本發(fā)明涉及交通流預(yù)測(cè)，尤其涉及基于支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)方法及裝置。

背景技術(shù)：

1、隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展，高速公路在交通運(yùn)輸中發(fā)揮著至關(guān)重要的作用。準(zhǔn)確預(yù)測(cè)高速公路車(chē)流量對(duì)于交通管理部門(mén)進(jìn)行合理的交通規(guī)劃、資源分配以及提高道路通行效率具有重大意義。

2、目前，高速公路車(chē)流量呈現(xiàn)出非線性、不確定性和時(shí)變性等特點(diǎn)。在面對(duì)復(fù)雜的交通狀況時(shí)，傳統(tǒng)的交通流量預(yù)測(cè)方法往往在捕捉流量數(shù)據(jù)中的復(fù)雜模式方面存在困難，導(dǎo)致預(yù)測(cè)精度受限。常用的統(tǒng)計(jì)方法如移動(dòng)平均法、指數(shù)平滑法，線性模型如線性回歸模型等，在處理非線性的交通流量數(shù)據(jù)時(shí)效果不佳，預(yù)測(cè)精度較低。深度學(xué)習(xí)模型雖然能夠提升預(yù)測(cè)效果，例如卷積神經(jīng)網(wǎng)絡(luò)（cnn）、循環(huán)神經(jīng)網(wǎng)絡(luò)（rnn）及其變體長(zhǎng)短期記憶網(wǎng)絡(luò)（lstm）等，但這些模型需要大量的數(shù)據(jù)用于訓(xùn)練，并且模型參數(shù)眾多，會(huì)占用大量資源，對(duì)設(shè)備配置要求較高，所以不適合日常的交通管理。

3、為了滿足日益增長(zhǎng)的交通管理需求，提高高速公路交通流量預(yù)測(cè)的準(zhǔn)確性，本發(fā)明提出了基于支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)方法及裝置。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)的缺陷，提供了基于支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)方法及裝置。

2、為了實(shí)現(xiàn)以上目的，本發(fā)明采用以下技術(shù)方案：

3、一種基于支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)方法，包括：

4、s1.獲取高速公路交通斷面流量預(yù)設(shè)時(shí)間間隔的歷史數(shù)據(jù)，對(duì)獲取的歷史數(shù)據(jù)進(jìn)行處理，并將處理后的歷史數(shù)據(jù)分為訓(xùn)練集和測(cè)試集；

5、s2.對(duì)處理后的歷史數(shù)據(jù)基于變分模態(tài)分解算法進(jìn)行分解，得到不同頻段模態(tài)分量；

6、s3.對(duì)訓(xùn)練集對(duì)應(yīng)的不同頻段模態(tài)分量進(jìn)行線性歸一化處理，并對(duì)處理后的不同頻段模態(tài)分量分別構(gòu)建相對(duì)應(yīng)的支持向量回歸模型，得到多個(gè)支持向量回歸模型；

7、s4.對(duì)多個(gè)支持向量回歸模型均采用黏菌優(yōu)化算法進(jìn)行優(yōu)化訓(xùn)練，得到最優(yōu)的多個(gè)交通流預(yù)測(cè)模型；

8、s5.將測(cè)試集對(duì)應(yīng)的不同頻段模態(tài)分量輸入至相對(duì)應(yīng)的交通流預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，得到不同頻段模態(tài)分量相對(duì)應(yīng)的預(yù)測(cè)值；

9、s6.對(duì)不同頻段模態(tài)分量相對(duì)應(yīng)的預(yù)測(cè)值進(jìn)行反歸一化處理，并對(duì)處理后的預(yù)測(cè)值相加重構(gòu)，得到高速公路交通斷面流量的最終預(yù)測(cè)結(jié)果。

10、進(jìn)一步的，所述步驟s5之前還包括：

11、采用評(píng)價(jià)指標(biāo)對(duì)多個(gè)交通流預(yù)測(cè)模型進(jìn)行評(píng)估，判斷評(píng)估結(jié)果是否符合要求，若否，則重新執(zhí)行步驟s3；若是，則得到最終的多個(gè)交通流預(yù)測(cè)模型。

