一种基于量子粒子群优化策略的车联网交通流量预测方法技术

一种基于量子粒子群优化策略的车联网交通流量预测方法(MPSO‑RBF)，解决如何准确预测城市道路未来交通流量的问题。包括交通流量预测数学模型建立，即根据交通流量数据特征建立对应模型，使用模拟退火算法和遗传算法对初始聚类中心进行优化，并采用模糊均值聚类算法对RBF网络进行训练；使用改进的量子粒子群优化策略，增大粒子位置的随机性，输出最优化的神经网络参数；将优化后的算法应用于径向基神经网络预测模型的参数优化，通过径向基神经网络的高维映射得到所需预测的数据结果。测试结果表明，本发明专利技术所提出的算法能够降低预测误差，得到更好、更稳定的预测结果。

A traffic flow prediction method based on quantum particle swarm optimization

【技术实现步骤摘要】
一种基于量子粒子群优化策略的车联网交通流量预测方法
本专利技术属于车联网领域，具体涉及一种基于量子粒子群优化策略的车联网交通流量预测方法。
技术介绍
在智能交通系统(ITS)中由于车辆的移动性和随机性，都是交通数据流量的随机影响因素，因此交通流量数据经常难以准确预测。为解决ITS中的交通流量数据预测问题，目前很多学者提出了各种特点各异的预测方法。通常可以将这些方法分为两种类型：传统预测方法和智能预测方法。传统的流量预测方法包括Markov，Poisson，ARMA等。但是它们基于线性方法。随着交通规模的迅速发展，交通呈现出复杂，非线性，时变的特点。由于这些特点，传统的线性建模方法已无法精准的表达。因此，传统的预测方法很难获得理想的结果。利用神经网络技术预测交通流量数据的研究逐渐深入，但考虑到神经网络算法的弊端，很多学者开始选择引入全局优化算法来选择更优秀的参数，以提高网络预测性能。比如引入粒子群算法(PSO)对RBF神经网络参数进行优化操作。尽管PSO能够提升一定的网络性能，但PSO算法也有其弊端，比如收敛速度慢、精度低、群体早熟等问题。由于这些问题，使得该算法无法每次都得到全局最优解，也因此影响PSO-RBF的训练速度和诊断精度。
技术实现思路
本专利技术的目的是解决PSORBF神经网络算法中收敛速度慢、精度低、群体早熟等问题。由于这些问题，使得PSORBF神经网络算法无法每次都得到全局最优解，也因此影响神经网络的训练速度和诊断精度等问题。因此提供一种基于量子粒子群优化策略的车联网交通流量预测方法。针对交通流量数据的特点和RBF神经网络预测参数初始值的设置重要性，提出了一种量子粒子群优化策略，将模拟退火遗传算法用于确定量子粒子群的聚类初始中心，并根据量子粒子群优化策略对RBF神经网络参数进行优化。此后利用优化后的神经网络预测交通流量数据。本专利技术提供的一种基于量子粒子群优化策略的车联网交通流量预测(MPSO-RBF)方法，主要包括如下关键步骤：第1、交通流量预测数学模型建立，根据影响交通流量数据的几个要素，针对固定某一路段，建立基于该路段当前时刻、过去时段和上游流量状况的关系模型为F(Vt,Ut,t)＝yt，，其中t为当前时刻，Vt为所测路段的上游路段l个路口的流量状况，Ut为所测路段前d个时间段的流量状况，yt为最终预测的交通数据流量；第2、使用模拟退火算法(SA)和遗传算法(GA)优化量子粒子群优化策略的初始聚类中心；具体包括：第2.1、创建初始种群并赋初值，初始化隶属度矩阵U，建立初始聚类中心矩阵V；第2.2、在全局空间范围内搜索最优解；对每个个体进行遗传算法操作，由此产生的全新个体再经过模拟退火延续至下一代群体；通过反复不断迭代上述过程，直到温度小于设置的温度阈值的终止条件，从而得到最优解，该最优解即为确定的量子粒子群优化策略初始聚类中心；第3、优化RBF神经网络参数，使用改进和优化后的量子粒子群优化策略，增大粒子位置的随机性，输出最优化的RBF神经网络参数；具体包括：第3.1、随机创建初始种群，并给各粒子的位置和速度随机赋予初值；第3.2、计算各个粒子的适应度值，之后比较所有粒子适应度值，取得具有最优适应度的粒子位置；第3.3、更新粒子的速度和位置；第3.4、比较当前所有的粒子最优解和上一迭代周期的全局最优解，更新全局最优解。得到的全局最优解即为优化后的RBF神经网络参数。第4、采用模糊c均值聚类算法(FCM)对径向基函数神经网络(RBF)进行训练，聚类得到的每组子样本都构成神经网络中的一个神经元。具体包括：第4.1、采用模糊c均值聚类算法(FCM)对RBF神经网络进行训练，计算初始聚类中心c和隶属度矩阵U。将聚类的每组子样本作为RBF神经网络的神经元。选择初始聚类中心c和隶属度矩阵U中的一个变量进行赋值，利用两个变量相互关联性，使得两个变量通过不断的迭代和更新，不断减小目标函数的值，直到系统到达平稳状态，而平稳状态下即为所求的初始聚类中心c和隶属度矩阵U。第4.2、聚类后所获得的聚类样本组作为RBF神经网络的神经元。第5、使用实际交通流量数据训练最终优化后的RBF神经网络。最后使用该路段的当前时刻，过去时段和上游流量状况数据运用在训练后的RBF神经网络上，最终获得当前时刻交通流量预测数据。本专利技术的优点和积极效果本专利技术将遗传模拟退火算法用于优化初始聚类中心，用模糊c均值聚类算法训练RBF网络，并用量子粒子群算法优化神经网络参数，得到了效果更为稳定的交通流量预测算法。MPSO-RBF算法具有更好、更稳定的精准度，更好的性能表现，且具有简洁结构简单的特点。【附图说明】图1是MPSO-RBF方法的流程图；图2是径向基神经网络结构模型图；图3是实验测试的长沙市芙蓉区路网图；图4是长沙市芙蓉区路段9月17日-21日上午10点前交通流量数据；图5是实验测试的北京四环东路路网图；图6是北京四环东路路段于11月2日下午15:00-15:30的交通流量数据；图7是交通数据流量预测算法MSE误差比较(长沙)；图8是交通数据流量预测算法RMSE误差比较(长沙)；图9是交通数据流量预测算法预测效果比较(长沙)；图10是交通数据流量预测算法MSE误差比较(北京)；图11是交通数据流量预测算法RMSE误差比较(北京)；图12是交通数据流量预测算法预测效果比较(北京)。【具体实施方式】本实施例设计的方法是选择两种不同场景的交通流量数据，从横纵两个方向分别做预测。为清晰显示本专利技术提出的MPSO-RBF算法对于交通流量数据的预测优势，将本专利技术算法在两种实际场景下与其他两种算法：QPSO-RBF和传统RBF进行比较实验。本专利技术算法性能衡量指标选择均方差MSE和均方根误差RMSE。其中在附图4和附图7-12中正方形表示QPSO-RBF算法，“加号”表示RBF算法,“星号”表示实际数据，“圆圈”表示本专利技术所提出的MPSO-RBF算法。MPSO-RBF算法参见附图1，具体实施过程详述如下：步骤1、建立交通流量预测数学模型：步骤1.1、建立预测数学模型根据影响交通流量数据的几个要素，针对固定某一路段，本专利技术建立基于该路段当前时刻、过去时段和上游流量状况的关系模型，如公式(1)所示。F(Vt,Ut,t)＝yt(1)式中，Vt＝(v1,v2,...,vl)为所测路段的上游路段l个路口的流量状况(括号中vi是第i个路口的流量状况)，Ut＝(ut-1,ut-2,...,ut-d)为所测路段前d个时间段的流量状况(ut-i是当前t时刻前i个时间段)，t表示当前时刻。yt为t时刻对应的该路段交通流量状况。由于公式(1)是一个非线性模型，要想得到输入输出之间的关系，需要使用非线性建模对其进行逼近。映射关系通过公式(2)求得映射，并通过该映射关系得到预测的短时交通流量本文档来自技高网...

