用于城市道路短时交通流量预测的方法和系统与流程

本发明涉及智能交通系统车流量预测技术领域，尤其涉及一种用于城市道路短时交通流量预测的方法和系统。

背景技术：

随着经济持续快速发展，城市汽车保有量不断创新高，随之而来的城市交通拥挤成为困扰人类生活的全球性挑战。通常利用交通诱导和交通控制方式来缓解交通压力，而作为现代智能交通系统的核心内容之一，精确的交通流量预测是解决交通拥堵和构建智慧城市交通管理系统的基础和关键。

传统短时交通流量预测方法有时间序列法、自回归模型、灰色理论等。这类方法技术相对成熟且结构较为简单，但基本建立于线性规则，难以预测城市交通复杂非线性、影响因素波动较大的交通流量序列。近年来，智能技术蓬勃发展，模糊推理、神经网络、深度学习等在短时交通流量预测中得到了良好应用。例如现有技术专利申请号为：cn2018100451199的专利申请中，采用人工神经网络粒子群算法进行交通道路拥堵预测，第一接收模块，设置在云服务器上，用于接收所述第一交通数据和所述第二交通数据，以及设置在云服务器上的粒子群算法程序模块，用于对所述第一接收模块接收的数据进行处理，得到第一预测数据；以及传输模块，设置在云服务器上，用于将所述第一预测数据传输至终端侧的设备；在终端侧的设备上，包括第二接收模块，用于接收云服务器回传的数据；以及存储装置，用于保存所述第二接收模块接收的数据；更新模块，设置在云服务器上，用于实时获取第一交通数据和第二交通数据，并将第一交通数据和第二交通数据作为新的输入变量，基于所述粒子群算法程序模块持续学习，不断优化第一预测数据，但人工神经网络方法收敛速度较慢，预测精度受初始连接权值、阈值参数的影响，同时也可能收敛至局部最优点。专利申请号为：cn201510478215的先有技术中提供一种基于深度学习神经网络结构的交通流预测方法，通过采集各类交通流数据，并利用深度自动编码器模型对采集各类交通流数据进行训练，在训练过程中对深度自动编码器模型进行调整，最后利用调整后的深度自动编码器模型对短期交通流进行预测，深度学习模型虽然性能优势，但其网络层级深，且为黑盒模型，使得预测较为复杂和不确定。现有技术中专利公告号为cn105389980b的现有技术中提供了基于长短时记忆递归神经网络的短时交通流预测方法，根据短时交通流的预测时间间隔，对输入的历史交通流数据进行聚合；对聚合后的历史交通流进行预处理；对长短时记忆递归神经网络设置合理的参数；使用预处理后的数据训练该神经网络预测模型；调用预测模型预测指定时间间隔的交通流量并评估预测误差，该方法也属于神经网络模型，通过参数设置进行短时预测，虽在运算时间和精度上有所改良，但仍然无法规避人工神经网络方法收敛速度较慢的特点。最小二乘支持向量机(leastsquaressupportvectormachine,lssvm)算法是以统计学习理论的vc维理论和结构风险最小原理为基础，一种新型的机器学习方法。lssvm回归预测精度高、复杂性低、鲁棒性好、且克服了维数灾难等优点。但传统lssvm进行交通流量预测时，其惩罚参数c和核参数σ一般采用试凑法选取，使得预测过程不智能且误差偏大和不可控。故广大学者进行了改进最小二乘支持向量机参数选取的研究工作。提出粒子群算法优化最小二乘支持向量机、遗传算法改进最小二乘支持向量机、果蝇算法优化最小二乘支持向量机。引入群智能优化算法，使得lssvm的核心参数选取更快速、智能、准确，同时提高了交通流量预测精度。然而，上述优化lssvm算法较为复杂、迭代收敛速度慢、且参数较难达到全局最优。

技术实现要素：

本发明的目的之一至少在于，针对如何克服上述现有技术存在的问题，提供一种用于城市道路短时交通流量预测的方法和系统，其拥有较强的全局寻优能力、步骤简洁、预测精度高。

为了实现上述目的，本发明采用的技术方案包括以下各方面。

一种用于城市道路短时交通流量预测的方法，所述方法包括：数据预处理、核函数选取、算法参数初始化、随机数据生成、适应值计算、最优排序、阶段学习、迭代终止判断、基于lssvm最优短时交通流量预测、反归一化输出、预测评价；

