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

本发明专利技术提出一种基于萤火虫算法与RBF神经网络的交通流预测方法，包括：对样本的数据进行归一化化处理，使输入数据与输出数据处于同一数量级；初始化萤火虫算法参数，利用随机方法初始化萤火虫种群，并对种群中每个个体进行编码；利用萤火虫算法训练RBF神经网络，得到种群最优个体；对种群最优个体进行解码，得到训练好的RBF神经网络；利用训练好的RBF神经网络对交通流数据样本进行预测。与传统的交通流预测方法相比，本发明专利技术充分发挥萤火虫优化算法在RBF神经网络训练中的优势，使RBF网络具有更准确的预测能力、更快的训练效率以及更好的泛化能力。本发明专利技术属于交通运输信息工程技术领域，可用于智能交通系统中道路交通流的预测。

【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.PredictionofelevatortrafficflowbasedonSVMandphasespacereconstruction[J].JournalofHarbinInstituteofTechnology:NewSeries,2011,18(3):111-114.)、非参数回归模型以及各种神经网络模型。神经网络由于其自身特有的自学习和自适应的特点，在交通流预测领域中变得极为流行与重要。在多种神经网络预测模型中BP(BackPropagation)网络与径向基函数神经网络(RBF)是应用最广泛的两种神经网络模型。然而BP神经网络存在着易陷于局部极小值、学习过程收敛速度慢、隐层深度和隐层神经元个数难以确定等缺点，RBF神经网络已经逐步的在各个领域取代了BP神经网络的位置。但在实际应用中，RBF神经网络中隐层神经元的参数确定是其难点。许多专家对此提出了改进算法，如DavisGary，Nihan发现RBF神经网络的特点适用于交通流预测，并将C均值聚类(FCM)方法与RBF神经网络相结合，解决了一般动态网络普遍具有的时滞现象，提高了RBF神经网络的泛化能力(DavisGary,Nihan.NonparametericRegressionandShort-termFreewayTrafficForecasting[J].JournalofTransportationEngineering.1991,117(2):178-188.)。Horng将萤火虫算法用于RBF神经网络的训练，实现了RBF中心和隐层神经元与输出层神经元连接权值的同步训练，并应用于疾病的诊断与分类，提高了RBF神经网络的训练速度。(HorngH,LeeX,etal.Fireflymetaheuristicalgorithmfortrainingtheradialbasisfunctionnetworkfordataclassificationanddiseasediagnosis[C]TheoryandNewApplicationsofSwarmIntelligence,2012,4(7):115-132.)。冯明发，卢锦川提出了基于粒子群(PSO)算法优化的RBF神经网络的交通流预测模型，并对该模型进行实验仿真，结果表明相比于RBF神经网络预测模型，PSO算法优化的RBF神经网络预测模型具有较快的收敛速度以及较高的预测精度(冯明发,卢锦川.粒子群优化RBF神经网络的短时交通流量预测[J].计算机仿真,2010(12):323-326.)。以上几种模型虽然在交通流预测和神经网络的训练中取得了一些进展，但其方法本身还有不完善之处，具体表现为：例如遗传算法的早熟现象，粒子群算法迭代后期收敛速度较慢等。
技术实现思路
为了解决现有的交通流预测方法的不足，本专利技术提供一种基于改进萤火虫算法的RBF神经网络的交通流预测方法，具体方案如下：一种基于萤火虫算法与RBF神经网络的交通流预测方法,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。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本文档来自技高网...

【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