一种基于改进组合模型的交通流量预测方法及应用

技术特征：
1.一种基于改进组合模型的交通流量预测方法，其特征在于，包括如下步骤：步骤1：提取预测路段的原始交通流量数据并进行处理：步骤1.1：利用交通流量传感器周期性采集预测路段处的交通流量数据，从而构建所述预测路段的历史交通流量数据库x
his
；步骤1.2：从所述历史交通流量数据库x
his
中获取采样天数为d、单日采集的交通流量数据量为m的交通流量训练集x＝(x1,x2,...,x
i
,...,x
n
)
t
，其中，x
i
表示第i个采样时刻的交通流量数据；n表示交通流量训练集的采样点总数，且n＝d
×
m；步骤2：基于边界局部特征延拓优化的互补集合经验交通流量模态分解：步骤2.1：以交通流量训练集x中第1个采样点的交通流量数据x1作为x的左边界，寻找最靠近左边界的两个邻近交通流量极大值以及两个邻近交通流量极小值利用式(1)对交通流量训练集x进行左边界相似性特征延拓，得到左边界处的延拓交通流量极大值延拓交通流量极小值以及最靠近左边界的第一个交通流量极大值与延拓交通流量极大值之间的时间间隔最靠近左边界的第一个交通流量极小值与延拓交通流量极小值之间的时间间隔延拓交通流量极大值的时序位置延拓交通流量极小值的时序位置的时序位置式(1)中，表示最靠近左边界的第一个交通流量极大值的时序位置；表示最靠近左边界的第二个交通流量极大值的时序位置；表示最靠近左边界的第一个交通流量极小值的时序位置；表示最靠近左边界的第二个交通流量极小值的时序位置；步骤2.2：以交通流量训练集x中第n个采样点的交通流量数据x
n
作为x的右边界，寻找最靠近右边界的两个邻近交通流量极大值以及两个邻近交通流量极小值利用式(2)对交通流量训练集序列x进行右边界相似性特征延拓，得到右边界的延拓交通流量极大值延拓交通流量极小值以及最靠近右边界的第一个交通流量极大值与延拓交通流量极大值之间的时间间隔最靠近右边界的第一个交通流量极小值与延拓交通流量极小值之间的时间间隔延拓交通流量极大值的时序位置延拓交通流量极小值的时序位置
式(2)中，n
max
表示交通流量训练集x中极大值的总个数；n
min
表示交通流量训练集x中极小值的总个数；表示第n
max-1个交通流量极大值；表示第n
max-1个交通流量极小值；表示交通流量极大值的时序位置；表示最靠近右边界的第一个交通流量极大值的时序位置；表示交通流量极小值的时序位置；t
min
表示最靠近右边界的第一个交通流量极小值的时序位置；利用式(3)得到延拓交通流量训练集f：式(3)中，j表示当前采样时刻；步骤2.3：向延拓交通流量训练集f中先后加入符号相反的交通流量高斯白噪声序列
±
n
u
，从而利用式(4)得到第u次添加交通流量高斯白噪声序列得到的交通流量正噪声序列和负噪声序列和负噪声序列式(4)中，n
u
表示第u次添加的服从交通流量正态分布的高斯白噪声序列；u＝1,2,...,o；o表示添加交通流量高斯白噪声序列的总次数；步骤2.4：利用式(5)将交通流量的正噪声序列和负噪声序列分别进行经验模态分解，得到交通流量正噪声序列的第v个正交通流量分量序列交通流量负噪声序列的第v个负交通流量分量序列的第v个负交通流量分量序列式(5)中，表示第v次运算的模态分解函数；v＝1,2,...,m；m表示imf交通流量模态分量序列的总数；利用式(6)得到交通流量正噪声序列与正交通流量分量序列交通流量负噪声
序列h
u-与负交通流量分量序列的关系式：式(6)中，表示第u次添加交通流量高斯白噪声序列后的正噪声序列分解后所得到的正交通流量残差分量序列；表示第u次添加交通流量高斯白噪声序列后的负噪声序列分解后所得到的负交通流量残差分量序列；步骤2.5：利用式(7)得到第v个imf交通流量模态分量序列imf
v
以及延拓交通流量训练集f与m个imf交通流量模态分量序列之间的关系式：式(7)中，r表示延拓交通流量训练集f经过分解后所得的总交通流量残差分量；步骤3：利用改进的麻雀搜索算法优化双向门控循环单元预测模型的网络权值参数：步骤3.1：定义并初始化学习率lr、批样本数量b、最大迭代次数为maxiter，当前bigru网络迭代次数q＝1；步骤3.2：构建由m个bigru预测子网络组成的双向门控循环单元预测模型，其中，任意第q个bigru预测子网由一组正、反向gru网络构成；设置正、反向gru网络中的门控循环单元个数均为n
gru
，正、反向gru网络中的神经元个数均为n
layers
，并在0-1范围内随机初始化第q个bigru预测子网络中待优化的权值参数集合其中，ω
q,r
和u
q,r
表示第q个bigru预测子网络中重置门rg
q
