[发明专利]基于烟花差分进化混合算法-极限学习机的短时交通流预测模型

权利要求书

1.基于烟花差分进化混合算法-极限学习机的短时交通流预测模型，其特征在于：建模步骤如下：

S1：将UTC/SCOOT系统所采集的某路段车流量数据，作为原始交通流时间序列数据；

S2：采用奇异谱分析SSA方法对S1所得数据进行降噪处理，作为交通流预测模型的建模数据；

S3：进行相空间重构，采用C-C算法估算嵌入窗宽τ_w、时间延迟τ，计算嵌入维数m，确定极限学习机ELM网络模型的结构；嵌入维数m的计算公式如下：

τ_w＝(m-1)τ       (1)

S4：以降噪及相空间重构后的交通流时间序列数据，生成训练样本和测试样本；

S5：将S4中的训练样本作为ELM网络的训练样本；采用烟花差分进化FWADE混合优化算法确定ELM网络输入层与隐含层之间的连接权值和隐含层神经元的阈值；其中，FWADE混合优化算法，是将烟花算法FWA和差分进化算法DE有机结合，得到的一种烟花差分进化混合优化算法；

S6：保存S5中优化后的ELM网络连接权值和阈值，建立短时交通流预测的ELM网络模型；

S7：S4中的测试样本，是未经训练的交通流时间序列数据，作为ELM网络模型的测试样本，评估优化后的ELM网络模型的预测性能。

2.根据权利要求1所述的基于烟花差分进化混合算法-极限学习机的短时交通流预测模型，其特征在于所述的采用SSA方法，是滤除原始交通流数据中包含的噪声成分，是将现场采集到含有噪声成分的原始交通流时间序列数据Y_N＝[y₁,y₂,…,y_N]转化为轨迹矩阵X；对矩阵XX^T进行奇异值分解，得到L个特征值λ₁≥λ₂≥…≥λ_L≥0及对应的特征向量；将每个特征值所代表的信号进行分析组合，重构出新的时间序列G＝[g₀,g₁,…,g_N-1]。

3.根据权利要求1或2所述的基于烟花差分进化混合算法-极限学习机的短时交通流预测模型，其特征在于所述的采用SSA方法对数据进行降噪处理，处理过程包括嵌入、奇异值分解、分组与重构四个步骤；

S21：嵌入，选取窗口长度L(1LN，K＝N-L+1)，将数据Y_N转化为轨迹矩阵X，即

S22：奇异值分解，对矩阵XX^T进行奇异值分解，得到L个特征值λ₁≥λ₂≥…≥λ_L≥0及对应的正交特征向量U₁,…,U_L，令d＝max{i,λ_i≥0}，记则矩阵X的奇异值分解为

X＝X₁+…+X_d                                                       (3)

其中，为矩阵X的奇异值，U_i为左特征向量，V_i分别为右特征向量；

S23：分组，根据所提取成分的不同，将X_i分为m个不同的组I₁,I₂,…,I_m，并将每组内所包含的矩阵相加，设第I_J组包含的子集为I_J＝{i₁,…,i_p}，则

X相应被分解为

S24：重构，将每一个成分子组重构为长度为N的序列G；设矩阵Y＝(y_ij)(i＝1,…,L，j＝1,…,K)，定义L^*＝min(L,K)，K^*＝max(L,K)，y^*_ij＝y_ij(若LK)或y^*_ij＝y_ji(若L≥K)，重构序列G＝[g₀,…,g_k,…,g_N-1]可通过如下公式计算求得：

重构过程保留了原始交通流时间序列中前m个较大奇异值的成分，舍弃了那些由噪声引起的较小奇异值成分；原始交通流时间序列经过SSA的过滤处理，得到降噪后的重构时间序列G，用于建立短时交通流预测模型。