一种基于gso优化的高速公路流量预测方法
【专利摘要】本发明公开了一种基于GSO优化的高速公路流量预测方法，其主要步骤为：首先，设定滑动窗口大小为n，并构造p组训练样本数据，生成LSSVM初始化模型的数据为p组训练样本数据中的第1组至第h组数据；其次，根据h组训练样本数据，训练生成LSSVM初始化模型；第三，利用GSO优化LSSVM初始化模型的两个参数，正则化参数γ和核函数参数σ；最后，利用优化后的γ和σ，得到GSO-LSSVM模型，并用GSO-LSSVM模型进行预测。该预测方法提高了高速公路出口收费站流量和高速公路路段流量的预测精度。
【专利说明】-种基于GSO优化的高速公路流量预测方法
【技术领域】
[0001] 本发明涉及高速公路流量预测【技术领域】，具体涉及一种基于GSO优化的高速公路 流量预测方法。
【背景技术】
[0002] 对高速公路收费站出口流量和高速公路路段流量进行可靠、准确的预测是对交通 进行智能化管理的基础。在交通流量预测方面，大致分为两类方法，一类是基于确定数学模 型，比如卡尔曼预测方法、时间序列预测方法，其一般适用于线性、平稳的时间序列数据；另 一类是基于人工智能，比如神经网络方法、支持向量回归机方法，其中神经网络方法计算复 杂度高，参数选择较为困难，支持向量回归机采用结构风险最小化准则，泛化能力较强，并 且该算法结构简单，计算复杂度低，适合于线性、非线性的时间序列数据。
[0003] 最小二乘支持向量回归机 LSSVM(least square support vector machine)在优 化问题中采用了等式约束来代替支持向量回归机中的不等式约束，即求解的是一个线性方 程，降低了模型在计算过程中的复杂度，求解速度更快，精度更高，应用于高速公路交通流 预测中有更好的效果。
[0004] LSSVM中必须调整两个参数：正则化参数Y和核函数参数〇，此参数对的取值直 接影响了 LSSVM的泛化、训练性能，而目前对其参数的选取并没有一套成熟的理论，所以， 在应用中如何合适地选择上述两个参数成为了一个非常重要的问题。
[0005] 目前在用LSSVM进行高速公路流量预测时，参数的选择有以下几种方法：第一种 是试凑法，这种方法虽然简单，但费时费力，并且得到的结果与最优值相差很大；第二种是 采用网格搜索和交叉验证的方法对相关参数进行优化，这种方法容易达到局部最优，但全 局优化较差；第三种是采用遗传算法GA (genetic algorithm)对参数进行优化，这种方法 比较通用，搜索灵活性较高，但受初始参数取值的影响很大；第四种是采用粒子群优化算法 对参数进行优化，这种方法优点是精度较高，缺点是收敛速度较慢，全局搜索能力不强。
[0006] 萤火虫算法GSO (glowworm swarm optimization)是模拟自然界中萤火虫发光的 生物学行为而构造的一种新兴群智能算法，利用萤火虫个体发光特征在其周边搜索区域中 寻找更亮的萤火虫个体并向其移动，实现位置的优化。该算法的参数较少，操作简单，稳定 性较好。
【发明内容】
[0007] 本发明的目的在于提供一种精确度高的高速公路流量预测方法，通过GSO对 LSSVM模型的正则化参数γ和核函数参数 〇进行优化，从而得到优化了的LSSVM模型，即 是GS0-LSSVM模型，本发明一种高速公路流量预测方法即是基于GS0-LSSVM模型，采用此模 型预测可以提高高速公路流量预测的精确度。
[0008] 本发明的具体方案是：一种基于GSO优化的高速公路流量预测方法，包括以下步 骤：
[0009] 步骤I :设定滑动窗口大小为n，由此η值，构造 p组训练样本数据；生成LSSVM 初始化模型的数据为P组训练样本数据中的第1组至第h组数据，余下p-h组用于生成 GS0-LSSVM 模型；
[0010] 步骤2 :根据h组训练样本数据，训练生成LSSVM初始化模型；
[0011] 步骤3 :利用GSO优化LSSVM初始化模型的两个参数，正则化参数γ和核函数参 数σ ;
[0012] 步骤4 :利用优化后的Y和σ，得到GS0-LSSVM模型；
