亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于熵權(quán)法的交通流組合預(yù)測模型研究

        2018-06-22 02:21:18山東科技大學(xué)電氣與自動化工程學(xué)院山東青島66590山東科技大學(xué)交通學(xué)院山東青島66590
        關(guān)鍵詞:交通流量權(quán)法信息熵

        ,,,(.山東科技大學(xué) 電氣與自動化工程學(xué)院,山東 青島 66590;.山東科技大學(xué) 交通學(xué)院,山東 青島 66590)

        在智能交通研究領(lǐng)域中,無論是進(jìn)行交通規(guī)劃,還是實(shí)施交通誘導(dǎo)與控制,都需要提供交通信息并對交通狀態(tài)進(jìn)行動態(tài)估計。因此,對交通流量的預(yù)測一直是智能交通理論研究和工程應(yīng)用的熱點(diǎn)。

        目前,在交通流量預(yù)測的理論和方法已經(jīng)有許多研究成果,主要有基于統(tǒng)計理論的模型[1]、基于神經(jīng)網(wǎng)絡(luò)理論的模型[2]、基于動態(tài)分配理論的模型[3]、基于非線性預(yù)測理論的模型和基于交通模擬仿真的模型等[4]。常見的具體方法有:ARIMA法、歷史趨勢法、卡爾曼濾波模型、神經(jīng)網(wǎng)絡(luò)模型等。相關(guān)研究表明,單一模型或方法在預(yù)測精確性、快速性、動態(tài)反饋性、魯棒性或?qū)嵱眯缘确矫娓饔袃?yōu)缺點(diǎn)[5-7]。

        1969 年,Bates等[8]首次提出組合預(yù)測方法,指出它能發(fā)揮各個模型的優(yōu)點(diǎn),相互彌補(bǔ)缺陷,有效提高預(yù)測精度。此后,組合預(yù)測法一直是國內(nèi)外預(yù)測界研究的熱點(diǎn)課題,在智能交通預(yù)測領(lǐng)域也得到了廣泛應(yīng)用。

        目前較多的組合模型預(yù)測方法主要思想是應(yīng)用各種智能算法,模擬人的思維機(jī)制來進(jìn)行預(yù)測。這種組合方法雖然能提高預(yù)測精度,但往往以增加運(yùn)算時間和提高算法復(fù)雜度為代價[9]。在實(shí)時性要求高或者缺少足量樣本的情況下并不適用。而實(shí)際的交通系統(tǒng),因信息采集物理設(shè)備及覆蓋面的限制、外在環(huán)境的復(fù)雜性及不確定性等因素的影響,容易導(dǎo)致測量信息的不完整、實(shí)時性不高或信息量不足。因此,當(dāng)只有小樣本或信息匱乏時,要得到實(shí)時的交通流量預(yù)測值,需尋找一種算法簡單又滿足精度要求的新方法。

        信息熵因?yàn)橥耆⒃谠紨?shù)據(jù)基礎(chǔ)上,可以充分利用樣本數(shù)據(jù)的顯性信息和隱性信息,解決小樣本或信息匱乏的問題。因此,提出基于信息熵原理,將熵權(quán)法(entropy weight method,EWM)用于短時交通流的組合預(yù)測并做了數(shù)據(jù)驗(yàn)證。

        1 常用交通流量組合預(yù)測法介紹

        組合預(yù)測模型的數(shù)學(xué)描述通常為:

        (1)

        顯然,確定各預(yù)測模型的權(quán)重系數(shù)wi是組合預(yù)測的關(guān)鍵,常見的確定權(quán)重方法有以下幾種。

        1.1 等權(quán)重組合預(yù)測法

        1.2 用誤差最優(yōu)確定權(quán)重的組合預(yù)測法

        該方法一般以組合預(yù)測的誤差最小為原則,如取絕對值誤差最小或方差最小等[10],所取誤差不同則解出的權(quán)重也不同。

        (2)

        用該方法確定出的權(quán)重,較之等權(quán)重算法,可信度有所提高。但是單一的誤差指標(biāo)并不能全面評價各獨(dú)立預(yù)測方法的優(yōu)劣,權(quán)重系數(shù)的算法有待完善。

