[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

说明书

本发明公开了一种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，采用奇异谱分析(SSA)方法滤除原始交通流数据中包含的噪声成分，用降噪后的交通流数据训练极限学习机(ELM)神经网络模型；进行相空间重构，利用C‑C算法确定时间延迟、嵌入窗宽和嵌入维数等ELM网络模型的关键参数；将烟花算法(FWA)和差分进化算法(DE)有机结合得到一种烟花差分进化(FWADE)混合优化算法，以增强基本算法的全局收敛能力及鲁棒性能，提高整体优化性能；将FWADE算法用于优化ELM网络的权阈值，建立短时交通流预测模型并进行评估。所发明的短时交通流预测模型具有较高的预测精度和较强的泛化能力，预测值与实际值的拟合程度好。

技术领域

本发明涉及短时交通流预测模型，尤其涉及一种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。

背景技术

“智慧交通”引领智慧城市建设，交通流预测在智能交通系统中占据重要地位，是实现交通实时控制与诱导的前提。短时交通流的实时准确预测对路网交通状态分析、交通网络规划和交通优化控制都具有十分重要的作用；另一方面，交通数据采集技术的不断发展为路网交通流信息的实时获取提供了技术手段，为短时交通流预测方法的研究提供了数据保障。交通流预测建模方法研究具有重要的理论价值和实际意义。

根据原理不同，现有交通流预测建模方法可分为参数方法和非参数方法两类。参数方法主要包括历史平均、线性和非线性参数回归、卡尔曼滤波、自动回归和指数平滑等预测方法。非参数方法主要包括非参数回归、人工神经网络和支持向量机等预测方法或多模型组合预测方法。参数方法的特点是模型易于实现且计算量较小，但存在模型学习能力不足、难以处理模型内在不确定性及交通数据突变影响预测精度等不足。非参数方法则是采用数据挖掘和人工智能等方法根据历史数据揭示数据变化规律，从而建立输入输出映射关系；其缺点是预测精度严重依赖历史数据的数量和质量，且模型参数选取较为困难。

受城市道路交通环境、天气状况和道路行人等不确定因素影响，实际城市交通流数据具有较强的非线性、时变性和易受随机噪声影响等特征。现有交通流预测建模方法存在模型参数难以确定、预测精度较低和泛化能力较差等不足，难以满足复杂情况下的短时交通流预测要求。

发明内容

基于上述问题，本发明提出一种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，采用SSA方法滤除原始交通流数据中包含的噪声成分，用降噪后的交通流数据训练ELM神经网络模型；进行相空间重构，利用C-C算法确定时间延迟、嵌入窗宽和嵌入维数等ELM网络模型的关键参数；将烟花算法(FWA)和差分进化算法(DE)有机结合提出一种烟花差分进化(FWADE)混合优化算法，以增强基本算法的全局收敛能力及鲁棒性能，提高整体优化性能；将FWADE算法用于优化ELM网络的权阈值，建立短时交通流预测模型并进行评估。本发明的短时交通流预测模型具有较高的预测精度和较强的泛化能力，预测值与实际值的拟合程度好。

所采用的技术方案是：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，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SSA方法对S1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ELM网络模型的结构；嵌入维数m的计算公式如下：

τ_w＝(m-)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；