基于改进粒子群算法优化小波神经网络的短时交通流预测

发布时间：2021-02-12 12:31

　　传统的小波神经网络预测模型,通常采用单向梯度下降法进行参数优化,但其存在收敛速度慢和局部最优等问题.为了提高城市道路短时交通流的预测精度,提出一种改进的粒子群算法优化小波神经网络预测模型.该算法可以调整惯性权重和学习因子,以改善粒子群算法后期收敛速度慢、局部搜索能力弱等缺点.最后将模型应用于短期交通流的实证研究,结果表明,与传统的小波神经网络和蚁群算法优化小波神经网络预测模型相比,提出的模型预测的结果误差更小,且具有较快的收敛速度和较好的非线性拟合能力. 

【文章来源】：宁夏师范学院学报. 2019,40(01)

【文章页数】：7 页

【文章目录】：
1 WNN的结构介绍
2 改进的粒子群算法
    2.1 基本粒子群算法
    2.2 改进的粒子群算
        2.2.1 惯性权重的改进
        2.2.2 学习因子c1和c2的改进
    2.3 算法流程
3 WNN参数与IPSO的优化
4 实验仿真
    4.1 仿真条件和模型构造
    4.2 数据来源和预处理
    4.3 交通数据的时间序列分析
5 结论


【参考文献】：
期刊论文
[1]基于小波分析和Hopfield的网络流量预测[J]. 喻皓,陈志峰.  计算机应用与软件. 2013(06)
[2]基于混沌理论的短时交通流预测方法[J]. 韩超.  物流工程与管理. 2012(04)
[3]改进的神经网络在网络流量预测中的应用研究[J]. 李海燕,李咚.  计算机仿真. 2011(09)
[4]基于混沌粒子群算法的神经网络短时交通流预测[J]. 唐新来,李春贵,王萌,张增芳.  计算机测量与控制. 2010(08)



本文编号：3030868