針對短時交通流預測的ISSA-SVR模型

葉得學，韓如冰，顏魯合

(1.蘭州工商學院 信息工程學院，甘肅 蘭州 730101；2.甘肅中醫藥大學 經貿與管理學院，甘肅 蘭州 730101)

0 引 言

目前，短時交通流預測方法有兩種：統計分析法和數據驅動智能預測方法。前者如時序模型、多元線性回歸和濾波模型[1-4]，這類方法計算量較小，但短時交通流具有非線性復雜多變非平衡特性，所以預測準確率一般較低，無法滿足目前復雜環境的預測需求。數據驅動智能預測方法主要結合歷史數據和學習模型對交通流進行預測。模型以數據驅動，預測精度更高。如：黃艷國等[5]設計改進花授粉算法與BP神經網絡的短時交通流預測模型，通過優化初始權重和閾值，構建交通流預測模型。鄒宗民等[6]提出結合PSO-SVM的高速路短時交通流預測算法，但PSO有易獲局部最優的不足。何祖杰等[7]提出通過改進灰狼算法優化SVM關鍵參數，并構建短期交通流預測模型。胡松等[8]先利用天牛須搜索和自適應權重對鯨魚算法優化，再結合最小二乘SVM構建短時交通流預測模型。徐欽帥等[9]利用引力搜索算法對最小二乘SVM參數尋優，構建交通流預測模型。Ren等[10]設計基于深度學習模型的交通流預測算法。

短時交通流無法采集大量樣本，具有明顯小樣本特征。SVR模型具有泛化能力強、訓練效率高的特點，尤其適用于小樣本環境中的預測問題，因而在網絡輿情預測[11]、電力負載預測[12]、風速預測[13]等領域得到了廣泛應用。SVR的預測精度主要由兩個關鍵參數：懲罰因子c和核函數參數g決定。而針對SVR關鍵參數的優化思路有3種：嘗試法、網格搜索法和啟發式方法。其中，前兩種方法適用性有限，計算代價過高。而啟發式方法借助智能優化算法的啟發式搜索機制，大大提高了搜索效率，降低了尋優代價。如前所述，灰狼算法、粒子群算法、天牛須算法、鯨魚算法等都已應用于預測模型關鍵參數尋優，但算法綜合搜索性能還有待提升。麻雀搜索算法SSA[14]是近年來出來的一種新型智能算法，無論尋優精度還是收斂速度都體現出一定優勢，但在求解復雜問題上還是有收斂慢、易獲局部最優的不足。為此，本文將設計混合多策略改進麻雀搜索算法HMSSSA，再利用HMSSSA尋找SVR的最優懲罰因子c和核函數參數g取值對，并構建短時交通流預測模型。

1 混合多策略改進麻雀搜索算法HMSSSA

麻雀搜索算法SSA中的種群由發現者、追隨者和警戒者3種角色組成，都代表問題的候選解，但更新機制各異。發現者為種群提供捕食方向和區域，最接近食物源，追隨者則緊跟發現者。發現者搜索能力強、捕食快，追隨者向發現者學習提升能力。發現者、追隨者通常各占種群的10%～20%，且可以進行角色互換，但比例不變。警戒者負責監視捕食區域，若發現危險時，會及時向其它個體發出警報，以便種群作出反捕食行為。3種角色會不斷更新自身位置，以求不斷逼近食物源完成捕食。

SSA算法由于具有更好的搜索性能已被應用在物聯網頻譜分配[15]、學習模型優化[16]、圖像分割[17]、WSN節點定位[18]等領域。但標準SSA存在目標解搜索精度低、收斂慢和容易得到局部最優的缺陷，為此：毛清華等[19，20]分別設計了反向學習、正余弦優化和萊維飛行改進麻雀搜索算法加快算法收斂速度，高晨峰等[21]設計黃金正弦自適應麻雀搜索算法提高搜索精度，付華等[22]利用精英混沌反向學習對麻雀搜索算法進行改進，李愛蓮等[23]融合正余弦和cauchy變異策略改進SSA。以上研究都一定程度改善了SSA算法的性能，但依然沒有根本解決好算法全局搜索與局部開發均衡、避開局部最優、拓展搜索空間改進搜索精度等問題。本文將混合多種策略對SSA算法進行全面改進，實現綜合性能的有效提升。

