本發(fā)明提供了一種短時(shí)交通流預(yù)測(cè)方法。

背景技術(shù)：

隨著經(jīng)濟(jì)的不斷發(fā)展，人們對(duì)汽車(chē)的需求不斷增加，使得公路交通流量不斷增加。交通問(wèn)題越來(lái)越成為一個(gè)困擾人們生活的的復(fù)雜問(wèn)題。在不改變當(dāng)前路網(wǎng)的條件下，智能交通是解決復(fù)雜交通問(wèn)題的有效途徑。及時(shí)的交通誘導(dǎo)和交通控制是智能交通的核心內(nèi)容。短時(shí)交通流預(yù)測(cè)是實(shí)現(xiàn)交通誘導(dǎo)和控制的關(guān)鍵，同時(shí)也是智能交通管理系統(tǒng)的基礎(chǔ)。

以下是和本申請(qǐng)相關(guān)的現(xiàn)有技術(shù)文獻(xiàn)：

[1]韓超，宋蘇，王成紅.基于ARIMA模型的短時(shí)交通流實(shí)時(shí)自適應(yīng)預(yù)測(cè)[J].系統(tǒng)仿真學(xué)報(bào),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(shí)時(shí)預(yù)測(cè)模型[J].中國(guó)公路學(xué)報(bào)，1999,12(3):63-67.

[3]盧建中，程浩.改進(jìn)GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)[J].合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015,38(1):127-131.

[4]謝海紅，戴許昊，齊遠(yuǎn).短時(shí)交通流的改進(jìn)K近鄰算法[J].交通運(yùn)輸工程學(xué)報(bào)，2014,14(3):87-94.

[5]楊春霞，符義琴.鮑鐵男基于相似性的短時(shí)交通流預(yù)測(cè)[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(jìn)GM(1,1)的長(zhǎng)期交通流量預(yù)測(cè)模型[J].鐵道科學(xué)與工程學(xué)報(bào),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(yù)測(cè)方法[P].中國(guó)，201410424296.X，2016.4.20

[8]吳漢，王寧，沈國(guó)江.一種短時(shí)交通流加權(quán)組合預(yù)測(cè)方法[P].中國(guó)，201210186056.1，2012.9.26.

[9]沈江國(guó)，朱蕓，錢(qián)曉杰，胡越.短時(shí)交通流組合預(yù)測(cè)模型[J].南京理工大學(xué)學(xué)報(bào),2014,38(2):246-251.

[10]錢(qián)偉，楊礦利，楊慧慧，徐青正.基于組合模型的短時(shí)交通流預(yù)測(cè)[J].計(jì)算機(jī)仿真,2015,32(2):175-178.

[11]王子赟，紀(jì)志成.基于灰色Verhulst模型的短期風(fēng)速預(yù)測(cè)研究[J].控制工程，2013,20(2):219-222.

[12]王明東，劉憲林，于繼來(lái).基于灰色預(yù)測(cè)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(shí)交通流預(yù)測(cè)研究.青島大學(xué)學(xué)報(bào).2015,30(4):58-61.

[16]馬超，張英堂，任國(guó)全，李志寧，尹剛.基于VAE-ELM的時(shí)間序列預(yù)測(cè)及應(yīng)用[J].控制工程,2014,24(7):529-532.

[7]黃庭，王昕，李立學(xué)，周荔丹，姚剛，張楊.基于小波-極限學(xué)習(xí)機(jī)的短期風(fēng)電功率預(yù)測(cè)[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(yù)測(cè)研究[J].中國(guó)公路學(xué)報(bào),2015,18(1):85-89.

