[发明专利]基于灰色小波神经网络的短时交通流预测方法

摘要

本发明涉及一种基于灰色小波神经网络的短时交通流预测方法，根据初始交通流量的时间序列，运用单因素灰色预测模型得到初始预测时间序列；设定前期预测时间段和后期预测时间段；运用小波神经网络对前期预测时间段进行前期预测得到前期预测值和前期预测时间序列；根据前期预测时间序列，运用最大李雅普诺夫指数法对后期预测时间段进行预测得到后期预测值；将前期与后期预测值进行合并计算，得到交通流量的预测值。利用单因素灰色预测模型，大幅度减弱交通流时间序列数据的随机波动性，预测值误差波动性小，采用最大李雅普诺夫指数法进行后期预测，降低了小波神经网络预测数据后期混沌运动产生的误差波动性，提高短时交通流预测值的稳定性及拟合度。

主权项

1.一种基于灰色小波神经网络的短时交通流预测方法，其特征在于，具体包括如下步骤：1)：根据数据采集系统采集多个相同时间间隔内，通过采集断面的车辆数量数据，得到初始交通流量时间序列xi，i＝1，2，3，…，M，M为设定的时间段个数，从而得到采集时间间隔内各时间段交通流数据组成的初始时间序列X(0)＝{x1，x2，...，xM}；2)：根据交通流量初始时间序列X⁽⁰⁾，运用单因素灰色预测方法进行初始预测，得到交通流量的初始预测时间序列具体方法如下：2.1)：应用累加处理方法对初始交通流时间序列X(0)的随机性进行减弱处理：式(1)中，x(1)(k)为第k个累加生成数；2.2)：对各累加生成数进行紧邻均值变化：式(2)中，z(1)(k)为第k个累加生成数紧邻均值，x(1)(k+1)为第k+1个累加生成数，x(1)(k)为第k个累加生成数；2.3)：运用最小二乘估计法对单因素灰色预测模型的参数值进行估计：a＝(BT×B)‑1×BT×Y    (3)式(3)和式(4)中，a，b分别为特征参数，B为紧邻均值最小二乘估计转置矩阵，Y为累加生成数列矩阵，其计算公式分别为：Y＝[x(1)(2) x(1)(3) ... x(1)(M)]    (6)2.4)：通过矩阵公式参数估计得到单因素灰色预测模型：式(7)中，为第i+1个时间段单因素灰色预测模型初步预测值；为第1个时间段累加生成数初值；2.5)：计算预测数据，采用累减生成方法对数据进行还原处理：式(8)中，为第i个时间段预测数据还原值；为第i个时间段单因素灰色预测模型初步预测值；为第i‑1个时间段单因素灰色预测模型初步预测值，数据还原处理后，可得到初始预测时间序列3)设定前期预测时间段和后期预测时间段：根据所述的交通流量初始预测时间序列的时间间隔长度，设定小波神经网络前期预测时间段和后期预测时间段；4)运用小波神经网络对步骤3)设定的前期预测时间段的步骤2)所得交通流量初始预测时间序列，进行前期预测，得到前期预测值和前期交通流量预测时间序列；5)运用最大李雅普诺夫指数法对步骤3)设定的后期预测时间段的步骤2)所得交通流量初始预测时间序列进行后期预测，得到后期预测值；6)将步骤4)得到的前期预测值与步骤5)得到的后期预测值进行合并计算，得到最终所需短时交通流量的预测值。