文中提出一種基于量子粒子群優(yōu)化策略的車聯(lián)網(wǎng)交通流量預(yù)測(cè)算法。根據(jù)交通流量數(shù)據(jù)特征建立對(duì)應(yīng)模型,將遺傳模擬退火算法應(yīng)用到量子粒子群算法中得到優(yōu)化的初始聚類中心,并將優(yōu)化后的算法應(yīng)用于徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的參數(shù)優(yōu)化,通過徑向基神經(jīng)網(wǎng)絡(luò)的高維映射得到所需預(yù)測(cè)的數(shù)據(jù)結(jié)果。另外,將所提算法與QPSO-RBF等其他相關(guān)算法進(jìn)行了比較研究。仿真結(jié)果顯示,相比于其他算法,所提算法能夠降低預(yù)測(cè)誤差,得到更好、更穩(wěn)定的預(yù)測(cè)結(jié)果。

【文章頁(yè)數(shù)】：7 頁(yè)

【文章目錄】：
1 引言
2 相關(guān)研究工作
3 算法原理及模型構(gòu)建
    3.1 優(yōu)化聚類RBF神經(jīng)網(wǎng)絡(luò)
        3.1.1 RBF神經(jīng)網(wǎng)絡(luò)
        3.1.2 模擬退火遺傳聚類算法
            1)編碼方式。
            2)設(shè)置適應(yīng)度函數(shù)。
            3)交叉操作。
            4)變異操作。
            5)個(gè)體模擬退火。
    3.2 量子粒子群優(yōu)化策略
        3.2.1 粒子群算法
        3.2.2 量子粒子群優(yōu)化策略
            (1)計(jì)算mbest
            (2)粒子位置更新
4 交通流量預(yù)測(cè)算法的設(shè)計(jì)與分析
5 實(shí)驗(yàn)測(cè)試及性能分析
    5.1 數(shù)據(jù)集
    5.2 性能指標(biāo)及仿真對(duì)比結(jié)果



本文編號(hào)：3744037