        1.3 基于各種智能算法的組合預(yù)測法

        由于智能算法是目前的研究熱點(diǎn),因此基于智能算法的各種組合預(yù)測法有很多。文獻(xiàn)[11]提出了基于貝葉斯與神經(jīng)網(wǎng)絡(luò)的組合預(yù)測方法,文獻(xiàn)[12]提出了基于粒子群的模糊神經(jīng)網(wǎng)絡(luò)交通流組合預(yù)測方法,文獻(xiàn)[13-14]提出了基于遺傳算法與神經(jīng)網(wǎng)絡(luò)的組合預(yù)測方法,文獻(xiàn)[15]研究了基于混沌的短時交通流預(yù)測模型,文獻(xiàn)[16-18]利用支持向量機(jī)算法分別與小波變換、卡爾曼濾波和組合核函數(shù)相結(jié)合的方法建立了組合預(yù)測模型。這些研究主要是將兩種或兩種以上智能算法進(jìn)行組合優(yōu)化,從而建立組合預(yù)測模型。

        以基于遺傳算法的組合預(yù)測法為例[19],在確定權(quán)重系數(shù)時,以某種誤差最小為目標(biāo),需要進(jìn)行初始化、編碼表示,遺傳算法循環(huán)執(zhí)行計算適應(yīng)值、選擇復(fù)制和應(yīng)用雜交和變異算子的步驟,直到算法找到一個能接受的解,或迭代了預(yù)置的次數(shù)。

        該種組合預(yù)測法能充分發(fā)揮各獨(dú)立預(yù)測方法的優(yōu)勢,預(yù)測精度高,但有兩大劣勢:一是算法復(fù)雜,計算周期長,不能滿足實(shí)時預(yù)測的需要;二是需要大量的訓(xùn)練樣本,在交通流量信息不完全時不適用。由于信息熵理論和模型可以充分利用樣本數(shù)據(jù)的顯性、隱性信息,解決小樣本或信息匱乏的問題,很好地彌補(bǔ)組合預(yù)測方法的缺點(diǎn),因此,我們采用基于熵權(quán)法的組合預(yù)測模型。

        2 基于熵權(quán)法的組合預(yù)測模型

        2.1 熵權(quán)法基本原理

        Shannon在1948年把熵概念引入到信息理論,用信息熵來對系統(tǒng)的不確定性進(jìn)行量度。定義如下:

        熵權(quán)法的基本思想是依據(jù)信息熵的概念和性質(zhì),把各個獨(dú)立預(yù)測模型的多種誤差所包含的信息進(jìn)行量化,利用此信息來確定各獨(dú)立模型在組合預(yù)測中所占的權(quán)重,進(jìn)而建立基于熵權(quán)法的組合預(yù)測模型[20]。原理如下:

        設(shè)有m種獨(dú)立子模型預(yù)測方法,n個誤差指標(biāo),則有指標(biāo)矩陣:

        (3)

        (4)

        定義第j個指標(biāo)的權(quán)重為:

        (5)

        因?yàn)樾畔㈧匾栽紨?shù)據(jù)為基礎(chǔ),客觀性比較強(qiáng),所以采用信息熵來確定組合預(yù)測模型中各個子模型的權(quán)重,不易受主觀因素的影響。

        2.2 算法步驟

        由于各獨(dú)立預(yù)測方法的誤差本身就隱含著該方法的諸多信息,因此,借用各個獨(dú)立預(yù)測方法的誤差指標(biāo)信息熵,確定各個指標(biāo)的權(quán)重,從而最終確定組合預(yù)測模型中各獨(dú)立預(yù)測方法的權(quán)重信息。在熵權(quán)法原理基礎(chǔ)上,設(shè)計了針對交通流參數(shù)的組合預(yù)測模型,算法流程如圖1所示。

        圖1 基于熵權(quán)法的組合預(yù)測模型算法流程Fig.1 Algorithm steps of combination prediction model based on EWM

        其中,指標(biāo)矩陣按公式(3)的計算方法,仿真實(shí)驗(yàn)中選取絕對百分比誤差作為誤差指標(biāo)。與理想方案的貼近度計算公式如下:

        (6)

