0 引言

随着城市建设的高速发展，城市交通拥堵、交通事故等问题也日益严重.准确的交通流量预测则有助于交管部门及时做好交通规划及交通诱导，最大限度地减轻甚至避免交通拥堵、车祸等情况.然而，交通流量具有时变性、不确定性和高度非线性等特点，这对预测研究工作有极大的挑战.因此，亟待提出一些新的预测方法，以满足交通控制系统精度的要求.

人工神经网络(Artificial Neural Networks,ANN)作为当前较为热门的一个研究方向，已被许多学者成功应用于交通流量预测建模中[1-4].虽然ANN具有强大的非线性拟合逼近能力，但是由于神经网络的训练过程需要大量的训练样本数据，并且容易出现过拟合问题，导致最终模型预测效果不好.

相比于人工神经网络，支持向量机(Support Vector Machines,SVM)则具有诸多优点.SVM是基于统计学习理论(Statistical Learning Theory,SLT)而提出的一种新的建模方法，它基于结构风险最小化规则，有效解决了ANN训练过程中容易出现的过拟合问题.目前，SVM建模方法已被广泛应用于交通流量建模领域[5-10].然而，由于SVM建模过程的计算量随着训练样本数量的增多而急剧增加，严重影响了建模效率.而最小二乘支持向量机(Least Squares Support Vector Machines,LSSVM)算法的提出则有效改善了SVM的学习性能[11].文献[12]基于最小二乘支持向量机的非参数化建模方法建立了短时交通流量(STF)预测模型，表明LSSVM在短时交通流量预测建模方面是有效的.文献[13]基于奇异谱分析和最小二乘支持向量机模型，建立交通流量预测模型，获得满意的结果.

媒体宣传是把双刃剑,尤其是随着互联网技术的迅速发展,各类新媒体宣传层出不穷。为避免一些不良媒体为博关注恶意激化医患关系,政府应该加强日常卫生工作宣传,主动发布权威的卫生健康政策解读,科普国民健康政策、健康生活方式和优生优育知识。对于医改方面的新政策进行有效的宣传,对医事服务费、药费等内容向群众重点宣传,引导群众调整心理预期,提高群众获得感和满意度,避免群众将情绪发泄在医护人员身上,同时也加强群众对医护人员的尊重,和谐医患关系,营造爱医敬医的社会氛围。

然而，最小二乘支持向量机算法也存在一定程度的鲁棒性能不足的问题，为此，Suykens等[14]提出了一种加权最小二乘支持向量机(Weighted Least Squares Support Vector Machines,WLSSVM)算法，有效提高了LSSVM算法的鲁棒性.

永贞元年，吕温得以从吐蕃平安回归朝廷。吕温虽未能亲自参加永贞革新，但最终未能逃脱被贬的命运。元和八年，吕温与宰相李吉甫有间隙，被贬为道州任刺史，因政绩突出，又调往衡州做刺史，后人称之为“吕衡州”。吕温在道州任职期间，着力解决当地百姓生活中存在的问题。其《道州律令要录序》中“昭昭吏师，长在屋壁，后之贪虐放肆以生人为戏者，独不愧于心?”[6]6337这类语句就表达了他的政治理想，抨击了那些不关心下层百姓疾苦的官吏。吕温任道州刺史一年半后，又被调任到衡州，在衡州任刺史期间，当地五名百姓“力输公税，争赴先期”，因“溪水阻深”而不幸溺死。吕温为此作了《衡州祭柘里渡溺死百姓文》：

在建筑设计中，给排水设计是相当重要的一部分，随着最新房屋卫生技术的发展以及新型排水设备的使用，建筑给排水已经发展成为一门必须单独掌握的课程，是建筑学中相当必不可少的一部分。近年来，政府及相关的监管部门不断的颁布一些文件来规范建筑给排水的设计，因而它成为了建筑设计阶段的一项新的需要重视的环节。通过大量的实践，再仔细对设计进行总结，我国成功建立起了一套符合我们自己发展需求的给排水技术体系，将国内的建筑以及地质上的特点与一些先进的技术相融合，根据实际情况对不同的项目进行不同的给排水处理，从建筑施工到安装设备，将世界顶级的给排水技术应用到实处，使给排水问题得到缓和。

针对STF预测存在稳定性不好以及预测精度较低等问题，本文采用一种基于AGPSO-WLSSVM建模方法建立STF预测模型，该方法通过赋予建模样本合适的权值，以增强模型的鲁棒性，并采用AGPSO优化模型参数，进一步提高模型的预测精度.最后，以福州市某交通路口为研究对象，建立AGPSO-WLSSVM短时交通流量预测模型，结果表明AGPSO-WLSSVM模型预测值与实际结果有很好的一致性，能够为城市交通诱导和控制提供科学支持.

