专利名称：一种短时交通流量预测模型的建模方法
技术领域：
本发明涉及一种短时交通流量预测模型的建模方法，具体为一种人工鱼群算法和最小二乘支持向量机相结合的短时交通流量预测模型的建模方法。
背景技术：
实时准确的交通流预测是实现交通智能管理的基础，根据时间跨度，交通流量可分为长期和短时两种，其中短时交通流量具有突发性、时变性和随机性，难以精确数学模型，建立预测精度高、预测结果稳定的短时交通流量预测模型一直是交通智能管理领域研究中的难点问题。
发明内容
发明目的:针对上述现有技术存在的问题和不足，本发明的目的是提供一种短时交通流量预测模型的建模方法，通过人工鱼群算法对最小二乘支持向量机进行参数优化，提高短时交通流量的预测能力。技术方案:为实现上述发明目的，本发明采用的技术方案为一种短时交通流量预测模型的建模方法，包括如下步骤:将惩罚参数Y和径向基核函数宽度参数σ作为参数代入LSSVM(Least SquaresSupport Vector Machine,最小二乘支持向量机)模型训练并预测；采用预测结果的相对误差总和作为适应度评估函数，适应度评估函数最小值的人工鱼位置即为最优的LSSVM惩罚参数Y和径向基核函数宽度参数σ ;采用最优参数Y和σ的LSSVM对短时交通流量数据进行训练，建立最优短时交通流量预测模型。进一步的，根据结构风险最小化原则，得到LSSVM的最优回归模型，从而得到LSSVM的惩罚参数Y ;根据Mercer条件，得到LSSVM的回归函数，而核函数采用径向基核函数，进而得到径向基核数宽度参数σ。有益效果:本发明与现有技术相比具有如下优点:⑴AFSA-LSSVM的预测误差最小，预测精度最高，预测结果最稳定。(2)AFSA-LSSVM较好的克服了 GA、PS0算法优化LSSVM参数时存在的缺陷，可以获得更优的LSSVM参数Y和σ。(3) AFSA-LSSVM可以准确、全面反映短时交通流量的变化规律，提高了短时交通量的预测精度，为现代非线性短时交通流量预测供了一种新的方法。
图1为各模型对交通流量的相应预测结果与实际值的偏差图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。本发明的一种人工鱼群算法和最小二乘支持向量机相结合的短时交通流量预测模型的建模方法，它包括:对LSSVM回归建模过程进行分析，得到LSSVM学习性能主要取决于惩罚参数Y和径向基核数宽度参数σ，利用搜索能力强的AFSA(人工鱼群算法)可以对LSSVM参数进行优化。首先将自变量作为参数代入LSSVM模型训练并预测，然后采用预测结果的相对误差总和作为适应度评估函数，适应度评估函数最小值的人工鱼位置即为最优的LSSVM参数Y和σ，最后采用最优参数Y和σ的LSSVM对短时交通流量数据进行训练，建立最优短时交通流量预测模型。实施例一种人工鱼群算法和最小二乘支持向量机相结合的短时交流量预测模型，它包括:对于训练样本集{(Xi, yi)}，i = 1，2，…n，Xi和Ji分别表示第i个输入和输出，通过非线性映射函数例O将样本映射到高维特征空间，进行回归运算，建立相应的回归函数为:
权利要求
1.一种短时交通流量预测模型的建模方法，其特征在于，包括如下步骤: 将惩罚参数Y和径向基核函数宽度参数σ作为参数代入LSSVM模型训练并预测； 采用预测结果的相对误差总和作为适应度评估函数，适应度评估函数最小值的人工鱼位置即为最优的LSSVM惩罚参数Y和径向基核函数宽度参数σ ; 采用最优参数Y和σ的LSSVM对短时交通流量数据进行训练，建立最优短时交通流量预测模型。
2.根据权利要求1所述一种短时交通流量预测模型的建模方法，其特征在于，根据结构风险最小化原则，得到LSSVM的最优回归模型，从而得到LSSVM的惩罚参数Y ;根据Mercer条件，得到LSSVM的回归函数，而核函数采用径向基核函数，进而得到径向基核数宽度参数σ。
全文摘要
本发明公开了一种短时交通流量预测模型的建模方法，包括如下步骤将惩罚参数γ和径向基核函数宽度参数σ作为参数代入LSSVM模型训练并预测；采用预测结果的相对误差总和作为适应度评估函数，适应度评估函数最小值的人工鱼位置即为最优的LSSVM惩罚参数γ和径向基核函数宽度参数σ；采用最优参数γ和σ的LSSVM对短时交通流量数据进行训练，建立最优短时交通流量预测模型。本发明提高短时交通流量的预测能力。
文档编号G08G1/00GK103150609SQ20131005219
公开日2013年6月12日 申请日期2013年2月18日 优先权日2013年2月18日
发明者刘静 申请人:健雄职业技术学院