[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

说明书

本发明提出了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，在优化的SD‑LSSVR模型中首先利用季节性因子预处理方法弱化原始数据序列的季节特征，其次构造优化的SD‑LSSVR模型快速得到预测结果。再次，利用混沌量子粒子群优化算法选择新模型所涉及的最优参数，以获得最佳的精度，最后采用滤波控制理论为实际的交通干道结构构建信号控制系统。最后，以某主干道为例进行了实际测试，验证了该模型的准确性和稳定性。数值结果表明，该模型不仅能有效地预测交通流量的季节变化，而且与BP神经网络模型、原最小二乘支持向量回归模型、季节ARIMA模型和灰色预测模型等几种著名的预测模型相比，具有较好的预测效果。

技术领域

本发明属于交通技术领域，主要应用于交叉口交通流量的预测，具体涉及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。

背景技术

道路交叉口是城市道路中最为常见的交通组织形式，对交通管理与控制有着极为重要的意义。道路交叉口交通状况复杂多变，但也呈现出明显的时间、空间特性。如何结合交通流的时空特性，借助现有的车辆检测器对交叉口交通状况进行分析，从而保障交叉口的交通安全、充分发挥交叉口的通行能力，是每一个交通人最为关心的问题。主要工作体现在借助交叉口历史交通流量数据对未来时段的交通流量进行预测。

现有技术中，对于提高短时交通流量预测精度的主要方法是优化调整模型和改进模型，如：Cong等人提出了一种果蝇优化算法，并将其应用于LSSVR模型中，为了获得更好的流量预测结果。Bing等人利用GA-PSO混合优化算法为LSSVR选择最优参数组合，并将混合模型应用于短期流量预测。然而，许多学者并没有注意到交通流量数据的季节特征变化。他们忽略了季节因素对最终LSSVR预测模型结果的影响。

发明内容

针对上述现有技术仅从模型的改善来预测交通流量无法从实质情况提升预测精度的问题，本发明于提出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；该方法的具体技术方案如下：

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，所述方法包括：

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(SD-LSSVR)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。

有益效果：准确的交通流量预测在城市道路交通规划中起着至关重要的作用。在本发明中，我们提出了一种基于混沌量子粒子群算法针对优化的季节性波动数据的最小二乘支持向量回归(SD-LSSVR)模型，并使用了1小时、15分钟和10min为时间间隔的交通流量数据集。该混合模型是一种结合季节性因子预处理、最小二乘支持向量回归模型和参数优化算法CQPSO的混合预测方法。在这些方法中，利用季节性因子预处理算法对原时间序列模型进行去季节性处理，减少季节波动。利用CQPSO算法对LSSVR模型参数进行优化。与常用的回归预测模型相比，该混合模型能更准确地预测不同时间间隔和不同时间段的短期交通数据流。本发明的二个误差准则(MAPE，R²)明确证实了SD-LSSVR是一种良好的预测模型，可以在一定程度上提高预测精度。

附图说明