基于布谷鸟算法的小波神经网络短时交通流预测研究

发布时间：2017-08-10 15:34

  本文关键词：基于布谷鸟算法的小波神经网络短时交通流预测研究

  更多相关文章： 短时交通流预测 小波神经网络 集成学习 布谷鸟搜索算法

【摘要】：交通流预测是智能交通系统的热点。近些年来,各个领域的研究者们提出了很多交通流预测的方法,其中,智能学习方法最为活跃。但交通系统自身的复杂性和高度非线性,使得至今没有一种算法可以实现短时交通流的精确预测,关于短时交通流预测的研究也从未停下脚步。本文首先对来源于美国明尼苏达德卢斯大学交通数据研究实验室的交通流数据进行识别,完成数据的补缺、修正和降噪处理,并从交通流数据的混沌性角度出发,对数据进行了相空间重构,以挖掘更多的隐藏信息。为了加快程序的收敛,还对数据进行了归一化处理。在分析了各模型的优缺点之后,建立了基于小波神经网络(Wavelet Neural Network, WNN)的短时交通流预测模型,并进行了仿真实验。结果表明,基于WNN的短时交通流预测具有很好的效果,但精度和稳定性还有待进一步提高。其次,针对单个小波神经网络存在的误差随机性,受集成学习思想的启发,本文提出了基于Bagging-WNN的短时交通流预测模型,利用单个模型之间的差异性,来提高整个系统的泛化能力。仿真实验表明,基于Bagging-WNN模型的短时交通流预测结果比WNN模型的预测结果精度更高。然后,针对基于梯度下降算法的小波神经网络对初始值敏感的缺点,引入了一种新的智能学习算法——布谷鸟搜索(Cuckoo Search, CS)算法来对小波神经网络的参数进行前期优化,建立了基于CS-Bagging-WNN的短时交通流预测模型,并与基于GA-Bagging-WNN和基于PSO-Bagging-WNN的模型进行了对比实验。结果表明基于CS-Bagging-WNN模型的预测精度有了一定的提高。最后,为进一步提高预测精度,提出一种鸟巢更新率自适应调整的自适应布谷鸟算法(Adaptive Cuckoo Search, ACS),将其与集成小波神经网络结合,构成了基于自适应布谷鸟算法的集成小波神经网络(ACS-Bagging-WNN)短时交通流预测模型。仿真实验表明,相比以上提出的各模型的预测效果,ACS-Bagging-WNN模型的精度更高,整体性能更好。
【关键词】：短时交通流预测 小波神经网络 集成学习 布谷鸟搜索算法
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U491.14;TP183
【目录】：

• 摘要6-7
• Abstract7-11
• 第1章 绪论11-16
• 1.1 研究背景及意义11-12
• 1.1.1 研究背景11
• 1.1.2 研究意义11-12
• 1.2 国内外研究现状12-14
• 1.2.1 短时交通流预测研究现状12-14
• 1.2.2 神经网络研究现状14
• 1.3 本文主要内容及结构安排14-16
• 第2章 交通流数据分析及预处理16-23
• 2.1 交通流基本特征参数16-17
• 2.2 实验数据来源17
• 2.3 交通流数据预处理17-22
• 2.3.1 异常数据修正17-18
• 2.3.2 数据降噪处理18-19
• 2.3.3 数据相空间重构19-22
• 2.3.4 数据归一化处理22
• 2.4 本章小结22-23
• 第3章 基于WNN的短时交通流预测23-33
• 3.1 小波神经网络相关理论23-27
• 3.1.1 BP神经网络23-25
• 3.1.2 小波神经网络25-27
• 3.2 小波神经网络预测算法27-28
• 3.2.1 小波基函数的选择27
• 3.2.2 小波神经网络结构的确定27-28
• 3.2.3 小波神经网络学习算法的改进28
• 3.3 基于WNN的短时交通流预测仿真实验28-32
• 3.3.1 实验数据说明28-29
• 3.3.2 实验评价指标29
• 3.3.3 基于WNN的短时交通流预测算法步骤29-30
• 3.3.4 实验结果及分析30-32
• 3.4 本章小结32-33
• 第4章 基于Bagging-WNN的短时交通流预测33-44
• 4.1 集成学习理论33-36
• 4.1.1 学习器生成方式33-34
• 4.1.2 学习器组合方法34
• 4.1.3 集成学习算法34-36
• 4.2 集成小波神经网络预测算法36-38
• 4.2.1 集成学习算法的选择36
• 4.2.2 学习器个数的选择36-37
• 4.2.3 训练集的产生37
• 4.2.4 学习器输出结果的组合方式37-38
• 4.3 基于Bagging-WNN的短时交通流预测仿真实验38-43
• 4.3.1 基于Bagging-WNN的短时交通流预测算法步骤38-39
• 4.3.2 实验结果及分析39-43
• 4.4 本章总结43-44
• 第5章 基于ACS-Bagging-WNN的短时交通流预测44-62
• 5.1 布谷鸟算法44-46
• 5.1.1 布谷鸟算法原理44-45
• 5.1.2 布谷鸟算法流程45-46
• 5.2 基于布谷鸟算法的集成小波神经网络预测算法46-47
• 5.2.1 布谷鸟算法相关参数的选择46
• 5.2.2 路径和位置更新方式46-47
• 5.3 基于CS-Bagging-WNN的短时交通流预测仿真实验47-52
• 5.3.1 基于CS-Bagging-WNN的短时交通流预测算法步骤47-49
• 5.3.2 实验结果及分析49-52
• 5.4 几种智能学习算法在短时交通流预测性能上的比较分析52-57
• 5.4.1 基于GA-Bagging-WNN的短时交通流预测仿真实验52-54
• 5.4.2 基于PSO-Bagging-WNN的短时交通流预测仿真实验54-56
• 5.4.3 不同模型的对比分析56-57
• 5.5 基于ACS-Bagging-WNN的短时交通流预测仿真实验57-61
• 5.5.1 自适应更新率布谷鸟算法57-59
• 5.5.2 基于ACS-Bagging-WNN的短时交通流预测仿真实验59-61
• 5.6 本章小结61-62
• 结论62-63
• 致谢63-64
• 参考文献64-69
• 攻读硕士学位期间发表的论文69

