基于蝙蝠算法优化支持向量机预测公交车到站时间的方法技术

一种基于蝙蝠算法优化支持向量机预测公交车到站时间的方法：选择影响公交车运行因素的数据作为SVM的输入变量；对影响公交车运行因素的数据进行归一化处理；选择核函数得到SVM参数，选择径向基核作为核函数；构造蝙蝠算法寻找最优支持向量机参数c和g的最优参数。将得到的归一化处理后的数据划分为三个子集：训练样本集、检验样本集和测试样本集，并输入数据集，生成预测值；对预测值进行误差分析，如果误差小于设定值，所得预测值为预测结果，结束。本发明专利技术采用的蝙蝠算法具有结构简单、参数少、鲁棒性强、易于理解和易于编程等特点，正因为如此，我们将其与SVM结合在一起，优化参数的同时保证了预测的精准性。

【技术实现步骤摘要】

本专利技术涉及一种预测公交车到站时间的方法。特别是涉及一种基于蝙蝠算法优化 支持向量机预测公交车到站时间的方法。
技术介绍
公共交通系统的运行，旨在保证人们的日常出行，在此过程中，为乘客提供可靠、 舒适的服务是非常关键的。服务的准时性及稳定性是解决公交运营调度问题的核心内容， 其不仅适用于正常运营的情况下，即使当正常运营受到干扰时，运营者也可以根据实时情 况采取适当的措施（比如，增设或减少公交车在该线路的数量）来调整运行时刻表和发车 间隔，从而更有效地进行运营管理。 公交车到站时间预测技术，可以提高公交车行程时间预测精度，而提高公交车准 时性的同时，就可以减少乘客等待时间，从而提高公交吸引力，这对于促进智能运输系统 (ITS，IntelligentTransportationSystem)在交通运输领域的应用具有重要意义。 近年来，出现了一种新的机器学习方法 支持向量机（SVM，SupportVector Machine)，它具有很强的学习能力和泛化能力，其作为新兴技术已在很多领域得到应用，并 取得了很多突破。SVM预测的关键在于参数的选定，好的参数会使预测变得更加准确。 智能算法如遗传算法、神经网络算法虽可能找到最优解，但在运行时间还存 在不足，且易陷入局部最优。所以我们采用一种新的智能算法一蝙蝠算法（BA，Bat Algorithm)。由于蝙蝠算法具有相互协助、稳定性、可扩充性、简单性等优点，所以也逐渐成 为计算智能领域的研究热点，很多学者致力于蝙蝠算法的应用，且已被成功应用到许多领 域。主要应用在约束优化，多目标优化和工程问题等领域。【
技术实现思路
】 本专利技术所要解决的技术问题是，提供一种准确率更高，泛化能力更强的基于蝙蝠 算法优化支持向量机预测公交车到站时间的方法。 本专利技术所采用的技术方案是：一种基于蝙蝠算法优化支持向量机预测公交车到站 时间的方法，包括如下步骤： 1)选择影响公交车运行因素的数据作为SVM的输入变量； 2)对影响公交车运行因素的数据进行归一化处理； 3)选择核函数得到SVM参数，选择径向基核作为核函数； 径向基核函数对应的支持向量机参数有c和g，其中c是惩罚系数，即对误差的宽 容度，g是选择径向基函数作为核函数后，所述核函数自带的一个参数，支持向量机参数c的取值范围在1~1000,支持向量机参数g的取值范围在2 5, 2 4···，24, 25。 4)构造蝙蝠算法寻找最优支持向量机参数c和g的最优参数。 5)将步骤2)得到的归一化处理后的数据划分为三个子集：训练样本集、检验样本 集和测试样本集，并输入数据集，生成预测值； 6)对预测值进行误差分析，具体是将预测值代入如下公式： 如果MSE大于0. 01则返回步骤4)，否则，步骤5)所得预测值为预测结果，结束。 步骤1)所述的因素包括：天气、时间段和路段、下一路段最新运行时间以及当前 路段运行时间。 步骤2)所述的归一化处理包括首先设定：晴天为1，雨天为0 ;高峰期为1，非高峰 期为〇 ;路段编号为1-N，归一化后的数据为各自编号与最大编号N的比值，归一化的路段 数 值为1/N- 1 ;下一路段最新运行时间和当前路段运行时间采用了如下式归一化 处理： 其中p是欲归一化的样本数据，匕是归一化后的值，？_和P_是样本数据中的最 大和最小值。即把样本数据转化为〇~1之间的数据。 步骤4)所述的寻找最优支持向量机参数c和g的最优参数包括： (1)在支持向量机参数c的取值范围和支持向量机参数g的取值范围 中分别随机产生一组支持向量机参数c和g，用随机产生的参数值进行编 码，进而构造初始群体； (2)计算个体适应度值，更新个体最优值和全局最优值； (3)进行条件判断，判断个体适应度值是否达到了设定的预测精度，设定预测精度 为0.001，当个体适应度值小于预测精度，则进入步骤（4)，否则返回步骤（2); (4)更新个体位置，并进行边界处理；(5)重复步骤（2)，使初始确定的一组支持向量机参数不断进化，如果在当前迭代 中第i只蝙蝠的适应度f(xld)优于全局最优位置xtest的适应度f(Xtest)，就用第i只蝙蝠的 新位置Xid替换当前位置Xtest，否则Xfest不用更新，直到满足设定的最大迭代次数为止； (6)得到最优支持向量机参数c和g。 步骤（1)中，当t= 0时，对所有蝙蝠个体进行随机初始化，取值约束在设置的范 围内使种群中各个蝙蝠具有位置向量xld，其中ie，m是蝙蝠个数，de，D是 粒子的维数，初始化脉冲的响度A。和脉冲发射速率ri，还有最大频率和最小频率f 具体来说，假设在D维空间中进行搜索，由m个蝙蝠构成一个蝙蝠种群，则第i只 蝙蝠的当前位置表示为向量Xi=(Xxi；!，一XiD)，速度记为向量Vi=(vvi2，…，viD)，目 前整个蝙蝠种群搜索到的全局最优位置为xbf3St=(XDx2,…，XD)其中i= 1，2, ···，ηι。步骤（2)所述的计算个体适应度值，通常衡量预测值与实测值差别的变量采用平 均相对变动值，定义为： 其中：Ν-一用于预测数据的组数； x(i)一一影响公交车运行因素的数据归一化后用于预测数据值； m一一影响公交车运行因素的数据归一化后用于预测数据平均值； λ-(/)一一影响公交车运行因素的数据归一化后计算得到的预测值。 显然，平均相对变动值ARV越小，也表明预测效果越好，ARV= 0表示达到了理想 预测效果，当ARV= 1时，表明模型仅达到平均值的预测效果。由于ARV反映了网络的泛化 能力，所以定义适应度函数为： 步骤（4)所述的更新个体位置，并进行边界处理，具体方法如下： 计算全局最优位置xtest为种群中最优粒子的位置，结合以下公式，更新粒子i的位 置xld和速度Vld并检查位置Xld是否越界， fx=(fnax-fnin)β (4) + (5) (6) 其中t为当前的迭代次数，β是在0, 1之间均匀分布的随机变量， Xnew=Xld+εA1 (7) εe是随机的数值，At是指t次迭代后所有蝙蝠求得的平均响度； 判断产生的随机数ε是否大于巧，如果是，则由公式f二匕"1 + (x,h- 在第 i只蝙蝠的历史最优位置附近产生一个新解替代当前解xld; 如果第i只蝙蝠的新的适应度f(x_)优于第i只蝙蝠当前位置xld的适应度 f(Xid)，就用粒子当前位置替换Xid,否则Xid不用更新。 步骤5)中，测试样本占10%数据，检验样本占20%数据，其余为训练样本。 本专利技术的，具有以下优 点：1、本专利技术米用一种新型的智能优化算法 蝙蝠算法。蝙蝠算法是受蝙蝠回声定位这 一行为的启发而提出的一种新型的搜索算法，该算法已成当前第1页1 2 3 本文档来自技高网...

