基于改进狼群算法和BP循环神经网络的短时交通流预测研究

发布时间：2020-11-20 13:54

　　 随着经济水平的快速增长,交通对人们的生产生活以及整个城市发展的重要程度已经愈来愈深。由于人们的出行需求日益增多,对交通的依赖亦随之增强,使城市机动车保有量达到过饱和,进而造成城市交通拥堵,这不仅会使城市交通网线路瘫痪,同时也会造成严重的大气污染。针对上述问题,智能交通系统中的短时交通流预测能高效预测出路网中的车流量,为出行者提供实时的路况信息,从而缓解交通拥堵。本文通过对国内外短时交通流预测以及群体智能优化算法原理的研究,提出了一种改进狼群算法与BP循环神经网络结合的组合模型(IWPA-BPRNN),致力于加快算法的收敛速度以及减小交通流的预测误差。本文首先选择美国明尼苏达大学交通运输研究实验室所收集的真实交通流数据,作为本研究的数据源。实验前期通过比较,选取较优质的、更能体现交通流数据特性的一组数据作为实验数据,并对该组数据进行加和处理、异常数据的补充以及正反归一化的预处理,整理为本文想要的,易于进行实验研究的数据形式。在改进狼群算法(Improved Wolf Pack Algorithm,IWPA)中,由于人工狼在寻优过程中容易过早陷入局部最优位置,为了改进这一缺陷,对影响人工狼游走行为的参数做出适当的调整,并改进人工狼在智能捕食行为中的奔袭步长与围攻步长,从而达到算法前期更快收敛的目的。狼群算法结构较复杂,在迭代后期可能出现收敛速度明显下降甚至无法寻得最优解等问题,因此本文提出BP循环神经网络模型与狼群算法形成互补。BP神经网络有误差反向传播寻优的特点,循环神经网络(RNN)有能充分考虑信号与信号间相互关联的优点。在预测过程中,前期利用改进狼群算法高效率寻优,后期利用BP循环神经网络误差反向传播寻优,能有效解决狼群算法后期遇到的种种问题,并提高预测精度。最后借助MATLAB平台以及相应的代码,将模型实现,并应用选取的数据验证模型的性能。通过将IWPA-BPRNN模型与无狼群算法的BPRNN模型预测结果进行比较,分析得出IWPA-BPRNN模型预测效果更好,具有收敛速度快和预测精度高的优点。
【学位单位】：北京交通大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：U491.1
【部分图文】：

来建立出模型中精良的映射关系，再将这些映射关系与相似的数据特征相结合，??便完成了神经网络模型的预测［５２】。??神经网络的基础是神经元，它的模型大致如图２－１所示。??￣??々Ｗ?，?＼＼??Ｉ?＼?＼??…丨?Ｚ丨＜９?Ｉ?？?Ｊ’??Ａ?＼?）??，一、、＇?＼?／??．Ｖ；??图２－１神经元模型图??Ｆｉｇ．２－１?Ｆｉｇｕｒｅ?ｏｆ?Ｎｅｕｒａｌ?ｍｏｄｅｌ??其中，Ｘ与ＰＦ分别代表神经兀中的各个输入信号与每个输入信号在输入进神??经元时所各自对应的权重值，０则代表为整个神经元的阈值，通过整合全部的输入??信号进行求和与其阈值比较，当整合的数值大于阈值的数值时，神经元便通过神??经网络的特性函数处理输出信号。神经网络输入信息和输出结果的关系可由下述??公式（２－１）和（２－２）表示。??少＝／⑷?（２－１）??Ａ?＝?ＹｊＷｉＸｉ－６?（２－２）??；＝１??在神经网络的特性函数中，最理想的主要是越阶函数，也称为符号函数（如??１０??

