一种交通流量预测方法及装置制造方法及图纸

本发明专利技术公开了一种交通流量预测方法，该方法包括以下步骤：获得当前时刻之前设定时间段内目标区域的交通流量时间序列；对交通流量时间序列进行小波包分解，分解成多个子序列；利用基于飞蛾动态感知捕焰算法预先训练得到的神经网络优化模型对各子序列进行预测，获得多个预测值；重构叠加各预测值，获得目标区域短期未来的交通流量值。应用本发明专利技术实施例所提供的技术方案，可以捕获到交通流量的变化规律，提升预测交通流量时间序列的准确度和泛化能力。本发明专利技术还公开了一种交通流量预测装置，具有相应技术效果。

Traffic flow prediction method and device

The invention discloses a prediction method for traffic flow, the method comprises the following steps: acquiring the current time before setting the traffic flow time target area time sequence of traffic flow time series; wavelet packet decomposition, decomposed into multiple sub sequence; using the optimization model to predict each sub sequence of neural network dynamic perception catching moths flame algorithm pre trained based on multiple predictive value; reconstruction of superposition of each prediction value, obtain the target value of the short-term traffic flow in the future. The technical scheme provided by the embodiment of the invention can capture the changing law of traffic flow, and improve the accuracy and generalization ability of forecasting traffic flow time series. The invention also discloses a traffic flow forecasting device, which has corresponding technical effects.