【技术保护点】
1.一种基于量子粒子群优化策略的车联网交通流量预测(MPSO-RBF)方法，其特征在于该方法主要包括如下步骤：/n第1、构建交通流量预测数学模型；根据影响交通流量数据的几个要素，针对固定某一路段，建立基于该路段当前时刻、过去时段和上游流量状况的关系模型F(V

【技术特征摘要】
1.一种基于量子粒子群优化策略的车联网交通流量预测(MPSO-RBF)方法，其特征在于该方法主要包括如下步骤：
第1、构建交通流量预测数学模型；根据影响交通流量数据的几个要素，针对固定某一路段，建立基于该路段当前时刻、过去时段和上游流量状况的关系模型F(Vt,Ut,t)＝yt，其中t为当前时刻，Vt为所测路段的上游路段l个路口的流量状况，Ut为所测路段前d个时间段的流量状况，yt为最终预测的交通数据流量；
第2、使用模拟退火算法(SA)和遗传算法(GA)优化量子粒子群优化策略的初始聚类中心；
第3、优化RBF神经网络参数，使用改进和优化后的量子粒子群优化策略，增大粒子位置的随机性，输出最优化的RBF神经网络参数；
第4、采用模糊c均值聚类算法(FCM)对径向基函数神经网络(RBF)进行训练，聚类得到的每组子样本都构成神经网络中的一个神经元；
第5、使用实际交通流量数据训练最终优化后的RBF神经网络；最后使用该路段的当前时刻，过去时段和上游流量状况数据运用在训练后的RBF神经网络上，最终获得当前时刻交通流量预测数据。


2.根据权利要求1所述一种基于量子粒子群优化策略的车联网交通流量预测方法，其特征在于，第2步所述优化量子粒子群优化策略的初始聚类中心包括：
第2.1、创建初始种群并赋初值，初始化隶属度矩阵U，建立初始聚类中心矩阵V；
第2.2、在全局空间范围内搜索最优解；对每个个体进行遗传算法操作，由...

【专利技术属性】
技术研发人员：张德干，张捷，杨鹏，高瑾馨，张婷，
申请(专利权)人：天津理工大学，
类型：发明
国别省市：天津;12