1 自适应遗传粒子群优化算法原理

1.1 粒子群优化

其中：k表示当前迭代次数；i=1,2,…,N；c1、c2表示学习因子，通常取值在[0,2]；r1、r2表示分布于[0,1]的随机数，ω表示惯性权重.

研究会以为国民经济建设和经济体制改革服务为目标，面向社会经济系统工程问题，组织自然科学、工程技术工作者和哲学、社会科学工作者一道，创新和运用定量与定性相结合、人脑与电脑相结合等系统工程理论、方法，形成了一批科研成果，为推动政府、部门与企业决策的民主化、科学化、制度化提供智力支持，为科学决策贡献了力量。

其中Qi=[qi1,qi2,…,qiD]T表示第i个粒子的速度.

S=[S1,S2,…,SN],

(1)

其中，Si=[si1,si2,…,siD]T表示第i个粒子的位置.

定义种群粒子的飞行速度：

Q=[Q1,Q2,…,QN],

(2)

在D维空间中，初始化N个种群粒子：

“二战”以后，作为战败国的日本，国内经济处于崩溃边缘。1950年，日本还只能生产廉价而简单的商品。朝鲜战争爆发后，日本迎来了发展本国经济的重要机遇，但是，这个阶段的日本的各行各业基本都是以仿制和山寨为主，经过近20年的野蛮生长后，日本开始着手将传统手工业者的匠人精神传承于规模化制造，日本政府也在全社会持续倡导匠人精神，极大地提升了日本制造的品质。

其中：Tmax为最大迭代次数，一般取ωmax=0.9，ωmin=0.5.AGPSO算法流程图如图1所示.

Pi=[Pi1,Pi2,…,PiD]T.

(3)

遗传算法(Genetic Algorithm，GA)是借鉴生物遗传及种群演化规律的一种启发式算法，通过模拟遗传进化过程的选择、交叉及变异，从而获得全局最优解.GA具有极强的容错能力、极高的通用性以及良好的全局寻优能力等显著特点，在组合优化、自适应控制和模式识别等领域得到了广泛应用[14].

Pg=[Pg1,Pg2,…,PgD]T.

(4)

粒子根据式(5)和式(6)进行速度和位置的更新，并最终获得全局最优解.

Q(k+1)i=ω(k)Q(k)i+c1r1[P(k)i-S(k)i]+c2r2[P(k)g-S(k)i],

(5)

S(k+1)i=S(k)i+Q(k+1)i.

(6)

粒子群优化(Particle Swarm Optimization,PSO)算法是基于复杂适应系统(Complex Adaptive System,CAS)而提出的一种用于求解优化问题的智能算法，其原理可描述如下：

1.2 自适应遗传优化

将所有个体极值对应的适应度值进行比较，选出最优的粒子标记为全局极值：

GA的过程主要有选择(Selection)操作、交叉(Crossover)操作及变异(Mutation)操作，其中选择操作主要是选出适应性强的个体，用于繁殖出下一代；交叉操作主要是以一定的概率Pc进行不同个体间的基因交换，从而产生出新的个体；变异操作主要是以一定的概率Pm对个体中的某些基因进行变异，产生新的个体.

在GA中，Pc和Pm对算法的性能有重要影响，传统的GA中Pc和Pm是某一常数值，这就使得算法容易陷入局部最优.文献[15]将交叉概率Pc和变异概率Pm设置为动态变化，提出一种自适应遗传算法(Adaptive Genetic Algorithm,AGA)，在一定程度改善了传统GA存在的早熟问题.其参数Pc及Pm的计算如式(7)和式(8)：

 

(7)

 

(8)

其中：fc为交叉粒子里较大的适应度值；fmax为粒子群体里最大的适应度值；favg为粒子群体平均适应度值；fm为变异粒子的适应度值；k1，k2，k3，k4为可调参数，取值为[0,1].