【技术实现步骤摘要】
一种交通流量预测方法及装置
本专利技术涉及计算机应用
，特别是涉及一种交通流量预测方法及装置。
技术介绍
随着智能交通系统的迅速发展，对交通流量进行实时准确的预测是交通规划和交通诱导的基础。短期交通流量预测具有突发性、不确定性和混沌度等非线性特征，是目前交通专家和学者研究的热点。目前通常是基于神经网络和支持向量机SVM的非线性模型进行短期交通流量预测。如基于BP神经网络技术的交通流量预测模型以及包容性检验SVM向量机的交通流量预测模型等。这些方法存在一定的缺点。其中，BP神经网络采用梯度下降法调整阈值和权值，算法易早熟，使得预测精度较低；向量机SVM预测结果的好坏与参数的选取密切相关，性能不稳定，泛化能力较弱。
技术实现思路
本专利技术的目的是提供一种交通流量预测方法及装置，以提升预测交通流量时间序列的准确度和泛化能力。为解决上述技术问题，本专利技术提供如下技术方案：一种交通流量预测方法，包括：获得当前时刻之前设定时间段内目标区域的交通流量时间序列；对所述交通流量时间序列进行小波包分解，分解成多个子序列；利用基于飞蛾动态感知捕焰算法预先训练得到的神经网络优化模型对各子序列进行预测，获得多个预测值；重构叠加各预测值，获得所述目标区域短期未来的交通流量值。在本专利技术的一种具体实施方式中，所述对所述交通流量时间序列进行小波包分解，分解成多个子序列，包括：根据以下公式对所述交通流量时间序列进行小波包分解，获得多个子序列：其中，di为第I层的小波包分解频带系数，h0和g0均为小波包分解共轭滤波器的系数，l为位置指标的时间参数，k为尺度指标的频域参数。在本专利技术的一种具体实施方式中，通过以下步骤基于飞蛾动态感知捕焰算法预先训练得到所述神经网络优化模型：建立Elman神经网络，确定基本参数；初始化包含多个个体的种群；训练所述Elman神经网络，根据训练结果计算所述种群中每个个体的适应度值；人工飞蛾进行光源动态感知捕焰，对所述种群的个体解码，寻优搜索开发，自适应调整相关的权值和阈值，并反馈给所述Elman神经网络；重复执行所述训练所述Elman神经网络的步骤，直至所述种群的迭代次数大于设定第一阈值或者所述Elman神经网络的适应度函数的值小于设定第二阈值，获得所述神经网络优化模型。在本专利技术的一种具体实施方式中，所述根据训练结果计算所述种群中每个个体的适应度值，包括：根据以下公式计算所述种群中每个个体的适应度值：其中，fobj为所述Elman神经网络的评价适应度函数，yk(w)和分别是所述Elman神经网络的期望输出值和实际输出值，m是输出层训练维数。在本专利技术的一种具体实施方式中，所述人工飞蛾进行光源动态感知捕焰，包括：人工飞蛾根据以下公式进行光源动态感知捕焰：S＝a1·S(Mi,Fα)+a2·S(Mi,Fβ)+a3·S(Mi,Fγ)；其中，S为人工飞蛾更新后的位置，a1、a2、a3为[0,1]上的随机数，Fα，Fβ和Fγ为全局前三最优的火焰，S(Mi,Fbest)＝Fbest-A·Di为人工飞蛾Mi朝全局最优火焰Fbest直线运动更新的位置，人工飞蛾Mi到火焰Fbest的距离为Di＝|C·Fbest-Mi|，C＝2r2，A＝2a·r1-a，a在区间[0,2]上线性递减，r1、r2为[0,1]上的随机数。一种交通流量预测装置，包括：交通流量时间序列获得模块，用于获得当前时刻之前设定时间段内目标区域的交通流量时间序列；小波包分解模块，用于对所述交通流量时间序列进行小波包分解，分解成多个子序列；预测值获得模块，用于利用基于飞蛾动态感知捕焰算法预先训练得到的神经网络优化模型对各子序列进行预测，获得多个预测值；交通流量值预测模块，用于重构叠加各预测值，获得所述目标区域短期未来的交通流量值。在本专利技术的一种具体实施方式中，所述小波包分解模块，具体用于：根据以下公式对所述交通流量时间序列进行小波包分解，获得多个子序列：其中，di为第I层的小波包分解频带系数，h0和g0均为小波包分解共轭滤波器的系数，l为位置指标的时间参数，k为尺度指标的频域参数。在本专利技术的一种具体实施方式中，还包括神经网络优化模型获得模块，用于通过以下步骤基于飞蛾动态感知捕焰算法预先训练得到所述神经网络优化模型：建立Elman神经网络，确定基本参数；初始化包含多个个体的种群；训练所述Elman神经网络，根据训练结果计算所述种群中每个个体的适应度值；人工飞蛾进行光源动态感知捕焰，对所述种群的个体解码，寻优搜索开发，自适应调整相关的权值和阈值，并反馈给所述Elman神经网络；重复执行所述训练所述Elman神经网络的步骤，直至所述种群的迭代次数大于设定第一阈值或者所述Elman神经网络的适应度函数的值小于设定第二阈值，获得所述神经网络优化模型。在本专利技术的一种具体实施方式中，所述神经网络优化模型获得模块，具体用于：根据以下公式计算所述种群中每个个体的适应度值：其中，fobj为所述Elman神经网络的评价适应度函数，yk(w)和分别是所述Elman神经网络的期望输出值和实际输出值，m是输出层训练维数。在本专利技术的一种具体实施方式中，所述神经网络优化模型获得模块，具体用于：人工飞蛾根据以下公式进行光源动态感知捕焰：S＝a1·S(Mi,Fα)+a2·S(Mi,Fβ)+a3·S(Mi,Fγ)；其中，S为人工飞蛾更新后的位置，a1、a2、a3为[0,1]上的随机数，Fα，Fβ和Fγ为全局前三最优的火焰，S(Mi,Fbest)＝Fbest-A·Di为人工飞蛾Mi朝全局最优火焰Fbest直线运动更新的位置，人工飞蛾Mi到火焰Fbest的距离为Di＝|C·Fbest-Mi|，C＝2r2，A＝2a·r1-a，a在区间[0,2]上线性递减，r1、r2为[0,1]上的随机数。应用本专利技术实施例所提供的技术方案，获得当前时刻之前设定时间段内目标区域的交通流量时间序列后，对交通流量时间序列进行小波包分解，分解成多个子序列，利用基于飞蛾动态感知捕焰算法预先训练得到的神经网络优化模型对各子序列进行预测，可以获得多个预测值，对各预测值进行重构叠加，可以获得目标区域短期未来的交通流量值，捕获到交通流量的变化规律，提升预测交通流量时间序列的准确度和泛化能力。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例中一种交通流量预测方法的实施流程图；图2为本专利技术实施例中小波分解和小波包分解的信号树三层分解对比示意图；图3为本专利技术实施例中人工飞蛾光源动态感知捕焰的一种示意图；图4为本专利技术实施例中神经网络优化模型训练的一种示意图；图5为本专利技术实施例中交通流量预测过程的一种示意图；图6为本专利技术实施例中一种交通流量预测装置的结构示意图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面结合附图和具体实施方式对本专利技术作进一步的详细说明。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属本文档来自技高网...

