曹成濤，林曉輝，許倫輝

(1.廣東交通職業(yè)技術(shù)學(xué)院 智能交通工程技術(shù)應(yīng)用中心，廣東廣州 510650;2. 華南理工大學(xué)，廣東廣州 510640)

聯(lián)合FCM與群集蜘蛛優(yōu)化SVR的短時(shí)交通流量預(yù)測(cè)

曹成濤1，林曉輝1，許倫輝2

(1.廣東交通職業(yè)技術(shù)學(xué)院 智能交通工程技術(shù)應(yīng)用中心，廣東廣州 510650;2. 華南理工大學(xué)，廣東廣州 510640)

對(duì)智能交通系統(tǒng)(ITS)短時(shí)交通流量預(yù)測(cè)問題進(jìn)行研究，提出了一種聯(lián)合FCM與群集蜘蛛優(yōu)化SVR交通流量預(yù)測(cè)算法。首先采用FCM聚類方法對(duì)交通流量數(shù)據(jù)預(yù)處理，得到基于時(shí)間節(jié)點(diǎn)分割的時(shí)序數(shù)據(jù)模塊，有效降低了數(shù)據(jù)差異性帶來的誤差影響；然后構(gòu)建基于群集蜘蛛優(yōu)化SVR模型，針對(duì)SVR參數(shù)選擇難題，在群集蜘蛛優(yōu)化算法中引入社會(huì)等級(jí)制度，動(dòng)態(tài)的將蜘蛛種群劃分為上中下三個(gè)階層，并根據(jù)不同階層個(gè)體適應(yīng)度大小，分別設(shè)計(jì)自適應(yīng)競(jìng)爭(zhēng)、"快搜"以及逆向?qū)W習(xí)機(jī)制，提高了算法尋優(yōu)精度；最后，運(yùn)用群集蜘蛛優(yōu)化SVR對(duì)各個(gè)交通流量數(shù)據(jù)時(shí)序模塊進(jìn)行預(yù)測(cè)評(píng)估。仿真結(jié)果表明，同其它預(yù)測(cè)算法相比，該算法預(yù)測(cè)平均絕對(duì)誤差降低了38.4～53.8%。

交通流量預(yù)測(cè)；模糊C-均值聚類；支持向量回歸(SVR)；群集蜘蛛優(yōu)化

0 引 言

短期交通流量預(yù)測(cè)作為智能控制與信息管理的基礎(chǔ)[1]，其在智能交通系統(tǒng)(Intelligent Transportation System，ITS)中有著廣泛的應(yīng)用，實(shí)時(shí)、準(zhǔn)確的交通流量預(yù)測(cè)信息能夠有效緩解交通擁堵，降低能源消耗以及減少交通事故[2,3]。由于道路交通量變化具有非平穩(wěn)、非線性等特點(diǎn)，交通流量數(shù)據(jù)呈現(xiàn)出不確定性和隨機(jī)性[4]，因此，短時(shí)交通流量預(yù)測(cè)研究已成為城市智能交通系統(tǒng)關(guān)鍵問題之一。