[0013] 步骤5 :选择测试样本数据，用GS0-LSSVM模型进行预测，并计算预测值的平均相 对误差估计和精确度。
[0014] 进一步的，所述一种基于GSO优化的高速公路流量预测方法，当时间刻度为小时 时，η = 24,当时间刻度为天时，η = 7,当时间刻度为月时，η = 12。
[0015] 更进一步的，所述一种基于GSO优化的高速公路流量预测方法，其步骤2可具体为 以下步骤：
[0016] 步骤2. 1 :对给定的h组训练样本数据，定义优化问题；
[0017] 步骤2. 2 :构造拉格朗日函数解决步骤2. 1中的优化问题；
[0018] 步骤2. 3 :采用KKT优化条件对优化问题进行进一步的优化；
[0019] 步骤2. 4 :使用在Mercer条件下的核函数，得到LSSVM初始化模型。
[0020] 更进一步的，所述一种基于GSO优化的高速公路流量预测方法，步骤3可具体为以 下步骤：
[0021] 步骤3. 1 :初始化GSO的相关参数；
[0022] 步骤3. 2 :初始化LSSVM初始化模型的正则化参数Y和核函数参数σ的取值范 围，并随机选取m组值，表示m个萤火虫所在的位置；
[0023] 步骤3. 3 :计算每个萤火虫i的适应度函数值F(X);
[0024] 步骤3. 4 :计算每个萤火虫i迭代第g次的荧光素值Li ;
[0025] 步骤3. 5 :得到每个萤火虫i的邻居集合Ni ;
[0026] 步骤3. 6 :计算每个萤火虫i的每个邻居的移动概率，选择移动概率最大的那个邻 居萤火虫j ;
[0027] 步骤3. 7 :对每个萤火虫i的位置进行更新；
[0028] 步骤3. 8 :对每个萤火虫i的决策范围r/进行更新；
[0029] 步骤3. 9 :判断GSO是否达到终止条件，若达到，则选择萤火虫i的最优位置作为 最优正则化参数Y和核函数参数σ，若未达到，则转向步骤3. 3,并继续进行步骤3. 3及其 之后的步骤。
[0030] 更进一步的，所述一种基于GSO优化的高速公路流量预测方法，用GS0-LSSVM模型 进行预测时，具体步骤为，第一，确定滑动窗口 η的大小；第二，根据η的大小，选择第一组 测试样本数据；第三，将第一组测试样本数据的η个数据作为输入，输入到GS0-LSSVM模型 中；第四，通过GS0-LSSVM模型，得到第一组测试样本数据的预测值；第五，将第一组测试样 本数据的后η-I个数据与第一组测试样本数据所得到的预测值组成第二组测试样本数据， 预测第二组测试样本数据的预测值，依此进行后续预测。
[0031] 本发明的有益效果是：提高了高速公路出口收费站流量和高速公路路段流量的预 测精确度PRE，具体来说，采用基于GSO-LSSVM模型的高速公路流量预测方法的PRE最高， 与基于GA-LSSVM模型的高速公路流量预测方法相比，其PRE提高了 2个百分点左右，与基 于LSSVM模型的高速公路流量预测方法相比，其PRE提高了 3个百分点左右。
【专利附图】
【附图说明】
[0032] 图1为本预测方法，即采用基于GS0-LSSVM模型的高速公路流量预测方法所得到 的预测值与实际值相比较的结果。
[0033] 图2为采用基于GA-LSSVM模型的高速公路流量预测方法所得到的预测值与实际 值相比较的结果。
[0034] 图3为采用基于LSSVM模型的高速公路流量预测方法所得到的预测值与实际值相 比较的结果。
[0035] 本文中，我们称利用GSO进行优化的LSSVM模型为GS0-LSSVM模型，利用GA进行 优化的LSSVM模型为GA-LSSVM模型，未进行优化的LSSVM模型即是LSSVM模型。MRE (Mean Relative Estimation Error)为平均相对误差估计，PRE(precision)为精确度。
【具体实施方式】
[0036] 本发明提供的一种基于GSO优化的高速公路流量预测方法，包括以下步骤：
