本发明涉及一种交通数据管理技术，特别涉及一种基于灰色小波神经网络的短时交通流预测方法。
背景技术：
：：城市道路交通流预测是智能交通系统(its)中的重要组成部分，及时、有效而准确的交通流量预测对于智能交通诱导以及缓解路面交通拥堵等方面均起到了重要的作用。短时交通流量具有明显的波动性和随机性，因此在进行短时交通流量预测时需充分考虑其随机波动性以及规律性弱等特点。对于交通流量的短时预测，国内外相关学者的研究主要分为基于数学模型预测及基于非数学模型预测两种。其中，基于数学模型预测主要是应有已有数学模型根据交通流变化特征进行改进计算及组合预测。例如，yadav等在《comparativeevaluationofarimaandanfisformodelingofwirelessnetworktraffictimeseries》(eurasipjournalonwirelesscommunications&networking，2014，2014(1)：1-8)中构建arima和anfis的组合预测模型对路网交通流量进行预测分析；antoniou等在《anefficientnon-linearkalmanfilteringalgorithmusingsimultaneousperturbationandapplicationsintrafficestimationandprediction》(intelligenttransportationsystemsconference，2007.seattle，wa：ieee，2007：291-299)中对kalman模型中约束集合进行相应的改进运算以预测短时的交通流波动情况；齐驰在《自适应单指数平滑法在短期交通流预测中的应用》(控制理论与应用，2012，29(4)：465-469)中运用自适用单指数平滑法对路段交通流进行短时预测。基于数学模型预测方法虽然其模型较为成熟，但由于其模型求解难度大、并且其预测结果稳定性不强，因此较难满足短时交通流预测及时准确的需求。相比于基于数学模型预测，基于非数学模型预测在预测效率及预测精确度上具有一定的优势。xue等在《short-timetrafficflowpredictionbasedonchaostimeseriestheory》(journaloftransportationsystemsengineeringandinformationtechnology，2014，8(5)：68-72)、shashank等在《adaptiveseasonaltimeseriesmodelsforforecastingshort-termtrafficflow》(transportationresearchrecord，2007(2024)：116-125)中针对历史交通流时间序列进行混沌时间序列分析及波动理论分析等构建组合预测模型；kumar等在《shorttermtrafficflowpredictionforanon-urbanhighwayusingartificialneuralnetwork》(procedia-socialandbehavioralsciences，2014，104：755-764)中改进神经网络预测方法中的相关参数对交通流进行特征分析及预测；xu等在《accurateandinterpretablebayesianmarsfortrafficflowprediction》(ieeetransonintelligenttransportationsystems，2014，15(6)：2457-2469)中应用支持向量回归法进行组合预测，此外，如深度学习法、k-近邻法等非数学模型预测方法也被应用在短时交通流预测当中。其中神经网络能够描述任意复杂系统的内部波动变化，并可根据历史数据进行模拟运算，但当样本数据及计算单元较为有限、原始数据随机波动性较大的情况下，其预测结果稳定性较差，且容易陷入局部最优的情况。技术实现要素：本发明是针对现在短时交通流预测存在的问题，提出了一种基于灰色小波神经网络的短时交通流预测方法，能够降低初始数据的随机波动的影响，提高预测结果的预测精度及稳定性。