短時(shí)交通流量預(yù)測(cè)方法可以分為經(jīng)典數(shù)理分析、非線性系統(tǒng)理論和人工智能模型三類[5]，面對(duì)道路交通實(shí)時(shí)變化、非平穩(wěn)隨機(jī)過程，神經(jīng)網(wǎng)絡(luò)[6]、支持向量機(jī)(SVM)[1]、極端學(xué)習(xí)機(jī)(ELM)[2,5]等智能預(yù)測(cè)模型展現(xiàn)出了優(yōu)越性能，但是受數(shù)據(jù)特征和適用條件限制，不存在一種預(yù)測(cè)方法能夠在任何狀況下都能保持絕對(duì)好的預(yù)測(cè)性能[7,15]，為此，學(xué)者們圍繞擴(kuò)大預(yù)測(cè)適用范圍和提高預(yù)測(cè)精度展開了深入研究：董春嬌等[3]結(jié)合流量數(shù)據(jù)時(shí)空特性，構(gòu)建了自由流狀態(tài)下的短時(shí)預(yù)測(cè)模型，實(shí)現(xiàn)了道路交通流狀態(tài)準(zhǔn)確預(yù)判，但是沒有充分考慮三種交通流態(tài)相互轉(zhuǎn)化對(duì)預(yù)測(cè)精度的影響；董宏輝等[8]針對(duì)交通狀態(tài)多模態(tài)特點(diǎn)，提出了一種多模態(tài)交通流量預(yù)測(cè)方法，通過研究流量數(shù)據(jù)與不同模態(tài)之間的對(duì)應(yīng)關(guān)系，在優(yōu)化ARIMA模型的基礎(chǔ)上得到了較高預(yù)測(cè)精度的交通流量預(yù)測(cè)結(jié)果，但是該方法對(duì)數(shù)據(jù)平穩(wěn)性要求較高；文獻(xiàn)[9]提出了一種基于頻譜分析的實(shí)時(shí)更新短時(shí)交通流預(yù)測(cè)算法，仿真實(shí)驗(yàn)也驗(yàn)證了該算法的有效性；商強(qiáng)等[5]在相空間重構(gòu)交通流量時(shí)序的基礎(chǔ)上，構(gòu)建了基于正則化ELM的短時(shí)交通流量預(yù)測(cè)模型，有效提高了預(yù)測(cè)精度，但是原始系統(tǒng)與重構(gòu)相空間一致性程度有待進(jìn)一步研究；芮蘭蘭等[2]將K-means聚類方法應(yīng)用于交通流量時(shí)序分割，并運(yùn)用ELM模型對(duì)各個(gè)時(shí)序塊進(jìn)行預(yù)測(cè)，仿真結(jié)果證明該方法具有更高的可信度，但是該算法沒有充分考慮ELM過擬合缺陷帶來的影響。

大量研究表明支持向量回歸(SVR)能夠有效處理小樣本、高維非線性預(yù)測(cè)問題，并在模式識(shí)別[10]、參數(shù)估計(jì)[11]、故障預(yù)判等領(lǐng)域[12]得到了廣泛應(yīng)用，但是SVR參數(shù)配置問題至今仍沒有得到很好的解決[1]。為了降低交通流量數(shù)據(jù)差異性、隨機(jī)性帶來的誤差影響，提高SVR模型預(yù)測(cè)精度，本文提出一種聯(lián)合FCM與群集蜘蛛優(yōu)化[13]SVR交通流量預(yù)測(cè)算法，通過流量時(shí)序數(shù)據(jù)模塊劃分、群集蜘蛛優(yōu)化SVR模型參數(shù)以及時(shí)序數(shù)據(jù)模塊預(yù)測(cè)評(píng)估實(shí)現(xiàn)對(duì)短時(shí)交通流量的可靠預(yù)測(cè)，實(shí)測(cè)數(shù)據(jù)與模型預(yù)測(cè)對(duì)比實(shí)驗(yàn)驗(yàn)證了該算法的有效性。

1 問題描述與FCM聚類分析

交通流量數(shù)據(jù)具有明顯的時(shí)序特性，因此，時(shí)序模型是短時(shí)交通流量預(yù)測(cè)主要模型之一[14]。交通控制周期通常為2.5～3.0 min，而交通誘導(dǎo)周期通常為5 min[5]，因此，設(shè)定數(shù)據(jù)樣本采集和預(yù)測(cè)時(shí)間間隔ΔT=5 min。

定義2 交通流量預(yù)測(cè)。對(duì)于觀察時(shí)刻t和流量預(yù)測(cè)模型，利用前τ個(gè)時(shí)刻流量對(duì)t時(shí)刻流量xt進(jìn)行預(yù)測(cè)：

(1)

其中，τ為為嵌入維數(shù)。

(2)

(3)

(4)

其中，輸入變量xi∈Rn，輸出變量yi∈R。

觀察時(shí)間序列Xn，不難發(fā)現(xiàn)通常某個(gè)時(shí)間段內(nèi)流量數(shù)據(jù)具有更多相似性[16]，例如上班早高峰時(shí)間段，交通流量數(shù)據(jù)明顯高于非高峰時(shí)期，為了降低不同時(shí)間段交通流量數(shù)據(jù)差異性、隨機(jī)性帶來的誤差影響，采用FCM聚類方法對(duì)Xn進(jìn)行時(shí)序數(shù)據(jù)模塊劃分，從而得到多個(gè)流量數(shù)據(jù)時(shí)間序列?；贔CM時(shí)序數(shù)據(jù)模塊劃分過程為：

