[发明专利]一种基于支持向量机和BP神经网络结合的交通流预测方法

权利要求书

1.一种基于支持向量机和BP神经网络结合的短时交通流预测方法，其特征在于包括如下步骤：

步骤1:采集历史交通流数据，利用归一化方法对交通流数据进行预处理，得到归一化后的数据集,将归一化后的数据集划分为训练数据集和测试数据集；

步骤2:利用SVM模型对测试数据集进行预测分析，得到预测结果，使用BP神经网络模型对残差序列进行分析，得到修正后的残差序列；

步骤3:将SVM模型所得到的预测结果与BP神经网络模型所得到的修正残差序列相加，得到最终的预测数据；

步骤4:将测试数据集和最终的预测数据进行比较，并分析误差。

2.根据权利要求1所述的基于支持向量机和BP神经网络结合的短时交通流预测方法，其特征在于步骤1中的归一化具体过程如下：

分别计算历史交通流数据某一个样本中的最小值min和最大值max，使用min-max标准化方法对数据进行归一化，使得归一化之后的交通流数据结果映射到[0-1]之间，即根据交通流数据集合F＝{f_t|t＝1,2,...,T}求得集合中的最大值max和最小值min，对集合中的每个数据计算：

x*=x-minmax-min]]>

式中x^*表示归一化处理后的交通流数据，min表示样本数据中的最小值，max表示样本数据最大值，x表示待归一化处理的历史交通流数据。

3.根据权利要求1所述的基于支持向量机和BP神经网络结合的短时交通流预测方法，其特征在于步骤1中归一化处理之后将历史交通流数据中百分之80的数据作为训练集，百分之20的数据作为测试集。

4.根据权利要求1所述的基于支持向量机和BP神经网络结合的短时交通流预测方法，其特征在于步骤2具体包括以下步骤：

4.1：建立基于支持向量机和BP神经网络的交通流预测模型，利用归一化后的训练集样本训练SVM模型用交叉验证找出优化后的参数C,γ，参数γ是Sigmoid核函数的参数，参数C是SVM惩罚函数的参数；

4.2：利用SVM模型对原始数据进行预测分析，得到预测结果，记为原始序列和预测结果序列的差为新的序列，记为e_i序列，用BP神经网络模型对e_i序列也就是残差序列进行分析，得到修正后的残差序列，记为e′_i。

5.根据权利要求4所述的基于支持向量机和BP神经网络结合的短时交通流预测方法，其特征在于将SVM模型所得到的预测结果与BP神经网络模型所得到的修正残差序列相加，得到最终的预数据，即，

6.根据权利要求1所述的基于支持向量机和BP神经网络结合的短时交通流预测方法，其特征在于所述步骤4包括：通过平均绝对百分比误差MAPE来对预测数据进行误差分析，计算公式如下：

MAPE(f,f^)=1NΣi=1N|fi-fi′fi|]]>

RMSE(f,f^)=[1nΣi=1n(|fi-f^i|2)]12]]>

式中表示测试数据集与预测数据的平均绝对百分比误差，表示测试数据集与预测数据的均方根误差，f表示交通流的观测值，表示交通流的预测值，N表示交通流预测值得数量，f_i表示测试数据集中的第i个交通流参数，表示预测数据集中的第i个预测交通流参数，i的取值范围为1,2...N。