短時(shí)交通流量具有很強(qiáng)的不確定性，容易受到隨機(jī)干擾的擾動(dòng)，規(guī)律性不明顯。近年來(lái)，隨著對(duì)智能交通的研究的深入，已經(jīng)出現(xiàn)了很多短時(shí)交通流量預(yù)測(cè)模型。文獻(xiàn)[1]提出了用于短時(shí)交通流預(yù)測(cè)的多項(xiàng)式分布滯后模型，它是一種動(dòng)態(tài)的回歸模型，其建模思想為交通流時(shí)間序列同時(shí)受到自身滯后項(xiàng)之外的多個(gè)因素的影響，并分布到多個(gè)時(shí)段。但該模型抗干擾能力差，且需要更多的輸入量。文獻(xiàn)[2]采用基于傳統(tǒng)線(xiàn)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(yù)測(cè)精度依賴(lài)于交通流的線(xiàn)性特征，用于線(xiàn)性非實(shí)時(shí)在線(xiàn)交通流預(yù)測(cè)。文獻(xiàn)[3]提出了一種改進(jìn)GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)模型，具有很強(qiáng)的自組織和自適應(yīng)能力,該模型能很好地克服普通線(xiàn)性回歸模型不能反映交通流變化的非線(xiàn)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(jìn)行大量的迭代來(lái)完成訓(xùn)練。文獻(xiàn)[4]提出了改進(jìn)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(jì)回歸模型，使預(yù)測(cè)精度有了進(jìn)一步提高。它利用已有數(shù)據(jù)建立輸入輸出的關(guān)系模型，對(duì)數(shù)據(jù)并沒(méi)有嚴(yán)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(shí)，對(duì)錯(cuò)誤數(shù)據(jù)的識(shí)別也將對(duì)預(yù)測(cè)造成較大的困難。文獻(xiàn)[5]提出了一種基于相似性的短時(shí)交通流量預(yù)測(cè)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(luò)模型。該方法綜合了小波和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)取得了較好的效果。但是對(duì)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(yù)測(cè)效果隨之下降。文獻(xiàn)[6]提出了基于改進(jìn)的GM(1,1)的長(zhǎng)期交通量流預(yù)測(cè)模型，該方法所需數(shù)據(jù)量少，訓(xùn)練簡(jiǎn)單，對(duì)于平穩(wěn)數(shù)據(jù)預(yù)測(cè)精度高，但對(duì)波動(dòng)性較大的數(shù)據(jù)預(yù)測(cè)效果并不好。文獻(xiàn)[7]提出的組合預(yù)測(cè)方法，利用灰度模型和自回歸滑動(dòng)平均模型進(jìn)行預(yù)測(cè)，最后建立組合模型，利用最小二乘法對(duì)組合模型的權(quán)值進(jìn)行估計(jì)，但由于其權(quán)值是固定的，其預(yù)測(cè)結(jié)果并不理想。文獻(xiàn)[8]提出一種短時(shí)交通流加權(quán)組合預(yù)測(cè)方法，利用兩種子模型各自的預(yù)測(cè)誤差，確定子模型結(jié)果在組合模型中所占的權(quán)重，但會(huì)出現(xiàn)當(dāng)前一時(shí)刻誤差較小時(shí)導(dǎo)致權(quán)重過(guò)大的單極現(xiàn)象，影響預(yù)測(cè)精度。文獻(xiàn)[9]提出的短時(shí)交通流預(yù)測(cè)組合模型，較好的解決了神經(jīng)網(wǎng)絡(luò)在大流量下的穩(wěn)態(tài)性問(wèn)題和卡爾曼濾波在流量不穩(wěn)定時(shí)，預(yù)測(cè)精度不高的問(wèn)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(lái)的影響。文獻(xiàn)[10]提出的組合模型，引入 權(quán)重調(diào)整因子，避免了當(dāng)某一子模型在上一時(shí)刻預(yù)測(cè)結(jié)果較小，權(quán)重過(guò)大導(dǎo)致的單極預(yù)測(cè)現(xiàn)象。但沒(méi)有考慮數(shù)據(jù)波動(dòng)較大時(shí)，子模型的預(yù)測(cè)結(jié)果的可靠性。

技術(shù)實(shí)現(xiàn)要素：

為解決上述問(wèn)題，本發(fā)明提供了一種短時(shí)交通流預(yù)測(cè)方法。

一種短時(shí)交通流預(yù)測(cè)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(luò)預(yù)測(cè)出第p+1個(gè)時(shí)間段的交通流量；

