发明内容
针对上述背景技术中指出的技术问题,本发明的目的在于提供一种空中交通流量混沌预测方法及***、存储介质、终端。
为实现上述目的,本发明提供的技术方案如下:
第一方面
本发明提供了一种空中交通流量混沌预测方法,包括如下步骤:
步骤1:构建空中交通流量混沌时间序列预测模型,所述空中交通流量混沌时间序列预测模型为利用遗传算法优化的径向基函数神经网络;
步骤2:计算不同时间尺度的空中交通流量时间序列的Lyapunov指数,根据Lyapunov指数判断所述空中交通流是否具有混沌特性;若有,则对空中交通流量时间序列进行归一化处理;
步骤3:根据归一化处理后的空中交通流量时间序列,确定相空间重构参数延迟时间和嵌入维度,其中,所述嵌入维度的值使用基于虚假最邻近点法的改进Cao方法确定;
步骤4:利用步骤3确定的延迟时间和嵌入维度,对归一化处理后的空中交通流量时间序列进行相空间重构,其中相空间重构后空中交通流量时间序列向量空间的维度等于步骤3确定的嵌入维度值;
步骤5:将相空间重构后的空中交通流量时间序列输入到步骤1构建的空中交通流量混沌时间序列预测模型中进行预测;其中,空中交通流量混沌时间序列预测模型中输入层个数确定为步骤3确定的嵌入维度值,输出层个数确定为1。
第二方面
与上述方法相对应地,本发明还提供了一种空中交通流量混沌预测***,包括如下单元:空中交通流量混沌时间序列预测模型构建单元、空中交通流量时间序列归一化处理单元、相空间重构参数确定单元、相空间重构单元、预测单元;
所述空中交通流量混沌时间序列预测模型构建单元用于构建空中交通流量混沌时间序列预测模型,所述空中交通流量混沌时间序列预测模型为利用遗传算法优化的径向基函数神经网络;
所述空中交通流量时间序列归一化处理单元用于计算不同时间尺度的空中交通流量时间序列的Lyapunov指数,根据Lyapunov指数判断所述空中交通流是否具有混沌特性;若有,则对空中交通流量时间序列进行归一化处理;
所述相空间重构参数确定单元用于根据归一化处理后的空中交通流量时间序列,确定相空间重构参数延迟时间和嵌入维度,其中,所述嵌入维度的值使用基于虚假最邻近点法的改进Cao方法确定;
所述相空间重构单元利用相空间重构参数确定单元确定的延迟时间和嵌入维度,对归一化处理后的空中交通流量时间序列进行相空间重构,其中相空间重构后空中交通流量时间序列向量空间的维度等于相空间重构参数确定单元确定的嵌入维度值;
所述预测单元将相空间重构后的空中交通流量时间序列输入到空中交通流量混沌时间序列预测模型中进行预测;其中,空中交通流量混沌时间序列预测模型中输入层个数确定为相空间重构参数确定单元确定的嵌入维度值,输出层个数确定为1。
第三方面
与上述方法相对应地,本发明还提供了一种存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述的空中交通流量混沌预测方法。
第四方面
与上述方法相对应地,本发明还提供了一种终端,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述的空中交通流量混沌预测方法。
与现有技术相比,本发明的有益效果是:
通过实际交通流数据对模型进行验证,相比传统方法利用本申请对空中交通流量时间序列具有更好预测精度和预测速度。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例提供了一种空中交通流量混沌预测方法,包括如下步骤:
步骤1:构建空中交通流量混沌时间序列预测模型,所述空中交通流量混沌时间序列预测模型为利用遗传算法优化的径向基函数神经网络;
其中,所述构建空中交通流量混沌时间序列预测模型,具体如下:
步骤1.1:基于混沌特性构建径向基函数神经网络;
其中,所述径向基函数神经网络的结构如下:
第1层为输入层;输入层将输入信号传递到径向基函数神经网络,其中,空中交通流量时间序列
作为网络输入矢量,
x为空中交通流量时间序列值,
N为空中交通流量时间序列长度;
第2层为隐含层;隐含层采用的径向基函数是一种局部分布的中心点径向对称衰减的非负非线性函数,具体采用高斯基函数,如下式:
式中,
;
M为隐含层节点个数;
X为网络输入矢量;
