[发明专利]一种基于Adaboost算法的交通流特性分析与预测方法

权利要求书

1.一种基于Adaboost算法的交通流特性分析与预测方法，该方法具体包括以下各步骤：

步骤(1)基于R/S分析法的交通流的短时特性分析

步骤(1-1)计算步骤：

设定一个时间序列{x(t)}，t＝1,2,…,M有以下计算；

1)把它分割成为长度为n的[M/n]个等长子序列段，I_a表示第a个子序列段，第a个上的时间序列段表示为{x(i)},i＝1,2,…,n；E_a表示第a个子序列段上的均值：

2)子序列段I_a中的元素对于均值的累积离差X(i,a)：

3)子序列段I_a的极差和样本标准差

4)子序列段长度为n划分的重标极差值(R/S)_n

步骤(1-2)分析过程：

根据赫斯特指数值的不同，将时间序列分为三种类型：

(1)0H0.5，说明该序列不是随机游走序列，是一种反相关性的时间序列，即未来的变化趋势与过去趋势相反，且H越接近于0反持续性越强；

(2)H＝0.5，说明该序列是标准的随机游走序列，即未来变化趋势和过去趋势的增量没有关系；

(3)0.5H1，表示该时间序列具有持久性，过去的增加趋势预示未来的增加趋势，过去的减少趋势预示着将来的减少趋势；H趋于1时，表示过去与将来关系密切；根据持久性与反持久性对时间序列未来的变化趋势可做出定量分析；

步骤(2)交通流时间序列相空间重构

设交通流时间序列为令时间延迟为τ，嵌入维数为m，则用时间延迟的相空间重构法构造的M个m维相空间矢量为：

X＝{X(t)|X(t)＝[x(t),x(t+τ),…,x(t+(m-1)τ)]^T,t＝1,2,…,M} (6)

其中X为m×M维矩阵，重构后所得相空间的相点个数为M＝N-(m-1)τ，M个相点在m维相空间中构成一个相型，它表示交通流系统在某一瞬间的状态，按时间增长的顺序将其相连，即可描述交通流系统在m维相空间中的演化轨迹，将原来的一维时间序列预测问题转化成m维相点序列的预测；假设预测的相点{X(t),X(t-1),…,X(t-k)},k＝1,2,…,t-1已知，当前时刻t+(m-1)τ，需要预测的相点为{X(t+1),X(t+2),…,X(t+p)}，其中p＝1时称为一步预测，p1时称为多步预测，预测模型表示为：

{x(t+(m-1)τ+1),…,x(t+(m-1)τ+p)}＝F(X(t),…,X(t-k)) (7)

利用前馈神经网络的泛化逼近能力，实现交通流的一步或者多步预测；

步骤(3)MEC-BP融合

设t为在MEC全局迭代中当前正在进行的迭代次数；ρ为在某个子种群内部迭代中当前正在进行的迭代次数；子群体中的每一个个体代表了一组BP神经网络融合算法中的初始权值和阈值，而衡量单个个体N_i,j好坏的指标适用度则由训练后收敛的BP神经网络融合模型所得融合结果经进一步计算获得，在子种群的内部迭代中，各子种群中经过局部公告板选择出最优个体N_i,pbest，再令该个体代表整个子种群通过全局公告板参与全局竞争，选择出全局最优子种群S_gbest以及包含在内的全局最优个体N_gbest；经过多次迭代后，由最终全局最优个体所代表的初始权值和阈值训练而得的MEC-BP神经网络模型即为最终得到的多源交通数据融合模型；

步骤(4)基于Adaboost算法的神经网络集成预测模型

通过反复搜索样本特征空间，获取样本权重，并在迭代过程中不断调整训练样本的权重，增加预测精度低的样本的权重，减小预测精度高的样本的权重，并采用加权多数表决的方法组合形成一个强预测器，具体如下：

步骤(4-1)Adaboost算法步骤

Step1：数据获取和网络初始化；从样本空间选取m组训练样本T＝{(X_i,y_i)}，赋予训练样本权重分布为w_1i＝1/m，i＝1,2,…,m，依据样本输入和输出维数确定网络结构，神经网络初始权重和阈值由思维进化算法优化获得，D(1)表示获得样本的初始权重，K表示预测器的数量；

D(1)＝(w₁₁,w₁₂,…w_1i,…,w_1m) (8)

Step2：进行迭代k＝1,2,…,K

(a)训练第k个弱预测器时，用弱预测器H_k(x)训练样本并预测训练数据输出回归误差率ξ_k，计算训练集上的样本最大误差E_k和每个样本的相对误差ξ_ki：

E_k＝max(|y_i-H_k(X_i)|) (9)

(b)计算该弱预测器在最终预测器中所占的权重a_k：

(c)根据预测序列权重a_k调整下一轮训练样本的权重：

D(k+1)＝(w_k+1,1,w_k+1,2,…,w_k+1,m) (13)

Step3：训练K轮后得到K组弱预测器H_k(x)，按弱预测器权重组合各个弱预测函数得到强预测器h(x)为：

Step4：为了更好地求出各组弱预测器的加权值，通过Adaboost算法训练MEC-BP神经网络得到K组弱预测器H_k(x)之后，再次采用预测误差平方和倒数准则进行每组弱预测函数的加权值w_k求解，最终得到累加的强预测器h(x)＝∑w_k*H_k(x_k,a_k)；预测误差平方和越大，表明预测模型的预测精度就越低，从而它在组合预测中重要性就降低，对预测误差平方和较小的单项预测模型在组合预测中应赋予较大加权系数；加权系数计算方法为：

设y_ki为第k种弱预测器在第i时刻的预测值，y_i为同一预测对象的第i时刻观测值，N表示时间长度，则E'_k为第k种弱预测器的预测误差平方和；