1.1 基于反向學習和中心游移的種群初始化

SSA算法的初始種群是隨機生成的，這也是群體智能優化算法生成初始種群的常規方法，為的是確保個體分布的隨機性。但這種方法生成的初始個體往往質量較差，容易導致個體聚集、個體差異性低和空間覆蓋不夠，進而降低算法的尋優速度。研究表明，反向學習策略可以提高初始生成個體的質量，該方法通過計算個體的反向點并結合貪婪選擇策略提升初始種群的質量，并已成功應用在多種算法中。問題在于：反向學習策略在較小空間內的搜索效果要明顯優于較大空間的搜索問題。為了得到更高質量的初始種群，同時又保留部分初始種群的隨機分布特征，本文將結合反向學習和中心游移機制實現種群初始化，通過中心游移方式對反向學習后的個體位置進行隨機偏移，以此分隔尋優空間，實現個體的多點同步搜索，提高種群多樣性。

令個體xi，j(t) 為迭代t時個體i的j維位置，隨機生成方式為

xi，j(t)=lbj+rand×(ubj-lbj)

(1)

則其反向解的對應位置為

xi，j′(t)=ubj+lbj-xi，j(t)

(2)

式中：[lbj，ubj] 為個體在j維空間上的搜索范圍，rand為[0，1]間隨機量，xi，j(t)、xi，j′(t) 則分別表示個體原位置和反向解位置。生成反向解后，再根據中心游移策略對原始解和反向解進行中心游移以保留隨機性，具體公式為

xi，j″(t)=xi，j(t)+γ×xi，j′(t)

(3)

式中：xi，j″(t) 為個體中心游移解，γ為游移因子，控制個體游移步長。

種群初始化過程如下：根據式(1)隨機生成個體的初始位置，并根據式(2)計算其反向解，再根據式(3)對生成的反向解進行中心游移，并擇優保留在種群中。圖1是種群隨機初始化、反向學習初始化和中心游移初始化3種方法得到的二維空間內的種群分布圖，種群規模為30，個體搜索區域限定為[0，1]，游移因子γ設置為0.618?？梢?，隨機初始化仍有很多覆蓋盲區，種群分布多樣性和遍歷性不如后兩種初始化方向。構建反向解后，個體質量有所改善，但個體間距相比中心游移生成的初始種群仍較大，這樣向最優解方向偏移時會需要更多的迭代時間，尋優效率有所下降。

圖1 不同策略下的種群個體分布

1.2 基于分段慣性權重和蝴蝶算法的發現者更新機制

SSA算法的發現者位置更新方式為

(4)

式中：xi，j(t)、xi，j(t+1) 分別為個體i在j維的原位置和更新位置，j=1，2，…，d，t為當前迭代次數，Tmax為最大迭代次數，α∈(0，1) 為隨機量，R2、ST分別為預警值和安全值，且R2∈[0，1]，ST∈[0.5，1]，Q為服從正態分布的隨機量，L為1×d的矩陣，元素均為1。

由SSA的發現者位置更新方式可知，若R2≥ST，發現者將以正態分布進行隨機移動；若R2

蝴蝶優化算法BOA[24]是受蝴蝶的覓食、求偶行為啟發而來的新型群智能算法。蝴蝶在飛行覓食過程中會產生一種香味，不同個體擁有不同的香味濃度。通過空氣的擴散作用，其它個體可以感知到這種香味。蝴蝶的搜索軌跡主要取決于感知到的香味濃度。當感知到香味濃度最優的蝴蝶時，蝴蝶將進行全局搜索，朝著最優解的方向移動。當蝴蝶未感知到任何其它蝴蝶的香味時，個體將進行局部開發，以隨機游走的方式作隨機移動。蝴蝶的位置更新方式為

xi，j(t+1)=

(5)

