[发明专利]基于混沌量子粒子群算法优化的SD-LSSVR短时交通流量预测方法

权利要求书

1.一种基于混沌量子粒子群算法优化的SD-LSSVR短时交通流量预测方法，其特征在于，包括如下步骤：

S1、基于历史交通流量建立初始交通流量的时间序列，将所述时间序列数据划分为训练样本集和测试样本集，根据时间序列的季节性周期变化，对所述时间序列数据做季节性因子预处理；

S2、构建最小二乘支持向量机，将预处理后的训练样本集输入所构建的最小二乘支持向量机进行训练，得到最小二乘支持向量回归模型；

S3、采用混沌量子粒子群算法迭代优化所构建的最小二乘支持向量回归模型，提取最小平均绝对百分比误差下的最佳模型参数；

S4、根据所获得的最佳模型参数构建基于混沌量子粒子群迭代优化的季节性最小二乘支持向量回归模型，输入测试样本进行回归预测，得到最终结果；

S5、对所述预测结果进行数据后处理。

2.如权利要求1所述的基于混沌量子粒子群算法优化的SD-LSSVR短时交通流量预测方法，其特征在于，步骤S1中

所述时间序列的描述如下：

其中包括不在考虑时间范围内的数据集和选取时间范围内的数据集在数据集T_origin中，x_i是m维的输入向量，其中包含天气，时间占有率，平均行驶速度，前三天该时间段的交通流量等6个因素；目标输出向量y_i是时间段内的交通流量，表示为y_-s+1，y_-s+2，...，y₁，...，y_ks，其中k表示为季节周期数，s代表单位季节性周期长度。

3.如权利要求2所述的基于混沌量子粒子群算法优化的SD-LSSVR短时交通流量预测方法，其特征在于，步骤S1中，对所述时间序列数据做季节性因子预处理包括如下步骤：

步骤1：季节性因子预处理：数据集T_out和T中目标输出向量y_i遵循以下季节性因子预处理方法：

结合目标输出向量与m维的输入向量x₁，x₂，...，x_m形成一个新的数据集

步骤2：归一化处理：采用L₂范式归一化方法，方法总结如下：

结合每一个归一化后的形成预处理数据集

4.如权利要求3所述的基于混沌量子粒子群算法优化的SD-LSSVR短时交通流量预测方法，其特征在于，步骤S2具体包括：

给定预处理数据集为：

此预处理数据集分为训练数据集和测试数据集其中训练数据集为N，同理测试数据集为n-N；

训练数据集用于最小二乘支持向量回归；代表从输入空间m维数到特征空间高纬数m_h的非线性映射；线性函数构造为：

f(x)＝ω^Tφ(x)+b

其中ω＝(ω₁，ω₂，...，ω_m)∈R^m×1为权重向量，b为偏移值；基于以上的方法，最小二乘支持向量回归函数旨在处理优化问题：

其中J(ω，ε)为目标函数，ε＝[ε₁，ε₂，...，ε_N]^T为预测残差向量，γ∈R⁺为正则化参数；拉格朗日方程为：

其中α_i(i＝1，2，...，N)为拉格朗日因子；分别对ω，b，ε，α求偏导得到：

通过消除ω，ε_i，最小二乘支持向量回归转换为解决如下线性问题；

其中I为单位矩阵，是输出特征向量，采用GRBF高斯径向基作为LSSVR的核函数，GRBF函数显示如下：

其中δ为高斯径向基的宽度参数；最终预测结果由解决的b，α给出，计算结果如下：