[发明专利]一种在线式实时短时间交通流预测方法

说明书

本发明提出了一种在线式实时短时交通流预测方法，对LS‑SVM模型中Lagrange乘子向量的求解过程进行了简化，提出了利用滑动时间窗口的移动来控制新数据样本的加入和旧数据样本的移除，滑动时间窗口中数据样本更新后，仅通过向量的线性运算就可以求得Lagrange乘子向量更新值，从而完成短时交通流预测模型的在线更新。本方法能够有效缩短预测模型在线更新的时间，提高在线短时交通流预测的实时性。

技术领域

本发明涉及一种交通流的预测方法，具体涉及一种基于LS-SVM技术的在线式实时短时间交通流预测方法。

背景技术

交通流预测是智能交通系统的关键组成部分，具有重要的研究意义。交通流预测主要是对由一定统计间隔的实时交通流时间序列构成的动力系统进行的一种预测性研究。交通流预测的主要研究对象为统计间隔为2至15分钟内的短时交通流时间序列，由上述短时交通流时间序列构成的交通流动力系统具有非线性和非平稳的特征。目前，短时交通流非线性预测方法主要包括灰色系统理论、神经网络和支持向量机等方法，其中支持向量机(Support Vector Machine，SVM)通过采用结构风险最小化原则和引入核方法，有效解决小样本、高维度的学习问题，并通过将学习算法转化为凸二次规划的优化问题，有效解决了局部极值问题，由于上述优点以及完备的统计学习理论基础和良好的泛化性能，目前SVM已经被广泛应用于短时交通预测领域。在实际应用中，短时交通流时间序列是随着时间的推移逐步注入到预测模型中，这就需要随着新样本的到来，对原预测模型实时在线更新。传统的SVM预测算法将所有的训练样本参与求解二次规划问题，每当新样本加入时，需要用所有的数据重新训练预测模型，随着样本数量的增加预测模型的训练效率不断下降。相对而言，在线式的SVM预测算法能够充分利用前一步的学习结果，而不需要重新开始学习，从而可以减少新样本加入时预测模型的训练时间。

目前，常见的在线式SVM回归预测算法大多根据Karush Kuhn Tucker(KKT)条件将训练数据集中的样本点划分为边界支持向量集合、误差支持向量集合和保留向量集合三类，当训练数据集更新时，原模型所满足的KKT条件被破坏，需迭代式的逐点判断更新后数据集中各个样本点的类型，并依据各个样本点在三类集合之间的迁移情况修正SVM回归模型相关参数，使得模型重新满足KKT条件。上述算法对新样本点的增加和旧样本点的删除需要分两个阶段完成，每个阶段都需要对模型进行迭代式的修正，算法实现复杂且收敛性无法有效保证，在实际工程中难于应用，因而迫切需要提出一种更加高效的在线式的SVM预测算法。

发明内容

针对上述现有技术中存在的问题，本发明的目的在于，提供一种在线式实时短时交通流预测方法，克服了常规在线短时交通流预测时预测模型重复训练、预测模型更新算法的计算复杂度高等缺陷，实现了短时交通流预测模型的在线更新，并简化了预测模型更新算法，在不降低预测精度的条件下，提高在线短时交通流预测的实时性。

为了实现上述任务，本发明采用以下技术方案：

一种在线式实时短时间交通流预测方法，包括以下步骤：

步骤一，选定需要进行交通流预测的路段，获取所选路段的短时交通流历史数据，并构建所选路段的短时交通流历史数据库；

步骤二，根据获取的短时交通流历史数据，确定短时交通流预测的预测时段；

步骤三，根据所述的预测时段，确定短时交通流数据的样本周期；

步骤四，根据所述的样本周期，确定在线预测时间样本更新的滑动时间窗口长度，即每次在线预测时所需要使用的交通流历史数据的数量；

步骤五，进行短时交通流的初始预测