[发明专利]可优化的自适应多核支持向量机的短时交通流预测方法

说明书

本发明涉及一种可优化的自适应多核支持向量机的短时交通流预测方法。组合高斯核函数和多项式核函数以构建自适应多核支持向量机（AMSVM）；利用自适应粒子群算法（APSO）对AMSVM进行参数优化；同时考虑历史数据和实时数据，提出基于AMSVM的短时交通流预测模型；输入交通流数据集，利用预测模型生成短时交通流的预测结果；根据交通流的预测结果和实际交通数据，对预测误差进行评价分析。本发明方法可改善现有支持向量机（SVM）方法仅采用单个核函数进行预测的不足，能充分适应交通流非线性和随机性的变化特征，实现对短时交通流的实时、自适应预测，同时提高预测结果的速度和精度，具有一定的理论参考和现实意义。

技术领域

本发明涉及机器学习和智能交通领域，特别是一种可优化的自适应多核支持向量机的短时交通流预测方法。

背景技术

交通流诱导与控制是智能交通系统(ITS)的基本功能，通过发布实时有效的交通出行信息，诱导出行者选择最佳出行路径，避免向拥堵区域的进一步集聚，引导和均衡交通流在时间与空间上的分布，实现对交通拥堵的主动式控制，可有效提高路网通行效率、缓解城市交通拥堵，同时减轻由此产生的环境污染和资源浪费问题。而交通流诱导与控制系统的正常运行，核心基础就在于短时交通流的实时、动态和精准预测。

目前为止，国内外业已提出的交通流预测方法主要有时间序列法、卡尔曼滤波、混沌理论、神经网络和支持向量机(SVM)等。影响交通流变化的因素多种多样，而且彼此之间具有非线性和随机性的特点。SVM具有良好的自学习和非线性预测能力，并且能在小训练样本的情况下获得较好的预测精度，因此在短时交通流预测领域拥有举足轻重的地位。SVM是一种针对分类和回归问题的统计学习方法，其建立在VC维理论和结构风险最小化原则之上，用于解决小样本和过度学习问题，能够保证所求极值是全局最优解。然而，现有基于SVM的方法在实际预测时本质上只采用了一种核函数，不足以充分适应交通流的变化特征。为提高预测结果的准确率，有必要对算法做进一步的改进并提出更好的预测模型。

发明内容

本发明的目的在于提供一种可优化的自适应多核支持向量机的短时交通流预测方法，该方法可改善现有支持向量机(SVM)方法仅采用单个核函数进行预测的不足，能充分适应交通流非线性和随机性的变化特征，实现对短时交通流的实时、自适应预测，同时提高预测结果的速度和精度，具有一定的理论参考和现实意义。

为实现上述目的，本发明的技术方案是：一种可优化的自适应多核支持向量机的短时交通流预测方法，包括如下步骤，

步骤S1：组合高斯核函数和多项式核函数以构建自适应多核支持向量机；

步骤S2：利用自适应粒子群算法对自适应多核支持向量机进行参数优化；

步骤S3：同时考虑历史数据和实时数据，提出基于自适应多核支持向量机的短时交通流预测模型；

步骤S4：输入交通流数据集，利用预测模型生成短时交通流的预测结果；

步骤S5：根据交通流的预测结果和实际交通数据，对预测误差进行评价分析。

在本发明一实施例中，在所述步骤S1中，所述自适应多核支持向量机通过如下方式构建：

步骤S11：构建高斯核函数与多项式核函数组合而成的混合核函数：

K(x,x_i)＝β·exp(-γ||x-x_i||²)+(1-β)·[γ(x·x_i)+1]^q

其中，x和x_i表示样本集中任意两个实输入向量，β∈[0,1]为混合核函数的权重系数，γ为核函数的固有参数，q为幂次；

步骤S12：根据交通流的实时变化趋势即数值的斜率大小来自适应调整权重：