式中：xbest，j為全局最優解在j維度上的位置，fi為蝴蝶i的香味濃度，r1、r2∈[0，1]， 表示隨機量，xrand1、xrand2為選取的兩個隨機個體，P為搜索方式的切換概率，P∈[0，1]。

結合BOA算法的全局搜索方式，發現者位置更新改進為

xi，j(t+1)=

(6)

根據式(6)可知，發現者進行位置更新時增強了與最優解之間的信息交互，能夠更好地受最優解的引導，解決了原始方式中信息交互不足的問題。同時，蝴蝶優化算法的全局搜索方式能夠拓展發現者的搜索區域，提高種群分布的多樣性。

此外，對于SSA，搜索前半段，發現者應盡可能維持搜索的廣泛性，保持更強的全局搜索能力。因此，此時的個體應以更穩定且較大的權重值維持全局尋優。而搜索后半段，應該加快算法收斂，個體應具有更強的局部開發能力，以求在有限范圍內作精細開采。因此，此時的個體應以穩定且較小的權重值確保深度挖掘?；诖丝紤]，改進算法在式(6)的基礎上引入分段權重思維對發現者位置更新，結合對數和指數非線性自適應方式調節慣性權重值。具體地，在迭代前半段，算法結合對數函數和指數函數設計權重因子w1(t) 為

w1(t)=e(t/Tmax)-10+lnt+logat

(7)

式中：常量a=1/2。

在迭代后半段，以指數函數設計權重因子w2(t) 為

(8)

結合分段權重，HMSSSA的發現者位置更新方式為

xi，j(t+1)=

(9)

由分段慣性權重定義可得，搜索前半段，w1(t)∈(0，1)， 搜索后半段，w2(t)∈[-1，1)。 圖2是800次迭代過程中發現者在不同更新策略下的分布情況，可見，利用BOA算法的全局搜索方式可以明顯提升發現者的多樣性。在相同的迭代次數下，原始發現者更新方式仍有小半區域未覆蓋。而改進后的發現者位置更新方式在迭代前期并不會導致維度的快速減小，無論是正向或是反向變化的可能性都可所提同，這樣也提高了發現者的全局搜索能力。

圖2 原始發現者和更新后的發現者

1.3 基于柯西變異的追隨者位置更新

SSA算法的追隨者通過監視最優發現者調整自身位置，其位置更新方式為

xi，j(t+1)=

(10)

由SSA算法追隨者位置更新方式可知，追隨者受全局最優解牽引并以一定概率向其靠近。該方式能以精英個體為導向加速算法收斂，但容易帶來種群多樣性缺失，陷入局部最優。為了確保追隨者向發現者有效靠近，保證全局收斂同時，改進算法將以一定概率實現個體變異。

柯西分布是一種常規連續分布，其密度函數為

(11)

柯西分布為表示為C(α，β)。 若α=1，β=0，則可得標準柯西分布密度函數為

(12)

柯西分布比較高斯分布，兩翼更加扁平，在原點附近擁有較低極值，且向兩翼的遞減速率要慢于高斯分布。因此，從概率上看，柯西分布具有更廣泛的分布，實現更強烈的個體變異。利用柯西變異生成的子代個體距離父代更遠，更易于跳離局部極值?；谶@種結論的考慮，HMSSSA引入柯西變異對引導追隨者位置更新的最優解位置進行變異，利用柯西算子的調節功能，使算法跳離局部最優。具體公式為

xnew=xbest+cauchy(0，1)·xbest

(13)