为隐含层节点的输出;
C i 为高斯函数的中心矢量;
为矢量的Euclid范数;
为第
i个隐节点的标准化常数;
第3层为输出层;
是一种由隐含层到输出层的线性映射,如下式:
式中,
y是输出层的输出;
是隐含层与输出层之间的加权系数;
是隐含层第
i个节点的输出;
b是输出层的阈值。
步骤1.2:利用遗传算法对径向基函数神经网络进行优化。
其中,利用遗传算法对径向基函数神经网络进行优化,具体如下:
步骤1.2.1:以径向基函数的中心矢量
C i 和隐含层与输出层之间的加权系数
和输出层的阈值
b为待优化网络参数,采用实数编码形式初始化种群个体;
步骤1.2.2:计算种群个体适应度,以均方误差为种群个体的适应度函数,以种群个体所获得的神经网络参数对径向基函数神经网络进行训练;
步骤1.2.3:判断训练后的径向基函数神经网络是否达到预定精度或进化代数预设值;若是,则将对应的种群个体作为最优种群个体,输出最优种群个体的神经网络参数,跳到步骤1.2.5;若否,继续迭代,跳到步骤1.2.4;
步骤1.2.4:首先,采用轮盘赌方法选择种群个体,然后,利用算术交叉方法进行种群个体交叉,同时引入变异算子,变异概率取0.05,进行种群个体变异;跳到步骤1.2.3;
步骤1.2.5:以最优种群个体的神经网络参数作为径向基函数神经网络的参数,利用最优种群个体所产生的新的中心矢量
C i 、隐含层与输出层之间的加权系数
和输出层的阈值
b进行训练,使径向基函数神经网络特性符合实际的扇区交通运行特性。
步骤2:计算不同时间尺度的空中交通流量时间序列的Lyapunov指数,根据Lyapunov指数判断所述空中交通流是否具有混沌特性;若有,则对空中交通流量时间序列进行归一化处理;
步骤3:根据归一化处理后的空中交通流量时间序列,确定相空间重构参数延迟时间和嵌入维度,其中,所述嵌入维度的值使用基于虚假最邻近点法的改进Cao方法确定;
其中,基于虚假最邻近点法的改进Cao方法确定嵌入维度的值的步骤如下:
式中,
,
j为进行相空间重构后向量空间的相点数量;
为延迟时间取值;
m为待求嵌入维度值,
m为整数且
,
为相空间重构后嵌入维度值取
m的向量空间的第
j个向量;
步骤3.2:定义
为嵌入维度值等于
m时
向量空间中相点最邻近点,如下式:
步骤3.3:定义如下公式:
其中,
表示度量欧氏距离的最大向量范数;
为
m+1维重构相空间的的第
j个向量;
是
在
m+1维重构相空间的第
j个相点的最邻近点;
用来判断在
m维重构相空间中邻近的任何两点在
m+1维重构相空间中是否仍邻近,如果邻近则这一对点为真邻近点,否则为虚假邻近点,通过观察
是否大于限制值来判断虚假邻近点;
步骤3.4:对于不同的相点,
具有不同的限制值,且不同的空中交通流量时间序列具有不同的限制值,因此给出与空中交通流量时间序列数据不相关的嵌入维度值
m的确定方法,定义如下公式:
其中,
为所有
的平均值,
仅和延迟时间值
和嵌入维度值
m有关;
表示从
到
即从
m到
m+1的变化程度;
步骤3.5:增加区分确定性和随机性信号准则,定义下式:
其中,
为所有邻近点距离的平均值;
表示
到
的变化程度,当始终有
=1时,空中交通流量时间序列为随机信号,对应的
m不可取为空中交通流量时间序列的嵌入维度值,继续迭代;由于确定性的空中交通流量时间序列的数据之间存在相关性,则必定存在
不等于1,因此,当
时,对应的
m为空中交通流量时间序列的嵌入维度值;
步骤3.6:逐步增大
m,并重复执行步骤3.1、步骤3.2、步骤3.3、步骤3.4、步骤3.5,当
不再变化时的
m为空中交通流量时间序列的嵌入维度值;
步骤3.7:引入
是否不再变化的判定步骤,迭代判断随
m的增大
是否停止变化,根据步骤3.4中计算的
的波动趋势选取一个可接受偏差水平
e;
e的值根据所需精度确定,
;
步骤3.8: 计算
的均值
和离差的绝对值
,如下式所示;
其中,
k为步骤3.4中累积计算中所有
m的值,
;
即为每个
k对应的
m的
的值,即当
k与
m对应时有
;
步骤3.9:比较离差的绝对值
与可接受偏差水平
e大小;若
,
为
的最大值,则第一个满足
对应的
k为所求嵌入维度值;如果
,
为