2)計(jì)算第p+1個(gè)時(shí)間段的之前幾個(gè)時(shí)間段交通流量的標(biāo)準(zhǔn)差S和子模型在第p個(gè)時(shí)間段的誤差，并以此誤差，求得兩子模型在下一時(shí)間段的預(yù)測(cè)的權(quán)重；

3)若第p個(gè)時(shí)間段之前的幾個(gè)時(shí)間段交通流流量的標(biāo)準(zhǔn)差S_p>S₀，則直接采用ELM算法的預(yù)測(cè)結(jié)果作為該時(shí)刻的預(yù)測(cè)值；

若第p-1個(gè)時(shí)間段之前的幾個(gè)時(shí)間段的標(biāo)準(zhǔn)差S_p-1>S₀，此時(shí)給組合模型的子模型一個(gè)固定權(quán)重，以消除灰色算法的影響。

進(jìn)一步，包括以下步驟：

1)計(jì)算第p組交通流量的標(biāo)準(zhǔn)差S_p和第p-1組交通流量的標(biāo)準(zhǔn)差S_p-1，

其中，

2)計(jì)算在第p個(gè)時(shí)間段的灰色模型預(yù)測(cè)誤差的絕對(duì)值E_gp和ELM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差的絕對(duì)值E_ep，其公式為：

3)計(jì)算子模型預(yù)測(cè)結(jié)果的權(quán)值，灰色模型的預(yù)測(cè)權(quán)重記為η_g，ELM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)權(quán)重記為η_e，則

η_e＝1-η_g；

4)組合模型的預(yù)測(cè)值為：

與現(xiàn)有技術(shù)相比，通過(guò)利用灰色算法和ELM神經(jīng)網(wǎng)絡(luò)對(duì)同一時(shí)間段的交通流量進(jìn)行分別預(yù)測(cè)，根據(jù)交通流量本身特征和算理的選擇與組合?？梢杂行П苊飧鱾€(gè)模型本身的缺陷，從而使預(yù)測(cè)效果更佳。經(jīng)驗(yàn)證，該模型具有較高的精度和較強(qiáng)的適應(yīng)性，是一種有效的交通流預(yù)測(cè)方法。

附圖說(shuō)明

圖1是典型的單隱層神經(jīng)網(wǎng)絡(luò)

圖2是文獻(xiàn)[6]提出的改進(jìn)GM(1,1)模型的預(yù)測(cè)值與實(shí)際對(duì)比圖

圖3是文獻(xiàn)[7]提出的組合模型的預(yù)測(cè)值與實(shí)際對(duì)比圖

圖4是文獻(xiàn)[8]提出的組合模型的預(yù)測(cè)值與實(shí)際對(duì)比圖

圖5是文獻(xiàn)[13]提出的ELM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值與實(shí)際對(duì)比圖

圖6是本文提出的組合模型的預(yù)測(cè)值與實(shí)際對(duì)比圖

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)一步說(shuō)明。

灰度預(yù)測(cè)理論^[11-12]利用有限的數(shù)據(jù)來(lái)估計(jì)有限的不確定行為，是對(duì)數(shù)據(jù)預(yù)處理的一種方法，能夠有效地削弱數(shù)據(jù)的波動(dòng)性，減少數(shù)據(jù)的隨機(jī)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(guò)觀測(cè)的時(shí)間序列，尋找規(guī)律。它的本質(zhì)是對(duì)原始序列進(jìn)行累加，然后建立一階微分方程，利用指數(shù)曲線(xiàn)去擬合數(shù)據(jù)，用以對(duì)下一時(shí)刻的數(shù)據(jù)進(jìn)行預(yù)測(cè)。因此它可以用來(lái)揭示交通流量的變化趨勢(shì)，達(dá)到短時(shí)交通流量預(yù)測(cè)的目的。