对预测前的数据样本进行前期处理，包括数据去噪和正反归一化处理等；其次，??将数据输入至神经网络中使其进入训练过程直至达到收敛；最后，使用训练后的??模型完成进一步的研究。ＢＰ神经网络结构如图２－２所示。??厂＼?＾?厂、．＇?ｍ?／?一、??Ｘ｝?、？?＼、＼?／?、一？??＼＿＞＜／?ｘｏ＜ｒ／?＼???认?＇ｘ１￣＼?．－＾＂ｘ?￣￣＾?＇）?＾??ｘｎ?——．；Ｙ?＜?ｒ??？、一?ｙ?、、一，?、一乂??输入层?隐含层?输出层??图２－２?ＢＰ神经网络结构图??Ｆｉｇ２．２?Ｆｉｇｕｒｅ?ｏｆ?ＢＰ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ＇ｓ?ｓｔｒｕｃｔｕｒｅ??图中，Ｘ代表输入至神经网络中的各个信号，”则代表网络中输入层的输入节??１１??

降原理使网络的输出值误差不断减小，直至满足误差条件。因此ＢＰ神经网络模型??便是一个没有得到精确结果或没有达到最大训练次数，不断进行权值调整的模型，??其训练的流程如图２－３所示。??开始?：??输入训练集和学习率??将权重以及阈值随机初始为０－１内的数??ｉ??根据设置参数值计算输出?？??ｉ?￣??计算输出层神经元的梯度项??ｉ?一??反向传播Ｈ－算隐含层梯度项??完成对权重以及阈值的更新??＿?＂?－?－－上、否??－?是否满足训练条件??输出权重和阈值确定的ＢＰ神经网络??ｉ??（?结束?）??图２－３?ＢＰ神经网络训练流程图??Ｆｉｇ２．３?Ｆｉｇｕｒｅ?ｏｆ?ＢＰ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｔｒａｉｎｉｎｇ?ｆｌｏｗ??２．１．３循环神经网络??尽管ＢＰ神经网络己广泛应用到各个领域的研究中，但不可否认的是，ＢＰ神??经网络也存在一些缺点，如收敛速度较慢、存在局部最小化问题和结构不确定问??题等。传统神经网络毕竟结构较为简单，很难用其解决相对复杂的问题，人们为??了解决这些问题
【参考文献】

相关期刊论文 前6条

1 陈婧敏;;基于KNN回归的短时交通流预测[J];微型电脑应用;2015年09期

2 卢建中;程浩;;改进GA优化BP神经网络的短时交通流预测[J];合肥工业大学学报(自然科学版);2015年01期

3 沈永增;闫纪如;王炜;;基于混沌粒子群优化小波神经网络的短时交通流预测[J];计算机应用与软件;2014年06期

4 金玉婷;余立建;;基于小波神经网络的短时交通流预测[J];交通科技与经济;2014年01期

5 傅贵;韩国强;逯峰;许子鑫;;基于支持向量机回归的短时交通流预测模型[J];华南理工大学学报(自然科学版);2013年09期

6 吴虎胜;张凤鸣;吴庐山;;一种新的群体智能算法——狼群算法[J];系统工程与电子技术;2013年11期

相关硕士学位论文 前10条

1 寇飞;自适应人工鱼群算法BP循环神经网络短时交通流预测研究[D];北京交通大学;2018年

2 杨客;遗传算法优化的BP神经网络在连云港港口吞吐量预测中的应用研究[D];深圳大学;2017年

3 齐璐;基于改进狼群算法的小波神经网络短时交通流预测[D];西南交通大学;2017年

4 吴蕊蕊;基于精英策略的改进狼群算法在城市公交路线问题中的研究[D];吉林大学;2017年

5 蒋肖;基于混沌理论和数据融合的短时交通流预测[D];重庆邮电大学;2016年

6 冷子文;基于混沌和改进LSSVM的短时交通流预测[D];青岛大学;2014年

7 冯巳洋;基于DE-WNN模型的交通流预测方法研究[D];西南交通大学;2013年

8 赵娟;基于改进小波神经网络的短时交通流预测研究[D];湘潭大学;2012年

9 陈浩;基于卡尔曼滤波和小波神经网络的短时交通流预测研究[D];兰州交通大学;2011年

10 徐永俊;基于混沌和SVR的短时交通流预测方法研究[D];西南交通大学;2011年

本文编号：2891509