一种基于灰色ELM神经网络的短时交通流量预测的方法与流程

本发明涉及短时交通流量预测的技术领域，特别是指一种基于灰色elm神经网络的短时交通流量预测的方法。

背景技术：

随着经济的发展，对汽车需求的不断增加，公路交通流量也随之增加，由此带来了一系列的交通问题。在不改变当前路网的情况下，通过智能交通控制系统实现对路网的疏导和控制，是解决交通问题的有效途径。准确的交通流预测是交通流的疏导和控制的基础，是智能交通管理系统的重要组成部分。

交通流本身具有很强的不确定性，是复杂、多变的，容易受到随机的扰动，并且规律性不明显，随着不同的预测方法的引入，对短时交通流的预测也出现了许多预测模型，但是现有的预测方法对数据波动性要求较高和易失真的特点。

技术实现要素：

本发明为解决现有的问题，提出一种基于灰色elm神经网络的短时交通流量预测的方法。

本发明的技术方案是这样实现的：

一种基于灰色elm神经网络的短时交通流量预测的方法，其步骤包括：

a.对数据进行灰色处理，将采集到的数据按照式(3)进行分组，即：设采集到的数据为q，则

q＝(q1,q2,…,qm),(m∈n+)(1)

将其分为n组，每组m+1个数据，且满足

n+m＝m,(n∈n+,m∈n+)(2)

对于其中的第p(p＝1,2,…,n)组，记为：

经过式(3)得到等维新息序列后，按照式(4)和(5)进行累加，得到累加后的等维新息序列，即：对中的数据进行灰色处理，得到一次累加序列为

其中

b.生成输入矩阵集和目标输出矩阵集，对累加后的等维新息序列按照式(6)、式(7)、式(8)处理,得到网络的输入矩阵和目标输出矩阵，即：选取的前m项作为elm神经网络的输入，第m+1项作为网络的期望输出，则有

对以上分成n组数据，由其构成的网络的输入矩阵集x和目标输出矩阵集y分别为

x＝[x1,x2,…,xn](7)

y＝[y1,y2,…,yn](8)

设网络的实际输出矩阵t为

t＝[t1,t2,…,tn](9)；

c.建立elm神经网络模型，先随机生成网络的权值和阈值，设定好网络参数，网络参数设置如下：

wij,(i＝1,2,…,l,j＝1,2,…,m)为输入层和隐含层之间的连接权值，其中l∈n+，为隐层神经元个数，并记wi＝(wi1,wi2,…,wim)；

bi,(i＝1,2,…,l)为隐含层第i个的节点的阈值；

β为隐含层和输出层的权值，其中βi,(i＝1,2,…,l)为隐含层第i个节点与输出层节点的连接权值；

d.网络训练，将步骤b中生成的输入矩阵集合目标输出矩阵集输入神经网络，对网络进行训练，网络训练原理为：

隐层激励函数为sigmoid函数，表达式为：

当输入为xp时，根据神经网络原理有：

隐层第i个节点的输入为

neti＝wixp+bi(11)

隐层第i个节点的输出为

si＝f(neti)＝f(wixp+bi)(12)

网络的输出层的输出为

当输入为x时，记隐含层的输出矩阵为h，有

对于输出层，则有输出方程为：

t＝hβ(15)

网络训练的目的就是找到最优输出层权值使网络的实际输出t无限逼近于目标输出y，通过求取最小范数二乘解的方法得到最优输出层权值即：

其中，h⁺为moore-penrose逆，

e.仿真测试，利用求解到的最优权值求得最优输出层权值下的elm神经网络的预测输出为：

f.将预测结果累减还原成实际预测结果，用网络预测结果减去步骤b得到的等维新息序列的累加值，得到实际预测结果，通过累减得到实际预测值为：

本测量方法首先对原始数据进行分组，构建等维新息序列，对等维新息序列进行灰色处理，得到灰色处理后的等维新息序列；然后对等维新息序列进行处理，构成输入矩阵集和目标输出矩阵集，对elm神经网络进行训练，从而得到elm神经网络对灰色数据的预测结果；最后通过累减还原，得到短时交通流的真实预测结果。

本发明的有益效果是：elm神经网络有着训练简单，训练速度快的特点，对交通流数据采用灰色模型累加处理，降低了交通流数据随机性，更有效减小因数据本身波动造成的误差。经仿真验证，相比于现有的一些预测方法，该方法提高了预测精度，是一种有效的短时交通流预测方法。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为elm神经网络的架构图；