式中：cauchy(0，1) 為服從柯西分布的柯西算子。

改進算法還需維持一定全局漸近和快速收斂狀態，即維持向當前最優解逼近的狀態，此時可以不進行個體變異，而維持原來的追隨者位置更新方式。故針對最優解的變異將以一種自適應概率進行，將變異概率定義為

(14)

1.4 基于自適應的警戒者位置更新

SSA算法的警戒者位置更新方式為

(15)

式中：xbest，j(t) 為全局最優位置，β為步長因子，為正態分布隨機量，K為隨機量，K∈[-1，1]，fi為個體i的適應度，fg、fworst分別為當前全局最優適應度和最差適應度，ξ為極小常量。若fi>fg，表明麻雀處于邊界，未受到警戒保護；若fi=fg，表明處于中間位置的麻雀已意識到危險，需相互靠攏。xbest，j(t) 為種群的中心位置。

根據式(15)可知，參數β、K決定警戒者移動步長，控制全局搜索和局部開采進度。但SSA算法中兩個因子都是正態分布隨機值，無法滿足個體對空間搜索的靈活要求。因此，為了提高算法的搜索效率，HMSSSA針對兩個參數依迭代次數進行自適應更新，具體為

(16)

(17)

式中：βmax、βmin、Kmax、Kmin分別為步長因子的最大值和最小值。其中，因子β(t) 以指數函數形式更新，K(t) 以正切函數形式更新，使個體的移動步長能在迭代前期較快遞增，擴大搜索范圍，充分全局搜索；而在迭代后期放緩增速，集中于局部開發，加快算法收斂。

1.5 越界處理機制

當個體位置越界時，SSA的處理方式是利用搜索邊界替代越界位置，該方式雖然比較簡單，在小規模種群中比較有效。但是，對于大規模種群，會降低個體間的差異性，降低算法的尋優效率。為此，本文將根據邊界鄰域的思想對越界個體進行修正，將越界個體修正至鄰域內的隨機點位置，以此維持多樣性。若xi，j(t) 為發生越界的位置，即存在xi，j(t)>ubj或xi，j(t)

(18)

式中：U(a，b) 表示在區間(a，b)服從均勻分布的隨機值。

1.6 HMSSSA算法設計

HMSSSA算法流程如圖3所示。

圖3 HMSSSA算法

步驟1 初始化HMSSSA的相關參數，包括：種群規模N、搜索空間維度d、最大迭代次數Tmax、發現者數量、追隨者數量、警戒者數量、游移因子γ、警戒值R2、步長因子β和K的最值βmax、βmin、Kmax、Kmin；

步驟2 根據式(2)、式(3)的反向學習和中心游移策略生成初始麻雀種群；

步驟3 計算種群適應度，確定種群最優解Xbest和最差解Xworst；

步驟4 按比例選擇發現者：根據式(7)、式(8)計算分段權重，再根據式(9)更新發現者麻雀的位置；

步驟5 按比例選擇追隨者：根據柯西變異式(13)按變異概率式(14)對個體進行變異，再根據式(10)更新追隨者麻雀的位置；

步驟6 按比例選擇警戒者：根據式(16)、式(17)更新步長因子β和K，再根據式(15)更新警戒者麻雀的位置；

步驟7 根據式(18)對個體位置進行越界處理；

步驟8 判斷算法的迭代次數是否達到最大，若沒有，返回步驟3執行；否則，輸出當前種群中的全局最優個體；算法運行終止。

2 HMSSSA-SVR模型設計

2.1 支持向量回歸算法SVR

SVR的目標是尋找一個最優超平面，使所有樣本點與最優超平面間的偏差和達到最小。令樣本數據集為 {(xi，yi)，i=1，2，…，n}，xi為模型的輸入，yi為模型的輸出，xi、yi∈Rn。 以非線性映射Ψ(x) 將樣本數據投射至高維線性空間，即：f(x)=wΨ(x)+b， 其中，f(x) 為回歸函數的預測值，w、b為目標參數。