灰色算法子模型的預(yù)測(cè)算法為：

設(shè)有交通流序列x，且其共有Q個(gè)觀測(cè)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(gè)數(shù)據(jù)，其中，前n個(gè)數(shù)據(jù)用作原始預(yù)測(cè)數(shù)據(jù)，第n+1個(gè)用作檢驗(yàn)預(yù)測(cè)結(jié)果。則對(duì)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(duì)交通流量序列X_p進(jìn)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(yù)測(cè)的白化方程為：

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

求解白化方程便可以得到x¹的預(yù)測(cè)值為

通過(guò)累減得到x⁰的預(yù)測(cè)值為

令k＝n，便得到灰色模型的第p個(gè)預(yù)測(cè)值

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

ELM神經(jīng)網(wǎng)絡(luò)子模型的預(yù)測(cè)算法為：

對(duì)于樣本[X,Y]，有單層神經(jīng)網(wǎng)絡(luò)，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(quán)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(quán)值；

隱含層的激勵(lì)函數(shù)為sigmoid函數(shù)，其表達(dá)式為

設(shè)網(wǎng)絡(luò)的輸出為T(mén)＝[T₁,T₂,…,T_N]。

如圖1所示。

由神經(jīng)網(wǎng)絡(luò)基本知識(shí)可知

則有Hβ＝T (13)

可以證明，當(dāng)隱含層神經(jīng)元個(gè)數(shù)大于或等于樣本個(gè)數(shù)時(shí)，對(duì)于任意的ω和β，該網(wǎng)絡(luò)可以無(wú)誤差的接近訓(xùn)練樣本。

然而，當(dāng)訓(xùn)練樣本較多時(shí)，隱層神經(jīng)元個(gè)數(shù)往往小于樣本個(gè)數(shù)，此時(shí)該網(wǎng)絡(luò)的訓(xùn)練誤差可以任意逼近ε>0。

通過(guò)求解最小范數(shù)二乘解找到最佳權(quán)值。即

其中，H⁺為Moore-Penrose逆。

通過(guò)求得最佳權(quán)值，可以得到網(wǎng)絡(luò)的預(yù)測(cè)值

同一模型，在同一交通路口不同的時(shí)間段內(nèi)，其預(yù)測(cè)效果也是不一樣的。預(yù)測(cè)精度的好壞，往往與預(yù)測(cè)的時(shí)間段和交通流量的變化大小有關(guān)。組合模型，根據(jù)各個(gè)子模型的預(yù)測(cè)效果，來(lái)確定子模型的權(quán)值，因而能使得組合模型能夠在各個(gè)時(shí)間段內(nèi)都能保持較高的精度^[18]。

灰色模型依據(jù)當(dāng)前時(shí)間段之前的幾個(gè)時(shí)間段的交通流量變化來(lái)對(duì)當(dāng)前交通流做出預(yù)測(cè)。但由于其利用一節(jié)線(xiàn)性微分方程的解來(lái)逼近原時(shí)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(dòng)的大小的影響。當(dāng)數(shù)據(jù)呈現(xiàn)不規(guī)則波動(dòng)變化時(shí)，利用灰色算法預(yù)測(cè)交通流量數(shù)據(jù)的效果不夠理想，預(yù)測(cè)誤差偏大。ELM神經(jīng)網(wǎng)絡(luò)有著強(qiáng)大的非線(xiàn)性逼近能力，通過(guò)對(duì)歷史交通流量的訓(xùn)練，對(duì)當(dāng)前交通流量做出預(yù)測(cè)。由于兩者的預(yù)測(cè)原理不同，因此，它們的預(yù)測(cè)誤差大小,正負(fù)也不盡相同。在組合模型中，會(huì)出現(xiàn)誤差正負(fù)相反，由于組合模型的預(yù)測(cè)值是兩個(gè)子模型的預(yù)測(cè)值的加權(quán)平均，此時(shí)系統(tǒng)誤差進(jìn)行補(bǔ)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(fù)來(lái)確定子模型的預(yù)測(cè)結(jié)果在組合模型的權(quán)重，沒(méi)有考慮在交通流量波動(dòng)較大時(shí)，灰色算法預(yù)測(cè)結(jié)果的的可靠性。本文引入預(yù)測(cè)交通流量的標(biāo)準(zhǔn)差S衡量交通流變化的大小。當(dāng)交通流波動(dòng)較大 時(shí)，灰色算法的預(yù)測(cè)值與實(shí)際相比，誤差是比較大的，此時(shí)，即使對(duì)兩種子模型預(yù)測(cè)結(jié)果加權(quán)求和，誤差仍比較大。