Step1.初始化。設(shè)置聚類簇集個(gè)數(shù)K、模糊加權(quán)指數(shù)M、最大迭代次數(shù)Tmax以及終止條件Θ。隨機(jī)生成K個(gè)聚類簇集中心vk(k=1,2,…,K)。

Step2.隸屬度矩陣計(jì)算。對(duì)于xi，根據(jù)式(5)計(jì)算其對(duì)vk的隸屬度值μki。

(5)

Step3.聚類中心計(jì)算。根據(jù)式(6)重新計(jì)算聚類中心vk。

(6)

Step5.時(shí)序調(diào)整。對(duì)于第k個(gè)聚類簇集，由于FCM基于交通流量值大小進(jìn)行聚類分析，因此，其內(nèi)部元素對(duì)應(yīng)的采集時(shí)間可能是不連續(xù)的，需要依次對(duì)聚類簇集進(jìn)行時(shí)序調(diào)整：保留簇集內(nèi)采集時(shí)間連續(xù)變化最多的元素，并將剩余元素剔除；當(dāng)所有簇集完成對(duì)應(yīng)操作后，按照時(shí)序空缺，依次將剔除元素加入與之對(duì)應(yīng)的空缺時(shí)序簇集內(nèi)，如果某個(gè)剔除元素能夠同時(shí)進(jìn)入兩個(gè)聚類簇集，則優(yōu)先選取距離聚類中心較近的簇集。

定義4 時(shí)序數(shù)據(jù)模塊分割。時(shí)間序列Xn執(zhí)行FCM時(shí)序數(shù)據(jù)模塊劃分操作后，得到多個(gè)時(shí)序數(shù)據(jù)模塊：

(7)

2 支持向量回歸(SVR)

支持向量機(jī)(SVR)本質(zhì)是通過非線性映射φ(x)將低維數(shù)據(jù)x映射到高維特征空間，并完成線性回歸擬合，即：

(8)

其中，向量ω∈。當(dāng)樣本不滿足擬合函數(shù)時(shí)，引入損失函數(shù)參數(shù)ε、松弛變量和懲罰系數(shù)C，并將線性回歸擬合轉(zhuǎn)化為約束優(yōu)化問題，即：

(9)

其中，l為樣本數(shù)。在式(9)中引入拉格朗日函數(shù)、對(duì)偶變量以及核函數(shù)：

(10)

根據(jù)KKT條件有：

(11)

此時(shí)，式(9)轉(zhuǎn)化為：

(12)

(13)

結(jié)合定義2、定義3，對(duì)于利用前τ個(gè)時(shí)刻流量對(duì)t時(shí)刻流量進(jìn)行預(yù)測(cè)問題，其擬合函數(shù)為：

(14)

其中，t=τ+1,…,n。本文選取核函數(shù)為徑向基核函數(shù)：

(15)

SVR存在參數(shù)選擇難題，而懲罰系數(shù)C、損失函數(shù)參數(shù)ε、核函數(shù)σ以及嵌入維數(shù)τ對(duì)SVR預(yù)測(cè)結(jié)果可信度有著重要影響：①C用于平衡擬合誤差與預(yù)測(cè)模型復(fù)雜度，C取值過小或者過大會(huì)產(chǎn)生“欠學(xué)習(xí)”或“過學(xué)習(xí)”現(xiàn)象。②ε用于控制擬合誤差大小，ε不合理取值會(huì)增加計(jì)算量或者降低預(yù)測(cè)精度。③σ對(duì)模型預(yù)測(cè)精度影響較大。④τ決定了系統(tǒng)相空間重構(gòu)準(zhǔn)確度，對(duì)模型預(yù)測(cè)可信度起到?jīng)Q定性作用。為了獲取最佳SVR模型預(yù)測(cè)性能，本文采用SSO實(shí)現(xiàn)SVR模型參數(shù)選取。

3 群集蜘蛛優(yōu)化的SVR預(yù)測(cè)模型

3.1 基本SSO算法

SSO作為最近才被提出的智能優(yōu)化算法，在經(jīng)典測(cè)試函數(shù)優(yōu)化問題表現(xiàn)出了優(yōu)異性能[13]，其主要模擬蜘蛛群體協(xié)同進(jìn)食現(xiàn)象，通過個(gè)體之間信息交流，最終尋找到優(yōu)化問題最優(yōu)解。SSO原理描述如下(最小值問題)：