【技术保护点】
一种交通流量预测方法，其特征在于，包括：获得当前时刻之前设定时间段内目标区域的交通流量时间序列；对所述交通流量时间序列进行小波包分解，分解成多个子序列；利用基于飞蛾动态感知捕焰算法预先训练得到的神经网络优化模型对各子序列进行预测，获得多个预测值；重构叠加各预测值，获得所述目标区域短期未来的交通流量值。

【技术特征摘要】
1.一种交通流量预测方法，其特征在于，包括：获得当前时刻之前设定时间段内目标区域的交通流量时间序列；对所述交通流量时间序列进行小波包分解，分解成多个子序列；利用基于飞蛾动态感知捕焰算法预先训练得到的神经网络优化模型对各子序列进行预测，获得多个预测值；重构叠加各预测值，获得所述目标区域短期未来的交通流量值。2.根据权利要求1所述的交通流量预测方法，其特征在于，所述对所述交通流量时间序列进行小波包分解，分解成多个子序列，包括：根据以下公式对所述交通流量时间序列进行小波包分解，获得多个子序列：其中，di为第I层的小波包分解频带系数，h0和g0均为小波包分解共轭滤波器的系数，l为位置指标的时间参数，k为尺度指标的频域参数。3.根据权利要求1或2所述的交通流量预测方法，其特征在于，通过以下步骤基于飞蛾动态感知捕焰算法预先训练得到所述神经网络优化模型：建立Elman神经网络，确定基本参数；初始化包含多个个体的种群；训练所述Elman神经网络，根据训练结果计算所述种群中每个个体的适应度值；人工飞蛾进行光源动态感知捕焰，对所述种群的个体解码，寻优搜索开发，自适应调整相关的权值和阈值，并反馈给所述Elman神经网络；重复执行所述训练所述Elman神经网络的步骤，直至所述种群的迭代次数大于设定第一阈值或者所述Elman神经网络的适应度函数的值小于设定第二阈值，获得所述神经网络优化模型。4.根据权利要求3所述的交通流量预测方法，其特征在于，所述根据训练结果计算所述种群中每个个体的适应度值，包括：根据以下公式计算所述种群中每个个体的适应度值：其中，fobj为所述Elman神经网络的评价适应度函数，yk(w)和分别是所述Elman神经网络的期望输出值和实际输出值，m是输出层训练维数。5.根据权利要求3所述的交通流量预测方法，其特征在于，所述人工飞蛾进行光源动态感知捕焰，包括：人工飞蛾根据以下公式进行光源动态感知捕焰：S＝a1·S(Mi,Fα)+a2·S(Mi,Fβ)+a3·S(Mi,Fγ)；其中，S为人工飞蛾更新后的位置，a1、a2、a3为[0,1]上的随机数，Fα，Fβ和Fγ为全局前三最优的火焰，S(Mi,Fbest)＝Fbest-A·Di为人工飞蛾Mi朝全局最优火焰Fbest直线运动更新的位置，人工飞蛾Mi到火焰Fbest的距离为Di＝|C·Fbest-Mi|，C＝2r2，A＝2a·r1-a，a在区间[0,2]上线性递减，r1、r2为[0,1]上的随机数。6.一种交通流量预测装置，其特征在于，包...

【专利技术属性】
技术研发人员：李泽熊，吴伟民，吴汪洋，李泽锋，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44