針對(duì)目前城市短時(shí)交通流預(yù)測(cè)中預(yù)測(cè)精度低的問(wèn)題,提出了一種基于生物智能算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)方法.該算法由全局定向和局部精細(xì)尋優(yōu)單元構(gòu)成,在全局定向?qū)?yōu)單元中引入自適應(yīng)交叉和變異概率分別對(duì)個(gè)體的交叉和變異操作進(jìn)行改進(jìn),進(jìn)而提高算法收斂速度和精度.在局部精細(xì)尋優(yōu)單元中受天牛須算法的啟發(fā)對(duì)算法的后期尋優(yōu)機(jī)制進(jìn)行改進(jìn),使個(gè)體進(jìn)化方向朝更接近最優(yōu)解的方向偏移,提高了算法的局部尋優(yōu)能力.實(shí)驗(yàn)結(jié)果表明:提出的新模型相比傳統(tǒng)小波神經(jīng)網(wǎng)絡(luò)模型,在短時(shí)交通流預(yù)測(cè)中平均絕對(duì)誤差降低了44.44%,提高了預(yù)測(cè)精度. 

【文章來(lái)源】：北京交通大學(xué)學(xué)報(bào). 2020,44(05)北大核心CSCD

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

Schaffer函數(shù)

生物智能算法(Genetic Beetle Search,GBS)由全局定向?qū)?yōu)單元和局部精細(xì)尋優(yōu)單元兩部分組成,首先在全局定向?qū)?yōu)單元進(jìn)行大范圍全局尋優(yōu),然后進(jìn)行局部精細(xì)尋優(yōu),其結(jié)構(gòu)如圖1所示,Z表示種群進(jìn)化率,是上代種群最優(yōu)適應(yīng)度和當(dāng)代種群的最優(yōu)適應(yīng)度值的比值,ψ為閾值.以最小化適應(yīng)度函數(shù)為例,如Z>ψ,表明當(dāng)前個(gè)體非全局次優(yōu)解,需要繼續(xù)以全局定向?qū)?yōu)單元尋找次優(yōu)解;如Z<ψ,表明當(dāng)前種群已經(jīng)是較優(yōu)種群,全局定向?qū)?yōu)單元已經(jīng)難以快速尋優(yōu),需要通過(guò)局部精細(xì)尋優(yōu)單元在該次優(yōu)解附近進(jìn)行小范圍快速局部尋優(yōu).1.1.1 全局定向?qū)?yōu)單元

交叉操作中父代個(gè)體以一定的交叉概率Pc,按照特定的方法替換重組產(chǎn)生新的優(yōu)良子代個(gè)體,體現(xiàn)算法的全局尋優(yōu)能力,本文選擇的編碼方式是實(shí)數(shù)編碼,所以采用實(shí)數(shù)交叉法,實(shí)數(shù)編碼的種群中第k個(gè)個(gè)體ak結(jié)構(gòu)如圖2所示,其中Ω為個(gè)體編碼長(zhǎng)度,且k∈[1,N],i∈[1,Ω].傳統(tǒng)交叉操作中,種群中第m個(gè)個(gè)體am的第i位a(m,i)和第n個(gè)個(gè)體an的第i位a(n,i)的交叉操作方法如下

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)遺傳模擬退火算法優(yōu)化BP算法研究[J]. 郭彩杏,郭曉金,柏林江.  小型微型計(jì)算機(jī)系統(tǒng). 2019(10)
[2]基于ARIMA-GARCH-M模型的短時(shí)交通流預(yù)測(cè)方法[J]. 王曉全,邵春福,尹超英,計(jì)尋,管嶺.  北京交通大學(xué)學(xué)報(bào). 2018(04)
[3]基于卡爾曼濾波的城市快速路交通密度估計(jì)與擁堵識(shí)別[J]. 張馳遠(yuǎn),陳陽(yáng)舟,郭宇奇.  交通信息與安全. 2017(05)
[4]大數(shù)據(jù)及其在城市智能交通系統(tǒng)中的應(yīng)用綜述[J]. 陸化普,孫智源,屈聞聰.  交通運(yùn)輸系統(tǒng)工程與信息. 2015(05)
[5]基于變量選擇-神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜路網(wǎng)短時(shí)交通流預(yù)測(cè)[J]. 蔣士正,許榕,陳啟美.  上海交通大學(xué)學(xué)報(bào). 2015(02)
[6]基于小波神經(jīng)網(wǎng)絡(luò)的道路交通流量實(shí)時(shí)預(yù)測(cè)模型研究[J]. 楊顯立,許倫輝,周勇.  公路交通技術(shù). 2013(05)
[7]K近鄰短時(shí)交通流預(yù)測(cè)模型[J]. 于濱,鄔珊華,王明華,趙志宏.  交通運(yùn)輸工程學(xué)報(bào). 2012(02)
[8]基于最小二乘支持向量機(jī)的交通流量預(yù)測(cè)模型[J]. 趙亞萍,張和生,周卓楠北京交通大學(xué)電氣工程學(xué)院,楊軍,潘成,賈利民.  北京交通大學(xué)學(xué)報(bào). 2011(02)
[9]非參數(shù)回歸方法在短時(shí)交通流預(yù)測(cè)中的應(yīng)用[J]. 張曉利,陸化普.  清華大學(xué)學(xué)報(bào)（自然科學(xué)版）網(wǎng)絡(luò).預(yù)覽. 2009(09)
[10]基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)[J]. 李婧瑜,李歧強(qiáng),侯海燕,楊立才.  山東大學(xué)學(xué)報(bào)(工學(xué)版). 2007(02)



本文編號(hào)：3125161