為了均衡SVR的預測精度和預測效率，需要利用偏差容忍度ε使SVR具備一定容錯能力，如圖4所示。為了求解目標參數w、b，將問題轉換為最優化問題求解

(19)

圖4 SVR原理

(20)

式中：c為懲罰因子，且c>0，Lε[f(xi)-yi] 為算法的損失函數。c作為關鍵參數，可以通過調整對邊界外數據誤差的懲罰程度控制預測模型的精度。

引入拉格朗日函數得到對偶模型求解，可得最終模型解為

(21)

2.2 HMSSSA-SVR預測短時交通流

以SVR模型進行短時交通流預測，其關鍵參數，即懲罰因子c和核函數參數g直接決定了預測結果。其中，懲罰因子c決定了支持向量回歸超平臺與支持向量間的距離，即c越小，模型訓練誤差容忍越小，但會增加模型過擬合與泛化能力降低的風險，反之亦然；核函數參數g實現低維數據至高維映射，g越小，映射維度降低，但模型訓練誤差加大，且會增加數據欠擬合。標準SVR的兩個關鍵參數若以經驗取值肯定無法確定最佳的訓練模型，通過HMSSSA針對連續優化問題的尋優能力在訓練集中搜索性能最優的參數組合(c，g)，并實現針對短時交通流預測的HMSSSA-SVR模型。

HMSSSA-SVR的目標是對短時交通流進行預測，主要在小樣本量前提下利用HMSSSA優化支持向量回歸模型，構建交通流預測模型。算法主要實施步驟如下：

步驟1 樣本采集。由于是針對短時交通流預測，樣本采集頻率不能太高，設置為10 min，并將數據以標準車當量數pcu表示；

步驟2 原始樣本數據預處理。包括異常值識別、樣本缺失填充，利用小波閾值降噪法處理異常數據，缺失樣本則以前后窗口大小為4的均值方式填充，最后利用標準化函數對數據進行歸一化處理；

步驟3 將原始樣本數據劃分為訓練集和測試集，分別用于HMSSSA-SVR的訓練與測試；

步驟4 對HMSSSA的參數進行初始化，包括種群規模、最大迭代次數；并確定SVR網絡結構及關鍵參數搜索范圍；

步驟5 確定擬優化參數懲罰因子c和核函數參數g，根據擬優參數對種群個體編碼，并根據反向學習和中心游移策略進行種群初始化；

步驟6 確定評估麻雀個體的適應度函數，以均方誤差函數作為適應度函數；

步驟7 計算種群個體適應度，確定當前的最優解和最差解；

步驟8 根據圖3所示HMSSSA算法對SVR的優化參數進行迭代尋優，若未到達最大迭代次數，則轉入步驟7執行；否則，進入下一步驟；

步驟9 得到最優參數組合，作為初始值代入SVR，進行模型訓練，檢查預測誤差是否符合精度要求；若符合，則輸出短時交通流預測結果。

圖5是HMSSSA-SVR預測短時交通流的執行流程。

圖5 HMSSSA-SVR模型預測短時交通流執行流程

3 實驗分析

3.1 實驗環境說明

實驗分兩部分進行：第一部分引入6個基準函數對HMSSSA算法的尋優性能進行驗證；第二部分引入特定交通流數據集對HMSSSA-SVR模型的預測性能進行驗證。算法參數中，種群規模N=30，最大迭代次數Tmax=200，游移因子γ=0.618，步長因子β和K的最值βmax=0.9，βmin=0.1，Kmax=0.8，Kmin=0.1。引進如表1所示的6個基準函數進行算法的尋優測試。

表1 測試函數

基準函數表達式如下所示。其中，f1(x)～f4(x) 為單峰值函數，f5(x)～f6(x) 為多峰值函數，前者利于測試算法的搜索精度和全局搜索能力，因為眾多局部極值點，后者可以測試高維空間內算法的全局搜索能力以及跳離局部極值點的能力。

