自适应权重粒子群优化LS-SVM的交通流预测

发布时间：2018-06-03 13:19

本文选题：交通流 + 短时预测　；参考：《控制工程》2017年09期

【摘要】：精确的短时交通预测是建立智能交通系统的一个重要前提,而具有明显周期性特点的交通流量的预测是其中的一个重要环节。为实现交通流量的准确预测,提出一种基于自适应惯性权重的粒子群优化(AωPSO)最小二乘支持向量机(LS-SVM)的短时交通流量预测方法,通过引入粒子种群多样性,设计自适应惯性权重调节方法,借助PSO算法的寻优能力实现LS-SVM参数的优化,减少人为因素对参数选择的影响,提高LS-SVM的泛化能力和预测精度。实验结果表明,与BP网络、LS-SVM等方法相比,该方法具有精度高、泛化能力强的特点。
[Abstract]:Accurate short-term traffic prediction is an important prerequisite for the establishment of intelligent transportation system, and the prediction of traffic flow with obvious periodicity is one of the important links. In order to accurately predict traffic flow, a new method of short-term traffic flow prediction based on adaptive inertial weight based particle swarm optimization (PSO) and least squares support vector machine (LS-SVM) is proposed. The diversity of particle population is introduced. An adaptive inertial weight adjustment method is designed to optimize the LS-SVM parameters with the help of the optimization ability of the PSO algorithm to reduce the influence of human factors on the parameter selection and to improve the generalization ability and prediction accuracy of LS-SVM. The experimental results show that compared with BP neural network LS-SVM, this method has the characteristics of high precision and strong generalization ability.
【作者单位】：华东交通大学电气与自动化工程学院;江西省先进控制与优化重点实验室;
【基金】：国家自然科学基金项目(61663012,61501186) 江西省交通运输厅科技项目(2014X0015) 江西省教育厅科技项目(GJJ150490) 江西省科技厅青年科学基金项目(20161BAB212054) 华东交通大学校立科研基金(14DQ03)
【分类号】：TP18;U491.14

【相似文献】