基于FOA-SVR公路客运量预测研究.docVIP

基于FOA-SVR公路客运量预测研究 　　摘要：为了进一步提高公路客运量的预测精度，提出一种基于果蝇算法（FOA）优选参数的支持向量回归（SVR）的公路客运量预测模型。该模型利用FOA算法对SVR的参数进行优选，在训练好的SVR模型基础上对公路客运量进行预测，实验结果表明，本文提出的FOA-SVR模型具有更高的预测精度，为公路客运量预测提供了一种新方法。 　　 关键词：公路客运量；果蝇算法；支持向量回归机；预测 　　 中图分类号：U492.4+13文献标识码：A 　　 　　科学准确地预测公路客运量及其发展趋势、特点和规律，是制定公路客运发展规划以及规划客运场站的重要理论依据[1]。公路客运量的预测是指根据对已有的公路客运量进行科学分析，从而对未来的公路客运量作出合理的预测。影响公路客运量预测的因素众多，这些因素与公路客运量之间呈现复杂的非线性关系，使得传统的预测方法难以满足预测精度的要求。近几年来，人工神经网络被广泛的应用到公路客运量预测中，它具有良好的非线性映射能力，但是也存在着收敛速度慢，过学习和局部极值等问题[2]，这些问题极大影响了神经网络的预测精度。 　　本文将果蝇算法与支持向量回归机相结合，提出了基于果蝇的支持向量回归机参数优选方法，利用果蝇算法优化其训练参数，得到了优化的基于果蝇的支持向量机的公路客运量预测模型。以杭州市2000-2008年公路客运量数据作为实验数据，实验结果表明，相比于神经网络，基于果蝇算法的支持向量回归机模型的预测精度更高、误差更小，可以更有效地对公路客运量进行预测。 　　1、支持向量回归机的基本原理 　　SVM本身是针对经典的二分类问题提出的，支持向量回归机（Support Vector Regression，SVR）是支持向量在函数回归领域的应用。SVR与SVM分类有以下不同：SVM回归的样本点只有一类，所寻求的最优超平面不是使两类样本点分得“最开”，而是使所有样本点离超平面的“总偏差”最小，此时样本点都在两条边界线之间，求最优回归超平面同样等价于求最大间隔。本文采用的支持向量机在回归分析中的一种算法支持向量机（）。 　　的算法原理如下：设训练集｛｝ （1） 　　其中??，对于线性回归问题，主要是在上寻找一个线性函数，以便用来计算任一输入所对应的输出值。对于非线性问题，我们则需要引进一个变换将训练数据映射到一个高维空间，把原空间的非线性回归转换成高维空间的线性回归[4]。这一变换主要通过核函数来实现。目前，常用的核函数主要有以下几种： 　　多项式核函数 　　 　　 　　径向基（）函数 　　 　　（3）核函数 　　 　　选取适当的核函数以及适当的精度和惩罚参数，构造并求解凸二次规划问题[5]。 　　（2） 　　 　　 （3） 　　得解。计算， 选取位于区间中的分量或，如果选到的是，则 （4） 　　如果选到的是，则（5） 　　最后构造出决策函数：（6） 　　损失函数采用不敏感损失函数，对于支持向量回归机，其预测精度受参数影响较大，因此需要选择合适的核函数类型及其参数组合。本文采用径向基函数（RBF）为核函数，所以需要确定的参数有惩罚系数C和不敏感损失函数宽度。由于传统的参数选取基本都是根据交叉验证法来选取参数，但是这种方法选取的时间较长并且无法保证取得最优参数值。为了提高参数的选择效率，需要采用合适的智能优化算法搜寻支持向量回归机参数的最优组合，从而获得具有较好预测能力的预测模型。 　　2、基于果蝇优化算法的SVR参数优化模型 　　2.1果蝇优化算法 　　果蝇优化算法(Fruit Fly Optimization Algorithm, FOA)是台湾学者潘文超提出的，它是一种基于果蝇觅食行为推演出的寻求全局最优化的新方法[6]。由于果蝇本身在感观知觉上优于其它物种，尤其在视觉与嗅觉上，果蝇的嗅觉器官能很好地搜集漂浮在空气中的各种气味，通过使用其灵敏的视觉发现食物与同伴的聚集位置，最后找到味道浓度最高的果蝇[7]。 　　2.2 果蝇算法优化SVR参数步骤 　　本文采用FOA算法来对SVR的参数对进行优化。在FOA-SVR算法中，每一个果蝇味道浓度判定值代表SVR的一组参数对。将FOA算法应用于SVR参数优选时，算法步骤如下： 　　步骤1 读入样本集。 　　步骤2 确定种群个体数量和最大迭代次数，在[0,1]范围内，随机生成果蝇的初始位置。 　　步骤3 赋予果蝇个体搜寻食物的随机飞行方向与距离区间。 　　步骤4 估计果蝇位置与原点之间的距离，计算味道浓度判定值()。。 　　步骤5将参数组合代入SVR预测模型中，以预测的误差平方和作为味道判定函数，求出该果蝇位置味道浓度()，即误差平方和。 　　步骤6 找出果蝇群体使得误差平方