[发明专利]一种道路交通流量预测方法

权利要求书

1.一种道路交通流量预测方法，其特征在于：该方法包括以下步骤：

(1)模型的建立：假设时间t时刻待预测路口横断面交通流量为v(t)，嵌入维数为m，时间间隔为τ，则有集合x(i)＝{v(t-τ)}，v(t-2*τ)……v(t-(m-1)*τ)}，样本{x(i)，v(t)}为一个训练样本，任务是，通过模型找出历史状态序列数据的特征，预测未来一段时间的路口交通流量；

(2)预测模型的建立：对于输入x(i)，找出依赖关系f(x)，根据交通流量预测最小二乘支持向量机理论的公式，如下；

其中x是影响交通流量的因素，x_i是输入的第i个样本，K(x,x_i)是核函数，b为常数项，最小二乘支持向量机和支持向量机一样，引入经验风险与结构化风险，引入惩罚因子C和RBF函数的基宽度参数δ，对这两个参数的选取通过改进了的粒子群算法来优化获得；

(3)初始化阶段：随机初始化种群利用混沌系统，采用不同的初始值来产生混沌序列，初始值不为0，作为初始粒子群的位置和速度矢量；

x_n+1＝sin(x_n/2)(-1≤x_n≤1)

其中，x_n是初始迭代值，在这里表征粒子的初始位置速度值，x_n+1是迭代后的值；

随着迭代次数线性递增和线性递减的方式来控制粒子的全局收敛和局部收敛状态；

c₁＝-0.5*i/maxgen+1.5

c₂＝0.5*i/maxgen+1.3

其中，c₁为全局收敛控制因子，c₂为局部收敛控制因子，i为迭代次数，maxgen为最大迭代次数；

以测试集真实值和测试集预测值的差的平方和作为适应度值的计算：

其中y_i是测试集真实值，y_i(x_i)是模型预测值，f(i)是第i个粒子的适应度值；

(4)预测阶段：将样本分为预测集和训练集，通过如下粒子群算法进行训练:

n个粒子构成了粒子群，每个粒子都由速度矢量和位置矢量构成，设第i个粒子的速度矢量和位置矢量分别是v_i＝(v_i1,v_i2..v_id),p_i＝(p_i1,p_i2..p_id)，在整个迭代过程中，设粒子i自身最好的位置z_i＝(p_i1,p_i2..p_id)，整个粒子群群体最优的位置为g_i＝(p_g1,p_g2..p_gd)，式中k代表迭代次数，ω代表权重因子，c₁,c₂代表了粒子学习率；找出最小二乘支持向量机的最优参数C^*和δ^*，然后用带有最优参数C^*和δ^*的最小二乘支持向量机预测交通流量。