[发明专利]基于GSA-SVR算法的短时道路交通拥堵预测方法

权利要求书

1.一种基于GSA-SVR算法的短时道路交通拥堵预测方法，其特征在于，包括以下步骤：

步骤1、收集将要预测的某路段的某时段内的全部交通流量数据；

步骤2、初始化改进GSA算法相关参数以及SVR各参数；

步骤3、保留上代最优个体位置，更新引力常数，利用公式计算个体的最新质量，算出当前个体收到其他个体引力的合力，从而算出个体的位移距离，得到新的个体位置，以此更新整个个体群的位置；计算适应度；

步骤4、将当前组新的个体位置与上一组位置p_t-1进行比较以及替换，得到一组较优的个体位置pt；

步骤5、将步骤4中的p_t+1与步骤3中的p_t互相比较，用p_t+1其中较优的解代替p_t中较差的解；并判断其最优适应度是否满足设置的预测精度；

步骤6、保留最优个体位置以及对应的(C，σ)值作为SVR的最优参数，建立交通状态预测模型；

步骤7、判断得出的值是否符合设定精度，如符合输出结果；否则，返回步骤3。

2.根据权利要求1所述的道路交通拥堵流量预测方法，其特征在于，步骤1中收集将要预测的某路段的某时段内的全部交通流量数据过程为：

对原始数据进行归一化，或者使用KPCA法进行降维，生成SVR训练样本。

3.根据权利要求1所述的道路交通拥堵流量预测方法，其特征在于，步骤2中初始化改进GSA算法相关参数以及SVR各参数，包括种群数量n，搜索空间的范围，搜索精度acc，迭代次数iter；随机选取n个个体初始位置假设每个个体位置可用参数集合(C，σ)表示，其中C为惩罚因子，σ为函数的宽度参数，找出当前最优个体的位置与最优适应度并记t＝0；

利用线性公式：

f(x_i)＝ωx_i+b (1)

对样本S＝{(x_i，y_i)|x_i∈Rⁿ，y_i∈R，i＝1，2，…，m}中的(x_i，y_i)进行线性拟合，其中，x_i∈Rⁿ是具有n个特征的输入指向量；y_i∈R是输出指标；f(x_i)是回归函数返回的预测值；变量系数ω是该函数的复杂度；凸为偏置量，反映了预测函数之间误差度；

当样本不满足拟合函数时，定义ε线性不敏感损失函数为：

并引入两个非负的松弛变量ξ_i、来对应数据点x_i允许偏离的函数间距；之后通过最大化支持向量所组成的两条支持直线或者平面之间的几何间隔，在继续引入惩罚因子C之后，将线性回归拟合问题转化为约束优化问题，即：

式中的惩罚因子C为正则化参数；ε反映了误差量的精度要求；φ(x)为将低维数据x映射到高维特征空间的非线性映射；在求解上式中，引入Lagrange算子α_i、β_i与将式(3)构造为一个Lagrange方程：

根据KKT最优化条件，分别令并将(4)转化为：

可解得最优解及b^*，其对应的样本即为支持向量，其中K(x_i，x_j)为核函数；因此所求的回归模型又可以表示为：

选择径向基核函数构造SVR分类器；

径向基核函数：令

利用引力搜索算法寻优目的是找出RBF核函数的σ以及公式(4)中的C。