基于GW及SVR的汽车站移动流量预测方法、系统及存储介质技术方案

本发明专利技术公开了一种基于GW及SVR的汽车站移动流量预测方法、系统及存储介质。本发明专利技术把SVR用于长途汽车站移动流量预测，通过灰狼优化算法寻优SVR的最优参数，以此省去繁琐的SVR的人工参数择优过程，实现长途汽车站移动流量的准确预测。(1)本发明专利技术将SVR算法用于长途汽车站移动网络流量预测，实现汽车站移动流量的准确预测，为节假日人流量大的汽车站的网络安全和用于体验提供保证。(2)本发明专利技术将先进的元启发式优化算法用于优化SVR的最优参数，本发明专利技术所选用GW优化算法不仅继承了元启发优化算法的优点外，而且还具有搜索能力强、不易陷入局部最优的优点，省去SVR算法的复杂人工参数择优过程。

Prediction method, system and storage medium of mobile traffic in bus station based on GW and SVR

【技术实现步骤摘要】
基于GW及SVR的汽车站移动流量预测方法、系统及存储介质
本专利技术涉及大场景移动互联网流量预测领域，尤其涉及一种基于GW及SVR的汽车站移动流量预测方法、系统及存储介质。
技术介绍
随着移动互联网技术的发展和智能手机的全面普及，移动互联网数据流量呈现爆发式增长。电信网络运营商已从传统的“话费运营”模式转变为“流量运营”模式，推出的“不限量”套餐，也更进一步的推动流量的增长。急增的移动流量和用户规模给现行网络的压力带来极大的挑战，同时也严重影响用户体验。准确的预测移动网络的总流量，提前做好保障工作，能有效的保证网络安全、稳定的运行。由于移动流量和用户数呈现显著的正相关，对于人员高密集、大流动的长途汽车站，准确的预测移动网络的总流量，不仅能为移动网络安全稳定运营提供有力的保障，而且可以根据流量数预估未来一段时间乘客量，给汽车站工作人员的服务工作做好提前准备工作。因此，准确的预测汽车站移动网络流量在安全领域具有重大意义。支持向量回归(SupportVectorRegression,SVR)是机器学习领域先进的回归算法，在解决小样本、非线性、高维度预测问题中有着十分显著的优点，如专利CN201910101733.7把SVR用于的pm2.5浓度的预测，专利CN201810785606.9将SVR用于解决高速公路短时流量预测问题等；但还未有将SVR用于解决人员高密集、大流动的长途汽车站移动流量预测问题。本专利技术提出一种基于灰狼(GreyWolf,GW)优化的SVR长途汽车站日移动流量预测方法，把先进的元启发优化算法GW用于搜索预测算法SVR的最优参数，并将其用于汽车站移动流量预测。相比于上述所提专利技术专利，本专利技术的预测方法不仅省去SVR繁琐的人工参数择优的过程，而且能准确的预测长途汽车站每日移动流量。
技术实现思路
本专利技术的主要目的是提出一种基于GW及SVR的汽车站移动流量预测方法、系统及存储介质，旨在解决现有技术中繁琐的人工参数择优的过程以及不能实现简单、准确的预测长途汽车站日移动流量的问题。为实现上述目的，本专利技术提出一种基于GW及SVR的汽车站移动流量预测方法，把SVR用于长途汽车站移动流量预测，通过灰狼优化算法寻优SVR的最优参数，以此省去繁琐的SVR的人工参数择优过程，实现长途汽车站移动流量的准确预测。进一步地，具体包括以下步骤：S1、以24小时为粒度获取长途汽车站的每日移动流量数据，把获取的序列化的汽车站的流量数据映射到特定区间，并将其转换成等长的SVR的输入数据和对应的输出；S2、基于SVR算法构建汽车站移动网的流量预测模型，计算模型预测误差；S3、把预处理好的汽车站的历史流量数据分别作为构建的SVR预测模型的输入和输出，然后构建GW优化模型去搜索SVR准确预测移动流量的最优参数c和g；S4、将GW优化模型搜索到的最优参数带入SVR预测模型，用于计算汽车站每天的移动流量数据，为节假日汽车站移动网络和人员出行提供保障。进一步地，所述步骤S1中的数据映射方法如下：其中x′为处理后的流量数据，x为实际流量数据，xmax和xmin分别为输入流量数据的最大值和最小值。优选地，对于给定序列流量x1,x2,…,xn，处理后的输入和输出数据的格式如下：进一步地，所述步骤S2具体计算步骤如下：对于非线性线回归函数待拟合数据为{xi,yi}，误差精度为ε，其优化目标为：根据结构风险最小化准则，引入松弛因子ξi和后，优化目标等效为：参数c的取值为C，采用优化方法可得到其对偶问题，即二次规划问题，建立Lagrange方程，偏导数为零，解得约束条件为：从而得到：由于非线性函数未知，而特征空间的维数很高(甚至无穷)，因此w难以求得；更近一步，在约束函数中引入核函数(kernelFunction)：其中，参数g的取值为引入核函数后，约束条件为：最终可得：优选的，所述步骤S3中的GW优化模型的实现过程如下：S31:计算种群每个个体的适应度(SVR的误差)，将狼群中适应度最好的三匹灰狼依次标记为α、β、γ，而剩下的灰狼标记为η，即，灰狼群体中的社会等级从高到低排列依次为：α、β、γ及η；S32：设t为当前迭代次数，A和C是协同系数向量；Xp表示猎物的位置向量；X(t)表示当前灰狼的位置向量：D＝C*Xp(t)-X(t)X(t+1)＝Xp(t)-A*DA＝2a*r1-aC＝2r2(10)S33：在每次迭代过程中，保留当前种群中的最好三只灰狼，然后根据它们的位置信息来更新其它搜索(包括η)的位置，如下：其中，Xα、Xβ和Xγ分别是当前种群中α、β和γ的位置向量；X是灰狼的位置向量；Dα、Dβ和Dγ分是当前候选灰狼与最优三条狼之间的距离。进一步地，所述步骤S31中的GW优化算法的适应度函数如下：其中f(x)为实际值，为SVR预测结果。此外，为实现上述目的，本专利技术一种存储介质，所述存储介质上存储有基于GW及SVR的汽车站移动流量预测程序，所述基于GW及SVR的汽车站移动流量预测程序被处理器执行时实现上文所述的基于GW及SVR的汽车站移动流量预测方法的计算流程。此外，为实现上述目的，本专利技术还提出一种基于GW及SVR的汽车站移动流量预测系统，其特征在于，该系统包括：流量获取及处理模块：以24小时为粒度获取长途汽车站的每日移动流量数据，把获取的序列化的汽车站的流量数据映射到特定区间，并将其转换成等长的SVR的输入数据和对应的输出；初步SVR流量预测模块：基于SVR算法构建汽车站移动网的流量预测模型，计算模型预测误差；GW优化流量预测模块：把预处理好的汽车站的历史流量数据分别作为构建的SVR预测模型的输入和输出，然后构建GW优化模型去搜索SVR准确预测移动流量的最优参数c和g；在线预测模块：将GW优化模型搜索到的最优参数带入SVR预测模型，用于计算汽车站每天的移动流量数据，为节假日汽车站移动网络和人员出行提供保障。本专利技术的技术方案中，具有以下有益效果：(1)本专利技术将SVR算法用于长途汽车站移动网络流量预测，实现汽车站移动流量的准确预测，为节假日人流量大的汽车站的网络安全和用于体验提供保证。(2)本专利技术将先进的元启发式优化算法用于优化SVR的最优参数，本专利技术所选用GW优化算法不仅继承了元启发优化算法的优点外，而且还具有搜索能力强、不易陷入局部最优的优点，省去SVR算法的复杂人工参数择优过程。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。图1是实施例1中的基于GW及SVR的汽车站移动流量预测方法的实现流程图；图2是2019年4月24日—6月11日淮南某汽车站预处理后移动流量数据；图3是GW寻优SVR的最优参数g的变化曲线；图4是GW寻优SVR的最优参数c的变化曲线；图5是最优参数下SVR的预测结果和实际结果对比图；图6是实施例3中的基于GW及SVR的汽车站移动流量预测系统结构示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚本文档来自技高网...

