追尾 追尾行為是一種向著附近的有更優(yōu)適應(yīng)度值的人工魚移動的行為；其計算公式為：
(3) %為當(dāng)前視野范圍內(nèi)的的鄰居數(shù)目，X mi。代表視野范圍內(nèi)的最優(yōu)適應(yīng)度值的人工魚所 在位置。當(dāng)Xmi。的適應(yīng)度值優(yōu)于當(dāng)前Xi位置的適應(yīng)度，并且魚群不太擁擠時候，Xi就向中 也位置移動；否則，執(zhí)行（1)覓食行為； (二） 粒子群算法 設(shè)解空間內(nèi)的每個位置為一個粒子，每個粒子具有由被優(yōu)化函數(shù)確定的適應(yīng)度值，同 時每個粒子按照公式（4)搜索規(guī)則和適應(yīng)度方向?qū)ψ陨淼乃俣燃拔恢眠M行調(diào)整來求得最

優(yōu)解；粒子群算法的速度和位置更新公式為： Vj+1 =。J ? Vj+〇i ? Ti ? (pbestj - Xj)+〇2 ? ? (gbestj - Xj) (4) Xj+1= X j+Vj+i 其中Vj為粒子當(dāng)前速度，《 j為速度慣性權(quán)重，c 1和C 2為加速系數(shù)，X J為第j個粒子的 位置，pbestj.代表粒子當(dāng)前自身最優(yōu)位置，gbest j.為粒子當(dāng)前全局最優(yōu)位置； (H)使用粒子群算法公式來優(yōu)化人工魚群算法 人工魚群算法中的魚的覓食、聚群和追尾行為的公式（1)、（2)和（3)就轉(zhuǎn)換為如下公 式：
人工魚群算法中的人工魚個體像粒子群算法中的粒子一樣，只依賴于visual因子而 不依賴于step因子進行游動行為的選擇，尋求最優(yōu)解。
【專利摘要】本發(fā)明屬于計算機應(yīng)用技術(shù)的人工智能領(lǐng)域，涉及到智能優(yōu)化算法的群智能優(yōu)化方法的應(yīng)用，特別涉及到智能交通系統(tǒng)中的交通流量預(yù)測方法。提出了一種混合人工魚群優(yōu)化支持向量回歸的方法，應(yīng)用到交通流量預(yù)測中。其特征是混合優(yōu)化方法的構(gòu)建過程：針對人工魚群算法中步長因子對算法的影響的不足，運用粒子群算法改進人工魚群算法的行為選擇，減少步長影響；然后優(yōu)化支持向量回歸進行參數(shù)選擇，建立了混合人工魚群優(yōu)化的交通流量預(yù)測模型。本發(fā)明的效果和益處是能夠克服人工魚群算法不足，比單一的群智能優(yōu)化算法應(yīng)用取得更好的組合回歸參數(shù)，從而提高交通流量預(yù)測的精度?；旌蟽?yōu)化方法適用于實際交通流預(yù)測和其他工程優(yōu)化問題。
【IPC分類】G08G1-01, G06F19-00
【公開號】CN104599501
【申請?zhí)枴緾N201510038201
【發(fā)明人】姚衛(wèi)紅, 方仁孝, 張旭東
【申請人】大連理工大學(xué)
【公開日】2015年5月6日
【申請日】2015年1月26日