本發(fā)明提供了一種短時交通流預測方法。

背景技術：

隨著經(jīng)濟的不斷發(fā)展，人們對汽車的需求不斷增加，使得公路交通流量不斷增加。交通問題越來越成為一個困擾人們生活的的復雜問題。在不改變當前路網(wǎng)的條件下，智能交通是解決復雜交通問題的有效途徑。及時的交通誘導和交通控制是智能交通的核心內容。短時交通流預測是實現(xiàn)交通誘導和控制的關鍵，同時也是智能交通管理系統(tǒng)的基礎。

以下是和本申請相關的現(xiàn)有技術文獻：

[1]韓超，宋蘇，王成紅.基于ARIMA模型的短時交通流實時自適應預測[J].系統(tǒng)仿真學報,2004,16(7):1530-1535.

[2]楊兆升，朱中.基于卡爾曼濾波理論的交通流量實時預測模型[J].中國公路學報，1999,12(3):63-67.

[3]盧建中，程浩.改進GA優(yōu)化BP神經(jīng)網(wǎng)絡的短時交通流量預測[J].合肥工業(yè)大學學報(自然科學版)，2015,38(1):127-131.

[4]謝海紅，戴許昊，齊遠.短時交通流的改進K近鄰算法[J].交通運輸工程學報，2014,14(3):87-94.

[5]楊春霞，符義琴.鮑鐵男基于相似性的短時交通流預測[J].公路交通科 技，2015,32(10):124-128.

[6]高連生，易誕，毛娜，李亮.基于改進GM(1,1)的長期交通流量預測模型[J].鐵道科學與工程學報,2015,12(1):203-207.

[7]何沛樺，曹磊，馬宏兵，賈云健，陳玲玲，賀良云，劉曙光，盧海兵.一種公交客流組合預測方法[P].中國，201410424296.X，2016.4.20

[8]吳漢，王寧，沈國江.一種短時交通流加權組合預測方法[P].中國，201210186056.1，2012.9.26.

[9]沈江國，朱蕓，錢曉杰，胡越.短時交通流組合預測模型[J].南京理工大學學報,2014,38(2):246-251.

[10]錢偉，楊礦利，楊慧慧，徐青正.基于組合模型的短時交通流預測[J].計算機仿真,2015,32(2):175-178.

[11]王子赟，紀志成.基于灰色Verhulst模型的短期風速預測研究[J].控制工程，2013,20(2):219-222.

[12]王明東，劉憲林，于繼來.基于灰色預測的可拓控制方法[J].控制工程,2011,18(1):75-77.

[13]Deng Chenwei,Huang Guangbin,Xu Jia,Tang Jielong.Extreme Learning Machines:new trends and application.Science China.Information Science[J].2015,58.

[14]Xiao-Jian Ding,Bao-Fang Chang.Active set strategy of optimized extreme learning machine[J].Chinese Science Bulletin,2014,59(31):4152-4160.

[15]季雪美，高軍偉，劉新，張彬.基于ELM算法的短時交通流預測研究.青島大學學報.2015,30(4):58-61.

[16]馬超，張英堂，任國全，李志寧，尹剛.基于VAE-ELM的時間序列預測及應用[J].控制工程,2014,24(7):529-532.

[7]黃庭，王昕，李立學，周荔丹，姚剛，張楊.基于小波-極限學習機的短期風電功率預測[J].控制工程，2012,18:232-236.

[18]鄭為中，史其信.基于貝葉斯組合的短期交通流量預測研究[J].中國公路學報,2015,18(1):85-89.