本发明的技术方案为：一种基于灰色小波神经网络的短时交通流预测方法，具体包括如下步骤：1)：根据数据采集系统采集多个相同时间间隔内，通过采集断面的车辆数量数据，得到初始交通流量时间序列xi，i＝1，2，3，…，m，m为设定的时间段个数，从而得到采集时间间隔内各时间段交通流数据组成的初始时间序列x(0)＝{x1，x2，...，xm}；2)：根据交通流量初始时间序列x(0)，运用单因素灰色预测方法进行初始预测，得到交通流量的初始预测时间序列具体方法如下：2.1)：应用累加处理方法对初始交通流时间序列x(0)的随机性进行减弱处理：式(1)中，x(1)(k)为第k个累加生成数；2.2)：对各累加生成数进行紧邻均值变化：式(2)中，z(1)(k)为第k个累加生成数紧邻均值，x(1)(k+1)为第k+1个累加生成数，x(1)(k)为第k个累加生成数；2.3)：运用最小二乘估计法对单因素灰色预测模型的参数值进行估计：a＝(bt×b)-1×bt×y(3)式(3)和式(4)中，a，b分别为特征参数，b为紧邻均值最小二乘估计转置矩阵，y为累加生成数列矩阵，其计算公式分别为：y＝[x(1)(2)x(1)(3)…x(1)(m)](6)2.4)：通过矩阵公式参数估计得到单因素灰色预测模型：式(7)中，为第i+1个时间段单因素灰色预测模型初步预测值；x(1)(1)为第1个时间段累加生成数初值；2.5)：计算预测数据，采用累减生成方法对数据进行还原处理：式(8)中，为第i个时间段预测数据还原值；为第i个时间段单因素灰色预测模型初步预测值；为第i-1个时间段单因素灰色预测模型初步预测值，数据还原处理后，可得到初始预测时间序列3)设定前期预测时间段和后期预测时间段：根据所述的交通流量初始预测时间序列的时间间隔长度，设定小波神经网络前期预测时间段和后期预测时间段；4)运用小波神经网络对步骤3)设定的前期预测时间段的步骤2)所得交通流量初始预测时间序列，进行前期预测，得到前期预测值和前期交通流量预测时间序列；5)运用最大李雅普诺夫指数法对步骤3)设定的后期预测时间段的步骤2)所得交通流量初始预测时间序列进行后期预测，得到后期预测值；6)将步骤4)得到的前期预测值与步骤5)得到的后期预测值进行合并计算，得到最终所需短时交通流量的预测值。所述步骤4)方法具体步骤如下：4.1)：设置bp神经网络参数，用mexican小波基函数替换神经元sigmoid函数，将单因素灰色预测模型得到的初始预测时间序列x(1)通过该网络进行训练，设神经网络输入层节点数为r，隐含层节点数为1，输出层节点数为p，并依次选取有效数据段[a1，a2，...，ar]＝[x1，x2，...，xr]作为输入值，[y(1)，y(2)，...，y(r)]为输出的预测值，根据公式(9)设置隐含层输出值及根据公式(10)设置输出层输出值；式(9)中，h(v)为隐含层中第v节点的输出值；ωuv为输入层第u节点和隐含层第v节点间的连接权值；bv为函数的时间平移参数，cv为函数的尺寸伸缩参数；式(10)中，ωvw为隐含层第v节点和输出层第w节点间的连接权值，y(w)为输出层第w节点的输出值；4.2)：小波神经网络权值参数修正方法采用梯度修正法，并采用salomon所提出的自适应调节η对神经网络的网络权值及小波基函数参数进行修正，修正方法如下：运用梯度修正法，对输出值进行参数修正：式(11)中，yn(w)为输出层第w节点网络期望值，y(w)输出层第w节点为网络预测数值，利用预测误差e对神经网络的权值和小波函数系数进行修正标定：式(12)中，l为修正标定的次数，l＝1，2，3，…，q；为神经网络权值第l+1次修正的修正值；为神经网络权值第l次修正的修正值；为神经网络权值第l+1次修正参数；同理，分别为第l+1次小波函数时间平移参数和尺寸伸缩参数的修正值，分别为第l次小波函数时间平移参数和尺寸伸缩参数的修正值，分别为第l+1次小波函数时间平移参数和尺寸伸缩参数的修正参数，采用salomon所提出的自适应调节η，进而可以得到网络权值以及小波基函数参数的修正，并对上式(12)中的修正参数进行计算：式(13)中，η为自适应调节网络学习率，进而，对式(9)中输入层和隐含层的连接权值ωuv、隐含层输出函数的时间平移参数bv和隐含层输出函数的尺寸伸缩参数cv进行修正计算，按照以上的训练方法，应用已经得到的初始预测时间序列x(1)训练小波神经网络模型，进而得到训练完毕的小波神经网络模型；4.3)：将初始预测时间序列输入到训练完毕的小波神经网络模型中到预测值y1(1)，将y1(1)与x(1)合并，得到再将输入到训练完毕的小波神经网络模型中得到预测值y1(2)，按照此方法逐次计算预测值，迭代直至得到第n步预测值y1(n)为止，则可得到前n步预测值：y1＝{y1(t)|t＝1，2，3，...