的最小值,则以
中
对应的下标
u为新的起始点,更新
k的范围为
;
步骤3.10:重复执行步骤3.7、步骤3.8、步骤3.9,直到
k的值满足可接受偏差水平
e,且
不等于1,
为每个
k对应的
的值,此时
k即为最终所求嵌入维度值
m。
步骤4:利用步骤3确定的延迟时间和嵌入维度,对归一化处理后的空中交通流量时间序列进行相空间重构,其中相空间重构后空中交通流量时间序列向量空间的维度等于步骤3确定的嵌入维度值;
步骤5:将相空间重构后的空中交通流量时间序列输入到步骤1构建的空中交通流量混沌时间序列预测模型中进行预测;其中,空中交通流量混沌时间序列预测模型中输入层个数确定为步骤3确定的嵌入维度值,输出层个数确定为1。
本申请根据空中交通流量时间序列的内在混沌特征,建立了遗传算法与径向基神经网络耦合的空中交通流量混沌时间序列预测模型。本申请采用了基于虚假最邻近点离差与可接受偏差迭代比较寻优的改进Cao方法,通过嵌入维度稳定性准则的引入,修正了Cao方法中的主观误差问题,求得交通时间序列更精确的嵌入维度,使重构后的相空间能够更好的反映出空中交通***的内在特征。在对时间序列进行相空间重构的基础上,针对径向基神经网络预测效果不稳定和参数误差的不足,提出了耦合遗传算法的径向基神经网络预测混沌时间序列的方法。利用遗传算法优化径向基神经网络的中心矢量、加权系数和输出层阈值,弥补了神经网络对初始值敏感的缺陷,之后使用解空间搜索到的最优系数训练神经网络,将混沌与神经网络结合,提高了预测模型对非线性***的拟合性。以5min时间间隔为例,提出的预测模型相比长短期记忆神经网络和传统径向基神经网络,平均绝对误差和对称平均绝对百分比误差以及均方根误差相比分别降低了误差分别减少了17.88%、6.25%、21.47%,运行速度提高了14.46%。
与上述方法相对应地,本实施例还提供了一种空中交通流量混沌预测***,包括如下单元:空中交通流量混沌时间序列预测模型构建单元、空中交通流量时间序列归一化处理单元、相空间重构参数确定单元、相空间重构单元、预测单元;
所述空中交通流量混沌时间序列预测模型构建单元用于构建空中交通流量混沌时间序列预测模型,所述空中交通流量混沌时间序列预测模型为利用遗传算法优化的径向基函数神经网络;
其中,所述构建空中交通流量混沌时间序列预测模型,具体如下:
步骤1.1:基于混沌特性构建径向基函数神经网络;
所述径向基函数神经网络的结构如下:
第1层为输入层;输入层将输入信号传递到径向基函数神经网络,其中,空中交通流量时间序列
作为网络输入矢量,
x为空中交通流量时间序列值,
N为空中交通流量时间序列长度;
第2层为隐含层;隐含层采用的径向基函数是一种局部分布的中心点径向对称衰减的非负非线性函数,具体采用高斯基函数,如下式:
式中,
;
M为隐含层节点个数;
X为网络输入矢量;
为隐含层节点的输出;
C i 为高斯函数的中心矢量;
为矢量的Euclid范数;
为第
i个隐节点的标准化常数;
第3层为输出层;
是一种由隐含层到输出层的线性映射,如下式:
式中,
y是输出层的输出;
是隐含层与输出层之间的加权系数;
是隐含层第
i个节点的输出;
b是输出层的阈值。
步骤1.2:利用遗传算法对径向基函数神经网络进行优化。具体如下:
步骤1.2.1:以径向基函数的中心矢量
C i 和隐含层与输出层之间的加权系数
和输出层的阈值
b为待优化网络参数,采用实数编码形式初始化种群个体;
步骤1.2.2:计算种群个体适应度,以均方误差为种群个体的适应度函数,以种群个体所获得的神经网络参数对径向基函数神经网络进行训练;
步骤1.2.3:判断训练后的径向基函数神经网络是否达到预定精度或进化代数预设值;若是,则将对应的种群个体作为最优种群个体,输出最优种群个体的神经网络参数,跳到步骤1.2.5;若否,继续迭代,跳到步骤1.2.4;
步骤1.2.4:首先,采用轮盘赌方法选择种群个体,然后,利用算术交叉方法进行种群个体交叉,同时引入变异算子,变异概率取0.05,进行种群个体变异;跳到步骤1.2.3;
步骤1.2.5:以最优种群个体的神经网络参数作为径向基函数神经网络的参数,利用最优种群个体所产生的新的中心矢量
C i 、隐含层与输出层之间的加权系数
