[发明专利]一种基于非线性自适应系统的短期交通流预测方法

说明书

本发明实施例公开了一种基于非线性自适应系统的短期交通流预测方法，将成本函数与因子独立相乘自适应系统的权重，可以为交通流预测模型找到最低成本方案；等效地最大化信息势而不是最小化任意的熵，并进一步简化自适应算法，提升交通流预测模型的迭代速度；通过适当地修改预测模型感知器的输出处理元素的偏置以在训练结束后对训练数据集产生零平均误差来纠正预测算法可能不会产生零均值误差的错误。本发明有将的提高了短期交通预测的速度与精度，可应用于交通管理和控制、交通网络设计和个人交通规划等场合。

技术领域

本发明涉及信息技术领域，尤其涉及一种基于非线性自适应系统的短期交通流预测方法。

背景技术

准确、及时的交通流量预测是许多智能交通应用的重要前提，如交通管理和控制、交通网络设计和个人交通规划。准确的交通流量预测不仅可以合理分配交通资源，还可以让个人制定更好的旅行计划，节省时间，避免交通拥堵。许多研究人员致力于开发各种有效的交通流预测模型，例如，支持向量机回归模型和状态空间模型。然而，这些交通流量预测模型要么严重依赖于训练数据的数量和质量，要么计算量太大，无法在实践中应用。为了克服这些不足，研究人员还提出了各种方法来增强这些模型，例如通过对交通流数据进行预处理，结合季节性的特性，并改进一些基于自适应系统方法的训练机制等。

在最优滤波方面的早期工作开始，均方误差已成为包括人工神经网络在内的所有自适应系统训练的准则。这一选择背后的两个主要原因是分析的可处理性和现实生活中的随机现象可以用二阶统计量充分描述的假设。高斯概率密度函数仅由它的一阶和二阶统计量决定。但很明显当处理非线性系统时，这种方法需要改进。因此，准则不仅考虑二阶统计量。但这也考虑到系统和信号的高阶统计行为，是非常希望的。

在有监督自适应中，熵准则通常可以作为均方误差的替代方法，但在动态建模中，熵准则非常有效。在传统的有监督自适应系统中，参数根据期望输出和系统输出之间的均方误差进行调整。然而，最小化均方误差只是简单地约束了原始轨迹与自适应系统产生的轨迹之间的平方差。这并不能保证所有的细节。

导致上述缺点的主要原因有：

①传统的交通流预测模型通过均方误差从信号提取统计数据，该数据仅由均值和方差进行定义。

②传统的交通流预测模型没有考虑更高阶的统计行为。

③传统使用均方误差的预测模型无法捕捉到交通流数据动态的全部细节，具有潜在的动态丢失。

④没有在预测模型中使用概率密度函数的非参数估计随机变量，没能准确体现交通状况评估与实际情况的差异。

⑤方差倾向于选择在较小范围内分布较广的误差，当数据拥有多个小峰时，会将更加明显、更加集中的尖峰去掉，导致特征消失，结果的可靠性下降。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于非线性自适应系统的短期交通流预测方法。可使得非线性自适应系统可以应用在交通流预测模型上

为了解决上述技术问题，本发明实施例提供了一种基于非线性自适应系统的短期交通流预测方法，包括以下步骤：

S1：使用误差熵作为模型的损失函数，修改交通流预测模型的反向传播算法模型部分；所述反向传播算法模型公式为：

其中，反向传播估计器用高斯概率密度函数表示为

其中k表示具有径向对称方差的多维高斯函数；

S2：在高斯密度函数上使用α=2的瑞丽熵；

S3：计算交通流数据的信息势，挖掘交通流数据集中的信息潜能，计算公式为：