基于在線序列極限學(xué)習(xí)機(jī)的路段行程時間預(yù)測算法

文/陽敏輝

1 在線序列極限學(xué)習(xí)機(jī)算法

極限學(xué)習(xí)機(jī)算法的訓(xùn)練集在訓(xùn)練過程中是固定的，實(shí)際運(yùn)用情況，訓(xùn)練集會在時間推移的過程中有新樣本產(chǎn)生，愈來愈多的樣本數(shù)存在時，會使得計算H廣義逆矩陣復(fù)雜化，計算時間將會大大增加，針對此情形，研究人員在 ELM算法的基礎(chǔ)上做了改進(jìn)，提出了在線序列極限學(xué)習(xí)機(jī)算法（Online Sequence ELM，OSELM）。

OSELM算法思想是在隱層節(jié)點(diǎn)輸出矩陣中固化樣本數(shù)據(jù)，在訓(xùn)練集中有新樣本被添加后，網(wǎng)絡(luò)只要對當(dāng)前產(chǎn)生的新樣本進(jìn)行更新，無需對重復(fù)更新之前的樣本集，這樣計算的時間及工作量大大減少，有效地解決行程時間的實(shí)時性要求。

通過上述策略可知,OSELM算法對樣本數(shù)據(jù)的不斷更新，讓SVR模型在線樣本更新時，其動態(tài)調(diào)整與在線訓(xùn)練得以實(shí)現(xiàn)，所以，此方法適用行程時間預(yù)測。

如果HTH為奇異矩陣，通過選擇較小的隱層節(jié)點(diǎn)個數(shù)m或增長樣例個數(shù)n，可以推出：

表1：OSELM-TTP算法

對于給定的訓(xùn)練集

設(shè)新一批數(shù)據(jù)集

輸出權(quán)值為：

可以得到：

以此類推，當(dāng)?shù)趉+1批數(shù)據(jù)集

其中

2 基于在線序列極限學(xué)習(xí)機(jī)的路段行程時間預(yù)測算法

2.1 算法的基本思想及步驟

基于在線序列極限學(xué)習(xí)機(jī)的路段行程預(yù)測算法可分為以下兩步：

2.1.1 OSELM-TTP的訓(xùn)練過程

（1）選取行程時間樣本集合，將樣本數(shù)據(jù)進(jìn)行歸一化處理；

（2）將樣本劃分為訓(xùn)練集和測試集；

（3）在訓(xùn)練集上進(jìn)行算法的訓(xùn)練，選取隱層激活函數(shù)，并隨機(jī)生成隱層神經(jīng)元激活函數(shù)的參數(shù)；

（4）用測試集對OSELM-TTP 算法進(jìn)行測試。

2.1.2 OSELM-TTP的測試與實(shí)際預(yù)測過程

（1）對新到達(dá)的數(shù)據(jù)X進(jìn)行歸一化處理；

（2）獲得X對應(yīng)更新的網(wǎng)絡(luò)參數(shù)；

（3）得到最終的網(wǎng)絡(luò)參數(shù)。

OSELM-TTP算法的描述如表1所示。

2.2 算法的流程

基于在線序列極限學(xué)習(xí)機(jī)的路段行程預(yù)測算法的流程如下所示：

開始→給定數(shù)據(jù)源：當(dāng)前交通流量、前一時段路段行程時間、當(dāng)前時段路段行程時間；并確定隱含層神經(jīng)元個數(shù)→隨機(jī)生成w和b→初始化網(wǎng)絡(luò)，計算得到H0和β0→輸入新增TTP樣本數(shù)據(jù)→更新網(wǎng)絡(luò)：更新H和β→所有數(shù)據(jù)是否更新完畢？

如果更新完畢→結(jié)束；如果未更新完畢→更新網(wǎng)絡(luò)：更新H和β。

3 總結(jié)

本文針對行程時間預(yù)測要求的實(shí)時性問題，通過將實(shí)時序列預(yù)測與數(shù)據(jù)更新機(jī)制添加到ELM中，將在線序列極限學(xué)習(xí)機(jī)應(yīng)用到路段行程時間預(yù)測中，提出了基于在線序列極限學(xué)習(xí)機(jī)的路段行程算法(OSEML-TTP)。下一步，筆者將采用MATLAB工具箱，基于實(shí)際檢測的交通參數(shù)，采用本文提出的預(yù)測算法，對城市快速路進(jìn)行路段行程時間預(yù)測仿真，來驗(yàn)證OSELM-TTP用于路段行程時間預(yù)測的有效性和可行性。