針對(duì)小波網(wǎng)絡(luò)結(jié)構(gòu)不穩(wěn)定和容易陷入局部最小造成預(yù)測(cè)結(jié)果誤差過大的問題,以遼寧省某高速公路為研究對(duì)象,利用遺傳算法具有自適應(yīng)隨機(jī)優(yōu)化搜索能力、收斂速度快的特點(diǎn),提出一種基于GA-WNN神經(jīng)網(wǎng)絡(luò)的高速公路日交通流量預(yù)測(cè)方法。模型仿真結(jié)果表明,遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的誤差精度為8.35%,與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)相比,預(yù)測(cè)精度顯著提高,具有更好的預(yù)測(cè)能力。 

【文章來源】：現(xiàn)代電子技術(shù). 2020,43(15)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

式中：N為神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)測(cè)試的樣本數(shù)量，為10個(gè)；xi為第i天的實(shí)際交通流量；x′i為第i天的預(yù)測(cè)交通流量。將3種預(yù)測(cè)模型進(jìn)行訓(xùn)練預(yù)測(cè)，輸出結(jié)果如圖2所示，圖3為3種模型的相對(duì)誤差對(duì)比，表1為各模型的預(yù)測(cè)效果對(duì)比。圖3 三種預(yù)測(cè)模型誤差對(duì)比

圖2 多種預(yù)測(cè)模型預(yù)測(cè)值與實(shí)際值對(duì)比從表1中可以看出：BP神經(jīng)網(wǎng)絡(luò)誤差較高，不適宜用于預(yù)測(cè)，小波神經(jīng)網(wǎng)絡(luò)誤差為15.43%，明顯低于BP神經(jīng)網(wǎng)絡(luò)的26.52%，而遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的平均相對(duì)誤差為8.35%，均方差為121.19，與前兩者相比均有明顯下降。由圖3可知：遺傳算法優(yōu)化小波神經(jīng)網(wǎng)游預(yù)測(cè)值與實(shí)際值較為接近，進(jìn)一步驗(yàn)證了加入遺傳算子的小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果。


本文編號(hào)：3225483