Step1.算法初始化。對(duì)于N維優(yōu)化問題，隨機(jī)生成由P只蜘蛛組成的蜘蛛種群S，S又分為雌性子群F和雄性子群M，F(xiàn)內(nèi)雌性蜘蛛數(shù)量Pf、M內(nèi)雄性蜘蛛數(shù)量Pm分別為：

(16)

Step2.蜘蛛進(jìn)化。SSO通過蜘蛛生物學(xué)行為，分別為雌性蜘蛛Fi、雄性蜘蛛Mi定義了不同的進(jìn)化方式：

(17)

(18)

其中，J(·)為目標(biāo)函數(shù)適應(yīng)度值，ωi、ωNf+m分別為蜘蛛權(quán)重值和群體權(quán)重參考值；Sc為與Fi最近且權(quán)重高于Fi的蜘蛛，Sb為F中權(quán)重最高的蜘蛛，Sf為距離Mi最近蜘蛛；Vibvl為蜘蛛感知能力，PF為概率因子，α、β、rm、δ為隨機(jī)數(shù)。

Step3.婚配行為。對(duì)于雄性蜘蛛Mi，當(dāng)ωi>ωNf+m時(shí)，Mi每個(gè)維度以輪盤賭的方式選取婚配半徑r內(nèi)的雌性蜘蛛進(jìn)行維度數(shù)值交換。

(19)

其中，F(xiàn)jmax、Mjmax和Fjmin、Mjmin表示蜘蛛第j維最大值與最小值。

Step4.終止條件判斷。重復(fù)執(zhí)行蜘蛛進(jìn)化和婚配行為，直至滿足終止條件。

3.2 SSO改進(jìn)方法

研究表明，對(duì)于復(fù)雜函數(shù)優(yōu)化問題，SSO容易出現(xiàn)“早熟”現(xiàn)象，導(dǎo)致收斂精度不高。為了提高SSO求解復(fù)雜問題能力，從3方面進(jìn)行改進(jìn)：①提高蜘蛛種群多樣性，根據(jù)群體內(nèi)蜘蛛適應(yīng)度大小，建立上中下3種社會(huì)等級(jí)；②改進(jìn)蜘蛛個(gè)體更新策略，對(duì)于下層蜘蛛設(shè)計(jì)逆向?qū)W習(xí)機(jī)制；③加快算法收斂速度，對(duì)于上層蜘蛛設(shè)計(jì)“快搜”策略。(以雌性子群為例)

(20)

自適應(yīng)競(jìng)爭(zhēng) 在算法每次迭代結(jié)束后，適應(yīng)度排名靠前的蜘蛛以自適應(yīng)競(jìng)爭(zhēng)的方式進(jìn)入上層階級(jí)，即：

(21)

逆向?qū)W習(xí)機(jī)制 對(duì)于下層階級(jí)蜘蛛，本文模擬光學(xué)反射現(xiàn)象，提出逆向?qū)W習(xí)機(jī)制(如圖1(a)所示)，其具體工作原理為：

(22)

(23)

(24)

又有：

(25)

(26)

聯(lián)立式(23-26)有：

(27)

(28)

η以Δη變化率轉(zhuǎn)動(dòng)鏡面，可以得到系列Fik,new，取適應(yīng)度最優(yōu)的維度值作為k維變量最終更新結(jié)果。當(dāng)Fi完成所有維度更新后，若蜘蛛適應(yīng)度值優(yōu)于原來蜘蛛，則新的蜘蛛替代原個(gè)體；否則隨機(jī)生成新的蜘蛛。

圖1 逆向?qū)W習(xí)機(jī)制示意圖

“快搜”策略 對(duì)于上層階級(jí)蜘蛛，本文設(shè)計(jì)“快搜”策略，以提高算法收斂速度(如圖1(b)所示)?！翱焖选辈呗怨ぷ鬟^程為：

(29)

3.3 SSO-SVR實(shí)現(xiàn)

(30)

其中，Ci,min,Ci,max,εi,min,εi,max,σi,min,σi,max,τi,min,τi,max分別為懲罰函數(shù)C、損失函數(shù)參數(shù)ε、核函數(shù)σ以及嵌入維數(shù)τ取值范圍。

