一种交通流预测方法技术

本发明专利技术公开了一种交通流预测方法，能够降低数据复杂度并提高预测精度。本发明专利技术实施例提供的交通流预测方法包括如下步骤：采集获取实时交通流数据，并利用变分模态分解将实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量；本征模态分量的数量设定为使得所有本征模态分量的估计带宽之和最小。采用增量型超限学习机网络，建立针对各本征模态分量的预测模型，并采用预先采集的历史交通流数据对预测模型进行训练。利用训练后的预测模型，对各本征模态分量进行交通流预测，将所有本征模态分量的预测结果累加得到最终的交通流预测结果。

【技术实现步骤摘要】
一种交通流预测方法
本专利技术涉及道路交通监测
，具体涉及一种交通流预测方法。
技术介绍
交通既可为城市的稳定发展创造有利条件，也可维系城市经济顺利进行。良好的交通状况是城市飞速发展的助推剂，同时也是人民群众幸福生活的保障。伴随城市经济的飞速发展，城市规模不断扩大，与此同时，许多城市问题也越发突出。其中，交通问题就是最为尖锐的城市问题。城市汽车数量激增，但城市交通基础设施与管理水平并未与时俱进，从而引发一系列交通事故与严重的交通拥堵，严重影响着城市经济与生态环境的健康发展。交通流预测技术可有效地缓解交通问题对城市功能所造成的影响。作为智能交通中的一项关键技术，交通流预测技术可为交通管理提供重要的决策支持。在节省时间与金钱成本的条件下，精确与可靠的交通流预测模型为智能交通系统提供准确的交通流信息，实现路面交通的智能管理，从而减缓交通拥堵与减少交通事故。设计预测模型与学习算法是交通流预测研究的关键问题。利用历史交通流数据对预测模型进行监督学习，以期获得较好的泛化性能，但交通流所具有非平稳和非线性的特征必对预测模型精度造成一定的影响，这也是在交通流预测研究中必须克服的。
技术实现思路
有鉴于此，本专利技术提供了一种交通流预测方法，能够降低数据复杂度并提高预测精度。本专利技术实施例提供的交通流预测方法包括如下步骤：采集获取实时交通流数据，并利用变分模态分解将实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量；本征模态分量的数量设定为使得所有本征模态分量的估计带宽之和最小。采用增量型超限学习机网络，建立针对各本征模态分量的预测模型，并采用预先采集的历史交通流数据对预测模型进行训练。利用训练后的预测模型，对各本征模态分量进行交通流预测，将所有本征模态分量的预测结果累加得到最终的交通流预测结果。进一步地，利用变分模态分解将实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量，包括：实时交通流数据分解得到的本征模态分量的数量为K个；第k个本征模态分量的模态函数为uk，第k个本征模态分量的中心频率为ωk，k＝1～K。拉格朗日因子为λ。以k取遍1～K的所有整数值，重复如下迭代步骤S0～S3，得到所有本征模态分量的表征：S10、初始化参数uk、ωk、λ、n；n为迭代次数，其中uk的初值为ωk的初值为λ的初值为λ1，n的初值为1。S11、计算uk、ωk以及λ在第n+1次迭代中的值分别为以及λn+1。其中f为输入信号；α为惩罚参数，经验值；ω为频率的变量；τ为学习率，经验值。S12、预先设定判别精度为e，e＞0，判断是否成立。若成立，则停止迭代，以当前计算得到的以及λn+1表征第k个本征模态分量。若不成立，则n自增1，返回S11。进一步地，采用增量型超限学习机网络，建立针对各本征模态分量的预测模型，并采用预先采集的历史交通流数据对预测模型进行训练，包括如下步骤：S20、设定增量型超限学习机的训练样本为N为训练样本数；φ为m×K维的实数矩阵，m是每个本征模态分量的模态函数所包含的样本数量；xi为增量型超限学习机的第i个输入，ti为增量型超限学习机的对应xi的输出。S21、建立增量型超限学习机网络，设定增量型超限学习机网络隐含层节点的激励函数g:R→R，R为实数集，最大隐含层节点数为Lmax，期望精度为ε，ε＞0。S22、令隐含层节点数L初值为0；网络误差EL＝[t1,t2,...,tN]T；L＜Lmax且||E||＞ε时，执行S23，直至L＝Lmax，获得隐含层节点数为Lmax的增量型超限学习机网络。E||为E的二范数。S23、增加一个新增隐含层节点，即L增1。随机产生新增隐含层节点的输入权值aL和阈值bL。根据最小二乘法计算新增隐含层节点的输出权值：EL-1为隐含层节点数为L时的网络误差。g(aL·x+bL)为新增隐含层节点的输出；x＝[x1,x2,......,xN]T。计算增量型超限学习机网络在增加了第L个新增隐含层节点后的网络误差为：EL＝EL-1-βLg(aL·x+bL)。有益效果：本专利技术提出一种基于变分模态分解与增量型超限学习机网络的交通流预测方法，通过本专利技术的变分模态分解将交通流数据分解为一系列具有不同特征尺度的限带的本征模态分量，然后根据各分量分别建立基于增量型超限学习机网络的交通流预测模型，针对每个分量的交通流预测模型的预测结果相加得到最终的交通流预测结果。该方法中变分模态分解可以对原始的交通流数据进行分解，从而降低数据复杂度以提高预测精度；采用增量型超限学习机网络的交通流预测结果则进一步提高了预测精度。附图说明图1为本专利技术实施例提供的交通流预测方法的流程图；图2为本专利技术实施例中交通流数据分解图；图3为本专利技术实施例中的交通流数据预测结果图。具体实施方式下面结合附图并举实施例，对本专利技术进行详细描述。请参考图1，图1示出了本专利技术实施例提供的交通流预测方法的流程图；该方法包括如下步骤：S1、采集获取实时交通流数据，并利用变分模态分解将实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量；本征模态分量的数量设定为使得所有本征模态分量的估计带宽之和最小。本专利技术实施例中，利用变分模态分解将实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量，包括如下步骤：实时交通流数据分解得到的本征模态分量的数量为K个；第k个本征模态分量的模态函数为uk，第k个本征模态分量的中心频率为ωk，k＝1～K。拉格朗日因子为λ。以k取遍1～K的所有整数值，重复如下迭代步骤S0～S3，得到所有本征模态分量的表征：S10、初始化参数uk、ωk、λ、n；n为迭代次数，其中uk的初值为ωk的初值为λ的初值为λ1，n的初值为1。S11、计算uk、ωk以及λ在第n+1次迭代中的值分别为以及λn+1。其中f为输入信号；α为惩罚参数，经验值；ω为频率的变量；τ为学习率，经验值。S12、预先设定判别精度为e，e＞0，判断是否成立。若成立，则停止迭代，以当前计算得到的以及λn+1表征第k个本征模态分量。若不成立，则n自增1，返回S11。S2、采用增量型超限学习机网络，建立针对各本征模态分量的预测模型，并采用预先采集的历史交通流数据对预测模型进行训练。本专利技术实施例中，采用增量型超限学习机网络，建立针对各本征模态分量的预测模型，并采用预先采集的历史交通流数据对预测模型进行训练，包括如下步骤：S20、设定增量型超限学习机的训练样本为N为训练样本数；φ为m×K维的实数矩阵，m是每个本征模态分量的模态函数所包含的样本数量；xi为增量型超限学习机的第i个输入，ti为增量型超限学习机的对应xi的输出。S21、建立增量型超限学习机网络，设定增量型超限学习机网络隐含层节点的激励函数g:R→R，R为实数集，最大隐含层节点数为Lmax，期望精度为ε，ε＞0。S22、令隐含层节点数L初值为0；网络误差EL＝[t1,t2,...,tN]T；L＜Lmax且||E||＞ε时，执行S23，直至L＝Lmax，获得隐含层节点数为Lmax的增量型超限学习机网络。||E||为E的二范数。S23、增加一个新增隐含层节点，即L增1。随机产生新增隐含层节点的输入权值aL和阈值bL。根据最小二乘法计算新增隐含层节点的输出权值：EL-1为隐含层节点数为L本文档来自技高网...

