生物智能算法优化小波神经网络研究及其在交通流预测应用

发布时间：2021-04-08 07:49

　　针对目前城市短时交通流预测中预测精度低的问题,提出了一种基于生物智能算法优化的小波神经网络短时交通流预测方法.该算法由全局定向和局部精细寻优单元构成,在全局定向寻优单元中引入自适应交叉和变异概率分别对个体的交叉和变异操作进行改进,进而提高算法收敛速度和精度.在局部精细寻优单元中受天牛须算法的启发对算法的后期寻优机制进行改进,使个体进化方向朝更接近最优解的方向偏移,提高了算法的局部寻优能力.实验结果表明:提出的新模型相比传统小波神经网络模型,在短时交通流预测中平均绝对误差降低了44.44%,提高了预测精度. 

【文章来源】：北京交通大学学报. 2020,44(05)北大核心CSCD

【文章页数】：10 页

【部分图文】：

Schaffer函数

生物智能算法(Genetic Beetle Search,GBS)由全局定向寻优单元和局部精细寻优单元两部分组成,首先在全局定向寻优单元进行大范围全局寻优,然后进行局部精细寻优,其结构如图1所示,Z表示种群进化率,是上代种群最优适应度和当代种群的最优适应度值的比值,ψ为阈值.以最小化适应度函数为例,如Z>ψ,表明当前个体非全局次优解,需要继续以全局定向寻优单元寻找次优解;如Z<ψ,表明当前种群已经是较优种群,全局定向寻优单元已经难以快速寻优,需要通过局部精细寻优单元在该次优解附近进行小范围快速局部寻优.1.1.1 全局定向寻优单元

交叉操作中父代个体以一定的交叉概率Pc,按照特定的方法替换重组产生新的优良子代个体,体现算法的全局寻优能力,本文选择的编码方式是实数编码,所以采用实数交叉法,实数编码的种群中第k个个体ak结构如图2所示,其中Ω为个体编码长度,且k∈[1,N],i∈[1,Ω].传统交叉操作中,种群中第m个个体am的第i位a(m,i)和第n个个体an的第i位a(n,i)的交叉操作方法如下

【参考文献】：
期刊论文
[1]改进遗传模拟退火算法优化BP算法研究[J]. 郭彩杏,郭晓金,柏林江.  小型微型计算机系统. 2019(10)
[2]基于ARIMA-GARCH-M模型的短时交通流预测方法[J]. 王晓全,邵春福,尹超英,计寻,管岭.  北京交通大学学报. 2018(04)
[3]基于卡尔曼滤波的城市快速路交通密度估计与拥堵识别[J]. 张驰远,陈阳舟,郭宇奇.  交通信息与安全. 2017(05)
[4]大数据及其在城市智能交通系统中的应用综述[J]. 陆化普,孙智源,屈闻聪.  交通运输系统工程与信息. 2015(05)
[5]基于变量选择-神经网络模型的复杂路网短时交通流预测[J]. 蒋士正,许榕,陈启美.  上海交通大学学报. 2015(02)
[6]基于小波神经网络的道路交通流量实时预测模型研究[J]. 杨显立,许伦辉,周勇.  公路交通技术. 2013(05)
[7]K近邻短时交通流预测模型[J]. 于滨,邬珊华,王明华,赵志宏.  交通运输工程学报. 2012(02)
[8]基于最小二乘支持向量机的交通流量预测模型[J]. 赵亚萍,张和生,周卓楠北京交通大学电气工程学院,杨军,潘成,贾利民.  北京交通大学学报. 2011(02)
[9]非参数回归方法在短时交通流预测中的应用[J]. 张晓利,陆化普.  清华大学学报（自然科学版）网络.预览. 2009(09)
[10]基于遗传算法的小波神经网络交通流预测[J]. 李婧瑜,李歧强,侯海燕,杨立才.  山东大学学报(工学版). 2007(02)



本文编号：3125161