[发明专利]基于GSA-SVR算法的短时道路交通拥堵预测方法

说明书

本发明涉及一种基于GSA‑SVR算法的短时道路交通拥堵预测方法，采用融合模型预测技术，针对短时交通流量预测问题进行研究，根据不同智能算法的优缺点，提出一种基于引力搜索算法和支持向量机回归模型融合的道路交通拥堵预测算法，并且将常用的SVM预测方法和本发明所提出的GSA‑SVR预测方法进行对比分析。本发明可以提高短时交通速度的预测精度，可以实现对城市路网的交通拥堵态势评价。

技术领域

本发明属于道路拥堵预测技术领域，尤其涉及一种基于GSA-SVR算法的短时道路交通拥堵预测方法。

背景技术

随着我国国民经济发展，城市化进程加快，越来越多的资源及劳动力涌向城市，促进城市发展同时，交通拥堵问题越来越突出，尤其是一些大城市的交通状况更为严重，交通拥堵现象不仅造成了城市投资成本增加，浪费了大量能源，还会增加环境污染，损害人们身体健康及带来了精神困扰，并会耽误人们很多事情，减少了社会活动效率，造成较大经济损失。因此对交通拥堵进行预测，尤其是预测交通流量有着重大的现实意义。

Vapnik等人于1995年首次提出向量机回归模型(SVR)，是一种基于“小样本”的学习机，主要用于函数逼近。目前，大量的研究表明SVR能够处理小样本、高维非线性预测问题，并且在模式识别、参数估计、故障预判领域得到广泛应用，然而，由于SVM建模过程的计算量随着训练样本数量的增多而急剧增加，严重影响了建模效率。

发明内容

本发明的目的在于提供一种基于GSA-SVR算法的短时道路交通拥堵预测方法。

实现本发明目的的技术方案为：一种基于GSA-SVR算法的短时道路交通拥堵预测方法，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p_t；

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。

进一步的，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。

进一步的，步骤2中初始化改进GSA算法相关参数以及SVR各参数过程为：

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)