[0037] 步骤1 :设定滑动窗口大小为n，滑动窗口即是指在数据流上设定的一个区间，该 区间只包括数据流最近的部分数据。选择不同的时间刻度，设定不同的η值。当时间刻度为 小时时，η = 24,当时间刻度为天时，η = 7,当时间刻度为月时，η = 12。由收集到的q个流 量数据（Z1, Z2，…，ZJ构造 p组训练样本数据，第一组训练样本数据为（Z1, Z2，…，Zn+1}， 第二组为{z2,z3，…，Z n+2}，以此类推，则第P组为{ZP，ZP+1，…，Zp+n};每组数据的前η个数 据为预测模型的输入，第η+1个数据为预测模型的输出；生成LSSVM初始化模型的数据为ρ 组训练样本数据中的第1组至第h组数据，余下p-h组用于得到GS0-LSSVM模型。
[0038] 步骤2 :根据h组训练样本数据，训练生成LSSVM初始化模型，具体步骤如下：
[0039] 步骤 2. 1 :给定训练样本数据集，其中 Xi = (Zi, Zi+1, . . .，Zi+n_J, Yi = {Zi+n}，定义优化问题，如下式所示，
[0040]
【权利要求】
1. 一种基于GSO优化的高速公路流量预测方法，其特征在于，包括以下步骤： 步骤1 :设定滑动窗口大小为n，由此η值，构造 p组训练样本数据；生成LSSVM初始化 模型的数据为Ρ组训练样本数据中的第1组至第h组数据，余下p-h组用于生成GS0-LSSVM 模型； 步骤2 :根据h组训练样本数据，训练生成LSSVM初始化模型； 步骤3 :利用GS0优化LSSVM初始化模型的两个参数，正则化参数γ和核函数参数〇 ; 步骤4 :利用优化后的γ和σ，得到GS0-LSSVM模型； 步骤5 :选择测试样本数据，用GS0-LSSVM模型进行预测，并计算预测值的平均相对误 差估计和精确度。
2. 根据权利要求1所述一种基于GS0优化的高速公路流量预测方法，其特征在于，当时 间刻度为小时时，η=24,当时间刻度为天时，η=7,当时间刻度为月时，η=12。
3. 根据权利要求1或2所述一种基于GSO优化的高速公路流量预测方法，其特征在于， 所述步骤2可具体为以下步骤： 步骤2. 1 :对给定的h组训练样本数据，定义优化问题； 步骤2. 2 :构造拉格朗日函数解决步骤2. 1中的优化问题； 步骤2. 3 :采用KKT优化条件对优化问题进行进一步的优化； 步骤2. 4 :使用在Mercer条件下的核函数，得到LSSVM初始化模型。
4. 根据权利要求3所述一种基于GS0优化的高速公路流量预测方法，其特征在于，步骤 3可具体为以下步骤： 步骤3. 1 :初始化GS0的相关参数； 步骤3. 2:初始化LSSVM初始化模型的正则化参数γ和核函数参数σ的取值范围，并 随机选取m组值，表示m个萤火虫所在的位置； 步骤3. 3 :计算每个萤火虫i的适应度函数值F (X); 步骤3. 4 :计算每个萤火虫i迭代第g次的荧光素值Q ; 步骤3. 5 :得到每个萤火虫i的邻居集合队； 步骤3. 6 :计算每个萤火虫i的每个邻居的移动概率，选择移动概率最大的那个邻居萤 火虫j ; 步骤3. 7 :对每个萤火虫i的位置进行更新； 步骤3. 8 :对每个萤火虫i的决策范围进行更新； 步骤3. 9 :判断GS0是否达到终止条件，若达到，则选择萤火虫i的最优位置作为最优 正则化参数Y和核函数参数σ，若未达到，则转向步骤3. 3,并继续进行步骤3. 3及其之后 的步骤。
5. 根据权利要求4所述一种基于GS0优化的高速公路流量预测方法，其特征在于，用 GS0-LSSVM模型进行预测时，其具体步骤为，第一，确定滑动窗口 η的大小；第二，根据η的 大小，选择第一组测试样本数据；第三，将第一组测试样本数据的η个数据作为输入，输入 到GS0-LSSVM模型中；第四，通过GS0-LSSVM模型，得到第一组测试样本数据的预测值；第 五，将第一组测试样本数据的后η-I个数据与第一组测试样本数据所得到的预测值组成第 二组测试样本数据，预测第二组测试样本数据的预测值，依此进行后续预测。
【文档编号】G06Q10/04GK104240520SQ201410495381
【公开日】2014年12月24日 申请日期:2014年9月24日 优先权日:2014年9月24日
【发明者】柏吉琼, 谢强, 娄婉秋, 戴元, 盛鹏, 王俊峰 申请人:四川省交通科学研究所