為了提高基于最小二乘支持向量機(jī)的交通流預(yù)測模型的精度,提出一種新的改進(jìn)引力搜索算法（TCKAGSA）對其進(jìn)行參數(shù)尋優(yōu)。首先,基于tent映射改進(jìn)Kbest函數(shù),使算法具有跳出局部最優(yōu)的機(jī)制;然后,引入全局最優(yōu)引導(dǎo)策略,使粒子加速朝向最優(yōu)解移動;接著,將進(jìn)化度因子和聚合度因子引入速度更新權(quán)重系數(shù),使算法具有較強(qiáng)的自適應(yīng)能力。針對12個基準(zhǔn)函數(shù)的仿真結(jié)果表明,TCK-AGSA的性能優(yōu)于GSA及其改進(jìn)算法。最后,建立基于TCK-AGSA尋優(yōu)的最小二乘支持向量機(jī)模型,并選取2016年貴州省高速公路真實交通流數(shù)據(jù)進(jìn)行預(yù)測實驗,結(jié)果表明該模型具有更好的預(yù)測精度、魯棒性和泛化能力。 

【文章來源】：計算機(jī)應(yīng)用研究. 2019年12期 北大核心

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引言
1 相關(guān)工作
    1.1 最小二乘支持向量機(jī)
    1.2 引力搜索算法
2 改進(jìn)引力搜索算法設(shè)計
    2.1 基于tent映射的混沌Kbest
    2.2 自適應(yīng)權(quán)重全局最優(yōu)引導(dǎo)速度更新
3 仿真實驗與結(jié)果分析
4 交通流預(yù)測應(yīng)用
    4.1 數(shù)據(jù)基礎(chǔ)及預(yù)處理
    4.2 TCK-AGSA算法優(yōu)化LSSVM模型的交通流預(yù)測
    4.3 參比模型與評價指標(biāo)
    4.4 預(yù)測結(jié)果對比分析
5 結(jié)束語


【參考文獻(xiàn)】：
期刊論文
[1]一種LS-SVM在線式短時交通流預(yù)測方法[J]. 康軍,段宗濤,唐蕾,溫興超.  計算機(jī)應(yīng)用研究. 2018(10)
[2]基于SAPSO-LSSVM的蛋白質(zhì)模型質(zhì)量評估[J]. 王鮮芳,張悅,王俊美.  計算機(jī)應(yīng)用研究. 2017(05)
[3]基于FOA優(yōu)化混合核LSSVM的鐵路貨運量預(yù)測[J]. 耿立艷,陳麗華.  計算機(jī)應(yīng)用研究. 2017(02)
[4]基于信息熵的混合引力搜索算法[J]. 郭潔皓,高興寶.  計算機(jī)應(yīng)用研究. 2016(05)



本文編號：2957378