(1)Sphere函數

(2)Schwefel2.22函數

(3)Schwefel1.2函數

(4)Schwefel2.21函數

f4(x)=maxi{|xi|，1≤xi≤d}

(5)Griewank函數

(6)Rastigin函數

交通流預測實驗的樣本選取美國加州PeMS系統采集的交通流數據集。該系統通過部署于各交通要道路口的大量傳感器收集車輛交通流，是目前應用在交通流預測領域最廣泛的數據集之一。選擇2020年5月1日～2020年5月5日間所采集的某一主干道路口共5天的車流量數據作為實驗樣本，樣本采集時間間隔為10 min，采集樣本總量為1440個。圖6是測試所用樣本數據，圖中將采集數據根據城市道路工程設計規范中的pcu，即標準車當量數進行表示，采樣頻率為10 min。將前4天采集的樣本作為模型訓練集，第5天的樣本作為模型的測試集，則訓練集包含1152個樣本，測試集包含288個樣本。對原始交通流數據集進行小波降噪過程中，小波函數采用db3，設置分解層數為1，并利用ddencmp和wdencmp工具實際原始交通流數據降噪處理。

圖6 所選5天交通流樣本數據

為了加快預測模型的收斂速度和消除量綱影響，對小波降噪后的樣本數據進行標準化處理，使數據歸一化至區間[0，1]之間，所采用的標準化函數(采用Matlab平臺提供的mapminmax函數)形式為

(22)

其中，x為樣本處理后的標準數值，x為原始樣本數值，xmax、xmin為原始樣本值的最大值和最小值。待預測模型完成預測后還需要對預測結果進行反歸一化處理。

3.2 基準函數尋優結果分析

引入標準SSA算法和混沌反向學習改進SSA算法CCSSA[22]進行對比分析，兩種對比算法的種群規模和迭代次數選取與前文實驗配置一致，每個基準函數在實驗中獨立測試20次，為了測試算法的穩定性和準確性，選擇函數的均值結果，最優值和標準差兩個統計量進行綜合評價。表2在低維度20和高維度50下測試3種算法的尋優結果?？梢钥闯?，HMSSSA能夠在多數基準函數中求解到最優解，說明該算法在標準SSA算法的基礎上是可以提高搜索精度的，且在單峰函數和多峰函數上具有很好的穩定性。從目標函數的標準差來看，HMSSSA算法在多數標準測試函數中也得到了更好的表現，說明算法中所采用的反向學習和中心游移機制、分段慣性權重和蝴蝶優化算法、柯西變異及自適應警戒者更新對改進SSA的尋優能力是有效可行的。同樣作為針對SSA的改進算法，CCSSA算法的全面性能方面不如HMSSSA，而SSA還是容易得到局部最優解。圖7是維度20時基準函數的收斂曲線?？梢?，HMSSSA算法收斂時的搜索精度要高于對比算法，并且算法能夠更快的搜索到離最優解更近的候選解，進一步說明改進策略能夠更好地指導個體的尋優方向，在拓展廣闊的搜索空間和避免局部最優的同時，能夠均衡全局搜索和局部開發間的關系，提升尋優收斂速度。

表2 測試結果

圖7 收斂曲線

3.3 交通流預測結果分析

以均方誤差MSE和平均絕對百分比誤差MAPE評估算法預測短時交通流的誤差情況。兩個指標的定義如下

(23)

(24)

其中，n為預測總時長，yi、y′i分別為短時交通流實際值和預測值。兩個指標值均是取值越小，模型預測誤差越小，預測精度越高。對比模型方面，引入標準SVR模型進行橫向對比，引入BP神經網絡作縱向對比，再引入標準SSA算法優化SVR的SSA-SVR及混沌反向學習改進SSA算法優化SVR的CCSSA-SVR[22]進行智能算法優化性能方面的對比。