，n}(14)4.4)：将前n步预测值与初始预测时间序列合并得到前n步预测时间序列：所述步骤5)方法具体步骤如下：5.1)：对前n步预测时间序列运用改进自相关法计算延迟时间τ，同时运用cao计算法计算的嵌入维数m，再进行相空间重构，得到m维相空间；采用延迟坐标状态空间重构法对相空间进行重构，其中延迟坐标状态的延迟时间为τ，对于前述合并后的新时间序列选取有效数据段将x＝{x1，x2，...，xm+n}重构为m维相空间：dt＝{xt，xt+τ，...，xt+(m-1)τ}t＝1，2，3，...，m+n-(m-1)τ(16)式(16)中，dt为一个相点，构成一个m维相空间，通过m维相空间的演化轨迹dt→dt+1，反应原时间序列的演化；5.2)：设相空间中点dt＝{xt，xt+τ，...，xt+(m-1)τ}，dt在d≤g≤f内的最邻近点dg＝{xg，xg+τ，…，xg+(m+1)τ}，其中d为平均周期，f为数据个数；5.3)：计算最大李雅普诺夫指数：式(17)中，λ(g)为第g对最邻近点的李雅普诺夫指数，δt为样本周期，dt(g)为第g对最邻近点之间的时间步长，dt(g)＝|dg-dt|；5.4)：运用最大李雅普诺夫指数计算得到对应xt+(m-1)τ+1的预测值为：式(18)中，y2，t+(m-1)τ+1为延滞时间τ的m维相空间李雅普诺夫指数法预测值；xt+(m-1)τ+1为延滞时间τ的m维相空间中的有效数据；g(dt+1，dt)为相位点间距，计算公式为g(dt+1，dt)＝|dt+1-dt|exp(λ(g))；5.5)：设y2(n+1)＝y2，t+(m-1)τ+1为后期第n+1步预测值，则可得到最大李雅普诺夫指数法的预测值y2＝{y2(t)|t＝n+1，n+2，...，n}。将y2(n+1)与前n步预测时间序列合并，得到第n+1步预测值5.6)：对进行相空间重构，得到新的m维相空间，应用李雅普诺夫指数法对相空间进行预测得到新的预测结果y2(n+2)。依此方法逐个迭代计算直到y2(n)的值后停止，即可得到后n-n步预测预测结果，y2＝{y(t)|t＝n+1，n+2，...，n}(19)。本发明的有益效果在于：本发明基于灰色小波神经网络的短时交通流预测方法，由于采用了单因素灰色预测模型，可大幅度减弱交通流时间序列数据的随机波动性，使得预测值误差波动性小，同时采用最大李雅普诺夫指数法进行后期预测，降低了小波神经网络预测数据后期混沌运动产生的误差波动性，提高了短时交通流预测值的稳定性及拟合度。附图说明图1为本发明灰色小波神经网络短时交通流预测流程图；图2是bp神经网络模型(nn模型)的预测值与实际值对比图；图3是小波神经网络模型(wnn模型)的预测值与实际值对比图；图4是本发明提出的灰色小波神经网络组合预测模型(gm-wnn模型)的预测值与实际值对比图。具体实施方式如图1所示灰色小波神经网络短时交通流预测流程图，具体包括如下步骤：步骤1：根据数据采集系统采集多个相同时间间隔内，通过采集断面的车辆数量数据，得到初始交通流量时间序列。通过数据采集系统，设定采集时间段时间和时间段间隔时间，根据设定采集时间段内交通流量数据，通过数据采集点的交通流量数据xi(i＝1，2，3，…，m，m为设定的时间段个数)，从而得到采集时间间隔内各时间段交通流数据组成的初始时间序列x(0)＝{x1，x2，…，xm}。步骤2：根据交通流量初始时间序列，运用单因素灰色预测方法进行初始预测，得到交通流量的初始预测时间序列。该步骤包括以下几个子步骤：步骤2.1：应用累加处理方法对初始交通流时间序列x(0)的随机性进行减弱处理：式(1)中，x(1)(k)为第k个累加生成数。步骤2.2：对各累加生成数进行紧邻均值变化：式(2)中，z(1)(k)为第k个累加生成数紧邻均值，x(1)(k+1)为第k+1个累加生成数，x(1)(k)为第k个累加生成数。步骤2.3：运用最小二乘估计法对单因素灰色预测模型的参数值进行估计：a＝(bt×b)-1×bt×y(3)式(3)和式(4)中，a，b分别为特征参数，b为紧邻均值最小二乘估计转置矩阵，y为累加生成数列矩阵，其计算公式分别为：y＝[x(1)(2)x(1)(3)…x(1)(m)](6)步骤2.4：通过矩阵公式参数估计得到单因素灰色预测模型：式(7)中，为第i+1个时间段单因素灰色预测模型初步预测值；x(1)(1)为第1个时间段累加生成数初值。