[发明专利]一种交通流预测方法

摘要

本发明公开了一种交通流预测方法，能够降低数据复杂度并提高预测精度。本发明实施例提供的交通流预测方法包括如下步骤：采集获取实时交通流数据，并利用变分模态分解将实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量；本征模态分量的数量设定为使得所有本征模态分量的估计带宽之和最小。采用增量型超限学习机网络，建立针对各本征模态分量的预测模型，并采用预先采集的历史交通流数据对预测模型进行训练。利用训练后的预测模型，对各本征模态分量进行交通流预测，将所有本征模态分量的预测结果累加得到最终的交通流预测结果。

主权项

1.一种交通流预测方法，其特征在于，该方法包括如下步骤：采集获取实时交通流数据，并利用变分模态分解将所述实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量；所述本征模态分量的数量设定为使得所有本征模态分量的估计带宽之和最小；所述实时交通流数据分解得到的本征模态分量的数量为K个；第k个本征模态分量的模态函数为u_k，第k个本征模态分量的中心频率为ω_k，k＝1～K；拉格朗日因子为λ；以k取遍1～K的所有整数值，重复如下迭代步骤S10～S12，得到所有本征模态分量的表征：S10、初始化参数u_k、ω_k、λ、n；n为迭代次数，其中u_k的初值为ω_k的初值为λ的初值为λ¹，n的初值为1；S11、计算u_k、ω_k以及λ在第n+1次迭代中的值分别为以及λⁿ⁺¹；其中f为输入信号；α为惩罚参数，经验值；ω为频率的变量；τ为学习率，经验值；S12、预先设定判别精度为e，e>0，判断是否成立；若成立，则停止迭代，以当前计算得到的以及λⁿ⁺¹表征第k个本征模态分量；若不成立，则n自增1，返回S11；采用增量型超限学习机网络，建立针对各所述本征模态分量的预测模型，并采用预先采集的历史交通流数据对所述预测模型进行训练；包括如下步骤：S20、设定所述增量型超限学习机的训练样本为N为训练样本数；φ为m×K维的实数矩阵，m是每个本征模态分量的模态函数所包含的样本数量；x_i为所述增量型超限学习机的第i个输入，t_i为所述增量型超限学习机的对应x_i的输出；S21、建立增量型超限学习机网络，设定所述增量型超限学习机网络隐含层节点的激励函数g:R→R，R为实数集，最大隐含层节点数为L_max，期望精度为ε，ε>0；S22、令隐含层节点数L初值为0；网络误差E_L＝[t₁,t₂,...,t_N]^T；L<L_max且||E||>ε时，执行S23，直至L＝L_max，获得隐含层节点数为L_max的增量型超限学习机网络；||E||为E的二范数；S23、增加一个新增隐含层节点，即L增1；随机产生所述新增隐含层节点的输入权值a_L和阈值b_L；根据最小二乘法计算所述新增隐含层节点的输出权值：E_L‑1为隐含层节点数为L时的网络误差；g(a_L·x+b_L)为新增隐含层节点的输出；x＝[x₁,x₂,......,x_N]^T，计算所述增量型超限学习机网络在增加了第L个所述新增隐含层节点后的网络误差为：E_L＝E_L‑1‑β_Lg(a_L·x+b_L)；利用训练后的所述预测模型，对各所述本征模态分量进行交通流预测，将所有本征模态分量的预测结果累加得到最终的交通流预测结果。