【技术保护点】
一种基于蝙蝠算法优化支持向量机预测公交车到站时间的方法，其特征在于，包括如下步骤：1)选择影响公交车运行因素的数据作为SVM的输入变量；2)对影响公交车运行因素的数据进行归一化处理；3)选择核函数得到SVM参数，选择径向基核作为核函数；径向基核函数对应的支持向量机参数有c和g，其中c是惩罚系数，即对误差的宽容度，g是选择径向基函数作为核函数后，所述核函数自带的一个参数，支持向量机参数c的取值范围在1～1000，支持向量机参数g的取值范围在2‑5,2‑4…,24,25。4)构造蝙蝠算法寻找最优支持向量机参数c和g的最优参数。5)将步骤2)得到的归一化处理后的数据划分为三个子集：训练样本集、检验样本集和测试样本集，并输入数据集，生成预测值；6)对预测值进行误差分析，具体是将预测值代入如下公式：MSE=1NΣi=1N(xi-x^i)2---(11)]]>如果MSE大于0.01则返回步骤4)，否则，步骤5)所得预测值为预测结果，结束。

【技术特征摘要】

【专利技术属性】
技术研发人员：马红伟，白子建，徐建平，王海燕，柯水平，邢锦，赵巍，郑利，申婵，韩敏，徐汉清，张志学，宋洋，刘明林，王志攀，刘岩，姚宝珍，于滨，
申请(专利权)人：天津市市政工程设计研究院，
类型：发明
国别省市：天津;12