一种基于蝙蝠算法的交通流预测方法、装置及系统制造方法及图纸

本发明专利技术实施例公开了一种基于蝙蝠算法的交通流预测方法、装置及系统，包括获取交通流数据；采用预先建立的小波神经网络交通流预测模型对交通流数据进行处理得到交通流预测结果；其中，小波神经网络交通流预测模型是基于蝙蝠算法训练而成的，其训练过程为依据历史数据以及蝙蝠算法计算出初始化小波神经网络参数；采用小波神经网络以及历史数据对初始化小波神经网络参数进行训练得到小波神经网络交通流预测模型。可见，本发明专利技术实施例在利用基于蝙蝠算法得到的初始化小波神经网络参数训练出的小波神经网络交通流预测模型在对交通流进行预测时，在一定程度上提高了预测速度和预测精度。

【技术实现步骤摘要】
一种基于蝙蝠算法的交通流预测方法、装置及系统
本专利技术实施例涉及道路交通
，特别是涉及一种基于蝙蝠算法的交通流预测方法、装置及系统。
技术介绍
在对道路的交通流进行预测时，通常会受到诸如路况、时间点、天气变化等因素的影响，从而导致道路交通流数据具有高度不确定性，并且规律不明显。现有技术中，在对道路的交通流进行预测时采用传统的小波神经网络方法来训练小波神经网络的网络参数，但是，由于采用传统小波神经网络训练网络参数时采用的方法是与基本BP神经网络相同的梯度下降法，并且梯度下降法具有单向性，且随机生成相关的网络参数，使网络参数在优化的过程中极其容易陷入局部极小值，从而使交通流的预测速度和预测精度降低。因此，如何提供一种解决上述技术问题的基于蝙蝠算法的交通流预测方法、装置及系统成为本领域的技术人员目前需要解决的问题。
技术实现思路
本专利技术实施例的目的是提供一种基于蝙蝠算法的交通流预测方法、装置及系统，在使用过程中在一定程度上提高了预测速度和预测精度。为解决上述技术问题，本专利技术实施例提供了一种基于蝙蝠算法的交通流预测方法，所述方法包括：获取交通流数据；采用预先建立的小波神经网络交通本文档来自技高网...

【技术保护点】
一种基于蝙蝠算法的交通流预测方法，其特征在于，所述方法包括：获取交通流数据；采用预先建立的小波神经网络交通流预测模型对所述交通流数据进行处理得到交通流预测结果；其中，所述小波神经网络交通流预测模型是基于蝙蝠算法训练而成的，其训练过程为：依据历史数据以及蝙蝠算法计算出初始化小波神经网络参数；采用小波神经网络以及所述历史数据对所述初始化小波神经网络参数进行训练得到所述小波神经网络交通流预测模型。

【技术特征摘要】
1.一种基于蝙蝠算法的交通流预测方法，其特征在于，所述方法包括：获取交通流数据；采用预先建立的小波神经网络交通流预测模型对所述交通流数据进行处理得到交通流预测结果；其中，所述小波神经网络交通流预测模型是基于蝙蝠算法训练而成的，其训练过程为：依据历史数据以及蝙蝠算法计算出初始化小波神经网络参数；采用小波神经网络以及所述历史数据对所述初始化小波神经网络参数进行训练得到所述小波神经网络交通流预测模型。2.根据权利要求1所述的基于蝙蝠算法的交通流预测方法，其特征在于，所述依据历史数据以及蝙蝠算法计算出初始化小波神经网络参数的过程具体为：依据历史数据对每个蝙蝠的位置进行编码，每个所述蝙蝠的位置与与网络参数一一对应；对预设控制参数进行初始化，并依据所述初始化的控制参数以及相应的搜索方法从蝙蝠种群中找到超级蝙蝠；获取所述超级蝙蝠的位置，并将所述位置进行解码得到初始化小波神经网络参数。3.根据权利要求2所述的基于蝙蝠算法的交通流预测方法，其特征在于，所述预设控制参数包括蝙蝠种群的大小、最大迭代次数、每个蝙蝠的最大脉冲发射频度、每个蝙蝠的最大脉冲响度、每个蝙蝠的最大脉冲频率及最小脉冲频率；所述依据初始化的控制参数以及相应的搜索方法从蝙蝠种群中找到超级蝙蝠的过程具体为：S2121：计算所述蝙蝠种群中的各个蝙蝠对应的适应度值，并从各个适应度值中筛选出最优适应度值以及最优蝙蝠位置；S2122：利用第一计算关系式、第二计算关系式以及第三计算关系式产生当前蝙蝠的第一新飞行速度与第一新位置，并将所述第一新位置作为所述当前蝙蝠的新位置；所述第一计算关系式为fi＝fmin+(fmin-fmax)β；所述第二计算关系式为所述第三计算关系式为所述为所述第一新飞行速度，所述为所述第一新位置；其中：所述i为正整数，且i∈(0,P]，所述P为所述蝙蝠种群的大小，所述fi表示所述当前蝙蝠的脉冲频率，所述fmin表示所述当前蝙蝠的最小脉冲频率，所述fmax表示所述当前蝙蝠的最大脉冲频率，所述表示所述当前蝙蝠在t时刻的飞行速度，所述表示所述当前蝙蝠在t时刻的位置，所述x*表示所述最优蝙蝠位置；S2123：判断所述当前蝙蝠的当前脉冲发射频度是否大于第一随机数，如果是，则进入步骤S2124；否则，进入步骤S2125；S2124：利用第四计算关系式产生第二新位置，将所述第二新位置覆盖所述第一新位置，将所述第二新位置作为所述当前蝙蝠的新位置；进入步骤S15，所述第一随机数的取值范围为[0,1]，所述第四计算关系式为其中，所述表示所述第二新位置，所述xold表示从当前蝙蝠种群中随机找出的一个蝙蝠对应的位置，表示t时刻所述当前蝙蝠种群中所有蝙蝠的脉冲响度的平均值；ε表示一个d维随机向量，且ε∈[0,1]；S2125：计算所述当前蝙蝠在所述新位置时对应的新适应度值，并判断所述新适应度值是否大于所述当前蝙蝠的历史最优适应度值，且第二随机数是否小于t时刻所述当前蝙蝠的脉冲响度，如果是，则依据第五计算关系式以及第六计算关系式更新所述当前蝙蝠的脉冲发射频度及其脉冲响度；否则，直接进入S2126；其中：所述第五计算关系式为所述第六计算关系式为所述第二随机数的取值范围为[0,1]；其中，为所述当前蝙蝠在t+1时刻的脉冲发射频度；γ为脉冲发射频度的增加因子，且γ>0；α为脉冲音强的衰减因子，且α∈[0,1]；S2126：判断所述当前蝙蝠在所述新位置时对应的新适应度值是否大于所述蝙蝠种群的最优适应度值，如果是，则将所述蝙蝠种群的最优适应度值更新为所述新适应度值，得到更新后的最优适应度值，否则，直接进入S17...

【专利技术属性】
技术研发人员：蔡延光，黄何列，蔡颢，刘惠灵，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44