的权值系数；ω
q,z
和u
q,z
表示第q个bigru预测子网络中更新门ug
q
的权值系数；ω
q,xh
和ω
q,hh
表示第q个bigru预测子网络中候选隐含状态的网络权值系数；表示第q个正向gru网络中输出层的网络权值系数；表示第q个负向gru网络中输出层的网络权值系数；q＝1,2,...,m；步骤3.3：基于第q个imf交通流量模态分量imf
q
，利用改进的麻雀搜索算法对第q个bigru预测子网络中待优化的权值参数择优，从而得到第q个bigru预测子网络中的最优权值参数集合其中，ω
q,r*
和u
q,r*
表示第q个bigru预测子网络中重置门rg
q
的最佳权值系数；ω
q,z*
和u
q,z*
表示第q个bigru预测子网络中更新门ug
q
的最佳权值系数；ω
q,xh*
和ω
q,hh*
表示第q个bigru预测子网络中候选隐含状态的最佳网络权值系数；表示第q个正向gru网络中输出层的最佳网络权值系数；表示第q个负向gru网络中输出层的最佳网络权值系数；
步骤3.4：判断q＜m是否成立，若成立，则将q 1赋值给q后，返回步骤3.3顺序执行；否则，输出总的最优参数集合步骤4：利用改进麻雀搜索算法优化的双向门控循环单元网络对交通流量进行组合预测：步骤4.1：定义待预测交通流量数据的总数为n
*
，初始化q＝1；步骤4.2：根据总的最优权值参数集合w
*
对m个bigru预测子网分别进行网络权值赋值，相应得到与各交通流量模态分量对应的m个性能最佳bigru交通流量预测模型；步骤4.3：将第q个imf交通流量模态分量imf
q
输入第q个最佳性能bigru交通流量预测模型中进行交通流量模态分量预测，并得到第q个imf交通流量模态分量imf
q
的预测序列其中，h
z,q
表示第q个imf交通流量模态分量imf
q
中第z个交通流量分量数据的预测值；步骤4.4：若q＜m，则将q 1赋值给q后返回步骤4.3顺序执行，否则，表示得到m个分量预测序列{h1,h2,...,h
q
,...,h
m
}并进行加权重构，得到交通流量最终预测序列其中，y
z
表示第z个交通流量最终预测值，且2.根据权利要求1所述的基于改进组合模型的交通流量预测方法，其特征在于，所述步骤3.3的改进麻雀搜索算法包括如下步骤：步骤3.3.1：定义并初始化改进麻雀搜索算法的最大迭代次数iter
max
、参与搜索麻雀的数量np、预警值r2、权重调整参数ω
begin
、ω
end
、发现者数量pd及警戒者数量sd；初始化当前迭代次数为iter＝1、当前权值参数的迭代次数h＝1、当前参与搜索麻雀的迭代次数sp＝1；定义并初始化第q个bigru预测子网络中第h个权值参数的第sp只麻雀的历史最优适应度值以及历史最优位置值从而利用式(8)得到第q个bigru预测子网络中第h个权值参数的历史最优适应度向量及历史最优位置向量及历史最优位置向量步骤3.3.2：随机初始化第iter次迭代时第sp只麻雀在训练第q个bigru中第h个网络权值参数时的位置并为np只麻雀随机赋予0-1之间的随机数；步骤3.3.3：将第q个imf交通流量模态分量imf
q
输入第q个bigru预测子网络中利用式(9)计算第q个bigru预测子网络中第h个权值参数的平均绝对误差，作为第q个bigru预测子网络中第h个权值参数的第iter-1次迭代的历史最佳适应度函数1次迭代的历史最佳适应度函数式(9)中，表示第q个imf交通流量模态分量序列imf
q
中第iq个真实交通流量模态分量值，表示第iter-1次迭代时将输入第q个bigru预测子网络中训练第h
个权值参数时输出的第iq个交通分量预测值；步骤3.3.4：若则将赋值给第q个bigru网络中第h个权值参数的历史最优适应度值否则，历史最优适应度值不变；步骤3.3.5：利用式(10)得到第iter次迭代的线性动态自适应权重ω
iter
：步骤3.3.6：利用式(11)得到第iter 1次迭代时训练第q个bigru中第h个网络权值参数时的第sp只发现者麻雀位置时的第sp只发现者麻雀位置式(11)中，exp(
·
)表示以自然常数e为底的指数函数；λ表示0-1之间的随机数；q表示服从正态分布的随机数；l表示全元素为1的1
×
d矩阵；st表示安全值；步骤3.3.7：根据式(12)得到第iter 1次迭代时训练第q个bigru中第h个网络权值参数时的第sp只追随者麻雀位置时的第sp只追随者麻雀位置式(12)中，表示第iter次迭代时第q个bigru网络中第h个网络权值参数时的全局最差位置；表示第iter 1次迭代时第q个bigru网络中第h个网络权值参数时发现者所占据的最优适应度位置；a

