[发明专利]一种基于灰色ELM神经网络的短时交通流量预测的方法

权利要求书

1.一种基于灰色ELM神经网络的短时交通流量预测的方法，其特征在于：其步骤包括：

a.对数据进行灰色处理，将采集到的数据按照式(3)进行分组，即：设采集到的数据为Q，则

Q＝(q₁,q₂,…,q_m),(m∈N₊) (1)

将其分为n组，每组M+1个数据，且满足

n+M＝m,(n∈N₊,M∈N₊) (2)

对于其中的第p组，记为：

经过式(3)得到等维新息序列后，按照式(4)和(5)进行累加，得到累加后的等维新息序列，即：对中的数据进行灰色处理，得到一次累加序列为

其中

b.生成输入矩阵集和目标输出矩阵集，对累加后的等维新息序列按照式(6)、式(7)、式(8)处理,得到网络的输入矩阵和目标输出矩阵，即：选取的前M项作为ELM神经网络的输入，第M+1项作为网络的期望输出，则有

对以上分成n组数据，由其构成的网络的输入矩阵集X和目标输出矩阵集Y分别为

X＝[X₁,X₂,…,X_n] (7)

Y＝[Y₁,Y₂,…,Y_n] (8)

设网络的实际输出矩阵T为

T＝[T₁,T₂,…,T_n] (9)；

c.建立ELM神经网络模型，先随机生成网络的权值和阈值，设定好网络参数，网络参数设置如下：

W_ij为输入层和隐含层之间的连接权值，其中i＝1,2,…,l,j＝1,2,…,M,l∈N₊为隐层神经元个数，并记W_i＝(W_i1,W_i2,…,W_iM)；

B_i为隐含层第i个的节点的阈值；

β为隐含层和输出层的权值，其中β_i为隐含层第i个节点与输出层节点的连接权值；

d.网络训练，将步骤b中生成的输入矩阵集合目标输出矩阵集输入神经网络，对网络进行训练，网络训练原理为：

隐层激励函数为sigmoid函数，表达式为：

当输入为X_p时，根据神经网络原理有：

隐层第i个节点的输入为

net_i＝W_iX_p+B_i (11)

隐层第i个节点的输出为

s_i＝f(net_i)＝f(W_iX_p+B_i) (12)

网络的输出层的输出为

当输入为X时，记隐含层的输出矩阵为H，有

对于输出层，则有输出方程为：

T＝Hβ (15)

网络训练的目的就是找到最优输出层权值使网络的实际输出T无限逼近于目标输出Y，通过求取最小范数二乘解的方法得到最优输出层权值即：

其中，H⁺为Moore-penrose逆，

e.仿真测试，利用求解到的最优输出层权值求得最优输出层权值下的ELM神经网络的预测输出为：

f.将预测结果累减还原成实际预测结果，用网络预测结果减去步骤b得到的等维新息序列的累加值，得到实际预测结果，通过累减得到实际预测值为：

2.根据权利要求1所述的基于灰色ELM神经网络的短时交通流量预测的方法，其特征在于：对原始数据进行分组，构建等维新息序列，对等维新息序列进行灰色处理，得到灰色处理后的等维新息序列；然后对等维新息序列进行处理，构成输入矩阵集和目标输出矩阵集，对ELM神经网络进行训练，从而得到ELM神经网络对灰色数据的预测结果；最后通过累减还原，得到短时交通流的真实预测结果。