定義6 目標(biāo)函數(shù)。對(duì)于SVR參數(shù)配置問題，目標(biāo)函數(shù)定義為：

(31)

SSO-SVR實(shí)現(xiàn)流程為：

輸入：訓(xùn)練樣本交通流量時(shí)間序列、聚類簇集個(gè)數(shù)K和需要預(yù)測(cè)流量時(shí)間段。輸出：交通流量預(yù)測(cè)值。1 根據(jù)FCM時(shí)序數(shù)據(jù)模塊劃分過程，得到{X′1，X′2，…，X′K}。Fork=1：Kdo//對(duì)每個(gè)時(shí)序模塊預(yù)測(cè)2 算法初始化。設(shè)置SSO-SVR相關(guān)參數(shù)，讀入樣本數(shù)據(jù)。While(終止條件不滿足)do{3 根據(jù)式(20)對(duì)種群進(jìn)行階層劃分。4 根據(jù)式(28)分別對(duì)雌雄子群內(nèi)下層階級(jí)蜘蛛進(jìn)行更新；根據(jù)“快搜”策略分別對(duì)雌雄子群內(nèi)上層階級(jí)蜘蛛進(jìn)行更新；中層蜘蛛采用基本SSO算法更新策略。5 雌雄子群發(fā)生婚配行為。6 更新雌雄子群最優(yōu)解和全局最優(yōu)解。}7 得到SVR最佳參數(shù)組合Ck，best，εk，best，σk，best，τk，best()。8 根據(jù)式(14)對(duì)交通流量進(jìn)行預(yù)測(cè)，得到該時(shí)段交通流量數(shù)據(jù)。Endfor

4 實(shí)驗(yàn)仿真

實(shí)驗(yàn)采用兩組數(shù)據(jù)源：第1組與第2組分別采集廣州市某十字路口和丁字路口7天內(nèi)6:00～10:00 交通流量作為實(shí)驗(yàn)數(shù)據(jù)(采集時(shí)間間隔ΔT=5 min)，共得到343個(gè)數(shù)據(jù)。其中前6天數(shù)據(jù)作為訓(xùn)練樣本，而第7天數(shù)據(jù)用于預(yù)測(cè)評(píng)估模型[17]。為了分析SSO-SVR預(yù)測(cè)性能，引入平均絕對(duì)誤差MAE、均方誤差RMSE和均等系數(shù)EC3個(gè)指標(biāo)[18,19]。

(32)

(33)

4.1 仿真結(jié)果分析

表1 預(yù)測(cè)模型參數(shù)優(yōu)化結(jié)果

圖2 SSO-SVR各個(gè)時(shí)序數(shù)據(jù)模塊預(yù)測(cè)結(jié)果

圖3 SSO優(yōu)化SVR參數(shù)配置函數(shù)收斂曲線

從表1和圖2可以看出，SSO-SVR將流量數(shù)據(jù)分割成3個(gè)時(shí)序數(shù)據(jù)模塊，而且每個(gè)模塊的均等系數(shù)EC指標(biāo)都在0.90以上，表明流量預(yù)測(cè)值與真實(shí)測(cè)量值擬合程度很高。從圖2可以看出，SSO基本只需要180迭代就能夠收斂取最優(yōu)解，而且具有較高的收斂精度。

4.2 對(duì)比實(shí)驗(yàn)分析

為了進(jìn)一步分析SSO-SVR預(yù)測(cè)模型性能，選取文獻(xiàn)[1]提出的CPSOAFS-SVR模型和文獻(xiàn)[2]提出的TFPBCM模型進(jìn)行對(duì)比實(shí)驗(yàn)，其中SSO-SVR仍采取FCM聚類時(shí)序模塊分割機(jī)制，當(dāng)各個(gè)模塊完成流量預(yù)測(cè)后，所有預(yù)測(cè)結(jié)果匯總后統(tǒng)一進(jìn)行指標(biāo)分析。圖4給出了不同預(yù)測(cè)模型流量預(yù)測(cè)對(duì)比結(jié)果，表2給出了不同預(yù)測(cè)模型指標(biāo)對(duì)比。

圖4 不同預(yù)測(cè)模型流量預(yù)測(cè)對(duì)比

第一組數(shù)據(jù)第二組數(shù)據(jù)MAERMSEECMAERMSEECSSO-SVR7 1366 270 93110 25101 840 927文獻(xiàn)[1]15 42228 730 85919 48335 710 889文獻(xiàn)[2]11 5877 680 88112 16203 430 892