步骤2.5：计算预测数据，采用累减生成方法对数据进行还原处理：式(8)中，为第i个时间段预测数据还原值；为第i个时间段单因素灰色预测模型初步预测值；为第i-1个时间段单因素灰色预测模型初步预测值。数据还原处理后，可得到初始预测时间序列步骤3：设定前期预测时间段和后期预测时间段(根据所述的交通流量初始预测时间序列的时间间隔长度，设定小波神经网络前期预测时间段和后期预测时间段)。设预测时间间隔长度为t，预测总时间间隔长度为t，则初始预测时间序列x(1)的预测步长由于多步改进预测的后部分混沌效应相比前部分较为显著，因此需将此n步进一步分为前n步(称为为前期预测时间段，且n为整数)和后n-n步(称为为后期预测时间段)。步骤4，运用小波神经网络进行前期预测(根据所述的交通流量初始预测时间序列，运用小波神经网络对所述的前期预测时间段的交通流量初始预测时间序列进行前期预测，得到前期预测值和前期交通流量预测时间序列)。该步骤包括以下几个子步骤：步骤4.1：设置bp神经网络参数，用mexican小波基函数替换神经元sigmoid函数，将单因素灰色预测模型得到的初始预测时间序列x(1)通过该网络进行训练，设神经网络输入层节点数为r，隐含层节点数为1，输出层节点数为p，并依次选取有效数据段[a1，a2，...，ar]＝[x1，x2，...，xr]作为输入值，[y(1)，y(2)，...，y(r)]为输出的预测值，根据公式(9)设置隐含层输出值及根据公式(10)设置输出层输出值。式(9)中，h(v)为隐含层中第v节点的输出值；ωuv为输入层第u节点和隐含层第v节点间的连接权值；bv为函数的时间平移参数，cv为函数的尺寸伸缩参数。式(10)中，ωvw为隐含层第v节点和输出层第w节点间的连接权值，y(w)为输出层第w节点的输出值；步骤4.2：本发明中小波神经网络权值参数修正方法采用梯度修正法，并采用salomon所提出的自适应调节η对神经网络的网络权值及小波基函数参数进行修正。修正方法如下：运用梯度修正法，对输出值进行参数修正：式(11)中，yn(w)为输出层第w节点网络期望值，y(w)输出层第w节点为网络预测数值。利用预测误差e对神经网络的权值和小波函数系数进行修正标定：式(12)中，l为修正标定的次数，l＝1，2，3，…，q；为神经网络权值第l+1次修正的修正值；为神经网络权值第l次修正的修正值；为神经网络权值第l+1次修正参数；同理，分别为第l+1次小波函数时间平移参数和尺寸伸缩参数的修正值，分别为第l次小波函数时间平移参数和尺寸伸缩参数的修正值，分别为第l+1次小波函数时间平移参数和尺寸伸缩参数的修正参数。由于bp算法的有效性和收敛性在一定程度上取决于学习率η，本文采用salomon所提出的自适应调节η，进而可以得到网络权值以及小波基函数参数的修正，并对上式(12)中的修正参数进行计算：式(13)中，η为自适应调节网络学习率。进而，对式(9)中输入层和隐含层的连接权值ωuv、隐含层输出函数的时间平移参数bv和隐含层输出函数的尺寸伸缩参数cv进行修正计算。按照以上的训练方法，应用已经得到的初始预测时间序列x(1)训练小波神经网络模型，进而得到训练完毕的小波神经网络模型；步骤4.3：将初始预测时间序列输入到训练完毕的小波神经网络模型中到预测值y1(1)，将y1(1)与x(1)合并，得到再将输入到训练完毕的小波神经网络模型中得到预测值y1(2)，按照此方法逐次计算预测值，迭代直至得到第n步预测值y1(n)为止，则可得到前n步预测值：y1＝{y1(t)|t＝1，2，3，...，n}(14)步骤4.4：将前n步预测值与初始预测时间序列合并得到前n步预测时间序列：步骤5：运用最大李雅普诺夫指数法进行后期预测(根据所述的前期交通流量预测时间序列，运用最大李雅普诺夫指数法对所述的后期预测时间段的交通流量初始预测时间序列进行后期预测，得到后期预测值)。该步骤包括以下几个子步骤：步骤5.1：对前n步预测时间序列运用改进自相关法计算延迟时间τ，同时运用cao计算法计算的嵌入维数m，再进行相空间重构，得到m维相空间。