【技术实现步骤摘要】
一种基于萤火虫算法与RBF神经网络的交通流预测方法
本专利技术涉及一种交通流预测方法,尤其涉及一种基于萤火虫算法与RBF神经网络的交通流预测方法。
技术介绍
为了缓解城市交通拥堵、减少交通事故的发生,需要对现代的道路交通进行科学的规划、管理、诱导以及控制,在这种情况下,智能交通系统(IntelligentTransportSystem,ITS)便应运而生。在智能交通系统中,交通信息的预测在交通规划、交通诱导等方面都起着关键的作用,其中交通流预测又是交通信息预测的重要组成部分。较早期的交通流预测方法有:自回归方法(AR)、滑动平均模型(MA)、自回归滑动平均模型(ARMA)和历史平均模型(HA)等。相对而言,这些方法模型简单,但是只适用于简单的线性系统,无法反映出交通流的不确定性和非线性,所以预测的准确度不高。随着研究的深入与计算机学科的发展,人们又提出一系列精度更高且比较复杂的预测模型。其中有自回归综合移动平均模型(ARIMA)、Volterra滤波器(SunShiliang,ZhangChangshui,YuGuoqiang.ABayesiannetworkapproachtotrafficflowforecasting[J].IEEETransactionsonIntelligentTransportationSystems,2006,7(1):124-132.)、支持向量机(supportvectormachine,SVM)(TangHaiyan,QiWeigui,DingBao.Predictionofelevatortrafficflowbase ...
【技术保护点】
一种基于萤火虫算法与RBF神经网络的交通流预测方法,其特征在于,获取交通流待预测数据作为RBF神经网络的输入数据,得到输出数据,将该输出数据作为预测结果;所述的RBF神经网络输入层神经元个数为m,输出层神经元个数为n,隐层神经元个数为h,隐层神经元的中心参数为c,隐层神经元的宽度参数为σ,隐层神经元与输出层神经元之间的权值为w;所述的输入层神经元个数m,输出层神经元个数n通过初始化确定其中m取为3‑6之间任意整数,n=1;所述的隐层神经元个数h、隐层神经元的中心参数c、隐层神经元的宽度参数σ、隐层神经元与输出层神经元之间的权值w均通过提取预测需要的最优个体的参数获得,所述的预测需要的最优个体通过萤火虫算法优化RBF神经网络确定,具体包括:步骤1:获取待预测的高速公路的交通流数据作为样本数据,对样本数据作归一化处理,将处理后的样本数据作为初始的RBF神经网络的训练数据,根据划分规则在训练数据中划分多组输入数据和期望输出;步骤2:根据公式:
【技术特征摘要】
1.一种基于萤火虫算法与RBF神经网络的交通流预测方法,其特征在于,获取交通流待预测数据作为RBF神经网络的输入数据,得到输出数据,将该输出数据作为预测结果;所述的RBF神经网络输入层神经元个数为m,输出层神经元个数为n,隐层神经元个数为h,隐层神经元的中心参数为c,隐层神经元的宽度参数为σ,隐层神经元与输出层神经元之间的权值为w;所述的输入层神经元个数m,输出层神经元个数n通过初始化确定其中m取为3-6之间任意整数,n=1;所述的隐层神经元个数h、隐层神经元的中心参数c、隐层神经元的宽度参数σ、隐层神经元与输出层神经元之间的权值w均通过提取预测需要的最优个体的参数获得,所述的预测需要的最优个体通过萤火虫算法优化RBF神经网络确定,具体包括:步骤1:获取待预测的高速公路的交通流数据作为样本数据,对样本数据作归一化处理,将处理后的样本数据作为初始的RBF神经网络的训练数据,根据划分规则在训练数据中划分多组输入数据和期望输出;步骤2:根据公式:设得到的10个隐层神经元个数的取值范围为h1,h2…hi…h10,其中μi为1~10的任意整数,其中1≤i≤10;步骤3:将编码规则中的hi替换为h1后,用替换后的编码规则对萤火虫种群D中的萤火虫个体进行编码,得到由萤火虫种群D中所有个体构成矩阵E;调用rand函数对矩阵E中所有元素进行随机赋值得到赋值后的萤火虫种群F;步骤4:根据RBF神经网络的确定方法得到萤火虫种群F中所有萤火虫个体对应的RBF神经网络分别为R1,R2…Rs,其中每一个萤火虫个体对应一个RBF神经网络,其中S为种群F中的萤火虫个体数,S的取值范围为20-25;根据萤火虫个体亮度值计算方法计算萤火虫种群F中每个萤火虫个体的亮度值;所述的RBF神经网络的确定方法为:每个萤火虫个体在矩阵中对应一个行列式,根据编码规则得到每个萤火虫个体对应的行列式中的RBF神经网络的中心参数、宽度参数以及隐层神经元与输出层神经元之间的权值所对应的数值;步骤5:初始化萤火虫算法的光强吸收系数γ,光源处最大亮度β0,随机步长因子α,对矩阵F进行萤火虫算法优化,得到萤火虫种群F中的最优萤火虫个体;步骤6:依次将编码规则中的hi替换为h2,h3,…h10,重复执行步骤3、4、5,得到10个最优个体及每个最优个体的亮度值,比较这些最优个体的亮度值,将亮度值最高的最优个体作为预测需要的最优个体;步骤7:根据步骤6得到的预测需要的最优个体,提取该最优个体中RBF神经网络的隐层神经元个数h;隐层神经元的中心参数c,隐层神经元的宽度参数σ,隐层神经元与输出层神经元之间的权值w。2.如权利要求1所述的交通流预测方法,其特征在于,所述的萤火虫种群D包括的萤火虫个体为D1,D2…Ds,其中下标S表示萤火虫种群D中萤火虫的个体数,S的取值范围为20-25。3.如权利要求1所述的交通流预测方法,其特征在于,所述的编码规则为:将萤火虫种群D中的任意一个萤火虫个体表示为包含式(1)中所有元素的集合:其中m为输入层神经元个数,hi为隐层神经元个数,ci1,ci2,…,cim为第i个隐层神经元的m维中心参数,σi为第i个隐层神经元的宽度参数,w1,…,wi,…,为隐层神经元与输出层神经元之间的权值;根据式(1)中的一个萤火虫个体包含的所有元素得到该萤火虫个体对应的行列式,形式如式(2)。4.如权利要求1所述的交通流预测方法,其特征在于,所述萤火虫种群D中所有个体构成矩阵E=|D1D2…DS|,其中D1,D2…DS分别表示萤火虫种...
【专利技术属性】
技术研发人员:段宗涛,陈柘,康军,葛建东,江华,刘研,吴晓声,
申请(专利权)人:长安大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。