對(duì)此，本發(fā)明的技術(shù)方案是：

1)分別利用灰色算法和ELM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)出第p+1個(gè)時(shí)間段的交通流量。

2)計(jì)算該時(shí)間段的之前幾個(gè)時(shí)間段交通流量的標(biāo)準(zhǔn)差S和子模型在第p個(gè)時(shí)間段的誤差，并以此誤差，求得兩子模型在下一時(shí)間段的預(yù)測(cè)的權(quán)重。

3)若第p個(gè)時(shí)間段之前的幾個(gè)時(shí)間段交通流流量的標(biāo)準(zhǔn)差S_p>S₀(S₀為一特定值)，則直接采用ELM算法的預(yù)測(cè)結(jié)果作為該時(shí)刻的預(yù)測(cè)值，若第p-1個(gè)時(shí)間段之前的幾個(gè)時(shí)間段的標(biāo)準(zhǔn)差S_p-1>S₀，表明第p個(gè)時(shí)間灰色算法預(yù)測(cè)結(jié)果并不好，此時(shí)給組合模型的子模型一個(gè)固定權(quán)重，以消除灰色算法的影響。否則，利用求得的權(quán)重對(duì)子模型的預(yù)測(cè)值進(jìn)行加權(quán)求和得到組合模型的預(yù)測(cè)值。

預(yù)測(cè)的具體步驟為：

1)計(jì)算第p組交通流量的標(biāo)準(zhǔn)差S_p和第p-1組交通流量的標(biāo)準(zhǔn)差S_p-1。

其中

2)計(jì)算在第p個(gè)時(shí)間段的灰色模型預(yù)測(cè)誤差的絕對(duì)值E_gp和ELM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差的絕對(duì)值E_ep，其公式為

3)計(jì)算子模型預(yù)測(cè)結(jié)果的權(quán)值，灰色模型的預(yù)測(cè)權(quán)重記為η_g，ELM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)權(quán)重記為η_e，則

4)組合模型的預(yù)測(cè)值為

實(shí)驗(yàn)數(shù)據(jù)采用焦作市普濟(jì)路與人民路交叉口東西方向單行車(chē)道的交通流量為研究對(duì)象，將第p個(gè)時(shí)間段以及其之前的三個(gè)時(shí)間段的的交通流量作為一組，預(yù)測(cè)第p+1個(gè)時(shí)間段的交通流量。并將組合模型與單個(gè)預(yù)測(cè)模型進(jìn)行比較。組合模型中，選取S₀＝7。

預(yù)測(cè)效果評(píng)價(jià)指標(biāo)

預(yù)測(cè)模型的好壞需要以下幾個(gè)評(píng)價(jià)指標(biāo)，它們分別為：最大絕對(duì)誤差，平均絕對(duì)誤差，平均相對(duì)誤差。設(shè)預(yù)測(cè)值為實(shí)際值為y_i，則

最大絕對(duì)誤差為

平均絕對(duì)誤差為

平均相對(duì)誤差為

采用本發(fā)明以及對(duì)文獻(xiàn)[6]、文獻(xiàn)[9]、文獻(xiàn)[10]和文獻(xiàn)[15]五種模型預(yù)測(cè)結(jié)果，得到的曲線(xiàn)和實(shí)際的曲線(xiàn)對(duì)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(diǎn)。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說(shuō)明書(shū)中描述的只是說(shuō)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(huì)有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書(shū)及其等效物界定。