從圖4和表2可以看出，SSO-SVR三種指標(biāo)都要優(yōu)于其它兩種模型：對(duì)于EC指標(biāo)，SSO-SVR都在0.91以上，比其它兩種模型更加接近1，表明該模型預(yù)測(cè)值與真實(shí)值擬合程度更高；對(duì)于MAE和RMSE指標(biāo)，SSO-SVR都要低于另外兩種模型，表明該模型預(yù)測(cè)精度更高，預(yù)測(cè)平均絕對(duì)誤差降低了38.4～53.8%。仿真結(jié)果表明，聯(lián)合FCM與群集蜘蛛優(yōu)化SVR短時(shí)交通流量預(yù)測(cè)模型在短時(shí)交通流量預(yù)測(cè)方面具有較大優(yōu)勢(shì)。

5 結(jié) 語(yǔ)

提出了一種聯(lián)合FCM與群集蜘蛛優(yōu)化SVR的短時(shí)交通流量預(yù)測(cè)方法，該方法在FCM時(shí)序數(shù)據(jù)模塊分割的基礎(chǔ)上，利用群集蜘蛛優(yōu)化SVR模型實(shí)現(xiàn)對(duì)短時(shí)交通流量數(shù)據(jù)準(zhǔn)確預(yù)測(cè)，仿真結(jié)果也驗(yàn)證了該方法的有效性。下一步將重點(diǎn)圍繞流量數(shù)據(jù)時(shí)空關(guān)聯(lián)特性、交通誘導(dǎo)決策、多路段大數(shù)據(jù)分析等方面進(jìn)行研究。

[1] 姚衛(wèi)紅，方仁孝，張旭東.基于混合人工魚群優(yōu)化SVR的交通流量預(yù)測(cè)[J].大連理工大學(xué)學(xué)報(bào)，2015，55(6)：632-637.

[2] 芮蘭蘭，李欽銘.基于組合模型的短時(shí)交通流量預(yù)測(cè)算法[J].電子與信息學(xué)報(bào)，2016，38(5)：1227-1233.

[3] 董春嬌，邵春福，諸葛承祥，等.基于時(shí)空特性的交通自由流短時(shí)預(yù)測(cè)狀態(tài)空間模型[J].土木工程學(xué)報(bào)，2013，46(8)：111-118.

[4] Vlahogianni E I, Karlaftis M G, Golias J C. Short-term traffic forecasting: Where we are and where we’re going [J]. Transportation Research Part C; Emerging T echnologies,2014,43:3-19.

[5] 商強(qiáng)，楊兆升，李志林，等.基于相空間重構(gòu)和RELM的短時(shí)交通流量預(yù)測(cè)[J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016，44(4)：109-114.

[6] 覃明貴.城市道路交通數(shù)據(jù)挖掘研究與應(yīng)用[D]. 復(fù)旦大學(xué)，2010.

[7] 王建，鄧衛(wèi)，趙金寶.基于改進(jìn)型貝葉斯組合模型的短時(shí)交通流量預(yù)測(cè)[J].東南大學(xué)學(xué)報(bào)(自然科學(xué)版)，2012，42(1)：162-167.

[8] 董宏輝，孫曉亮，賈利民，等.多模態(tài)的交通流量預(yù)測(cè)模型[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版)，2011，41(3)：645-649.

[9] TCHRAKIAN T T, BASU B, and O’MAHONY M. Real-time traffic flow forecasting using spectral analysis [J]. IEEE Transactions on Intelligent Transportation Systems, 2012, 13(2): 519-526.

[10]楊發(fā)權(quán)，李贊，郝本建，等.基于粒子群優(yōu)化與SVR-ADLA算法的MIMO系統(tǒng)識(shí)別研究[J].高技術(shù)通訊，2015，25(1)：24-30.

[11]楊兆軍，楊川貴，陳菲，等.基于PSO算法和SVR模型的加工中心可靠性模型參數(shù)估計(jì)[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版)，2015，45(5)：829-836.

[12]王琳，張赟，彭文輝，等.基于人工蜂群優(yōu)化的支持向量回歸機(jī)預(yù)測(cè)方法[J].系統(tǒng)工程與電子技術(shù)，2014，36(2)：326-330.

