买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南通大学

摘要：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。

主权项：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、对预测结果进行数据后处理，获取真实的预测值；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Torigin中，xi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，前三天相同时间段的交通流量因素；目标输出向量yi是时间段内的交通流量，表示为y-s+1,y-s+2,…,y1,…,yks，其中k表示为季节周期数，s代表单位季节性周期长度；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Tout和T中目标输出向量yi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,…,xm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 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，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mh的非线性映射；线性函数构造为：fx＝ωTφx+b其中ω＝ω1,ω2,...,ωm∈Rm×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Jω,ε为目标函数，ε＝[ε1,ε2,...,εN]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αi为拉格朗日因子，i＝1,2,...,N；分别对ω,b,ε,α求偏导得到： 通过消除ω,εi，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： 步骤S3具体包括：混沌量子粒子群优化算法有M个代表潜在问题解决方案组的粒子，分别是Xt＝X1t,X2t,...,XMt；在t时刻，第i个粒子的位置为：Xit＝[Xi,1t,Xi,2t],i＝1,2,...,MXi,1t和Xi,2t为参数δ和γ的选取粒子；为了选取最佳的粒子位置模型，选取MAPE误差作为fx函数值；粒子i的个体最佳位置计算如下： 全局最佳位置的计算公式如下：g＝argmin{MAPE[Pit-1]}Gt＝Pgt在t+1次迭代中，每个粒子位置Xi,1t,Xi,2t的进化方程如下：Xi,jt+1＝pi.jt±α·|Cjt-Xi,jt|·ln[1ui,jt]ui,jt～U0,1,j＝1,2其中pi.jt为粒子i的局部吸引子，Cjt是所有粒子个体的最佳位置的平均值，α为收缩-膨胀因子；粒子更新公式为： 其中，tmax是最大迭代次数；每次迭代后，计算所有粒子的适应度值，根据每个粒子的新位置，然后更新i粒子Pit和全局最佳位置Pgt。

全文数据：

权利要求：

百度查询： 南通大学 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