12、進(jìn)一步的，所述步驟s2中對(duì)處理后的歷史數(shù)據(jù)基于變分模態(tài)分解算法進(jìn)行分解之后還包括：將分解后的模態(tài)分量從高頻到低頻依次排列。

13、進(jìn)一步的，所述步驟s4具體為：

14、采用黏菌優(yōu)化算法對(duì)每個(gè)支持向量回歸模型中的超參數(shù)懲罰系數(shù)、核函數(shù)參數(shù)、不敏感損失函數(shù)參數(shù)進(jìn)行優(yōu)化，以支持向量回歸模型訓(xùn)練集的預(yù)測(cè)值與真實(shí)值之間的均方誤差作為黏菌優(yōu)化算法的目標(biāo)函數(shù)，將目標(biāo)函數(shù)帶入訓(xùn)練集進(jìn)行支持向量回歸模型訓(xùn)練，利用黏菌優(yōu)化算法尋找最佳的超參數(shù)組合，經(jīng)過(guò)多次迭代計(jì)算，得到最優(yōu)的多個(gè)交通流預(yù)測(cè)模型。

15、進(jìn)一步的，所述評(píng)價(jià)指標(biāo)包括平均絕對(duì)誤差、均方根誤差、決定系數(shù)。

16、進(jìn)一步的，所述評(píng)估結(jié)果符合的要求為平均絕對(duì)誤差、均方根誤差數(shù)值越小，決定系數(shù)數(shù)值越接近1。

17、進(jìn)一步的，所述平均絕對(duì)誤差的計(jì)算方式為：

18、；

19、其中，mae表示平均絕對(duì)誤差；yi表示真實(shí)值；表示預(yù)測(cè)值；n表示測(cè)試集的樣本數(shù)量；i表示測(cè)試集的下標(biāo)。

20、進(jìn)一步的，所述均方根誤差的計(jì)算方式為：

21、；

22、其中，rmse表示均方根誤差。

23、進(jìn)一步的，所述決定系數(shù)的計(jì)算方式為：

24、；

25、其中，表示決定系數(shù)；表示真實(shí)數(shù)據(jù)樣本均值。

26、相應(yīng)的，還提供一種基于支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)裝置，用于執(zhí)行所述的一種基于支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)方法，預(yù)測(cè)裝置包括處理器，所述處理器內(nèi)設(shè)置有：

27、獲取模塊，用于獲取高速公路交通斷面流量預(yù)設(shè)時(shí)間間隔的歷史數(shù)據(jù)，對(duì)獲取的歷史數(shù)據(jù)進(jìn)行處理，并將處理后的歷史數(shù)據(jù)分為訓(xùn)練集和測(cè)試集；

28、分解模塊，用于對(duì)處理后的歷史數(shù)據(jù)基于變分模態(tài)分解算法進(jìn)行分解，得到不同頻段模態(tài)分量；

29、處理模塊，用于對(duì)訓(xùn)練集對(duì)應(yīng)的不同頻段模態(tài)分量進(jìn)行線性歸一化處理，并對(duì)處理后的不同頻段模態(tài)分量分別構(gòu)建相對(duì)應(yīng)的支持向量回歸模型，得到多個(gè)支持向量回歸模型；

30、訓(xùn)練模塊，用于對(duì)多個(gè)支持向量回歸模型均采用黏菌優(yōu)化算法進(jìn)行優(yōu)化訓(xùn)練，得到最優(yōu)的多個(gè)交通流預(yù)測(cè)模型；

31、預(yù)測(cè)模塊，用于將測(cè)試集對(duì)應(yīng)的不同頻段模態(tài)分量輸入至相對(duì)應(yīng)的交通流預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，得到不同頻段模態(tài)分量相對(duì)應(yīng)的預(yù)測(cè)值；

32、重構(gòu)模塊，用于對(duì)不同頻段模態(tài)分量相對(duì)應(yīng)的預(yù)測(cè)值進(jìn)行反歸一化處理，并對(duì)處理后的預(yù)測(cè)值相加重構(gòu)，得到高速公路交通斷面流量的最終預(yù)測(cè)結(jié)果。