【技术保护点】
一种交通流预测方法，其特征在于，该方法包括如下步骤：采集获取实时交通流数据，并利用变分模态分解将所述实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量；所述本征模态分量的数量设定为使得所有本征模态分量的估计带宽之和最小；采用增量型超限学习机网络，建立针对各所述本征模态分量的预测模型，并采用预先采集的历史交通流数据对所述预测模型进行训练；利用训练后的所述预测模型，对各所述本征模态分量进行交通流预测，将所有本征模态分量的预测结果累加得到最终的交通流预测结果。

【技术特征摘要】
1.一种交通流预测方法，其特征在于，该方法包括如下步骤：采集获取实时交通流数据，并利用变分模态分解将所述实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量；所述本征模态分量的数量设定为使得所有本征模态分量的估计带宽之和最小；采用增量型超限学习机网络，建立针对各所述本征模态分量的预测模型，并采用预先采集的历史交通流数据对所述预测模型进行训练；利用训练后的所述预测模型，对各所述本征模态分量进行交通流预测，将所有本征模态分量的预测结果累加得到最终的交通流预测结果。2.如权利要求1所述的方法，其特征在于，所述利用变分模态分解将所述实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量，包括：所述实时交通流数据分解得到的本征模态分量的数量为K个；第k个本征模态分量的模态函数为uk，第k个本征模态分量的中心频率为ωk，k＝1～K；拉格朗日因子为λ；以k取遍1～K的所有整数值，重复如下迭代步骤S0～S3，得到所有本征模态分量的表征：S10、初始化参数uk、ωk、λ、n；n为迭代次数，其中uk的初值为ωk的初值为λ的初值为λ1，n的初值为1；S11、计算uk、ωk以及λ在第n+1次迭代中的值分别为以及λn+1；

【专利技术属性】
技术研发人员：邹伟东，夏元清，张金会，翟弟华，戴荔，刘坤，闫策，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11