短時交通流量具有很強的不確定性，容易受到隨機干擾的擾動，規(guī)律性不明顯。近年來，隨著對智能交通的研究的深入，已經(jīng)出現(xiàn)了很多短時交通流量預測模型。文獻[1]提出了用于短時交通流預測的多項式分布滯后模型，它是一種動態(tài)的回歸模型，其建模思想為交通流時間序列同時受到自身滯后項之外的多個因素的影響，并分布到多個時段。但該模型抗干擾能力差，且需要更多的輸入量。文獻[2]采用基于傳統(tǒng)線性系統(tǒng)理論的卡爾曼濾波模型，該模型采用較靈活的選擇方法，精度較高。但是其預測精度依賴于交通流的線性特征，用于線性非實時在線交通流預測。文獻[3]提出了一種改進GA優(yōu)化BP神經(jīng)網(wǎng)絡的短時交通流量預測模型，具有很強的自組織和自適應能力,該模型能很好地克服普通線性回歸模型不能反映交通流變化的非線性和不確定性，收斂速度慢， 易陷入局部最小的狀態(tài)的不足。但其仍需要進行大量的迭代來完成訓練。文獻[4]提出了改進K近鄰模型，該模型用模式距離搜索方法代替原有的歐氏距離搜索方法，引入多元統(tǒng)計回歸模型，使預測精度有了進一步提高。它利用已有數(shù)據(jù)建立輸入輸出的關系模型，對數(shù)據(jù)并沒有嚴格的約束條件。但該模型所需數(shù)據(jù)量巨大，且難免產(chǎn)生冗余，同時，對錯誤數(shù)據(jù)的識別也將對預測造成較大的困難。文獻[5]提出了一種基于相似性的短時交通流量預測方法，利用每周同一天的交通流相似性比相鄰幾天相似性大，建立小波神經(jīng)網(wǎng)絡模型。該方法綜合了小波和神經(jīng)網(wǎng)絡的優(yōu)點取得了較好的效果。但是對數(shù)據(jù)樣本的選擇具有定向性，若數(shù)據(jù)相似性較差，則預測效果隨之下降。文獻[6]提出了基于改進的GM(1,1)的長期交通量流預測模型，該方法所需數(shù)據(jù)量少，訓練簡單，對于平穩(wěn)數(shù)據(jù)預測精度高，但對波動性較大的數(shù)據(jù)預測效果并不好。文獻[7]提出的組合預測方法，利用灰度模型和自回歸滑動平均模型進行預測，最后建立組合模型，利用最小二乘法對組合模型的權值進行估計，但由于其權值是固定的，其預測結果并不理想。文獻[8]提出一種短時交通流加權組合預測方法，利用兩種子模型各自的預測誤差，確定子模型結果在組合模型中所占的權重，但會出現(xiàn)當前一時刻誤差較小時導致權重過大的單極現(xiàn)象，影響預測精度。文獻[9]提出的短時交通流預測組合模型，較好的解決了神經(jīng)網(wǎng)絡在大流量下的穩(wěn)態(tài)性問題和卡爾曼濾波在流量不穩(wěn)定時，預測精度不高的問題，在組合中，雖引入慣性因子，但卻忽略了數(shù)據(jù)本身特性帶來的影響。文獻[10]提出的組合模型，引入 權重調整因子，避免了當某一子模型在上一時刻預測結果較小，權重過大導致的單極預測現(xiàn)象。但沒有考慮數(shù)據(jù)波動較大時，子模型的預測結果的可靠性。

技術實現(xiàn)要素：

為解決上述問題，本發(fā)明提供了一種短時交通流預測方法。

一種短時交通流預測方法，包括以下步驟：

1)分別利用灰色算法和ELM神經(jīng)網(wǎng)絡預測出第p+1個時間段的交通流量；

2)計算第p+1個時間段的之前幾個時間段交通流量的標準差S和子模型在第p個時間段的誤差，并以此誤差，求得兩子模型在下一時間段的預測的權重；

3)若第p個時間段之前的幾個時間段交通流流量的標準差S_p>S₀，則直接采用ELM算法的預測結果作為該時刻的預測值；

若第p-1個時間段之前的幾個時間段的標準差S_p-1>S₀，此時給組合模型的子模型一個固定權重，以消除灰色算法的影響。

進一步，包括以下步驟：

1)計算第p組交通流量的標準差S_p和第p-1組交通流量的標準差S_p-1，

其中，

2)計算在第p個時間段的灰色模型預測誤差的絕對值E_gp和ELM神經(jīng)網(wǎng)絡預測誤差的絕對值E_ep，其公式為：

3)計算子模型預測結果的權值，灰色模型的預測權重記為η_g，ELM神經(jīng)網(wǎng)絡模型預測權重記為η_e，則

η_e＝1-η_g；

4)組合模型的預測值為：

與現(xiàn)有技術相比，通過利用灰色算法和ELM神經(jīng)網(wǎng)絡對同一時間段的交通流量進行分別預測，根據(jù)交通流量本身特征和算理的選擇與組合。可以有效避免各個模型本身的缺陷，從而使預測效果更佳。經(jīng)驗證，該模型具有較高的精度和較強的適應性，是一種有效的交通流預測方法。