33、與現(xiàn)有技術(shù)相比，本發(fā)明針對(duì)具有非線性且存在大量噪聲的交通流時(shí)間序列數(shù)據(jù)，采用vmd算法進(jìn)行平滑處理，得到不同帶寬的分量，能夠有效避免模態(tài)混疊現(xiàn)象，具有良好的適應(yīng)性和分解效果。通過(guò)與其他算法的對(duì)比分析，表明本發(fā)明采用的sma算法在尋找最優(yōu)超參數(shù)方面，表現(xiàn)出更優(yōu)的效果。本發(fā)明選擇svr模型作為預(yù)測(cè)模型，具有參數(shù)設(shè)置少、模型計(jì)算速度快、預(yù)測(cè)精度高的特點(diǎn)。

技術(shù)特征：

1.一種基于支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)方法，其特征在于，所述步驟s5之前還包括：

3.根據(jù)權(quán)利要求1所述的一種基于支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)方法，其特征在于，所述步驟s2中對(duì)處理后的歷史數(shù)據(jù)基于變分模態(tài)分解算法進(jìn)行分解之后還包括：將分解后的模態(tài)分量從高頻到低頻依次排列。

4.根據(jù)權(quán)利要求1所述的一種基于支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)方法，其特征在于，所述步驟s4具體為：

5.根據(jù)權(quán)利要求2所述的一種基于支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)方法，其特征在于，所述評(píng)價(jià)指標(biāo)包括平均絕對(duì)誤差、均方根誤差、決定系數(shù)。

6.根據(jù)權(quán)利要求5所述的一種基于支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)方法，其特征在于，所述評(píng)估結(jié)果符合的要求為平均絕對(duì)誤差、均方根誤差數(shù)值越小，決定系數(shù)數(shù)值越接近1。

7.根據(jù)權(quán)利要求5所述的一種基于支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)方法，其特征在于，所述平均絕對(duì)誤差的計(jì)算方式為：

8.根據(jù)權(quán)利要求7所述的一種基于支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)方法，其特征在于，所述均方根誤差的計(jì)算方式為：

9.根據(jù)權(quán)利要求8所述的一種基于支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)方法，其特征在于，所述決定系數(shù)的計(jì)算方式為：

10.一種基于支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)裝置，用于執(zhí)行權(quán)利要求1-9任一項(xiàng)所述的一種基于支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)方法，預(yù)測(cè)裝置包括處理器，其特征在于，所述處理器內(nèi)設(shè)置有：

技術(shù)總結(jié)
本發(fā)明公開(kāi)了基于支持向量回歸的高速公路短時(shí)交通流預(yù)測(cè)方法，包括：S1.獲取高速公路交通斷面流量預(yù)設(shè)時(shí)間間隔的歷史數(shù)據(jù)，并將歷史數(shù)據(jù)分為訓(xùn)練集和測(cè)試集；S2.對(duì)處理后的歷史數(shù)據(jù)基于變分模態(tài)分解算法進(jìn)行分解，得到不同頻段模態(tài)分量；S3.對(duì)訓(xùn)練集對(duì)應(yīng)的不同頻段模態(tài)分量進(jìn)行線性歸一化處理，并對(duì)處理后的不同頻段模態(tài)分量分別構(gòu)建相對(duì)應(yīng)的支持向量回歸模型；S4.對(duì)多個(gè)支持向量回歸模型均采用黏菌優(yōu)化算法進(jìn)行優(yōu)化訓(xùn)練；S5.將測(cè)試集對(duì)應(yīng)的不同頻段模態(tài)分量輸入至相對(duì)應(yīng)的交通流預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，得到不同頻段模態(tài)分量相對(duì)應(yīng)的預(yù)測(cè)值；S6.對(duì)不同頻段模態(tài)分量相對(duì)應(yīng)的預(yù)測(cè)值進(jìn)行反歸一化處理，并對(duì)處理后的預(yù)測(cè)值相加重構(gòu)，得到最終預(yù)測(cè)結(jié)果。

技術(shù)研發(fā)人員：闕祖琛,金波,相強(qiáng)強(qiáng),周伊江,婁刃
受保護(hù)的技術(shù)使用者：浙江省交通運(yùn)輸科學(xué)研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2