图2为灰色模型预测结果与实际值的对比图；

图3为elm神经网络预测结果与实际值的对比图；

图4为利用灰色模型和bp网络组合模型的预测结果与实际值的对比图；

图5为带有惯性因子的组合模型的预测结果与实际值的对比图；

图6为贝叶斯组合模型的预测结果与实际值的对比图；

图7为灰色elm网络的预测结果与实际值的对比图；

图8为六种预测模型的预测结果综合对比图。

其中x轴为时间点，y轴为交通流量；蓝色曲线为预测交通流量，红色曲线为实际交通流量。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于灰色elm神经网络的短时交通流量预测的方法，其步骤包括：

a.对数据进行灰色处理，将采集到的数据按照式(3)进行分组，即：设采集到的数据为q，则

q＝(q1,q2,…,qm),(m∈n+)(1)

将其分为n组，每组m+1个数据，且满足

n+m＝m,(n∈n+,m∈n+)(2)

对于其中的第p(p＝1,2,…,n)组，记为：

经过式(3)得到等维新息序列后，按照式(4)和(5)进行累加，得到累加后的等维新息序列，即：对中的数据进行灰色处理，得到一次累加序列为

其中

b.生成输入矩阵集和目标输出矩阵集，对累加后的等维新息序列按照式(6)、式(7)、式(8)处理,得到网络的输入矩阵和目标输出矩阵，即：选取的前m项作为elm神经网络的输入，第m+1项作为网络的期望输出，则有

对以上分成n组数据，由其构成的网络的输入矩阵集x和目标输出矩阵集y分别为

x＝[x1,x2,…,xn](7)

y＝[y1,y2,…,yn](8)

设网络的实际输出矩阵t为

t＝[t1,t2,…,tn](9)；

c.建立elm神经网络模型，先随机生成网络的权值和阈值，设定好网络参数，网络参数设置如下：

wij,(i＝1,2,…,l,j＝1,2,…,m)为输入层和隐含层之间的连接权值，其中l∈n+，为隐层神经元个数，并记wi＝(wi1,wi2,…,wim)；

bi,(i＝1,2,…,l)为隐含层第i个的节点的阈值；

β为隐含层和输出层的权值，其中βi,(i＝1,2,…,l)为隐含层第i个节点与输出层节点的连接权值；

d.网络训练，将步骤b中生成的输入矩阵集合目标输出矩阵集输入神经网络，对网络进行训练，网络训练原理为：

隐层激励函数为sigmoid函数，表达式为：

当输入为xp时，根据神经网络原理有：

隐层第i个节点的输入为

neti＝wixp+bi(11)

隐层第i个节点的输出为

si＝f(neti)＝f(wixp+bi)(12)

网络的输出层的输出为

当输入为x时，记隐含层的输出矩阵为h，有

对于输出层，则有输出方程为：

t＝hβ(15)

网络训练的目的就是找到最优输出层权值使网络的实际输出t无限逼近于目标输出y，通过求取最小范数二乘解的方法得到最优输出层权值即：

其中，h⁺为moore-penrose逆，

e.仿真测试，利用求解到的最优权值求得最优输出层权值下的elm神经网络的预测输出为：

f.将预测结果累减还原成实际预测结果，用网络预测结果减去步骤b得到的等维新息序列的累加值，得到实际预测结果，通过累减得到实际预测值为：

本测量方法首先对原始数据进行分组，构建等维新息序列，对等维新息序列进行灰色处理，得到灰色处理后的等维新息序列；然后对等维新息序列进行处理，构成输入矩阵集和目标输出矩阵集，对elm神经网络进行训练，从而得到elm神经网络对灰色数据的预测结果；最后通过累减还原，得到短时交通流的真实预测结果。

具体应用举例：采用焦作市普济路与人民路交叉口东西方向单向交通流量为研究对象，采集每天4点到12点的每5分钟的交通流量共96个数据，连续采集4天。前三天的数据用于网络训练，第四天的流量数据用于测试灰色elm网络模型。

选取m＝4，则网络的输入和输出神经元个数分别是4和1，根据elm神经网络原理，选取隐层神经元个数为单天采集的流量生成的等维新息序列的个数，为92个，则网络的模型为4-92-1；训练前，先给定权值w，并给定阈值为b＝1,隐层激励函数选用sigmoid函数，计算输出矩阵，训练网络，然后用训练好的网络进行预测。

通过图2可以看出，灰色模型在进行短时交通预测时，误差较大，且当数据本身不平稳时，预测结果往往很差，elm神经网络通过对历史数据的训练，预测精度有了进一步提高；灰色elm神经网络在elm神经网络的基础上，通过对数据的累加，使得测试数据与训练数据的差异性更小，有效提高了预测精度；与其它组合模型相比，预测精度也有所提高。

通过图8对六种预测模型的对比可以看出，灰色elm神经网络预测模型在预测精度上要远优于灰色模型和elm神经网络预测模型，也优于现有的一些组合模型，在最大误差，平均绝对误差，平均相对误差方面都有所减小。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。