[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

说明书

本发明提出了一种基于灰色ELM神经网络的短时交通流量预测的方法，步骤：对采集到的数据进行分组，得到等维新息序列，然后进行累加，得到累加后的等维新息序列；对累加后的等维新息序列进行处理，得到网络的输入矩阵和目标输出矩阵；先随机生成网络的权值和阈值，设定好网络参数，将生成的网络的输入矩阵集和目标输出矩阵集输入神经网络，训练网络；输入测试数据，得到网络的预测输出结果；用网络预测结果减去等维新息序列的累加值，得到实际预测结果，完成预测。其有益效果是：本发明的输入数据经过了灰色模型的处理，其差异性更小，使得灰色ELM神经网络的预测精度有了很大程度的提高。

技术领域

本发明涉及短时交通流量预测的技术领域，特别是指一种基于灰色ELM神经网络的短时交通流量预测的方法。

背景技术

随着经济的发展，对汽车需求的不断增加，公路交通流量也随之增加，由此带来了一系列的交通问题。在不改变当前路网的情况下，通过智能交通控制系统实现对路网的疏导和控制，是解决交通问题的有效途径。准确的交通流预测是交通流的疏导和控制的基础，是智能交通管理系统的重要组成部分。

交通流本身具有很强的不确定性，是复杂、多变的，容易受到随机的扰动，并且规律性不明显，随着不同的预测方法的引入，对短时交通流的预测也出现了许多预测模型，但是现有的预测方法对数据波动性要求较高和易失真的特点。

发明内容

本发明为解决现有的问题，提出一种基于灰色ELM神经网络的短时交通流量预测的方法。

本发明的技术方案是这样实现的：

一种基于灰色ELM神经网络的短时交通流量预测的方法，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：