System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于车流量预测领域,具体涉及一种基于智能优化算法的交通车流量预测优化方法。
技术介绍
1、通过对未来车流量的预测,可以更准确地了解道路网络的运行状况,从而进行更为科学的交通规划和资源配置,同时,车流量预测有助于预测交通拥堵和交通事故的风险,对于现在流程的网约车来说,车流量预测可以提供实时的交通信息,帮助他们规划更为合理的出行路径和时间,这不仅可以减少出行者的等待时间和拥堵成本,还可以提升城市交通的出行效率和舒适度,最后,对未来车流量的预测可以实现更为精准和高效的交通管理和服务,推动智能交通的快速发展。
2、现有的交通车流量预测技术多种多样,它们主要基于不同的数据收集和分析方法,以实现对未来车流量的准确预测,通过建立数学或统计模型来预测交通量。这些模型可以是传统的线性模型,如线性回归模型,也可以是非线性模型,如支持向量机、神经网络等。模型的选择和建立需要基于具体的交通流量数据和预测需求。
3、反向传播神经网络(bp)是一种有监督的学习算法,具有很强的自适应、自学习、非线性映射能力,能较好地解决数据少、信息贫、不确定性问题,且不受非线性模型的限制,是目前应用最广泛的神经网络模型之一,常用于时序数据回归预测等问题。但在危险化学品生产风险预测领域应用较少。
4、bp神经网络是一种基于局部搜索的算法,在训练过程中,网络的权重通过逐步改善目标函数值的方式进行调整,容易陷入局部极小值,导致权重收敛到局部最小值而无法继续优化;且bp神经网络的初始化权值和阈值随机产生,对收敛速度和精度有较大影响。利用
5、电鳗觅食优化算法(eefo),eefo从自然界中电鳗鱼的智能群体觅食行为中获得灵感,该算法数学建模了四种关键的觅食行为:互动、休息、狩猎和迁移,以在优化过程中提供探索和利用;目前算法的收敛速度较慢,特别是在处理复杂问题或高维空间中;此外,电鳗觅食优化算法容易陷入局部最优解,而难以逃离,当被困在局部最优解附近时,无法发现全局最优解。
技术实现思路
1、本专利技术的目标为:通过改进的电鳗觅食优化算法,提高电鳗觅食优化算法的寻优精度和全局寻优速度,利用电鳗觅食优化算法对bp神经网络的初始权重和阈值寻优,避免模型陷入局部极小值,同时提升bp神经网络模型的收敛速度和精度,提出一种改进的bp神经网络预测模型,提高交通车流量预测的准确度。
2、本专利技术为实现上述目标所采用的技术方案是:
3、一种基于智能优化算法的交通车流量预测优化方法,包括改进的电鳗觅食优化算法和bp神经网络模型,利用改进的电鳗觅食优化算法对bp神经网络的初始权重和阈值进行寻优,提高交通车流量预测的准确度,具体步骤为。
4、s1、对影响车流量的关键影响因素分析,并对关键影响因素数据采集,进行数据预处理。
5、s2、将影响车流量的关键数据集按训练集、测试集、验证集的方式划分,并使用滑动窗口技术将训练数据集输入到bp神经网络模型。
6、s3、在电鳗觅食优化算法的迁移阶段融合冠豪猪优化器的第四防御机制,改进电鳗觅食优化算法的迁移阶段的位置更新策略。
7、s4、当电鳗觅食优化算法各阶段位置更新均结束后,引入随机变异扰动策略,改进电鳗觅食优化算法的寻优机制。
8、s5、根据影响车流量的关键数据的特征变量和目标变量构建bp神经网络,利用改进的电鳗觅食优化算法对bp神经网络的初始权重和阈值寻优,建立加强的bp神经网络模型。
9、s6、将步骤s2的测试集与验证集输入到加强的bp神经网络模型中,同时对输出结果进行反标准化处理得到车流量预测数据。
10、进一步的,所述步骤s1中,所述影响车流量的关键因素数据包括以下变量,分别为:历史的车流量、历史节假日以及早晚高峰的车流量数据、当天的天气数据和加油站、停车场、公交车站、地铁站交通设施的分布和容量数据。
11、进一步的,所述步骤s1中,采用肯德尔秩相关系数法(kendall rankcorrelation)对影响交通车流量的关键因素数据进行相关性分析,相关性系数公式如下:
12、;
13、式中,为车流量数据集中的预测值数量,和为第一个数据集中的两个排名,和为第二个数据集中相应的排名,为符号函数,如果,则函数值为1,则函数值为-1,否则,函数值为0。
14、进一步的,将历史的车流量、历史节假日以及早晚高峰的车流量数据、当天的天气数据和加油站、停车场、公交车站、地铁站交通设施的分布和容量数据作为特征变量制作数据集,同时对数据集进行预处理,利用补差众数法和四分位差规则对数据缺失值和异常值进行补齐和剔除,采用最大—最小标准化处理公式如下,使用线性变换将样本数据压缩在0到1之间:
