針對目前城市短時交通流預測中預測精度低的問題,提出了一種基于生物智能算法優(yōu)化的小波神經(jīng)網(wǎng)絡短時交通流預測方法.該算法由全局定向和局部精細尋優(yōu)單元構成,在全局定向尋優(yōu)單元中引入自適應交叉和變異概率分別對個體的交叉和變異操作進行改進,進而提高算法收斂速度和精度.在局部精細尋優(yōu)單元中受天牛須算法的啟發(fā)對算法的后期尋優(yōu)機制進行改進,使個體進化方向朝更接近最優(yōu)解的方向偏移,提高了算法的局部尋優(yōu)能力.實驗結果表明:提出的新模型相比傳統(tǒng)小波神經(jīng)網(wǎng)絡模型,在短時交通流預測中平均絕對誤差降低了44.44%,提高了預測精度. 

【文章來源】：北京交通大學學報. 2020,44(05)北大核心CSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

Schaffer函數(shù)

生物智能算法(Genetic Beetle Search,GBS)由全局定向尋優(yōu)單元和局部精細尋優(yōu)單元兩部分組成,首先在全局定向尋優(yōu)單元進行大范圍全局尋優(yōu),然后進行局部精細尋優(yōu),其結構如圖1所示,Z表示種群進化率,是上代種群最優(yōu)適應度和當代種群的最優(yōu)適應度值的比值,ψ為閾值.以最小化適應度函數(shù)為例,如Z>ψ,表明當前個體非全局次優(yōu)解,需要繼續(xù)以全局定向尋優(yōu)單元尋找次優(yōu)解;如Z<ψ,表明當前種群已經(jīng)是較優(yōu)種群,全局定向尋優(yōu)單元已經(jīng)難以快速尋優(yōu),需要通過局部精細尋優(yōu)單元在該次優(yōu)解附近進行小范圍快速局部尋優(yōu).1.1.1 全局定向尋優(yōu)單元

交叉操作中父代個體以一定的交叉概率Pc,按照特定的方法替換重組產(chǎn)生新的優(yōu)良子代個體,體現(xiàn)算法的全局尋優(yōu)能力,本文選擇的編碼方式是實數(shù)編碼,所以采用實數(shù)交叉法,實數(shù)編碼的種群中第k個個體ak結構如圖2所示,其中Ω為個體編碼長度,且k∈[1,N],i∈[1,Ω].傳統(tǒng)交叉操作中,種群中第m個個體am的第i位a(m,i)和第n個個體an的第i位a(n,i)的交叉操作方法如下

【參考文獻】：
期刊論文
[1]改進遺傳模擬退火算法優(yōu)化BP算法研究[J]. 郭彩杏,郭曉金,柏林江.  小型微型計算機系統(tǒng). 2019(10)
[2]基于ARIMA-GARCH-M模型的短時交通流預測方法[J]. 王曉全,邵春福,尹超英,計尋,管嶺.  北京交通大學學報. 2018(04)
[3]基于卡爾曼濾波的城市快速路交通密度估計與擁堵識別[J]. 張馳遠,陳陽舟,郭宇奇.  交通信息與安全. 2017(05)
[4]大數(shù)據(jù)及其在城市智能交通系統(tǒng)中的應用綜述[J]. 陸化普,孫智源,屈聞聰.  交通運輸系統(tǒng)工程與信息. 2015(05)
[5]基于變量選擇-神經(jīng)網(wǎng)絡模型的復雜路網(wǎng)短時交通流預測[J]. 蔣士正,許榕,陳啟美.  上海交通大學學報. 2015(02)
[6]基于小波神經(jīng)網(wǎng)絡的道路交通流量實時預測模型研究[J]. 楊顯立,許倫輝,周勇.  公路交通技術. 2013(05)
[7]K近鄰短時交通流預測模型[J]. 于濱,鄔珊華,王明華,趙志宏.  交通運輸工程學報. 2012(02)
[8]基于最小二乘支持向量機的交通流量預測模型[J]. 趙亞萍,張和生,周卓楠北京交通大學電氣工程學院,楊軍,潘成,賈利民.  北京交通大學學報. 2011(02)
[9]非參數(shù)回歸方法在短時交通流預測中的應用[J]. 張曉利,陸化普.  清華大學學報（自然科學版）網(wǎng)絡.預覽. 2009(09)
[10]基于遺傳算法的小波神經(jīng)網(wǎng)絡交通流預測[J]. 李婧瑜,李歧強,侯海燕,楊立才.  山東大學學報(工學版). 2007(02)



本文編號：3125161