图像识别是计算机技术中的重要分支，它代表着未来技术发展的一个重要方向。在电力信息化的过程中，研究和应用图像识别技术对于电力信息化的进程具有促进作用。

1.3 自适应遗传粒子群优化

传统的粒子群优化算法及遗传算法都容易因过早收敛而陷入局部最优，因此，本文将PSO算法中的惯性权重因子设为可动态调整，并引入GA的选择操作、交叉操作及变异操作，提出一种自适应遗传粒子群优化(Adaptive Genetic Particle Swarm Optimization,AGPSO)算法，以提高算法的全局搜索性能.

组合框架节点试件的骨架曲线如图6所示。表4为节点骨架曲线不同阶段特征点的实测值。从整体来看，在屈服荷载前，各试件骨架曲线上升段基本重合，没有明显的拐点，并保持一定的弹性直线段，试件刚度较大；随着荷载的增大，试件的骨架曲线逐渐向横坐标靠拢，出现一定的刚度退化现象；达到峰值荷载后，试件刚度退化越发明显，此时骨架曲线开始下降，其后期曲线下降段较为平缓，表明节点具有较好的变形能力。

算法中的惯性权重ω的调整过程如下

在转基因食品分析检测中，利用基因芯片检测方法，以转基因生物体为检测对象，测定基因组序列，把转基因食品的DNA按照一定规律排布在玻片上或硅片上，形成微距阵。利用计算机软件对基因序列进行计算处理，进而掌握转基因食品的相关特征信息，比如基因特征以及生物信息。在实际应用中，利用基因芯片检测技术，能够精准检测基因表达特征，在转基因食品分析检测中发挥着积极的作用[2]。

 

(9)

由优化问题的目标函数可求出粒子Si对应的适应度值，通过比较粒子Si每次迭代计算的适应度值，将最优的适应度值对应的粒子标记为个体极值:

2 加权最小二乘支持向量机模型

2.1 最小二乘支持向量机

最小二乘支持向量机(LSSVM)是通过将支持向量机(SVM)中的误差ξi的二范数定义为损失函数，并将SVM中的不等式约束改为等式约束，以简化SVM算法计算的复杂度.具体最小二乘支持向量机算法可描述如下：给定训练集合{(xi,yi)|i=1,2,…,N}，其中，xi∈Rd为d维训练样本输入，yi∈R为训练样本输出，则LSSVM回归问题可描述为[15]：

第三，通过教学互动拉近学生与教师之间、学生与学生之间的距离，促进了和谐平等的师生关系的构建，进一步活跃了课堂气氛，营造了高效的小学语文教学课堂。

  

图1 自适应遗传粒子群优化(AGPSO)算法流程

 

s.t. yi=ωT·φ(xi)+b+ξi.

(10)

式中:b是阈值，ω是权系数向量，C是正则化参数，φ()是输入空间到高维空间的映射；引入Lagrange函数：

 

(11)

式中，αi(i=1,2,…,N)为Lagrange乘子.根据Karush-Kuhn-Tucker(KKT)条件，引入核函数：

K(xi,xj)=φ(xi)T·φ(xj),

(12)

则可将式(11)的优化问题转换成式(13)线性方程组的求解：

 

(13)

式中:l1×N是1×N的单位行向量;lN×1是N×1的单位列向量;R={K(xi,xj)|i,j=1,2,…,N};E是N×N单位阵;y=[y1,y2,…,yN]T;α=[α1,α2,…,αN]T.

通过对式(13)方程的求解，可得LSSVM模型的表达式：

 

(14)

2.2 加权最小二乘支持向量机

加权最小二乘支持向量机(WLSSVM)是为了提高LSSVM算法的鲁棒性能而提出的一种新的算法.WLSSVM算法可描述如下：在式(10)中的对其赋权vi，则加权最小二乘支持向量机回归问题如式(15)所示：

s.t. yi=ωT·φ(xi)+b+ξi.

(15)

式中权值vi是根据样本建模训练误差计算而得，其计算表达式如下：

 

(16)

式中:s1、s2是可调参数，其值是根据样本误差大小分布来决定，一般可取是LSSVM样本误差ξi的标准方差的鲁棒估计，其计算公式如式(17).

