[发明专利]基于信息熵的交通流量集成预测模型

说明书

技术领域

本发明涉及一种适应于交通流量的预测方法，属于自动化中的预测控制领域。

背景技术

交通流量预测是交通流量控制的必要条件，其实时性和可靠性直接关系到交通管理与控制的效果，因此短时交通流量预测一直是人们研究的热点。交通流量具有周期性也具有突发性，和网络流量的规律相似，但其变化规律更复杂，很大程度上受到外界环境的影响如天气温度等。

因为影响交通流量的因素具有不确定性、突发性和复杂性等特点，而时间序列预测模型时基于统计规律的且不要求有明确的内涵，因此目前提出的方法大都是基于时间序列的预测。早期的预测方法主要有自回归滑动平均模型( ARMA) 、自回归模型( AR) 、滑动平均模型( MA) 和历史平均模型( HA) 等。随着人们对交通流量的认识加深，出现了如多元回归模型、ARIMA 模型、Kalman 滤波模型、灰色预测模型，以及基于小波分解与重构的方法和多种与神经网络相关的复合预测模型等。

为了发挥各种预测方法的优点，对时间序列预测的研究主要集中在各种方法的组合预测模型上，如: ARIMA模型与神经网络组合预测，灰色预测与支持向量机的组合预测，神经网络与支持向量机的组合预测等。同时，基于小波理论的组合预测模型也被陆续提出，如小波理论与时间序列的结合，小波包与最小二乘支持向量机结合，小波理论与卡尔曼滤波的结合等。

由于不同时间序列预测模型反映出的网络流量信息不一样。灰色理论基于前几个采样序列的数据进行预测，在短时期内反映了流量的发展趋势。而基于SVM的预测模型采用的历史数据信息较长，在长时期内反映了流量的发展趋势，因此从反映不同时期的两方面着手，建立流量的集成预测模型。考虑到集成预测模型的系数加权问题，利用信息熵技术进行集成以提高预测的精度。

灰色理论在短时期内反映了流量的发展趋势，但考虑到灰色理论不能及时跟踪流量的变化情况，对灰色理论的预测结果进行在线修正，以提高预测精度。即当数据序列发生突变时，根据突变的发生具体情况来进行适当的修正。

为了增强SVM预测模型的泛化能力，采用混合核的方法来建立相应的预测模型。考虑到SVM预测模型的精度与一些关键参数的选择有关，因此利用免疫克隆算法来寻找最优的关键参数，但为了克服智能算法早熟性，利用梯度信息的来提高搜索效果。

信息熵具有信息融合和降低不确定性的作用，因此利用其来将两个预测模型进行集成。但信息熵技术不能及时跟踪实际流量的变化结果，而不能及时调整权重，因此有必要对信息熵技术获得权重进行在线调整，以提高预测精度。

发明内容

技术问题：本发明提出了一种基于信息熵技术的交通流量组合预测模型，该方法将短时期内的流量发展趋势和较长时期内的交通流量发展趋势结合起来，以提高预测模型的预测精度。该预测模型针对传统基于时间序列预测模型所存在的一些缺点进行了修正，并针对信息熵技术不能及时跟踪流量的变法趋势，进行了在线修正。

技术方案：本发明提出了一种基于信息熵技术的交通流量集成预测模型。该方法首先分别利用具有在线修正能力的灰色理论和基于混合核的SVM建立流量的预测模型，并利用带有梯度信息的免疫克隆优化算法对其惩罚系数、核参数和加权系数等参数进行寻优。利用信息熵技术将以上两个预测模型进行集成，并对于信息熵获得的权重进行在线修正。最后根据集成预测模型来获得交通流量的预测结果。

该方案的具体实施方案为：

a.基于灰色理论的交通流量预测方法:获取等时距的交通流量数列                                                ，式中n为建模序列的长度，进行一次累加生成则有. 可以建立如下的一阶微分方程以描述其发展趋势，有

,                                       (1)

式中r为发展系数反映了预测值的发展趋势，u为灰作用量反映了数据变化的稀疏情况。将微分方程离散化有

.                            (2)

式中取，则有，可以表示为矩阵，其中，

.

通过最小二乘法估计可以得到r，u，如式(3)所示；

.                                              (3)

可以推出基于灰色理论的交通流量预测模型为