附圖說明

圖1是典型的單隱層神經(jīng)網(wǎng)絡

圖2是文獻[6]提出的改進GM(1,1)模型的預測值與實際對比圖

圖3是文獻[7]提出的組合模型的預測值與實際對比圖

圖4是文獻[8]提出的組合模型的預測值與實際對比圖

圖5是文獻[13]提出的ELM神經(jīng)網(wǎng)絡的預測值與實際對比圖

圖6是本文提出的組合模型的預測值與實際對比圖

具體實施方式

下面結合附圖和實施例對本發(fā)明進一步說明。

灰度預測理論^[11-12]利用有限的數(shù)據(jù)來估計有限的不確定行為，是對數(shù)據(jù)預處理的一種方法，能夠有效地削弱數(shù)據(jù)的波動性，減少數(shù)據(jù)的隨機性。它并不 需要大量的歷史數(shù)據(jù)的支持，也不用考慮各種影響因素。通過觀測的時間序列，尋找規(guī)律。它的本質是對原始序列進行累加，然后建立一階微分方程，利用指數(shù)曲線去擬合數(shù)據(jù)，用以對下一時刻的數(shù)據(jù)進行預測。因此它可以用來揭示交通流量的變化趨勢，達到短時交通流量預測的目的。

灰色算法子模型的預測算法為：

設有交通流序列x，且其共有Q個觀測值，則該序列可以表示成

x＝{x(1),x(2),…,x(Q)} (1)

其中：x(q)∈R,(q＝1,2,…,Q)

將該交通流序列分成N組，每組n+1個數(shù)據(jù)，其中，前n個數(shù)據(jù)用作原始預測數(shù)據(jù)，第n+1個用作檢驗預測結果。則對于第p組，有

分別記為

則樣本表示為

[X,Y]＝[(X₁,Y₁),(X₂,Y₂),…,(X_N,Y_N)] (4)

對交通流量序列X_p進行一次累加，生成一次累加序列x¹，即

x¹＝{x¹(1),x¹(2),…,x¹(n)},x¹(k)∈R,(k＝1,2,…,n) (5)

其中,

灰色預測的白化方程為：

其中，待定系數(shù)a、b分別為白化方程相應系數(shù)和控制項?？梢酝ㄟ^最小二乘法擬合得到。

求解白化方程便可以得到x¹的預測值為

通過累減得到x⁰的預測值為

令k＝n，便得到灰色模型的第p個預測值

ELM神經(jīng)網(wǎng)絡(Extreme Learning Machine^[13-17])是一種單隱層前饋神經(jīng)網(wǎng)絡的模型算法—極限學習機。相比于普通神經(jīng)網(wǎng)絡具有訓練速度快，人工干擾少的優(yōu)點。

ELM神經(jīng)網(wǎng)絡子模型的預測算法為：

對于樣本[X,Y]，有單層神經(jīng)網(wǎng)絡，其參數(shù)如下：

ω_ij(i＝1,2,…,l,j＝1,2,…,n)為輸入層和隱層之間的連接權值。并記ω_i＝(ω_i1,ω_i2,…,ω_in)；

θ_i(i＝1,2,…,l)為隱含層神經(jīng)元的閾值；

β_i(i＝1,2,…,l)為隱含層和輸出層的權值；

隱含層的激勵函數(shù)為sigmoid函數(shù)，其表達式為

設網(wǎng)絡的輸出為T＝[T₁,T₂,…,T_N]。

如圖1所示。

由神經(jīng)網(wǎng)絡基本知識可知

則有Hβ＝T (13)

