[发明专利]基于融合的实时极限学习机短时交通流预测方法

摘要

本发明公开了一种基于融合的实时极限学习机短时交通流预测方法，针对短时非平稳交通流场景中的预测技术，基于短时交通流实时性、准确性、可靠性三大特征和融合的实时极限学习机来预测短时交通流。本发明提出的短时交通流预测方法，基于简化的单隐层前馈神经网络结构，能够在交通流峰值期快速的训练历史数据并能增量地更新到达的数据，在保证一定预测精度的同时节省学习时间。此外，采用融合机制保证了短时交通流预测的稳定性和鲁棒性。在数据缺失和波动剧烈时期进行重构，训练阶段时耗短，且预测结果的均方根误差、标准误差百分比均在置信区域内。

主权项

1.一种基于融合的实时极限学习机短时交通流预测方法，其特征在于，包括以下步骤：S1、随机选定道路上的探测器，按照预设的时间周期采集短时交通流数据；S2、预处理并归一化获得的交通流数据，判断所处的交通场景是平稳情况还是非平稳情况；S3、如果是非平稳交通场景，初始化短时交通流预测模型；S4、建立短时交通流预测模型的实时序列学习部分；S5、完成短时交通流预测模型中的预测模块；S6、将预测结果进行反归一化处理并进行评估；S7、如果是平稳场景，则可直接按照S4到S6步骤进行预测；S31、初始数据集为随机分配预测模型的输入参数，包括输入结点和隐结点之间的权向量wi、阈值bi，并随机选取隐结点的输入权值ai和阈值bi，其中i＝1,2,…,L；S32、计算隐层输出矩阵H0:S33、计算初始输出权值β⁽⁰⁾，为确保极限学习机可以保持同样的学习性能，假设H的秩为有且已证明β＝H⁺T和H+＝(H^TH)^‑1H^T，则有：其中P0＝(H0TH0)‑1，M0＝H0TH0＝P0‑1；其中β、H和T分别指的是集合{β(0)，β(1)，β(2)，…，β(n)}、{H0，H1，H2，…，Hn}、{T0，T1，T2，…，Tn}；S34、设置到达的数据块序列k＝0；步骤S4中建立短时交通流预测模型的实时序列学习部分包括以下步骤：S41、计算新添加数据的隐层输出矩阵Hk+1:S42、令且则可计算输出权值：S43、根据公式求得S44、设置到达数据块序列k＝k+1，表示滑动窗口向前移动一个位置，即滑动窗口大小为1，返回步骤S41。