【技术保护点】
1.一种基于GW及SVR的汽车站移动流量预测方法，其特征在于，把SVR用于长途汽车站移动流量预测，通过灰狼优化算法寻优SVR的最优参数，以此省去繁琐的SVR的人工参数择优过程，实现长途汽车站移动流量的准确预测。

【技术特征摘要】
1.一种基于GW及SVR的汽车站移动流量预测方法，其特征在于，把SVR用于长途汽车站移动流量预测，通过灰狼优化算法寻优SVR的最优参数，以此省去繁琐的SVR的人工参数择优过程，实现长途汽车站移动流量的准确预测。2.根据权利要求1所述的基于GW及SVR的汽车站移动流量预测方法，其特征在于，具体包括以下步骤：S1、以24小时为粒度获取长途汽车站的每日移动流量数据，把获取的序列化的汽车站的流量数据映射到特定区间，并将其转换成等长的SVR的输入数据和对应的输出；S2、基于SVR算法构建汽车站移动网的流量预测模型，计算模型预测误差；S3、把预处理好的汽车站的历史流量数据分别作为构建的SVR预测模型的输入和输出，然后构建GW优化模型去搜索SVR准确预测移动流量的最优参数c和g；S4、将GW优化模型搜索到的最优参数带入SVR预测模型，用于计算汽车站每天的移动流量数据，为节假日汽车站移动网络和人员出行提供保障。3.根据权利要求2所述的基于GW及SVR的汽车站移动流量预测方法，其特征在于，所述步骤S1中的数据映射方法如下：其中x′为处理后的流量数据，x为实际流量数据，xmax和xmin分别为输入流量数据的最大值和最小值。4.根据权利要求3所述的基于GW及SVR的汽车站移动流量预测方法，其特征在于，对于给定序列流量x1,x2,…,xn，处理后的输入和输出数据的格式如下：5.根据权利要求2所述的基于GW及SVR的汽车站移动流量预测方法，其特征在于，所述步骤S2具体计算步骤如下：对于非线性线回归函数待拟合数据为{xi,yi}，误差精度为ε，其优化目标为：根据结构风险最小化准则，引入松弛因子ξi和后，优化目标等效为：参数c的取值为C，采用优化方法可得到其对偶问题，即二次规划问题，建立Lagrange方程，偏导数为零，解得约束条件为：从而得到：由于非线性函数未知，而特征空间的维数很高(甚至无穷)，因此w难以求得；更近一步，在约束函数中引入核函数(kernelFunction)：其中，参数g的取值为引入核函数后，约束条件为：最终可得：6.根据权利要求2所述的基于...

【专利技术属性】
技术研发人员：郑晓亮，来文豪，薛生，李重情，李尧斌，江丙友，郑春山，陈华亮，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：安徽,34