基于混沌理论的改进模糊神经网络公交车智能调度方法技术

本发明专利技术公开了一种基于混沌理论的改进模糊神经网络公交车智能调度，属于智能交通领域。本发明专利技术研发的基于混沌理论的改进粒子群公交车智能调度方法，充分发挥各种算法各自的优势和互补性，同时引入一系列的改进措施，如共轭梯度优化、粒子群算法的惯性因子和约束因子等，从理论和实际两方面研究其机理与寻优性能，从根本上解决目前优化算法中存在的全局搜索能力差、早熟收敛等问题，能够显著增加种群的多样性，显著提高了全局寻优能力，可以有效处理模糊信息问题，并且具有较快的收敛速度，给公交车智能调度提供了一种新的高效的方法。

【技术实现步骤摘要】

本专利技术属于智能交通领域，涉及利用改进的模糊神经网络算法对公交车进行智能调度，为车辆调度提供了一种新的技术方法。
技术介绍
城市交通问题是困扰城市发展制约城市经济建设的重要因素。近十年来，世界各国都非常重视日益严重的交通问题，并投入大量的人力物力和财力对城市交通运输系统的管理和控制技术进行研究。相继出现了许多不同的交通控制手段和系统，为缓解交通拥挤发挥了巨大的作用。近年来中国的汽车消费正以30％的比例增长，交通拥挤已经成为许多大中城市所面临的越来越严重的问题。采用城市区域交通协调控制解决目前城市交通系统所面临而且将来越来越严重的诸多问题已成为人们的共识。随着智能计算技术的发展，一些智能算法纷纷尝试应用于城市交通协调控制的信号配时。通过多种智能识别的方法的融合提高了目标的识别率，越来越多的基于目标识别的智能识别算法被提出，模糊神经网络(FNN：FuzzyNeuralNetwork)也随之出现。模糊神经网络由模糊逻辑和神经网络结合而成，具有处理不确定信息的能力、知识存储和自我学习能力，在目标识别和分类中具有特别的优势，因此如何更好的在目标识别领域应用模糊神经网络技术已经得到各方面的重视，成为了目前目标识别研究中的一个热点。但是模糊神经网络技术有其固有的缺陷。对于传统的学习算法，因为数据中区分度比较高的数据占大部分，为了满足学习效率的要求，学习率和步长多数满足区分度较高的数据训练；因为传统的模糊神经网络算法中学习率和步长是不能改变的，当其对类间距离接近的数据进行学习训练的时候，会因为训练的梯度下降速度过快导致对这类数据的学习不充分，甚至会导致误学习，而且梯度下降速度过快也会导致网络训练中振荡的出现，这个是无法通过其他方法消除的，所以提出针对的传统模糊神经网络的优化算法就势在必行了。粒子群优化(PSO:ParticleSwarmOptimization)算法是一种基于群智能方法的演化计算技术，最早由Kennedy和Eberhart于1996年提出。受到人工生命的研究结果启发，粒子群的基本思想源于对鸟群捕食行为的研究。粒子群算法是一种基于群体的优化算法，既具有进化算法的全局寻优能力，又避免了复杂的遗传操作，其参数调整简单，训练收敛速度快。在粒子群算法中，由于每次迭代粒子总是通过跟踪两个最优位置到目前为止的群体最优位置和个体最优位置来更新自己。因此这种算法收敛速度快，可以用来优化传统的模糊神经网络参数。但也正是因为这个原因，基本的粒子群算法存在极易陷入局部最优解和易发散等缺点。而神经网络具有很强的自适应学习能力、并行处理能力和泛化能力，能够以任意精度逼近非线性函数。因此，将两者结合起来将使构建的模型兼有粒子群的全局优化能力和神经网络的自学习能力。
技术实现思路
技术问题：车辆的智能调度是智能交通领域的一项关键问题。传统的模糊神经网络算法的学习算法存在着固有缺陷，如学习周期长、学习率和步长不能改变等问题，以至于不能很好地对那些维数大且模糊度较高的数据进行识别，不能胜任公交车实时、安全、高效的智能调度。采用基本粒子群算法优化模糊神经网络的参数，往往又会陷入局部最优解和易发散等缺点的困扰。技术方案：本专利技术提出一种改进的粒子群算法，去优化传统的模糊神经网络算法的参数，结合混沌理论，研发出一种基于混沌理论的改进模糊神经网络公交车智能调度方法。运用该算法可以高效、安全的实现公交车的智能调度，有效解决了PSO算法所具有的很容易陷入局部最优解和易发散等缺陷并能保持良好的收敛特性，与PSO算法相比计算时间也没有增加，同时兼顾了模糊神经网络自主学习的能力。仿真结果表明，采用这种优化算法所获得的控制信号来控制城市区域交通系统，能有效地降低车辆的平均延误提高城市道路的通行效率。本专利技术所采用的技术方案如下：一种基于混沌理论的改进模糊神经网络公交车智能调度方法，包括如下步骤：第一步，实际问题需求分析与调研；包括：已知某一总里程为L的公交路线共有J个车站，公交公司的车辆一天的运营时间为[t早，t晚]，运营时间可分成K个时段，第K个时段的发车间隔为Δtk，此路线的公交车辆型号是相同的，假设按时到达各站，每个车站的乘客服从均匀分布，每个乘客全程的公交票价为n，现从公交公司的运行盈利和公交公司的服务水平两方面出发，根据一天各个站点的乘客流量以及运营条件，求解此路线的车辆运行时刻表；第二步，利用凸优化理论，将实际问题转化为数学模型，建立目标函数和约束条件；建立目标函数：minf(Δtk)=αC1LΣk=1KTkΔtk+βC2Σk=1KΣi=1mkΣj=1J(ρkjΔtk22)]]>式中：Δtk表示第k个时段的发车间隔，k∈K＝{1…K本文档来自技高网...