        熵值E表示第j個誤差指標(biāo)對各預(yù)測方法的相對重要性的不確定度,根據(jù)Jaynes最大熵原理[21],確定的指標(biāo)綜合權(quán)系數(shù)應(yīng)使Shannon信息熵取極大值。對于離散隨機(jī)變量,當(dāng)其可能的取值等概率分布時,其熵達(dá)到最大值。因此,

        (7)

        (8)

        則第j個指標(biāo)的客觀權(quán)重:

        (9)

        各個獨(dú)立預(yù)測方法的權(quán)重計算:

        (10)

        最后,根據(jù)wi及式(1),計算得到最終的組合預(yù)測值。

        3 實(shí)證仿真實(shí)驗(yàn)

        算法采用MATLAB編程實(shí)現(xiàn)。為便于比較,采用文獻(xiàn)[19]中的樣本數(shù)據(jù)進(jìn)行仿真,即煙臺市1990~1999年市內(nèi)公路交通綜合流量。文中給出了實(shí)際的交通流量值,以及三種獨(dú)立預(yù)測法的預(yù)測值和誤差,算法分別是遺傳參數(shù)算法、最小二乘法和神經(jīng)網(wǎng)絡(luò)法,分別記為f1、f2、f3, 數(shù)據(jù)值見表1所示。

        在f1、f2、f3三種獨(dú)立預(yù)測結(jié)果的基礎(chǔ)上,用本研究提出的基于熵權(quán)法的組合預(yù)測模型,計算得到各模型所占的權(quán)重、組合預(yù)測值及誤差,如表2所示。其中w1、w2、w3分別表示f1、f2、f3在組合預(yù)測模型中所占的權(quán)重。

        將表2中計算的誤差按年份分別與表1中的獨(dú)立預(yù)測法的值對比可知,基于熵權(quán)法的組合預(yù)測模型得到的預(yù)測值更接近實(shí)際值,誤差較小,說明該方法切實(shí)可行。

        另外,為了與其他種類的組合預(yù)測模型比較,將基于熵權(quán)法的組合預(yù)測模型記為f5,文獻(xiàn)[19]中基于遺傳算法的組合預(yù)測模型記為f4,用兩種不同的組合模型分別計算預(yù)測值和誤差,結(jié)果如表3所示。

        表1 單一算法的預(yù)測值和誤差Tab.1 Predicted value and errors of individual prediction algorithms

        表2 基于熵權(quán)法的組合預(yù)測結(jié)果Tab. 2 Result by combination prediction model based on EWM

        表3 兩種組合預(yù)測算法結(jié)果對比Tab. 3 Effect comparison of 2 combined prediction models

        圖2 5種不同算法的預(yù)測值與實(shí)際值曲線Fig.2 Curve comparison of actual value with predicted value by 5 different algorithms

        由三個表格數(shù)據(jù)對比可知,新模型f5的預(yù)測值平均誤差分別比單一模型f1、f2、f3預(yù)測誤差低11.24%、6.83%、4.46%;與基于遺傳算法的組合預(yù)測相比,雖然預(yù)測精度只提高了3.4%,但在算法的運(yùn)行時間上具有明顯優(yōu)勢,說明新的模型較基于智能算法的組合模型計算更快。特別是在大量數(shù)據(jù)的預(yù)測上,能極大節(jié)省運(yùn)算時間。

        將5種算法的預(yù)測值與實(shí)際的綜合交通流量相比較,作交通流量曲線如圖2所示。

        圖2直觀地給出了五種預(yù)測算法的效果。用實(shí)線表示的為交通流量的實(shí)際值,從預(yù)測值與實(shí)際值曲線的貼近度來看,算法f5,即基于熵權(quán)法的組合預(yù)測模型效果最優(yōu),與實(shí)際值的誤差最小。

        通過理論分析及實(shí)際仿真結(jié)果的驗(yàn)證表明,基于熵權(quán)法的組合預(yù)測模型能發(fā)揮各獨(dú)立模型的優(yōu)勢,在較短時間內(nèi)給出較好的預(yù)測結(jié)果。

        4 結(jié)論

        本研究提出的基于熵權(quán)法的交通流組合預(yù)測模型,充分利用各個獨(dú)立預(yù)測方法所包含的顯性信息和隱性信息,相比其他幾種組合模型,尤其是復(fù)雜的智能算法組合預(yù)測,基于熵權(quán)法的交通流組合預(yù)測模型客觀性優(yōu)點(diǎn)突出,且計算簡單、實(shí)時性和實(shí)用性強(qiáng),實(shí)證分析表明了該模型的有效性。

        參考文獻(xiàn):

        [1]CHIEN S I,KUCHIPUDI C M.Dynamic travel time prediction with real-time and historic data [J].Journal of Transportation Engineering,2003,129(6):608-616.