[13]Cuevas E, Cienfuegos M. Zaldiva D, et al. A swarm optimization algorithm inspired in the behavior of the social spider [J]. Expert System with Applications, 2013,

40(16):6374-6384.

[14]聶慶慧，夏井新，錢振東.城市道路交通流短時(shí)預(yù)測(cè)及可靠性分析[J].西南交通大學(xué)學(xué)報(bào)，2013，48(5)：955-960.

[15]程俊，張雪瑩，李瑞賢. 基于元學(xué)習(xí)的軟件缺陷預(yù)測(cè)推薦方法[J].中國(guó)電子科學(xué)研究院學(xué)報(bào)，2015，10(6)：620-927.

[16]叢新宇，虞慧群，范貴生．基于組合模型的交通流量預(yù)測(cè)方法[J]．華東理工大學(xué)學(xué)報(bào):自然科學(xué)版，2011，37(3): 340 -345．

[17]Wanli Mina，Laura Wynter．Real-time road traffic prediction with spatio-temporal correlations[J]．Transportation Research Part C，2011，19(4):73 -78．

[18]Lucas Barcelos de Oliveira，Eduardo Camponogara． Multi-agent model predictive control of signaling split in urban traffic networks[J]． Transportation Research Part C，2010，18(1):120-139．

[19]Dominik Sierociuka，Inés Tejadob，Blas M．Vinagreb． Improved fractional Kalmanfilter and its application to estimation over lossy networks[J]. Signal Processing，2011，91(3): 542-552．

Short-term Traffic Flow Prediction Algorithm Based on FCM and Optimized SVR with Social Spider Optimization Algorithm

CAO Cheng-tao1，LIN Xiao-hui1，XU Lun-hui2

(1.Intelligent Traffic Engineering Technology Center, Guangdong Communication Polytechnic, Guangzhou 510650,China； 2.South China University of Technology, Guangzhou 510640,China)

The short-term traffic flow forecasting problem of intelligent transportation system (ITS) is studied, and a traffic flow prediction algorithm based on combined FCM and optimized SVR with social spider optimization algorithm is proposed. Firstly, the FCM clustering method is used to process the traffic flow data, and the time sequence data modules based on time node segmentation are obtained, which effectively reduce the error caused by the difference of the data. Then, the SVR prediction model based on social spider optimization (SSO) algorithm is constructed. For the disadvantage of parameter selection of SVR, the social hierarchy is introduced to SSO, and the spider population is divided into three different classes dynamically. According to the individual fitness in different classes, the adaptive competition, "fast search" and reverse learning mechanism are designed, helping to improve the accuracy of SSO. Finally, the optimized SVR with SSO is used to predict the short-term traffic flow for each time sequence data module. Simulation results show that, Compared with other prediction algorithms, the average absolute deviation of the algorithm is reduced by 38.4% to 53.8%.

traffic flow forecasting; fuzzy C-means clustering; support vector regression (SVR); social spider optimization

10.3969/j.issn.1673-5692.2017.01.010

2016-10-10

2017-01-20

國(guó)家星火計(jì)劃項(xiàng)目：基于物聯(lián)網(wǎng)的光伏大棚智能控制技術(shù)應(yīng)用與示范(2015GA780024)；廣東省高等學(xué)校優(yōu)秀青年教師培養(yǎng)計(jì)劃項(xiàng)目：城市交通信號(hào)控制實(shí)時(shí)評(píng)價(jià)模型及其優(yōu)化方法研究(Yq2013180)；廣東省高等職業(yè)教育品牌專業(yè)建設(shè)項(xiàng)目：智能交通技術(shù)運(yùn)用(2016gzpp044)。

曹成濤(1981—)，男，山東人，副教授，博士，華南理工大學(xué)訪問學(xué)者，主要研究方向：智能交通系統(tǒng)、智能控制技術(shù)；

E-mail：jncct@163.com

林曉輝(1981—)，男，廣東人，副教授，碩士，主要研究方向?yàn)橹悄芙煌ㄏ到y(tǒng)等；

許倫輝(1965—)，男，江西人，教授，博士，主要研究方向?yàn)橹悄芙煌ㄏ到y(tǒng)、智能控制。

TP391

A

1673-5692(2017)01-052-08