表示取值为-1至1的d
×
1矩阵，且a

＝a
t
(aa
t
)-1
，其中，a表示元素为1或-1的1
×
d矩阵；步骤3.3.8：根据式(13)得到第iter 1次迭代时训练第q个bigru中第h个网络权值参数时的第sp只警戒者麻雀位置时的第sp只警戒者麻雀位置式(13)中，表示第iter次迭代时第q个bigru网络中第h个网络权值参数的全局最优位置；β表示服从标准正态分布的随机数；k表示麻雀移动方向的步长控制；δ表示最小常数；表示第iter次迭代时训练第q个bigru网络中第h个权值参数时第sp只麻雀的当前适应度值；表示第q个bigru网络中第h个权值参数的历史最优适应度值；表示第q个bigru网络中第h个权值参数的历史最差适应度值；步骤3.3.9：将赋值给第q个bigru网络中第h个权值参数的历史最优适应度值
将历史最优位置同时将全局最优位置所对应的麻雀所赋予的随机数作为第q个bigru网络中第h个权值参数的最优权值参数；步骤3.3.10：将第q个imf交通流量模态分量imf
q
输入当前具备第h个最佳权值参数的第q个bigru预测子网络中进行预测，得到交通流量模态分量预测输出其中，表示第iter次迭代时将输入第q个bigru预测子网络中训练第h个权值参数时输出的第iq个交通分量预测值；步骤3.3.11：若iter＜iter
max
，则将iter 1赋值给iter后返回步骤3.3.3顺序执行；否则，输出第h个最佳权值参数的值，并执行步骤3.3.12；步骤3.3.12：若h＜8，则将h 1赋值给h后返回步骤3.3.3顺序执行；否则，输出第q个bigru预测子网络中的最优权值参数集合3.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1或2所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。4.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1或2所述方法的步骤。

技术总结
本发明公开了一种基于改进组合模型的交通流量预测方法及应用，包括：1、提取预测路段的原始交通流量数据并处理为组合模型的交通流量输入；2、采用差分互补集合经验模态分解(CEEMD)算法，将交通流量序列分解为一系列交通模态分量(IMF)及残差分量，利用边界局部特征延拓改善分解过程中的端点飞翼问题；3、使用改进麻雀搜索算法对各双向门控循环单元(BiRGU)的权值参数择优，构建性能最佳的各BiGRU网络预测模型；4、以各IMF分量为输入，使用性能最佳的各BiGRU模型分别对其进行预测，并将各预测值叠加重构得到最终预测结果。本发明旨在提升交通流量预测的精度，从而辅助智能交通系统缓解路网交通压力。交通系统缓解路网交通压力。交通系统缓解路网交通压力。


技术研发人员：殷礼胜 刘攀 吴洋洋 施成
受保护的技术使用者：合肥工业大学
技术研发日：2022.08.26
技术公布日：2022/12/16