        [2]DOUGHERTY M.A review of neural networks applied to transport [J].Transportation Research Part C,1995,3(4):247-260.

        [3]OKUTANI I,STEPHANEDES Y J.Dynamic prediction of traffic volume through Kalman filtering theory [J].Transportation Research Part B,1984,18(1):1-11.

        [4]博貴.城市智能交通動態(tài)預(yù)測模型的研究及應(yīng)用[D].廣州:華南理工大學(xué),2014.

        [5]楊春霞,符義琴,鮑鐵男.基于相似性的短時交通流預(yù)測[J].公路交通科技,2015,32(10):124-128.

        YANG Chunxia,F(xiàn)U Yiqin,BAO Tienan.Short-term traffic flow prediction based on similarity[J].Journal of Highway and Transportation Research and Development,2015,32(10):124-128.

        [6]SMITH B L,DEMETSKY M J.Traffic flow forecasting:Comparison of modeling approaches[J].Journal of Transportation Engineering,1997,123(4),261-266.

        [7]SMITH B L,WILLIAMS B M,OSWALD R K.Comparison of parametric and nonparametric models for traffic flow forecasting [J].Transportation Research Part C,2002,10(4):303-321.

        [8]BATES J M,GRANGER C W J.The combination of forecasts [J].Operational Research,1969,20(4):451-468.

        [9]康軍,段宗濤,唐蕾,等.高斯過程回歸短時交通流預(yù)測方法[J].交通運(yùn)輸系統(tǒng)工程與信息,2015,15(4):51-56.

        KANG Jun,DUAN Zongtao,TANG Lei,et al.A short term traffic flow prediction method based on Gaussian processes regression[J].Journal of Transportation Systems Engineering and Information Technology (Nature Science),2015,15(4):51-56.

        [10]高宏巖.融合移動信號流的高速公路交通擁擠預(yù)警與調(diào)控[D].青島:山東科技大學(xué),2011.

        [11]ZHENG W Z,LEE D H.Short-term freeway traffic flow prediction:Bayesian combined neural network approach[J].Journal of Transportation Engineering,2006,132(2):114-121.

        [12]陳俊洵,程龍生.基于粒子群的模糊神經(jīng)網(wǎng)絡(luò)的短時交通流量組合預(yù)測[J].數(shù)學(xué)的實(shí)踐與認(rèn)識,2014,44(22):177-184.

        CHEN Junxun,CHENG Longsheng.Combined forecasting model of short-term traffic flow based on modied particle swarm optimizer and fuzzy neural network[J].Mathematics in Practice and Theory,2014,44(22):177-184.

        [13]盧建中,程浩.改進(jìn)GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測[J].合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版),2015,38(1):127-131.

        LU Jianzhong,CHENG Hao.Short-term traffic flow forecast based on modified GA optimized BP neural network[J].Journal of Hefei University of Technology(Nature Science),2015,38(1):127-131.

        [14]張琛,徐國麗.基于云遺傳的RBF神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測[J].計算機(jī)工程與應(yīng)用,2014,50(16):216-220.

        ZHANG Chen,XU Guoli.Prediction for traffic flow of RBF neural network based on cloud genetic algorithm[J].Computer Engineering and Applications,2014,50(16):216-220.

        [15]劉力軍,李松,解永樂.短時交通流混沌預(yù)測模型的比較研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識,2011,41(17):106-114.

        LIU Lijun,LI Song,XIE Yongle.Comparative study on chaotic prediction model in short-term traffic flow[J].Mathematics in Practice and Theory,2011,41(17):106-114.

        [16]陳旭梅,龔輝波,王景楠.基于SVM和Kalman濾波的BRT行程時間預(yù)測模型研究[J].交通運(yùn)輸系統(tǒng)工程與信息,2012,12(4):29-34.