圖8是5種模型在測試樣本上的預測結果及實際交通流?？梢钥闯?，未經優化調參的BP神經網絡和SVR在整個一天的短時交通流預測上與實際交通流誤差還是比較大，個別時段可以接近實際值，但難以實現全時段短時交通流預測，模型穩定性有待提升。3種優化調參模型則能夠較好預測短時交通流的變化趨勢。從數據值的擬合程度看，HMSSSA-SVR與實際值具有更高的擬合度，再進一步結合表1的定量指標分析模型的預測性能。

圖8 預測結果

表3是5種模型預測值與實際值間的均方誤差和平均絕對百分比誤差表現。MSE方面，兩個標準模型均方誤差均大于10%，經群體智能優化算法對學習模型優化后，預測模型的均方誤差均降低至10%以內，表明對關鍵參數尋優很有必要。但優化效果不一，HMSSSA-SVR相比SSA-SVR和CCSSA-SVR在均方誤差上分別又降低了45.72%和24.09%，HMSSSA算法的綜合改進更加有效。MAPE趨勢與MSE一致，說明HMSSSA-SVR相比對比模型能更好地實現精確短時交通流預測。此外，表3最后一列還給出各模型的運算時間，可以看出，本文的HMSSSA-SVR模型的運算時間略高于4種對比模型。標準BP神經網絡和標準SVR模型均沒有進行超參尋優，其運行效率要高于超參調估后的預測模型。經過SSA算法、CCSSA算法和HMSSSA算法優化SVR模型，需要通過若干次迭代搜索SVR的最優參數，再構建最優預測模型，所以一定程度上增加模型的運算時間。但相比于大幅度預測誤差，所提高的運算時間也是可以接受的。

表3 預測模型誤差表現

為觀察5種預測模型在測試數據集上預測的誤差離散分布情況，將所統計的兩個評估指標MSE和MAPE繪制為箱形圖進行結果的對比。圖9可見，HMSSSA-SVR模型在MSE和MAPE指標上的中位數、四分位以及上界值方面均低于對比的4種模型，其預測誤差的分布更為集中，表明該預測模型在數據集上預測性能更加穩定。

圖9 指標的箱形圖對比

圖10展示了5種預測模型求解適應度的收斂曲線，模型一共迭代200次。由于適應度函數為均方誤差函數，所取值越小，預測誤差也越小。適應度不變說明模型已經收斂。結合曲線趨勢看，BP神經網絡最快收斂，但由于得到的是局部最優解，適應度較差，預測誤差較大。SVR模型的預測誤差弱小于BP神經網絡，適應度值更小。3種智能算法應用于調參后的SVR模型明顯可以降低預測誤差，得到更低的適應度值，但收斂速度不一樣。SSA-SVR模型在運行100左右迭代時收斂，晚于CCSSA-SVR模型和HMSSSA-SVR模型的81次迭代。從預測誤差和預測精度上看，本文的HMSSSA-SVR模型無疑是最佳的，驗證混合多策略改進策略極大地提升了對SVR關鍵參數取值的尋優，使預測模型達到最佳的預測性能，并最終收斂于最優適應度處。另外，HMSSSA-SVR模型能夠更快的降低預測誤差，提升預測精度還在于算法提供了更有效的局部極值跳離機制，使得預測模型在預測短時交通流領域具有更好的適用性。

圖10 模型收斂性能

4 結束語

為提高短時交通流的預測精度，提出基于改進麻雀搜索算法優化支持向量回歸的短時交通流預測模型。先結合反向學習和中心游移、分段慣性權重和蝴蝶優化算法、柯西變異及自適應警戒者更新對SSA的種群初始化多樣性、全局搜索和尋優能力、收斂速度及尋優精度進行改進，然后利用混合多策略改進麻雀搜索算法優化支持向量回歸的超參，構建短時交通流預測模型。結果表明，改進方法泛化能力更好，預測誤差更低，能夠對短時交通流實現精確預測。