基于在线序列极限学习机的路段行程时间预测算法

文/阳敏辉

1 在线序列极限学习机算法

极限学习机算法的训练集在训练过程中是固定的，实际运用情况，训练集会在时间推移的过程中有新样本产生，愈来愈多的样本数存在时，会使得计算H广义逆矩阵复杂化，计算时间将会大大增加，针对此情形，研究人员在 ELM算法的基础上做了改进，提出了在线序列极限学习机算法（Online Sequence ELM，OSELM）。

OSELM算法思想是在隐层节点输出矩阵中固化样本数据，在训练集中有新样本被添加后，网络只要对当前产生的新样本进行更新，无需对重复更新之前的样本集，这样计算的时间及工作量大大减少，有效地解决行程时间的实时性要求。

通过上述策略可知,OSELM算法对样本数据的不断更新，让SVR模型在线样本更新时，其动态调整与在线训练得以实现，所以，此方法适用行程时间预测。

如果HTH为奇异矩阵，通过选择较小的隐层节点个数m或增长样例个数n，可以推出：

表1：OSELM-TTP算法

对于给定的训练集

设新一批数据集

输出权值为：

可以得到：

以此类推，当第k+1批数据集

其中

2 基于在线序列极限学习机的路段行程时间预测算法

2.1 算法的基本思想及步骤

基于在线序列极限学习机的路段行程预测算法可分为以下两步：

2.1.1 OSELM-TTP的训练过程

（1）选取行程时间样本集合，将样本数据进行归一化处理；

（2）将样本划分为训练集和测试集；

（3）在训练集上进行算法的训练，选取隐层激活函数，并随机生成隐层神经元激活函数的参数；

（4）用测试集对OSELM-TTP 算法进行测试。

2.1.2 OSELM-TTP的测试与实际预测过程

（1）对新到达的数据X进行归一化处理；

（2）获得X对应更新的网络参数；

（3）得到最终的网络参数。

OSELM-TTP算法的描述如表1所示。

2.2 算法的流程

基于在线序列极限学习机的路段行程预测算法的流程如下所示：

开始→给定数据源：当前交通流量、前一时段路段行程时间、当前时段路段行程时间；并确定隐含层神经元个数→随机生成w和b→初始化网络，计算得到H0和β0→输入新增TTP样本数据→更新网络：更新H和β→所有数据是否更新完毕？

如果更新完毕→结束；如果未更新完毕→更新网络：更新H和β。

3 总结

本文针对行程时间预测要求的实时性问题，通过将实时序列预测与数据更新机制添加到ELM中，将在线序列极限学习机应用到路段行程时间预测中，提出了基于在线序列极限学习机的路段行程算法(OSEML-TTP)。下一步，笔者将采用MATLAB工具箱，基于实际检测的交通参数，采用本文提出的预测算法，对城市快速路进行路段行程时间预测仿真，来验证OSELM-TTP用于路段行程时间预测的有效性和可行性。