        CHEN Xumei,GONG Huibo,WANG Jingnan.BRT vehicle travel time prediction based on SVM and Kalman filter[J].Journal of Transportation Systems Engineering and Information Technology,2012,12(4):29-34.

        [17]徐娜,錢超.基于小波-SVR模型的短時交通量預(yù)測研究[J].公路交通技術(shù),2015(4):141-145.

        XU Na,QIAN Chao.Research on forecast of short-term traffic volume based on wavelet-SVR model [J].Technology of Highway and Transport,2015(4):141-145.

        [18]BING Q,GONG B,YANG Z,et al.Short-term traffic flow prediction based on combined kernel function relevance vector machine model [J].Mathematical Problems in Engineering.2015(9):1-9.

        [19]宋曰聰,胡偉,張濤.基于遺傳算法的交通流量組合預(yù)測研究[J].微計算機(jī)信息,2007,29:55-56.

        SONG Yuecong,HU Wei,ZHANG Tao.Combined prediction research of city traffic flow based on genetic algorithm[J],Microcomputer Information,2007,29:55-56.

        [20]任敏,胡彧.熵權(quán)法和云模型下的物聯(lián)網(wǎng)魯棒性評估方法[J].自動化儀表,2015,36(5):60-63.

        REN Min,HU Yu.Evaluation method based on entropy weight and cloud model for robustness of IOT[J].Process Automation Instrumentation,2015,36(5):60-63.

        [21]JAYNES E T.Information theory and statistical mechanics [J].Physical Review,1957,106(4):620-630.

        猜你喜歡
        交通流量權(quán)法信息熵
        基于熵權(quán)法的BDS鐘差組合預(yù)測模型的建立
        基于信息熵可信度的測試點(diǎn)選擇方法研究
        基于XGBOOST算法的擁堵路段短時交通流量預(yù)測
        基于GA-BP神經(jīng)網(wǎng)絡(luò)的衡大高速公路日交通流量預(yù)測
        BP神經(jīng)網(wǎng)絡(luò)結(jié)合熵權(quán)法優(yōu)化甘草皂苷提取工藝
        中成藥(2017年9期)2017-12-19 13:34:30
        基于信息熵的實(shí)驗(yàn)教學(xué)量化研究
        電子測試(2017年12期)2017-12-18 06:35:48
        基于熵權(quán)法*的廣西能源安全評價
        一種基于信息熵的雷達(dá)動態(tài)自適應(yīng)選擇跟蹤方法
        基于信息熵的IITFN多屬性決策方法
        基于改進(jìn)熵權(quán)法的風(fēng)電功率組合預(yù)測方法
        久久午夜一区二区三区| 亚洲欧美日韩国产一区| 92精品国产自产在线观看48页| 亚洲国产精品天堂久久久 | 亚洲男人的天堂在线播放| 91久久精品无码人妻系列| av手机天堂在线观看| 国产一区二区三区在线综合视频| 国产精品午夜爆乳美女视频| 国产成人啪精品| 熟女人妻一区二区中文字幕| 免费观看91色国产熟女| 免费特级毛片| 国产国语对白一区二区三区| 国产精品中文字幕日韩精品| 97在线视频人妻无码| 日本大片在线看黄a∨免费| 国产成人精品日本亚洲直播| 亚洲捆绑女优一区二区三区| 在教室伦流澡到高潮hgl动漫 | 国产md视频一区二区三区| 中文字幕欧美一区| 亚洲天堂av另类在线播放| 99久久免费看精品国产一| 人人爽久久涩噜噜噜av| 337p日本欧洲亚洲大胆色噜噜| 精品国产亚洲av久一区二区三区| 色婷婷一区二区三区四区成人网| 精品亚洲欧美无人区乱码| 91情侣在线精品国产免费| 亚洲av毛片在线免费看| 日韩欧美亚洲综合久久影院ds| 国产精品青草视频免费播放| 女同另类专区精品女同| 久久精品国产亚洲av麻豆色欲| 窝窝影院午夜看片| 久久久精品亚洲懂色av| 人妻少妇进入猛烈时中文字幕| 亚洲aⅴ天堂av天堂无码麻豆| 国产成人丝袜网站在线看| 亚洲区日韩精品中文字幕|