[发明专利]基于SA-PSO的短时交通流预测方法

摘要

公开了一种基于SA‑PSO的短时交通流预测方法，属于数据预测领域，该方法基于背景值和初始条件是影响灰色建模精度的两个重要因素，根据车联网的短时交通流数据建立非等间距GM(1,1)模型，利用复化梯形公式对非等间距GM(1,1)模型中的背景值进行了优化，并基于新信息优先原理，对模型的初始条件进行了重构，利用相对误差平方和最小准则，对初始条件对应的最优时间参数进行求解，并利用基于模拟退火算法(SA)和粒子群优化算法(PSO)相结合的智能算法作为优化工具对模型背景值和初始条件中的自适应参数进行了优化提取，有效克服了现有非等间距GM(1,1)模型的不足，提高了非等间距GM(1,1)模型的预测精度，获得短时模拟交通流数据。

主权项

1.一种基于SA‑PSO的工程应用预测方法，其特征在于，包括如下过程：步骤1：获取工程数据，建立非等间距GM(1,1)模型的原始数据序列X⁽⁰⁾＝(x⁽⁰⁾(k₁),x⁽⁰⁾(k₂),…,x⁽⁰⁾(k_n))；步骤2：对所述原始数据序列X⁽⁰⁾作1‑AGO处理，得到1‑AGO序列X⁽¹⁾，其中，i、j为数据序号，Δk_j＝k_j‑k_j‑1,Δk₁＝1；步骤3：根据所述1‑AGO序列X⁽¹⁾，生成背景值Z⁽¹⁾、计算矩阵B和Y，获得所述非等间距GM(1,1)模型的表达式为x⁽⁰⁾(k_i)Δk_i+az⁽¹⁾(k_i)＝b，通过最小二乘参数估计获得参数序列为其中，a为发展系数，b为灰作用量，步骤4：通过模拟退火算法和粒子群优化算法，确定背景值和初始条件的最优自适应参数p*与δ*；步骤5：利用步骤4所得的最优自适应参数p*重构背景值，建立所述非等间距GM(1,1)模型，利用步骤4所得的最优自适应参数δ*重构初始条件，求解所述非等间距GM(1,1)模型的白化微分方程的时间响应函数，即为所述1‑AGO序列X⁽¹⁾的模拟预测序列通过累减还原获得所述原始数据序列X⁽⁰⁾的模拟预测序列即为工程预测数据。