[发明专利]一种基于灰色ELM神经网络的短时交通流量预测的方法

摘要

本发明提出了一种基于灰色ELM神经网络的短时交通流量预测的方法，步骤：对采集到的数据进行分组，得到等维新息序列，然后进行累加，得到累加后的等维新息序列；对累加后的等维新息序列进行处理，得到网络的输入矩阵和目标输出矩阵；先随机生成网络的权值和阈值，设定好网络参数，将生成的网络的输入矩阵集和目标输出矩阵集输入神经网络，训练网络；输入测试数据，得到网络的预测输出结果；用网络预测结果减去等维新息序列的累加值，得到实际预测结果，完成预测。其有益效果是：本发明的输入数据经过了灰色模型的处理，其差异性更小，使得灰色ELM神经网络的预测精度有了很大程度的提高。

主权项

1.一种基于灰色ELM神经网络的短时交通流量预测的方法，其特征在于：其步骤包括：a.对数据进行灰色处理，将采集到的数据按照式(3)进行分组，即：设采集到的数据为Q，则Q＝(q₁,q₂,…,q_m),(m∈N₊)            (1)将其分为n组，每组M+1个数据，且满足n+M＝m,(n∈N₊,M∈N₊)           (2)对于其中的第p组，记为：经过式(3)得到等维新息序列后，按照式(4)和(5)进行累加，得到累加后的等维新息序列，即：对中的数据进行灰色处理，得到一次累加序列为其中b.生成输入矩阵集和目标输出矩阵集，对累加后的等维新息序列按照式(6)、式(7)、式(8)处理,得到网络的输入矩阵和目标输出矩阵，即：选取的前M项作为ELM神经网络的输入，第M+1项作为网络的期望输出，则有对以上分成n组数据，由其构成的网络的输入矩阵集X和目标输出矩阵集Y分别为X＝[X₁,X₂,…,X_n]               (7)Y＝[Y₁,Y₂,…,Y_n]                 (8)设网络的实际输出矩阵T为T＝[T₁,T₂,…,T_n]                 (9)；c.建立ELM神经网络模型，先随机生成网络的权值和阈值，设定好网络参数，网络参数设置如下：W_ij为输入层和隐含层之间的连接权值，其中i＝1,2,…,l,j＝1,2,…,M,l∈N₊为隐层神经元个数，并记W_i＝(W_i1,W_i2,…,W_iM)；B_i为隐含层第i个的节点的阈值；β为隐含层和输出层的权值，其中β_i为隐含层第i个节点与输出层节点的连接权值；d.网络训练，将步骤b中生成的输入矩阵集合目标输出矩阵集输入神经网络，对网络进行训练，网络训练原理为：隐层激励函数为sigmoid函数，表达式为：当输入为X_p时，根据神经网络原理有：隐层第i个节点的输入为net_i＝W_iX_p+B_i                   (11)隐层第i个节点的输出为s_i＝f(net_i)＝f(W_iX_p+B_i)             (12)网络的输出层的输出为当输入为X时，记隐含层的输出矩阵为H，有对于输出层，则有输出方程为：T＝Hβ                        (15)网络训练的目的就是找到最优输出层权值使网络的实际输出T无限逼近于目标输出Y，通过求取最小范数二乘解的方法得到最优输出层权值即：其中，H⁺为Moore‑penrose逆，e.仿真测试，利用求解到的最优输出层权值求得最优输出层权值下的ELM神经网络的预测输出为：f.将预测结果累减还原成实际预测结果，用网络预测结果减去步骤b得到的等维新息序列的累加值，得到实际预测结果，通过累减得到实际预测值为：