和输出层的阈值
b进行训练,使径向基函数神经网络特性符合实际的扇区交通运行特性。
所述空中交通流量时间序列归一化处理单元用于计算不同时间尺度的空中交通流量时间序列的Lyapunov指数,根据Lyapunov指数判断所述空中交通流是否具有混沌特性;若有,则对空中交通流量时间序列进行归一化处理;
所述相空间重构参数确定单元用于根据归一化处理后的空中交通流量时间序列,确定相空间重构参数延迟时间和嵌入维度,其中,所述嵌入维度的值使用基于虚假最邻近点法的改进Cao方法确定;
其中,基于虚假最邻近点法的改进Cao方法确定嵌入维度的值的步骤如下:
式中,
,
j为进行相空间重构后向量空间的相点数量;
为延迟时间取值;
m为待求嵌入维度值,
m为整数且
,
为相空间重构后嵌入维度值取
m的向量空间的第
j个向量;
步骤3.2:定义
为嵌入维度值等于
m时
向量空间中相点最邻近点,如下式:
步骤3.3:定义如下公式:
其中,
表示度量欧氏距离的最大向量范数;
为
m+1维重构相空间的的第
j个向量;
是
在
m+1维重构相空间的第
j个相点的最邻近点;
用来判断在
m维重构相空间中邻近的任何两点在
m+1维重构相空间中是否仍邻近,如果邻近则这一对点为真邻近点,否则为虚假邻近点,通过观察
是否大于限制值来判断虚假邻近点;
步骤3.4:对于不同的相点,
具有不同的限制值,且不同的空中交通流量时间序列具有不同的限制值,因此给出与空中交通流量时间序列数据不相关的嵌入维度值
m的确定方法,定义如下公式:
其中,
为所有
的平均值,
仅和延迟时间值
和嵌入维度值
m有关;
表示从
到
即从
m到
m+1的变化程度;
步骤3.5:增加区分确定性和随机性信号准则,定义下式:
其中,
为所有邻近点距离的平均值;
表示
到
的变化程度,当始终有
=1时,空中交通流量时间序列为随机信号,对应的
m不可取为空中交通流量时间序列的嵌入维度值,继续迭代;由于确定性的空中交通流量时间序列的数据之间存在相关性,则必定存在
不等于1,因此,当
时,对应的
m为空中交通流量时间序列的嵌入维度值;
步骤3.6:逐步增大
m,并重复执行步骤3.1、步骤3.2、步骤3.3、步骤3.4、步骤3.5,当
不再变化时的
m为空中交通流量时间序列的嵌入维度值;
步骤3.7:引入
是否不再变化的判定步骤,迭代判断随
m的增大
是否停止变化,根据步骤3.4中计算的
的波动趋势选取一个可接受偏差水平
e;
e的值根据所需精度确定,
;
步骤3.8: 计算
的均值
和离差的绝对值
,如下式所示;
其中,
k为步骤3.4中累积计算中所有
m的值,
;
即为每个
k对应的
m的
的值,即当
k与
m对应时有
;
步骤3.9:比较离差的绝对值
与可接受偏差水平
e大小;若
,
为
的最大值,则第一个满足
对应的
k为所求嵌入维度值;如果
,
为
的最小值,则以
中
对应的下标
u为新的起始点,更新
k的范围为
;
步骤3.10:重复执行步骤3.7、步骤3.8、步骤3.9,直到
k的值满足可接受偏差水平
e,且
不等于1,
为每个
k对应的
的值,此时
k即为最终所求嵌入维度值
m。
所述相空间重构单元利用相空间重构参数确定单元确定的延迟时间和嵌入维度,对归一化处理后的空中交通流量时间序列进行相空间重构,其中相空间重构后空中交通流量时间序列向量空间的维度等于相空间重构参数确定单元确定的嵌入维度值;
所述预测单元将相空间重构后的空中交通流量时间序列输入到空中交通流量混沌时间序列预测模型中进行预测;其中,空中交通流量混沌时间序列预测模型中输入层个数确定为相空间重构参数确定单元确定的嵌入维度值,输出层个数确定为1。
另外,本实施例还提供了一种存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述的空中交通流量混沌预测方法。
另外,本实施例还提供了一种终端,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述的空中交通流量混沌预测方法。
其中,所述终端为PC以及具有数据处理功能的其他终端设备。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。