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