[发明专利]一种基于贝叶斯优化的短时交通流预测方法及系统

说明书

本发明实施例公开了一种基于贝叶斯优化的短时交通流预测方法及系统，方法包括：采集固定道路位置的固定时间间隔内通过的原始交通流量数据，根据季节模型算法对原始交通流量数据进行预处理，生成时序交通流数据；构建基于支持向量回归机的短时交通流预测模型并进行训练；计算短时交通流预测模型的平均绝对百分误差，根据平均绝对百分误差获取短时交通流预测模型的预测精度；根据贝叶斯优化算法对预测精度对应的模型参数进行优化，直至生成目标短时交通流预测模型；根据目标短时交通流预测模型对短时交通流量进行预测。本发明实施例提高了短时交通流量预测模型的泛化能力，提高了预测精度，为智能交通提供了便利。

技术领域

本发明涉及智能交通技术领域，尤其涉及一种基于贝叶斯优化的短时交通流预测方法及系统。

背景技术

近年来，随着经济的发展以及人们对便捷交通出行需求的不断增加，汽车保有量经历了快速的增长，这给有限的道路资源带来了巨大的压力。随着科学技术在交通领域的不断发展，智能交通系统(ITS)的概念被提出，我们期望在不用大量兴建新的城市道路和其他交通设施的前提下，通过大数据和各种智能算法技术把人、车、道路等信息综合起来考虑，制定出合理的交通路径提高车辆运行效率，从而减小道路通行压力。智能交通系统成为一种缓解交通矛盾的行之有效的策略。在智能交通系统的众多分支中，短时交通流预测是其中的一项基础性工作，也是一项具有挑战性的研究课题。准确的交通流量预测可以预估道路的拥挤程度，从而引导驾驶员选择到达目的地的最佳路径，为交通主管部门提供更有效的诱导数据。因此，近几十年来的短期交通流量预测了许多研究者的关注。

国内外提出了很多用于短期交通流预测的方法。从时空预测角度来看，主要都是基于概率图的交通流预测模型，如马尔可夫链、马尔可夫随机场(MRFs)和卡尔曼滤波等都表现出较好的结果。与时空方法对应的是单点时间序列预测，相比时空预测，单点预测更易于建模，模型也更加实用。对于单一位置的短时交通流预测，经典的时间序列方法发挥了重要作用。Box和Jenkins提出的自回归移动平均ARMA算法在时序交通流预测中取得了不错的结果。ARMA的改进版本，如差分整合移动平均自回归模型ARIMA，季节性ARIMA，都被广泛用于交通流量预测。这些模型可以很好的捕捉线性系统的特性。然而，单点的交通流受多种因素的影响，变化性很大，交通量时间序列具有非平稳性。交通流预测相当复杂，是典型的非线性时间序列预测问题，基于ARMA的模型无法达到最佳的交通流预测结果。研究表明，机器学习方法通常具有更好的捕捉交通流时间序列不确定性和复杂非线性的能力。常用的方法有：支持向量回归(SVR)，人工神经网络(ANN)和贝叶斯网络。基于支持向量回归(SVR)的方法是广泛应用的方法之一，其适合于小样本条件下的高维数据预测问题，同时在非线性问题和局部最小值问题的解决方面都取得了满意的结果。最近，深度学习也引起了很多学术和工业界的兴趣，但是深度学习对于数据量的要求较高，不适合于小样本条件下的预测任务。

对于几乎所有的机器学习算法，参数优化问题是不可避免的。能否成功选择最佳参数已成为阻碍算法性能的重要因素。为了最大限度地提高模型学习速度和基础模型的泛化能力，近年来，一些专家提出了一些参数自动优化方法。具体来说，将参数优化过程视为黑盒函数的最大化过程，将模型的参数视为函数的自变量，将模型的泛化能力视为函数的最大化过程，将模型的参数视为函数的自变量，将模型的泛化能力视为函数的因变量。通过优化方法获得函数的最大值，得到一组最优参数。函数优化方法有很多，例如梯度优化方法或蒙特卡罗采样方法。但是，短时交通流预测算法中所面临的优化问题没有具体的函数表达式，梯度优化方法或蒙特卡罗采样法不适用于短时交通流预测算法。粒子群优化算法(PSO)可能限入局部最优解。

因此现有技术还有待于进一步发展。

发明内容

针对上述技术问题，本发明实施例提供了一种基于贝叶斯优化的短时交通流预测方法及系统，能够解决现有技术中短时交通流预测算法的泛化能力差，预测准确度低的技术问题。

本发明实施例的第一方面提供一种基于贝叶斯优化的短时交通流预测方法，包括：