其中数据预处理具体包括：针对选取历史交通流量数据，进行数据归一化处理；

算法参数初始化具体包括：选取改进教与学算法，其中改进教与学算法中包括教师和学生的设定，进行参数设置，具体为设置改进教与学算法求解问题维度d，最大迭代次数mit，学生群体n，设置最小二乘支持向量机lssvm的惩罚参数c和核参数σ各自的上、下限值，初始化学生个体的参数；

适应值计算具体包括：利用lssvm计算学生成绩适应值，适应值最高的视为教师；

最优排序具体包括：将上下代学生按适应值最优排序；

迭代终止判断具体包括：根据最大迭代次数和预测误差条件进行判断。

所述算法参数初始化包括：随机生成学生个体科目成绩的初始解x0；随机初始化学习步长ri。

根据改进教与学算法优化来设置lssvm的惩罚参数c和核宽度参数σ，将lssvm计算的适应值作为学生所学科目成绩，适应值最高的视为教师。

所述改进教与学方法为：将上一代学生与本代相关联，求出两代的优秀学生个体按映射排序，进行教和学阶段学习，并通过lssvm计算保存对应最优适应值。

教阶段学习，其特征在于，根据公式及其更新条件进化学生科目成绩，当的适应值大于时，进行学生科目成绩更新。

所述difference为科目当前学生平均成绩与教师水平的差，通过式计算，tf为教学因子，通过式tf＝round[1+rand(0,1)]求取。

学阶段学习，其特征在于，随机挑选两个学生xp和xq：

当f(xp)<f(xq)时，表明学生xq成绩较学生xp要优秀，故xp向xq学习，依据公式更新学生科目成绩；

当f(xp)>f(xq)时，表明学生xp成绩较学生xq要优秀，故xp向xq学习，根据公式更新学生科目成绩。

所述学习科目向量的维度d为2。

所述最大迭代次数mit为100，“学生”群体的数量为30。

预测评价具体包括：选取平均绝对百分误差和相对误差以及均方根误差作为预测性能评判指标，具体公式如下：

式中：yi为交通流量真实值；y’i表示交通流量预测值；n为交通流采集点数，

本发明技术方案中还包括一种用于城市道路短时交通流量预测的系统，所述系统包括：显示器、输入输出设备、至少一个处理器、与所述至少一个处理器通信连接的存储器、以及用于供电的电源设备；

其中，所述显示器用于显示预测结果；所述输入输出设备用于输入初始化参数；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行以上方法。

综上所述，由于采用了上述技术方案，本发明至少具有以下有益效果：

(1)通过改进的“教与学”算法优化最小二乘支持向量机进行短时交通流量预测，使得预测精度得到有效提高，计算处理时间明显缩短。

(2)该方法和系统应用场景是短时交通流量随机性较强的城市道路，预测精度依然较高，因此推广应用前景乐观。

(3)本发明所提出的城市道路短时交通流量预测方法和系统，便于交管部门科学合理疏导车流量，一定程度上缓解了城市拥堵。同时为构建智慧交通管理系统提供技术支持。

附图说明

图1是根据本发明实施例的用于城市道路短时交通流量预测的方法的流程图。

图2是根据本发明实施例的用于城市道路短时交通流量预测的系统的结构示意图。

具体实施方式

下面结合附图及实施例，对本发明进行进一步详细说明，以使本发明的目的、技术方案及优点更加清楚明白。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

图1示出了根据本发明实施例的用于城市道路短时交通流量预测的方法。该实施例的方法包括以下步骤：

步骤101:数据预处理

具体地，针对选取历史交通流量数据，天气影响因素等特征向量量纲不同、数值大小差异较大，为防止特性因素被淹没，统一进行数据归一化处理。预处理公式如下：

式中：x’为归一化后值；x为原始样本值；xmax表示样本最大值；xmin表示样本最小值；

步骤102:核函数选取

引入核函数使lssvm计算非线性情况下的预测更为便捷，因此求解决策函数问题转换成如何选取合适且有效的核函数，本发明选用应用广泛的径向基核函数。

步骤103：算法参数初始化

具体地，对于改进“教与学”算法(improvementteaching-learning-basedoptimizationalgorithm，itlbo)：设置求解问题维度d(2)，最大迭代次数mit(100)，“学生”群体n(30)；设置最小二乘支持向量机(lssvm)惩罚因子c和核宽度参数σ的上下限值ub、lb(c的上、下限值分别为0、100；σ上、下限值分别为0、100)。