 

(17)

其中IQR是样本误差ξi的四分位差.

通过引入Lagrange函数：

由于传统教学观念、教学方式的束缚，使得小学的数学课堂枯燥乏味，学生学习的效果不佳、兴致不高、注意力难以集中，因此，教师合理地运用互联网资源，能够为数学学科的教学指明方向，促进教学方式的转变，对教学效果起到重要的影响，活跃数学课堂的气氛，从而使学生能够进行高质量的学习，实现注意力的高度集中，提高小学阶段的数学学科教学活动的实效性。

式中，为Lagrange乘子.根据KKT条件可将式(18)的优化问题转换成以下方程的求解：

 

(18)

千里之行，始于足下，重视一堂课的导入，是一堂课成功的关键。若选准、选活了“切入点”，则能有效地设置问题情景，激活学生的思维，迅速地使学生进入“角色”，从而充分调动学习的积极性，主动性，使学生学起来兴趣盎然。俗话说：“好的开始是成功的一半”，因此，我非常重视课堂的导入设计，本文就是笔者的一点粗浅的体会。

 

(19)

式中，矩阵

 

通过对方程(19)的求解，可得WLSSVM模型的表达式为

 

(20)

在特征空间中，根据Mercer’s条件，可选择核函数为高斯径向基函数：

K(xi,xj)=

(21)

式中，σ为核宽参数.

模型的正则化参数C和核参数σ的选取对WLSSVM模型的鲁棒性及泛化能力有较大的影响.一般的参数优化方法主要有交叉验证法、GA以及PSO等[16]，本文结合GA及PSO算法的优势，采用自适应遗传粒子群(AGPSO)算法对C和σ进行优化选择，减少主观经验选择参数的盲目性.基于AGPSO-WLSSVM短时交通流量预测建模流程如图2所示.

  

图2 AGPSO-WLSSVM短时交通流量预测建模流程

3 实例分析

3.1 样本选取

一般情况下，短时交通流量预测的时间跨度在15分钟以内.本文选取福州市某路段每隔15分钟的车流量统计数据作为建模数据，时间为2013年5月20日至23日.表1列出了部分交通流量数据.通过等维递补的方式构造样本数据，滑动窗口大小m=7.选取前3天的288个数据作为训练样本，而第4天的96个数据则作为模型的测试样本.

 

表1 部分交通流量数据

  

序号流量序号流量序号流量序号流量序号流量序号流量1341117215231774121351219217128222432954219552226381353232933119431825321645314152413341614416654234515151525373518445188551976151645263736276461495621974517572743724747132572308571833283238251481675824793319422938391934918159238103420830684022650203……

3.2 模型训练

采用训练样本数据建立AGPSO-WLSSVM模型，同时也建立了LSSVM及WLSSVM模型，以比较模型的预测效果.图3是这三类模型的训练结果，而图4是这三类模型的测试结果.从图3、图4可以看出，这三类模型的预测结果都在一定程度上能较好地跟随交通流量变化趋势.与LSSVM及WLSSVM模型相比，AGPSO-WLSSVM通过自适应参数优化，有效减小了预测误差，具有更高的预测精度.

银行作为调控我国经济，促进企业发展的重要部门，本应承担起扶持中小企业发展，为其提供便捷服务的职责，但由于我国金融行业出现时间较晚，对于融资业务的掌握程度不深，并缺少融资模式，同发达国家相比，我国银行为企业提供的服务相对较少，一旦遇到风险较大的业务申请时，银行会为了维护自身的利益，有意识地逃避中小企业的融资申请，其逃避的主要形式有以下几种：部分银行会对融资企业提出严格的条件限制，如果企业无法满足，则驳回其融资申请；还有一部分银行甚至会假装同意企业申请，然后拖延时间，直到中小企业主动放弃为止。由此可见，银行职能无法得到有效发挥也是导致我国中小型企业出现国际贸易融资风险的重要原因。

3.3 结果讨论

为了进一步比较模型的预测效果，定义平均相对误差(Mean Relative Error,MRE)、平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square Error,RMSE),对模型的预测效果进行评价.MRE、MAE及RMSE的定义如式(22)、式(23)和式(24).

