基于DE和ELM交通流预测.docx

基于DE和ELM交通流预测 【摘要】交通流预测在智能交通系统中具有重要 地位，本文提出了利用极限学习机对交通流进行预测。为了 整体提高算法的泛化性能，寻求全局最优解，在极限学习机 的训练阶段，利用差分进化算法对其权值进行优化。实验采 用西安某地区的交通流数据作为实验数据来评估所提算法 的性能。结果表明，所提出的DE-ELM算法在交通流预测中 具有较高的精确度，验证了其有效性。 【关键词】交通流；预测；极限学习机；差分进化 0引言 交通流预测是交通控制、交通管理与调度的一个必不可 少的组成部分和关键步骤。交通管理部门和司机需要较为精 确的交通流预测信息。并且，可靠的预测方法可以帮助避免 出现一些如交通堵塞的调度问题。此外，准确的预测对交通 运行管理具有重大影响，如果预测不准确，产生误差，将会 导致交通拥堵、耗费大量的时间和汽车燃料。因此，交通流 预测已经成为一个热门话题。 在过去几十年中，很多方法被提出来用于交通流的预 测，文献［1］指出，交通流的预测方法可根据数据类型、预 测范围以及潜在的最终用途进行分类。神经网络已被成功应 用于很多工程领域，在交通流预测中也得到了较好的预测效 果。然而，神经网络存在显著的缺点，由于没有正确、明确 选择各参数的方法，通常根据个人主见反复实验选择模型的 训练参数，易出现过拟合问题，容易陷入局部最优等。为克 服神经网络的不足，文献[2]利用支持向量机进行交通流的 预测。然而，实验结果表明，支持向量机的核函数选择与相 应三个参数(C, Y和￡ )的设置对算法的预测性能产生重 要影响，其仍然需要依赖经验进行设置，参数寻优过程的时 间复杂度高，不适合大规模样本的学习与预测。因此，本文 采用极限学习机(Extreme Learning Machine, ELM)作为 交通流的预测算法，利用差分进化算法(Differential Evolution, DE) [3],对ELM的权值进行优化，寻求全局最 优解，整体提高算法的泛化性能，检验所提算法预测性能。 1 ELM算法 已知训练样本x?，t?，x?WR?，t?WR?，i=l,…, N含有L个节点，激励函数为f (x)的单隐层前馈神经网络 可表示如下： ■ B HfwH ? xH+bH=oH, j=l,…，N (1) B■为连接第i个隐层节点与输出神经元的输出权值， w■为连接输入神经元与第i个隐层节点的输入权值，b■为 第i个隐层节点的偏置，o■为第j个输入样本的输出值。 具有L个隐层节点的标准单隐层前馈神经网络可以零误差逼 近于N个训练样本，1?=0,存在B?，w?，b■使 ■ B HfwH ? xH+bH=t■, j=l,…，N (2) 将公式(2)转化为下列矩阵形式： HB=T (3) 证明可知，当激励函数g (x)无限可微时，并不需要调 整所有的网络参数。因此，在算法开始时，随机设置连接权 值w和隐层节点偏置b的值，并且在训练的过程中值保持不 变。通过求解以下线性方程组的最小二乘解，得到输出的连 接权值： minHH0-T (4) 解■二H ■ T。H ■为隐层输出矩阵H的Moore-Penrose广 义逆，整个ELM算法的训练步骤表示如下： Step 1：随机设置输入权值w■以及偏置b?，i=l,…, ■ Step 2：计算隐层输出矩阵H Step 3：计算输出权值■: 2演化极限学习机 传统极限学习机的输入权值和隐层偏置在训练时随机 指定，输出权值根据输入权值与隐层偏置计算而来。然而， 使用这种方法可会产生非优化的输入权值与偏置值。为克服 该问题，ELM可能需要更多的隐层节点，导致ELM对于未知 测试集合响应速度慢。为此，引入演化极限学习机 (Evolution Extreme Machine Learning, E-ELM)o 该算法 的步骤如下： Stepl：初始化DE的种群，种群中的每一个个体由ELM 的输入权值及偏置组成 0 =wH, w?，…，w?，w?，w?，…，w?，…，wH, w?，…，w?，…，b?，b?，…，bH (5) Step2：种群中的每个个体，计算相应ELM中的广义逆, 广义逆的结果在验证集上计算均方根误差，并以该误差作为 每个个体的适应度，其计算公式如下。 E* (6) Step3：每个个体的适应度计算完毕后，应用标准DE算 法的变异，交叉和选择操作。在整个验证集上寻找最优解。 3实验与分析 为了评估本文所提出的DE-ELM方法应用于交通流预测 的性能，本文采用西安市的一部分公路交通流数据作为实验 数据，该数据是通过在早上时段(7点-10点)，每5分钟进 行一次记录所得。原始的数据集为时间序列数据，首先，应 将单一的标量时间序列数据s (t)扩展为向量时间序列数据 X (t) =xH (t), xH (t),…，