[0016] 为使本发明实现的技术创新点易于理解，下面结合图1，对本发明的实现方式进一步详细叙述，具体步骤如下：
[0017] 数据清洗，包括进行删除无效数据和重复数据。其中对无效数据的处理可以在每个GPS定位数据输入之前，先将跟踪匹配区域的经度和纬度范围作为条件添加到输入的判断条件，如果输入的GPS定位数据不符合该条件，那么删除该无效数据进行下一个数据的输入判断。重复数据对应着超标排放车辆的状态为驻车，定位数据超过一段时间不发生变化。
[0018] 进行完数据清洗后，则将关于轨迹的数据输入至算法中，包括：
[0019] HGPSO算法实现步骤：
[0020] Step1.初始化算法中的相关参数，如惯性权重、学习因子、选择概率等。
[0021] Step2.初始化种群，根据初始搜索区间，随机初始化粒子位置和速度。
[0022] Step3.计算粒子的适应度函数，来确定最优粒子的个体极值和全局极值。
[0023] Step4.增加粒子迭代次数，并判别进化次数是偶数还是奇数，偶数代把粒子用遗传算子GA进行位置和速度更新，奇数代时用PSO算子进行粒子的速度和位置的更新。
[0024] Step5.根据粒子在搜索最优解过程中的聚集程度，如果粒子聚集程度超过阈值，就对一定数量的粒子采用变异处理。
[0025] Step6.再次判别适应度值，确定粒子的个体极值和全局极值。
[0026] Step7.判断迭代次数是否满足要求，不满足转向Step4。
[0027] Step8.输出最优粒子的全局最优位置和最优解。
[0028] HGPSO优化OELM神经网络是对初始权阈值的优化，分为以下几个步骤：
[0029] a：确定神经网络拓扑，随机产生初始值和偏置。得到初始种群2P。
[0030] b：对权值和偏置进行解码并赋给ELM神经网络，训练和测试误差，计算适应度。
[0031] c：根据适应度选择优秀的前P个个体，组成新的种群，为遗传算子和PSO位置更新作好准备。
[0032] d：将P个个体分别进行遗传操作和PSO位置、速度更新，并合并成种群2P。
[0033] e：若满足迭代次数要求，则结束操作；若不满足，则返回b。
[0034] 总之，本发明针对车辆轨迹预测问题，提出了一种基于混合智能遗传粒子群的优化极限学习机算法。传统的神经网络算法存在训练时间较长、容易陷入局部最优解、参数选择敏感等缺点，而极限学习机（ELM）神经网络具有训练速度快、泛化能力强等优点，故选择ELM神经网络做预测。由于传统的ELM存在小数据集泛化性能较差的问题，优化极限学习机（OELM）克服了该缺点，但由于受到输入权值和隐藏层节点阈值随机赋值的影响，在预测过程中往往无法达到最优结果。故采用混合智能遗传粒子群算法（HGPSO）动态寻优找出OELM模型最佳的参数组，针对模型建立的随机性进行改进，使它只需要较少的隐藏层神经元数目就能达到较好的预测性能，提高了网络的泛化性。
[0035] 提供以上实施例仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。
