法律状态公告日
法律状态信息
法律状态
2023-02-03
公开
发明专利申请公布
技术领域:
本发明是基于一种基于反向蝙蝠算法改进的SVM算法的交通流预测方法,属于数据挖掘领域以及预测技术领域。
背景技术:
SVM算法作为数据挖掘的重要技术,逐渐成为一种跨学科,跨领域的数据预测方法,它已经被广泛应用在数据分类、数据预测、人工智能等领域。
近年来,随着居民生活水平的提高,以休闲、旅游、工作等为主的出行越来越多,这给城市交通带来了巨大的压力。与此同时,近年来城市交通发展迅速,越来越多的人乘车出行,导致道路交通拥堵。并且由于交通预测可能具有不确定性、波动性、随机性等,因此有更多的问题需要解决。所以交通流预测成为了智能交通系统的一个热门研究课题。正确的交通流预测是实现实时交通信号控制、交通分配、路径引导、自动引导和事故检测的前提。所以,交通流预测成为了一项重要并具有挑战性的任务。支持向量机(SVM)是V.Vapnik在1995年提出的。它是一种基于结构风险最小化原理和VC维理论的网络模型。它能有效地解决小样本、非线性、高维和局部最小问题。支持向量机主要用于解决分类和回归问题。所以将非线性回归支持向量机应用于交通流预测,会取得了较好的效果。
但对于SVM预测,预测模型或参数的不确定性和随机性使得优化准确输出成为一项具有挑战性的任务。本发明提出了一种反向蝙蝠算法,用于支持向量机(SVM)的参数调整。然后,使用SVM算法来预测。新型SVM算法的显着特点是采用后向飞行机制发展了一种改进的飞行原理,增强了随机搜索能力,从而有效地避免了局部最优。与传统的SVM方法相比,它拥有更高的训练精度、更短的训练时间和更好的预测性能。所以此方法可以有效解决交通流预测的问题。
发明内容:
为了解决预测方面问题,本发明公开了一种基于反向蝙蝠算法改进的SVM算法的交通流预测方法。
为此,本发明提供了如下技术方案:
1.一种基于反向蝙蝠算法改进的SVM算法的交通流预测方法,其特征在于,该方法包括以下步骤:
步骤1:收集将要预测的地点的一段时间的全部交通流量数据。
步骤2:初始化与算法相关的参数。
步骤3:随机初始化蝙蝠的起始位置x
步骤4:初始化脉冲频率f
步骤5:在[0,1]内生成一个随机值,并与r
步骤6:如果迭代次数用完或达到搜索精度,则输出全局最优的蝙蝠位置和对应的参数。否则,重新计算速度并更新蝙蝠的空间位置,之后返回步骤5进行新一轮搜索。
2.根据权利要求1所述的一种基于反向蝙蝠算法改进的SVM算法的交通流预测方法,其特征在于,所述步骤1中收集将要预测的地点的一段时间的全部交通流量数据。
3.根据权利要求1所述的一种基于反向蝙蝠算法改进的SVM算法的交通流预测方法,其特征在于,所述步骤2中,对蝙蝠算法的关键参数进行初始化,如蝙蝠组数m、脉冲频率搜索范围[f
其中初始化步骤如下:
1)选择径向基函数(RBF)作为SVM的核函数,一个蝙蝠的位置对应一组(C,g),那么优化问题可以表述为:
其中X是特征向量,y是训练集标签,a
2)以蝙蝠和样本的当前位置作为SVM输入,输出均方误差(MSE) 来评估该组。
3)更新下一次蝙蝠的位置和速度。
4)判断是否满足终止条件。如果满足终止条件,则获得SVM最佳参数;否则,返回第2步。
4.根据权利要求1所述的一种基于反向蝙蝠算法改进的SVM算法的交通流预测方法,其特征在于,所述步骤4中,假设范围内的频率[f
其中蝙蝠的飞行速度,位置计算原则如下:
飞行速度和位置的更新原则设计为:
5.根据权利要求1所述的一种基于反向蝙蝠算法改进的SVM算法的交通流预测方法,其特征在于,所述步骤5中,首先,在[0,1] 内生成一个随机值,并与r
其中蝙蝠的脉冲频率和响度计算原则如下:
蝙蝠的脉冲频率和响度设计为:
有益效果:
1.本发明与典型的蝙蝠算法不同,为保证当前优化可以超越局部最优,反向蝙蝠算法通过使用一些蝙蝠添加向后飞行方向来改进飞行机制。因此,可以更有效的方式实现全局优化。
2.本发明通过在蝙蝠算法中加入了后向飞行机制,增强了其随机搜索能力,从而发展了反向蝙蝠算法,具有更强的搜索能力和更高的收敛速度。
3.本发明采用反向蝙蝠算法进行SVM的参数调优,从而形成一种结合反向蝙蝠算法改进的SVM算法。然后,将这种方法应用于交通流预测,具有更高的训练精度、更短的训练时间和更好的预测性能。
附图说明:
图1为本发明实施方式中的一种基于反向蝙蝠算法改进的SVM 算法的交通流预测方法流程图。
图2初始化参数步骤流程图
具体实施方式:
为了使本方法的目的、技术方案以及优点更加的清楚明白,以下结合附图及具体步骤,对本方法进行详细说明。
首先我们结合上述反向蝙蝠算法的描述以及SVM算法在预测方面的工作机理,本发明利用反向蝙蝠算法对SVM算法中径向基核函数(RBF)中出现的参数g以及表达式中存在的惩罚因子C进行参数寻优,为此设计了一种预测流程,如图1所示流程。
首先在步骤1当中,我们收集将要预测的地点的一段时间的全部交通流量数据。
进入步骤2初始化与算法相关的参数的过程如下:
初始化与算法相关的参数的流程如图2所示,具体为:
选择径向基函数(RBF)作为SVM的核函数,以蝙蝠和样本的当前位置作为SVM输入,输出均方误差(MSE)来评估组,之后更新下一次蝙蝠的位置和速度,判断是否满足终止条件。如果满足终止条件,则获得SVM最佳参数,否则,返回输入进行重新计算。
进入步骤3,随机初始化蝙蝠的起始位置x
结合步骤4,初始化脉冲频率f
进入步骤5,在[0,1]内生成一个随机值,并与r
最后,通过步骤6进行判断,如果迭代次数用完或达到搜索精度,则输出全局最优的蝙蝠位置和对应的参数。否则,重新计算速度并更新蝙蝠的空间位置,并返回步骤5进行新一轮搜索。
这种预测交通流的方法,相比较于其他预测交通流的方法,具有更高的训练精度、更短的训练时间和更好的预测性能。综上所述,仅为算法在较佳实施情况下的结果,并不用以限制本发明,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进、变形以及将本发明的方法应用在其他预测对象也应视为本发明的保护范围。
机译: “财产识别方法”(“ PIM”)是一种新颖的算法,通过该算法,可以通过对文件(如市议会/房屋价格通知)进行图像处理来创建房地产管理局和/或产权转让数据。本发明建立了一种独特的算法,该算法结合了诸如深度学习分段和计算机视觉之类的技术来解码属性信息。该应用程序利用以某种方式配置的计算机实现的技术,以使运输商和房地产经纪人能够自动创建客户端文件。
机译: 基于SVM的机器学习算法的学生生理健康行为预测模型
机译: 基于回归分析的预测算法改进的卡尔曼滤波算法对波高数据进行算术运算的波高测量装置