可以證明，當隱含層神經(jīng)元個數(shù)大于或等于樣本個數(shù)時，對于任意的ω和β，該網(wǎng)絡可以無誤差的接近訓練樣本。

然而，當訓練樣本較多時，隱層神經(jīng)元個數(shù)往往小于樣本個數(shù)，此時該網(wǎng)絡的訓練誤差可以任意逼近ε>0。

通過求解最小范數(shù)二乘解找到最佳權值。即

其中，H⁺為Moore-Penrose逆。

通過求得最佳權值，可以得到網(wǎng)絡的預測值

同一模型，在同一交通路口不同的時間段內，其預測效果也是不一樣的。預測精度的好壞，往往與預測的時間段和交通流量的變化大小有關。組合模型，根據(jù)各個子模型的預測效果，來確定子模型的權值，因而能使得組合模型能夠在各個時間段內都能保持較高的精度^[18]。

灰色模型依據(jù)當前時間段之前的幾個時間段的交通流量變化來對當前交通流做出預測。但由于其利用一節(jié)線性微分方程的解來逼近原時間序列，因此，其精度很大程度上受到交通流數(shù)據(jù)本身波動的大小的影響。當數(shù)據(jù)呈現(xiàn)不規(guī)則波動變化時，利用灰色算法預測交通流量數(shù)據(jù)的效果不夠理想，預測誤差偏大。ELM神經(jīng)網(wǎng)絡有著強大的非線性逼近能力，通過對歷史交通流量的訓練，對當前交通流量做出預測。由于兩者的預測原理不同，因此，它們的預測誤差大小,正負也不盡相同。在組合模型中，會出現(xiàn)誤差正負相反，由于組合模型的預測值是兩個子模型的預測值的加權平均，此時系統(tǒng)誤差進行補償，比單一模型精度更高。

一般的組合模型中，只以誤差的大小正負來確定子模型的預測結果在組合模型的權重，沒有考慮在交通流量波動較大時，灰色算法預測結果的的可靠性。本文引入預測交通流量的標準差S衡量交通流變化的大小。當交通流波動較大 時，灰色算法的預測值與實際相比，誤差是比較大的，此時，即使對兩種子模型預測結果加權求和，誤差仍比較大。

對此，本發(fā)明的技術方案是：

1)分別利用灰色算法和ELM神經(jīng)網(wǎng)絡預測出第p+1個時間段的交通流量。

2)計算該時間段的之前幾個時間段交通流量的標準差S和子模型在第p個時間段的誤差，并以此誤差，求得兩子模型在下一時間段的預測的權重。

3)若第p個時間段之前的幾個時間段交通流流量的標準差S_p>S₀(S₀為一特定值)，則直接采用ELM算法的預測結果作為該時刻的預測值，若第p-1個時間段之前的幾個時間段的標準差S_p-1>S₀，表明第p個時間灰色算法預測結果并不好，此時給組合模型的子模型一個固定權重，以消除灰色算法的影響。否則，利用求得的權重對子模型的預測值進行加權求和得到組合模型的預測值。

預測的具體步驟為：

1)計算第p組交通流量的標準差S_p和第p-1組交通流量的標準差S_p-1。

其中

2)計算在第p個時間段的灰色模型預測誤差的絕對值E_gp和ELM神經(jīng)網(wǎng)絡預測誤差的絕對值E_ep，其公式為

3)計算子模型預測結果的權值，灰色模型的預測權重記為η_g，ELM神經(jīng)網(wǎng)絡模型預測權重記為η_e，則

4)組合模型的預測值為

實驗數(shù)據(jù)采用焦作市普濟路與人民路交叉口東西方向單行車道的交通流量為研究對象，將第p個時間段以及其之前的三個時間段的的交通流量作為一組，預測第p+1個時間段的交通流量。并將組合模型與單個預測模型進行比較。組合模型中，選取S₀＝7。

預測效果評價指標

預測模型的好壞需要以下幾個評價指標，它們分別為：最大絕對誤差，平均絕對誤差，平均相對誤差。設預測值為實際值為y_i，則

最大絕對誤差為

平均絕對誤差為

平均相對誤差為

采用本發(fā)明以及對文獻[6]、文獻[9]、文獻[10]和文獻[15]五種模型預測結果，得到的曲線和實際的曲線對比圖如圖1～5所示，其誤差如下表所示：

以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點。本行業(yè)的技術人員應該了解，本發(fā)明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會有各種變化和改進，這些變化和改進都落入要求保護的本發(fā)明范圍內。本發(fā)明要求保護范圍由所附的權利要求書及其等效物界定。