【相似文献】

中国期刊全文数据库 前10条

1 偶昌宝,俞亚南;短时交通流预测的多层递阶方法[J];城市道桥与防洪;2004年05期

2 高丽梅;高鹏;陈俊波;;数据融合技术在短时交通流预测中的应用[J];交通科技;2010年S1期

3 唐世星;;改进的支持向量机算法在短时交通流预测中的应用[J];承德石油高等专科学校学报;2012年01期

4 王娇;李军;;最小最大概率回归机在短时交通流预测中的应用[J];公路交通科技;2014年02期

5 贺国光,李宇,马寿峰;基于数学模型的短时交通流预测方法探讨[J];系统工程理论与实践;2000年12期

6 宗春光,宋靖雁,任江涛,胡坚明;基于相空间重构的短时交通流预测研究[J];公路交通科技;2003年04期

7 杨世坚,贺国光;基于模糊C均值聚类和神经网络的短时交通流预测方法[J];系统工程;2004年08期

8 王进;史其信;;短时交通流预测模型综述[J];中国公共安全(学术卷);2005年01期

9 杨芳明;朱顺应;;基于小波的短时交通流预测[J];重庆交通学院学报;2006年03期

10 邓志龙;李全;陈茜;;基于灰色系统理论的短时交通流预测[J];公路交通技术;2006年01期

中国重要会议论文全文数据库 前4条

1 郑德署;何世伟;许旺土;;分形理论在短时交通流预测中的应用[A];2008第四届中国智能交通年会论文集[C];2008年

2 唐丽娜;张卫华;;短时交通流预测方法的比较研究[A];2007第三届中国智能交通年会论文集[C];2007年

3 于建玲;商朋见;关积珍;;改进的相空间重构方法在短时交通流预测中的应用[A];2008第四届中国智能交通年会论文集[C];2008年

4 杨锦伟;肖新平;郭金海;;基于灰关联与少数据云推理的短时交通流预测[A];第25届全国灰色系统会议论文集[C];2014年

中国博士学位论文全文数据库 前1条

1 姚智胜;基于实时数据的道路网短时交通流预测理论与方法研究[D];北京交通大学;2007年

中国硕士学位论文全文数据库 前10条

1 高为;基于数据挖掘和数据融合的短时交通流预测研究[D];重庆交通大学;2011年

2 齐霖;基于支持向量机回归的短时交通流预测与系统实现[D];东北大学;2013年

3 邱世崇;基于时空特性的城市道路短时交通流预测研究[D];重庆交通大学;2015年

4 沈小峰;交通流量短时预测的算法研究[D];浙江工业大学;2015年

5 江小燕;短时交通流预测方法研究[D];扬州大学;2015年

6 杨慧慧;城市交通流短时预测模型研究[D];河南理工大学;2015年

7 王鹏;基于嵌入式系统的城市智能交通控制器研究[D];辽宁科技大学;2016年

8 罗婷;模拟退火混沌粒子群算法在短时交通流预测中的应用[D];西南交通大学;2016年

9 黄晓慧;基于布谷鸟算法的小波神经网络短时交通流预测研究[D];西南交通大学;2016年

10 褚鹏宇;融合时空信息的短时交通流预测[D];西南交通大学;2016年

，

本文编号：651503