[发明专利]基于集成LSSVR模型的路网中短时交通流的预测方法

说明书

本发明涉及一种基于集成LSSVR模型的路网中短时交通流的预测方法。该预测方法在传统方法的基础上，根据不同路段的交通流量对不同滞后时间的历史交通流数据的依赖程度的不同，先是利用不同的滞后时间，搭建多个不同的非线性LSSVR模型，学习到不同路段的交通流对不同滞后时间的历史数据的依赖，然后通过一个线性LSSVR模型，对多个非线性LSSVR的输出进行整合,进行最终预测。同时，针对模型中参数的调节问题，利用和声搜索算法予以解决。与传统的预测方法相比，本发明可以达到更好的预测效果。

技术领域

本发明涉及智能交通技术领域，具体为一种基于集成LSSVR模型的路网中短时交通流的预测方法。

背景技术

交通流量预测作为智能交通系统(ITS)的基础，较为准确的短时预测是实现科学规范的交通规划、交通诱导和交通控制的关键技术。是实现交通控制与诱导的前提，也是使ITS从“被动式反应”转变到“主动式动作”的关键。

一些经典的模型包括历史平均模型，卡尔曼状态空间滤波模型，自回归移动平均模型(ARIMA)季节性自回归移动平均模型(SARIMA)，K近邻等已被用于短时交通流的预测。这些方法主要关注了交通流在特定位置的时间相关性并在相对稳定的交通流数据上表现良好，此外，这些模型假定交通流是线性的，但在真实的交通中，不同位置的交通流在时空上相互影响，是非线性的。因此，这些方法在短时交通流预测上不能取得理想的效果。

人工神经网络(ANN)是另一种流行的数据驱动的交通流预测方法。其中，得到广泛认可的出色ANN模型有多层感知机(MLP)，卷积神经网络(CNN)，长短时记忆(LSTM)网络，自编码器(AE)等。近期，多隐层的ANN被用于交通流预测，并取得了较一些传统方法更好的结果。尽管ANN在构建非线性模型上是如此的强大，它仍然存在一些问题。例如，其学习过程缺乏可解释性并且在网络模型很复杂的情况下，训练ANN将需要大量的数据和算力。

支持向量机(SVM)，是一种有监督的机器学习模型，已被成功的应用在许多实际问题中。通过引入不敏感损失函数ε，SVM可以转化为支持向量回归(SVR)，解决非线性回归问题。在此基础上，最小二乘支持向量回归(LSSVR)通过最小二乘损失函数替换掉不敏感损失函数ε的方式，简化了SVR。在这种方式下，LSSVR的解可以通过求解线性方程组而不是复杂的二次规划问题得到，并同时不牺牲泛化性能。SVR和LSSVR都已被用于交通流预测，并得到了可观的成果。但是，已有的基于SVR的预测模型多是基于某个确定的滞后时间下的单一模型，这种方式没有充分考虑到路网交通中不同路段对滞后时间的依赖性不同的问题，其一侧性能仍有提升的空间。

发明内容

针对上述存在的问题，本发明提供了一种基于集成LSSVR模型的路网中短时交通流的预测方法，以提高预测效果。

为了实现上述目的，本发明具体技术方案如下：一种基于集成LSSVR模型的路网中短时交通流的预测方法，包括如下步骤：

1)采集路网中所有监测器的交通流数据，其中，路网包含多个站点，站点集合为S₁，每一个站点包括多个监测器；

2)通过监测器的交通流数据在站点集合S₁中筛选站点，组成集合S₂，并计算S₂的交通流数据；

3)构建路网短时交通流量值矩阵D₂；

4)构造LSSVR模型的训练集和验证集；

5)构造单个LSSVR模型；

6)构建集成LSSVR模型；

7)利用智能优化算法对集成LSSVR模型参数进行优化；

8)将待预测的数据集，按步骤2)到步骤4)处理成符合集成LSSVR的模型的输入形式，输入到模型中进行预测。