步骤104：随机生成“学生”成绩

例如，在[0,1]区间随机生成“学生”个体科目成绩的初始解x0；在(0,1]区间随机初始化学习步长ri。

步骤105：lssvm计算适应值

例如，将lssvm计算的适应值作为“学生”所学科目成绩，适应值最高的视为“教师”。

步骤106：上下代“学生”最优排序

采用本发明提出的改进“教与学”算法策略，将上一代“学生”与本代相关联，求出两代的优秀“学生”个体按映射排序，并通过lssvm计算保存对应最优适应值。

步骤107：“教”阶段学习

具体地，根据公式(2)及其更新条件进化学生个体成绩。

tf＝round[1+rand(0,1)](4)

式中：ri表示学习步长，为[0,1]区间随机数；表示j科目教师的水平；tf为教学因子，由式(4)随机确定为1或者2。当的适应值大于时，进行学生成绩更新。即：

end

步骤108：“学”阶段学习

具体地，可以随机挑选两个学生xp和xq，根据公式(5-6)及其更新条件进化“学生”个体。

当f(xp)<f(xq)时，表明“学生”xq成绩较“学生”xp要优秀，故xp向xq学习，更新公式如下：

当f(xp)>f(xq)时，表明“学生”xp成绩较“学生”xq要优秀，故xp向xq学习，更新公式如下：

步骤109：算法迭代终止判断

具体地，若达到最大迭代次数mit，且满足预测误差条件，则保存当前最优“学生”科目成绩即最优最小二乘支持向量机惩罚因子c和核参数σ组合。若未满足要求，则转到步骤105重新计算“学生”个体当前的适应值及其后续步骤。

步骤110:lssvm最优短时交通流量预测

当达到最大迭代次数mit，且满足预测误差条件，则将步骤109求出的最优参数组合代入lssvm预测模型，进行短时交通流量预测。

步骤111:反归一化输出

具体地，通过公式(7)对itlbo-lssvm预测算法的输出进行反归一化处理。

x＝xmin+(xmax-xmin)x′(7)

步骤112:预测评价

为验证各算法预测准确性，对预测精度进行合理评价。本发明选取平均绝对百分误差(meanabsolutepercenterror，mape)和相对误差(relativeerror，re)以及均方根误差(rootmeansquareerror，rmse)作为预测性能评判指标。相对误差和平均相对误差对对误差的描述较为直观，均方根相对误差则大多被用来作为误差剖析的综合指标。

式中：yi为交通流量真实值；y’i表示交通流量预测值；n(36)为交通流采集点数。

图2示出了根据本发明实施例的用于城市道路短时交通流量预测的系统的结构示意图。

上述各实施例中，基于改进“教与学”算法优化最小二乘支持向量机(itlbo-lssvm)的短时交通流量预测方法和系统。该方法改进了“教与学”算法，使得“学生”个体的上下代关联性得到增强。具体在最优迭代时将相邻两代优秀“学生”个体保留，用于下一次迭代，有效缩短寻优迭代时间。方法将需要最优迭代的最小二乘支持向量机惩罚因子c和核参数σ组合作为“学生”所学科目，通过最小二乘支持向量机计算的预测准确率作为“学生”当前的科目成绩。迭代出“学生”最佳科目成绩组合即为最小二乘支持向量机最优c、σ参数。利用itlbo-lssvm方法对中国贵阳金阳北路进行短时交通流量预测，实验结果表明itlbo-lssvm方法性能优越，计算效率好、拥有更高预测精度。

其中，显示器601用于显示预测结果；输入输出设备602用于输入初始化参数；所述存储器604存储有可被所述至少一个处理器603执行的指令，所述指令被所述至少一个处理器603执行，同时系统中还包括用于维持运转的电源设备605。

以上所述，仅为本发明具体实施方式的详细说明，而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下，做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。