采用延迟坐标状态空间重构法对相空间进行重构，其中延迟坐标状态的延迟时间为τ。对于前述合并后的新时间序列选取有效数据段将x＝{x1，x2，...，xm+n}重构为m维相空间：dt＝{xt，xt+τ，...，xt+(m-1)τ}t＝1，2，3，...，m+n-(m-1)τ(16)式(16)中，dt为一个相点，构成一个m维相空间，可以通过m维相空间的演化轨迹dt→dt+1，反应原时间序列的演化；步骤5.2：设相空间中点dt＝{xt，xt+τ，...，xt+(m-1)τ}，dt在d≤g≤f(其中d为平均周期，f为数据个数)内的最邻近点dg＝{xg，xg+τ，…，xg+(m+1)τ}。步骤5.3：计算最大李雅普诺夫指数：式(17)中，λ(g)为第g对最邻近点的李雅普诺夫指数，δt为样本周期，dt(g)为第g对最邻近点之间的时间步长，dt(g)＝|dg-dt|。步骤5.4：运用最大李雅普诺夫指数计算得到对应xt+(m-1)τ+1的预测值为：式(18)中，y2，t+(m-1)τ+1为延滞时间τ的m维相空间李雅普诺夫指数法预测值；xt+(m-1)τ+1为延滞时间τ的m维相空间中的有效数据；g(dt+1，dt)为相位点间距，计算公式为g(dt+1，dt)＝|dt+1-dt|exp(λ(g))。步骤5.5：设y2(n+1)＝y2，t+(m-1)τ+1为后期第n+1步预测值，则可得到最大李雅普诺夫指数法的预测值y2＝{y2(t)|t＝n+1，n+2，...，n}。将y2(n+1)与前n步预测时间序列合并，得到第n+1步预测值步骤5.6：对进行相空间重构，得到新的m维相空间，应用李雅普诺夫指数法对相空间进行预测得到新的预测结果y2(n+2)。依此方法逐个迭代计算直到y2(n)的值后停止，即可得到后n-n步预测预测结果。y2＝{y(t)|t＝n+1，n+2，...，n}(19)步骤6：合并得到所述短时交通流的预测值(将所述的前期预测值与后期预测值进行合并计算，得到所述的短时交通流量的预测值)。将小波神经网络预测模型的前n步预测值y1与后n-n步预测预测值y2合并，得到预测结果，合并计算的公式如式(20)所示：y＝{y(t)＝[y1，y2]|t＝m+1，m+2，...，m+n}(20)式(20)中，y为灰色小波神经网络预测模型预测值；y1为小波神经网络前n步预测值；y2为小波神经网络后n-n步预测值。实验数据采用上海市民生路杨高中路交叉口至四方路杨高中路路段的交通流量为研究对象，将实验数据按照5s时间间隔进行整合处理，可得到整合数据。将此整合数据分为两段，其中第一段作为模型网络训练输入值，第二段作为模型预测结果检验值。预测效果评价指标本发明分别选取平均绝对百分误差值和均方差误差作为预测效果的评价指标。设预测值为ω1(i)，实际值为ω0(i)。平均绝对百分误差值的计算公式为：均方差误差的计算公式为：采用本发明的短时交通流预测模型(gm-wnn模型)以及所述的bp神经网络模型(nn模型)和小波神经网络模型(wnn模型)的预测结果和实际值的对比图如图2-4所示，其预测结果的评价指标值如下表所示：表1根据本实施例的基于灰色小波神经网络的短时交通流预测方法，由于采用了单因素灰色预测模型，可大幅度减弱交通流时间序列数据的随机波动性，使得预测值误差波动性小，同时采用最大李雅普诺夫指数法进行后期预测，降低了小波神经网络预测数据后期混沌运动产生的误差波动性，提高了短时交通流预测值的稳定性及拟合度；进一步地，由于运用了累加累减处理方法，提高了预测结果的精确程度；进一步地，由于小波神经网络可有效地解决传统bp神经网络预测后期预测值误差波动性较大，稳定性较差并容易陷入局部最优的缺陷，并且通过小波神经网络对上层模型中的预测时间序列及采集的有效停车泊位时间序列进行学习训练，设置小波函数为神经元基函数将其预测误差实现前期预测，后期预测则应用李雅普诺夫指数法对于混沌相空间的混沌特性描述，重构相空间并进行后期预测，并结合前期预测结果的得到最终预测值，所以更进一步提高了预测结果的精确度。尽管上面对本发明说明书的具体实施方式进行了描述，以便于本
技术领域：
：的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本
技术领域：
：的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。当前第1页12当前第1页12