【技术保护点】
一种基于混沌理论的改进模糊神经网络公交车智能调度方法，其特征在于，包括如下步骤：第一步，实际问题需求分析与调研；包括：已知某一总里程为L的公交路线共有J个车站，公交公司的车辆一天的运营时间为[t早，t晚]，运营时间可分成K个时段，第K个时段的发车间隔为Δtk，此路线的公交车辆型号是相同的，假设按时到达各站，每个车站的乘客服从均匀分布，每个乘客全程的公交票价为n，现从公交公司的运行盈利和公交公司的服务水平两方面出发，根据一天各个站点的乘客流量以及运营条件，求解此路线的车辆运行时刻表；第二步，利用凸优化理论，将实际问题转化为数学模型，建立目标函数和约束条件；建立目标函数：minf(Δtk)=αc1LΣk=1KTkΔtk+βc2Σk=1KΣi=1mkΣj=1J(ρkjΔtk22)]]>式中：Δtk表示第k个时段的发车间隔，k∈K＝{1...K}，约束条件：n×Σk=1KΣi=1JμkjΣk=1KTkΔtk>C1L,Δtk>0]]>其中：K为时段集K＝{1...K}，k表示第k个时段；J为车站集J＝{1...J}，j表示第j个车站；Tk表示第k时段的时间长度；表示第k时段第j站的上车乘客数；表示第k时段第j站的乘客到达率；C1为每公里每辆公交车辆消耗的费用；C2为每个乘客每等待一个单位时间所相当的损失费用；α表示公交公司消耗费用的加权系数；β表示乘客等待时间所损失费用的加权系数；加权系数的关系为α+β＝1；n为全程公交票价；L为线路的总公里数；表示第k时段的总发车车次于该时段的时间长度与发车间隔的比值；第三步，采用RBF神经网络构建模糊系统；包括输入层、径向基层和输出层，设X＝[x1，x2，...，xn]T为输入矢量，n为输入样本个数，W＝[w1，w2，...，wn]T为输出矢量，m为隐层节点数，b为偏移量，f(x)为网络输出，为径向基函数：其中，||·||为欧式范数，Ci是网络中第i个数据中心，则神经网络的输出为：第四步，利用改进的粒子群算法优化模糊系统参数；第五步，建立好基于混沌理论的改进的粒子群模糊系统后，进行公交车智能调度。...

【技术特征摘要】
1.一种基于混沌理论的改进模糊神经网络公交车智能调度方法，其特征在于，包括如下步骤：第一步，实际问题需求分析与调研；包括：已知某一总里程为L的公交路线共有J个车站，公交公司的车辆一天的运营时间为[t早，t晚]，运营时间可分成K个时段，第K个时段的发车间隔为Δtk，此路线的公交车辆型号是相同的，假设按时到达各站，每个车站的乘客服从均匀分布，每个乘客全程的公交票价为n，现从公交公司的运行盈利和公交公司的服务水平两方面出发，根据一天各...

【专利技术属性】
技术研发人员：梁广俊，
申请(专利权)人：梁广俊，
类型：发明
国别省市：安徽;34