[发明专利]基于SA-PSO的短时交通流预测方法

说明书

公开了一种基于SA‑PSO的短时交通流预测方法，属于数据预测领域，该方法基于背景值和初始条件是影响灰色建模精度的两个重要因素，根据车联网的短时交通流数据建立非等间距GM(1,1)模型，利用复化梯形公式对非等间距GM(1,1)模型中的背景值进行了优化，并基于新信息优先原理，对模型的初始条件进行了重构，利用相对误差平方和最小准则，对初始条件对应的最优时间参数进行求解，并利用基于模拟退火算法(SA)和粒子群优化算法(PSO)相结合的智能算法作为优化工具对模型背景值和初始条件中的自适应参数进行了优化提取，有效克服了现有非等间距GM(1,1)模型的不足，提高了非等间距GM(1,1)模型的预测精度，获得短时模拟交通流数据。

技术领域

本发明涉及数据预测领域，更具体地，涉及一种基于SA-PSO的短时交通流预测方法。

背景技术

灰色预测模型是灰色系统理论的一个重要组成部分，因其具有建模过程简单、所需样本少等优点，目前已成功应用到了电力、农业、管理、经济、高新技术产业等领域。灰色预测模型种类较多，由于众多原因，实际中存在很多原始数据不完整、样本序列为非等间距的情况，针对非等间距数据序列，非等间距GM(1,1)模型是应用最广泛的、最重要的灰色预测模型。传统非等间距GM(1,1)模型的预测精度易受背景值、初始条件的影响，当背景值和初始条件构造不合理时会出现预测失真、振荡现象，从而导致预测模型的适用性降低甚至不可用。因此，有必要开发一种预测精度高、适用性强的基于SA-PSO的短时交通流预测方法。

公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

本发明提出了一种基于SA-PSO的短时交通流预测方法，其能够通过对背景值进行重构，计算初始条件对应的最优时间参数，确定自适应参数，增加了模型使用的稳定性，提高了模型构建的理论深度；获得的短时模拟交通流数据具有适用性强、预测精度高、相对误差小的优点。

所述方法可以包括如下过程：步骤1：获取车联网的短时交通流数据，建立非等间距GM(1,1)模型的原始数据序列X⁽⁰⁾＝(x⁽⁰⁾(k₁),x⁽⁰⁾(k₂),…,x⁽⁰⁾(k_n))；步骤2：对所述原始数据序列X⁽⁰⁾作1-AGO处理，得到1-AGO序列X⁽¹⁾，其中，i、j为数据序号，Δk_j＝k_j-k_j-1,Δk₁＝1；步骤3：根据所述1-AGO序列X⁽¹⁾，生成背景值Z⁽¹⁾、计算矩阵B和Y，获得所述非等间距GM(1,1)模型的表达式为x⁽⁰⁾(k_i)Δk_i+az⁽¹⁾(k_i)＝b，通过最小二乘参数估计获得参数序列为其中，a为发展系数，b为灰作用量，步骤4：通过模拟退火算法和粒子群优化算法，确定背景值和初始条件的最优自适应参数p*与δ*；步骤5：利用步骤4所得的最优自适应参数p*重构背景值，建立所述非等间距GM(1,1)模型，利用步骤4所得的最优自适应参数δ*重构初始条件，求解所述非等间距GM(1,1)模型的白化微分方程的时间响应函数，即为所述1-AGO序列X⁽¹⁾的模拟预测序列通过累减还原获得所述原始数据序列X⁽⁰⁾的模拟预测序列即为短时模拟交通流数据。

优选地，步骤3中生成背景值Z⁽¹⁾包括：

其中，q为计算参数，p为自适应参数，p为一个整数值，p≥1，为1-AGO序列X⁽¹⁾的拟合函数，M＝x⁽⁰⁾(k₁)-N。