[发明专利]一种基于CS-SVR算法的短时道路交通拥堵预测方法

说明书

本发明公开了一种基于CS‑SVR算法的短时道路交通拥堵预测方法，算法属于道路拥堵预测技术领域，包括以下几个步骤：(1)收集原始数据并处理；(2)布谷鸟搜索算法(CS,Cuckoo Search)各参数初始化；(3)目标函数建立，初始适应度计算；(4)进行随机走动，计算新鸟巢位置；(5)更新最优目标函数值；(6)判断宿主鸟发现外来鸟蛋，改变或保留鸟巢位置。选取全局最优位置并判断是否达到迭代次数，若没达到最大迭代参数，则返回步骤S03，并且迭代代数加1；(7)若达到最大迭代代数或者满足精度要求，则利用SVR对测试样本进行交通拥堵预测。

技术领域

本发明涉及一种道路交通拥堵流量预测方法，涉及一种基于CS-SVR算法的针对短时道路交通流量的预测，尤其是针对交通流量、速度的预测，属于道路拥堵预测技术领域。

背景技术

随着我国国民经济发展，城市化进程加快，越来越多的资源及劳动力涌向城市，促进城市发展同时，交通拥堵问题越来越突出，尤其是一些大城市的交通状况更为严重，交通拥堵现象不仅造成了城市投资成本增加，浪费了大量能源，还会增加环境污染，损害人们身体健康及带来了精神困扰，并会耽误人们很多事情，减少了社会活动效率，造成较大经济损失。因此对交通拥堵进行预测，尤其是预测交通流量有着重大的现实意义。

Vapnik等人于1995年首次提出向量机回归模型(SVR)，是一种基于“小样本”的学习机，主要用于函数逼近。目前，大量的研究表明SVR能够处理小样本、高维非线性预测问题，并且在模式识别、参数估计、故障预判领域得到广泛应用，因此将其引入到交通拥堵预测中。

2009年剑桥大学的Yang和Deb提出了一种新型元启发式搜索算法-布谷鸟搜索(Cuckoo Search，CS)算法。其机理是依据布谷鸟种群巢寄生繁衍的策略，通过鸟类特殊的Lévy飞行的方式寻找最优孵化的蛋，达到高效寻优目的。因此这种方法非常适用于优化SVR参数。

结合上述SVR的描述以及在预测方面的工作机理，本发明利用CS算法对SVR模型中径向基核函数(RBF)中出现的参数σ以及表达式中存在的惩罚因子C进行参数寻优，为此设计了一种交通拥堵预测流程。

发明内容

本发明提出一种基于CS-SVR算法，目的是针对短时道路交通拥堵的预测。包括以下步骤：

步骤S01：收集将要预测的某路段的某时段内的全部交通流量数据。为减少各数据之间特征相关性，提高预测精度，将其归一化，或者使用KPCA法进行降维，生成SVR训练样本。

步骤S02：初始化改进CS算法相关参数以及SVR各参数。包括鸟巢的数量n，预测精度acc，最大迭代iter、搜索的步长α₀、鸟蛋识别概率p_a，设定p_a为0.25。随机选取n个鸟巢初始位置假设每个鸟巢位置可用参数集合(C,g)表示，找出当前最优鸟巢的位置与最优适应度并记t＝0。

步骤S03：保留上代最优鸟巢位置利用公式(8)计算Lévy飞行步长并更新其他鸟巢位置。通过公式(7)得到新的鸟巢位置，计算它们适应度f。一般来说，适应度的设置遵循某方面指标最小或者最大的特性，本文选择预测精度误差最小作为适应度函数。

步骤S04：将这组新的鸟巢位置与上一组位置进行比较以及替换，得到一组较优的鸟巢位置

步骤S05：通过判断鸟巢主人是否识别出鸟蛋保留或改变鸟巢位置。产生一个服从均匀分布的随机数r作为鸟巢宿主发现外来蛋的概率并与设置好的识别概率定值P_a对比，加入随机的r大于P_a，则表明布谷鸟蛋已被识别，需要弃巢更新位置，反之保留鸟巢。因此。保留不被发现外来鸟蛋的鸟巢的位置，并且同时根据公式(12)改变发现外来鸟蛋的鸟巢位置p_t+1。