15、;
16、式中,为第个输入变量归一化后的数据,范围(0,1);为检验数据,为数据样本最小值,为数据样本最大值。
17、进一步的,所述步骤s2中,将数据集按6:2:2的比例划分训练集、测试集、验证集,若车流量数据集数量为的时间序列;
18、式中,为数据集第时刻车流量值,为当前时刻数据集的车流量值。
19、进一步的,在进行车流量预测时,根据滑动窗口的大小及滑动步长,将车流量数据集的历史数据值切分成若干子序列,再依次输入模型中。
20、进一步的,所述步骤s3中,改进的电鳗觅食优化算法的迁移阶段的位置更新策略为:
21、(1);
22、式中,为第次迭代时,第只电鳗的位置;为第次迭代时,第只电鳗的位置;为第次迭代,改进的电鳗觅食优化算法种群中电鳗的最优位置;为收敛速度因子;和为区间[0,1]内的一个随机值,满足+=1;为+1和-1两者的随机值;为当前第只鳗鱼位置的适应度值,为改进的电鳗防御因子,数学模型公式为:
23、;
24、式中,为改进的电鳗觅食优化算法的当前迭代次数,为在0到1之间随机生成的数值,为第次迭代时,最差的电鳗的位置,为当前迭代第只电鳗的位置的适应度值,为第次迭代时,最差的电鳗的位置的适应度值。
25、进一步的,最差的电鳗的位置为第次迭代时,电鳗种群中适应度值最大的电鳗位置。
26、进一步的,融合冠豪猪优化器的第四防御机制改进后的电鳗觅食优化算法在迭代后期,最优值收敛速度更快且不容易陷入布局最优,改进的电鳗防御因子非线性变化,在迭代前期初始时,电鳗防御因子最大值为2,最小值为0,随迭代次数的增加,电鳗防御因子先缓慢减小,后期快速减小,有利于改进后的电鳗觅食优化算法的迁移阶段的位置更新策略跳出局部最优解。
27、进一步的,所述步骤s4,改进的电鳗觅食优化算法的寻优机制为:在改进的电鳗觅食优化算法的每代寻优过程后期,当改进的电鳗觅食优本文档来自技高网...
【技术保护点】
1.一种基于智能优化算法的交通车流量预测优化方法,其特征在于,具体步骤为:
2.根据权利要求1所述的一种基于智能优化算法的交通车流量预测优化方法,其特征在于,所述步骤S1,影响车流量的关键因素数据为时间序列数据形式,包括:历史的车流量、速度、密度数据、历史节假日以及早晚高峰的车流量数据、当天的天气数据和加油站、停车场、公交车站、地铁站交通设施的分布和容量数据。
3.根据权利要求2所述的一种基于智能优化算法的交通车流量预测优化方法,其特征在于,所述步骤S3,改进的电鳗觅食优化算法的迁移阶段的位置更新策略为:
4.根据权利要求3所述的一种基于智能优化算法的交通车流量预测优化方法,其特征在于,所述步骤S4,改进的电鳗觅食优化算法的寻优机制为:在改进的电鳗觅食优化算法的每代寻优过程后期,当改进的电鳗觅食优化算法各阶段位置更新均结束后,在当前种群中任选一个电鳗个体进行随机变异扰动,变异的个体存入种群,用于下一轮寻优迭代,随机变异扰动策略数学模型为:
5.根据权利要求1-4任意一项所述的一种基于智能优化算法的交通车流量预测优化方法,其特征在于,
6.据权利要求5所述的一种基于智能优化算法的交通车流量预测优化方法,其特征在于,所述步骤S53,改进的电鳗觅食优化算法位置更新策略,包括:改进的电鳗觅食优化算法的全局搜索和收敛开发,模拟电鳗的相互作用、休息、迁徙和狩猎行为,具体步骤为:
...【技术特征摘要】
1.一种基于智能优化算法的交通车流量预测优化方法,其特征在于,具体步骤为:
2.根据权利要求1所述的一种基于智能优化算法的交通车流量预测优化方法,其特征在于,所述步骤s1,影响车流量的关键因素数据为时间序列数据形式,包括:历史的车流量、速度、密度数据、历史节假日以及早晚高峰的车流量数据、当天的天气数据和加油站、停车场、公交车站、地铁站交通设施的分布和容量数据。
3.根据权利要求2所述的一种基于智能优化算法的交通车流量预测优化方法,其特征在于,所述步骤s3,改进的电鳗觅食优化算法的迁移阶段的位置更新策略为:
4.根据权利要求3所述的一种基于智能优化算法的交通车流量预测优化方法,其特征在于,所述步骤s4,改进的电鳗觅食优化算法的寻优机制...
【专利技术属性】
技术研发人员:袁一凡,贾皓强,桂文豪,
申请(专利权)人:岳正检测认证技术有限公司,
类型:发明
国别省市:
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。