  

图3 三类建模方法训练结果

  

图4 三类建模方法预测结果

 

(22)

 

(23)

 

(24)

其中：N为样本数量，yi为实际值，为预测值.

表2给出了按式(22)～(24)分别计算AGPSO-WLSSVM、LSSVM以及WLSSVM模型预测结果的MRE、MAE和RMSE.

 

表2 三种模型预测效果性能比较

  

模型MRE(%)MAE(×10-2)RMSE(×10-4)LSSVM17.881.211.84WLSSVM11.401.061.69AGPSO-WLSSVM4.890.890.62

从图3、图4及表2可以看出，采用LSSVM方法建立的短时交通流量预测模型其预测效果较差，采用WLSSVM方法建立的预测模型其预测值虽然较为接近实际值，但其精度仍有待提高；而采用基于AGPSO-WLSSVM方法建立的预测模型，其预测精度均高于其它三种模型，表明基于AGPSO-WLSSVM建模方法在短时交通流量预测方面具有较高的预测精度.

4 结论

针对短时交通流量预测具有稳定性差、精度较低等问题，本文采用一种基于自适应遗传粒子群优化(AGPSO)算法和加权最小二乘支持向量机(WLSSVM)相结合的建模方法，建立短时交通流量预测模型，采用AGPSO方法优化模型参数，进一步提高模型的预测精度.通过对实际交通路口流量数据进行建模和预测，证明了AGPSO-WLSSVM在短时交通流量预测建模方面具有准确性和可靠性，有一定的推广价值.

参考文献：

[1] 王秋平,舒勤,黄宏光.含有误差校正的小波神经网络交通流量预测[J].计算机测量与控制,2016,24(2):168-170,181.

[2] 张琛,徐国丽.基于云遗传的RBF神经网络的交通流量预测[J].计算机工程与应用,2014,50(16):216-220.

[3] 张晓利,贺国光.基于主成分分析和组合神经网络的短时交通流预测方法[J].系统工程理论与实践,2007,27(8)：167-171.

[4] VLAHOGIANNI E I, KARLAFTIS M G, GOLIAS J C. Optimized and meta-optimized neural networks for short-term traffic flow prediction：a genetic approach[J]. Transportation Research Part C：Emerging Technologies,2005,13(3)：211-234.

[5] 姚卫红,方仁孝,张旭东.基于混合人工鱼群优化SVR的交通流量预测[J].大连理工大学学报,2015,55(6):632-637.

[6] 韩志聪,樊彦国,吴会胜,等.基于GA-SVR模型的短期交通流量预测方法研究[J].公路交通科技,2017,34(1):130-136.

[7] 孙朝东,梁雪春.改进的花授粉算法优化SVM在交通流中的应用[J].计算机工程与设计,2016,37(10):2717-2721.

[8] CASTRONETO M, JEONG Y S, JEONG M K, et al. Online SVR for short-term traffic flow prediction under typical and atypical traffic conditions[J]. Expert Systems with Applications,2009,36(3):6164-6173.

[9] 李巧茹,赵蓉,陈亮.基于SVM与自适应时空数据融合的短时交通流量预测模型[J].北京工业大学学报,2015,41(4):597-602.

[10] HONG W C, DONG Y C, ZHENG F F, et al. Forecasting urban traffic flow by SVR with continuous ACO[J]. Applied Mathematical Modeling,2011,35(3)：1282-1291.

[11]顾燕萍,赵文杰,吴占松.最小二乘支持向量机的算法研究[J].清华大学学报:自然科学版,2010,50(7):1063-1066.

[12]ZHANG Y, WANG M L. Peak traffic forecasting using nonparametric approaches[J]. Journal of Shanghai Jiaotong University,2012,17(1):76-81.

[13] 商强,杨兆升,张伟,等.基于奇异谱分析和CKF-LSSVM的短时交通流量预测[J].吉林大学学报:工学版,2016,46(6):1792-1798.

[14]温欢.遗传算法研究综述[J].卷宗,2013(6):315.

[15]程敏,宋宇博,孙刚，等.改进的自适应遗传算法及其性能研究[J].计算机与数字工程,2014,42(3):355-358,368.

[16]朱雅敏,薛鹏翔.基于学习因子自适应改变的粒子群算法研究[J].陕西科技大学学报:自然科学版,2015,33(4):172-177.