傳統(tǒng)的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,通常采用單向梯度下降法進(jìn)行參數(shù)優(yōu)化,但其存在收斂速度慢和局部最優(yōu)等問(wèn)題.為了提高城市道路短時(shí)交通流的預(yù)測(cè)精度,提出一種改進(jìn)的粒子群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型.該算法可以調(diào)整慣性權(quán)重和學(xué)習(xí)因子,以改善粒子群算法后期收斂速度慢、局部搜索能力弱等缺點(diǎn).最后將模型應(yīng)用于短期交通流的實(shí)證研究,結(jié)果表明,與傳統(tǒng)的小波神經(jīng)網(wǎng)絡(luò)和蟻群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型相比,提出的模型預(yù)測(cè)的結(jié)果誤差更小,且具有較快的收斂速度和較好的非線性擬合能力. 

【文章來(lái)源】：寧夏師范學(xué)院學(xué)報(bào). 2019,40(01)

【文章頁(yè)數(shù)】：7 頁(yè)

【文章目錄】：
1 WNN的結(jié)構(gòu)介紹
2 改進(jìn)的粒子群算法
    2.1 基本粒子群算法
    2.2 改進(jìn)的粒子群算
        2.2.1 慣性權(quán)重的改進(jìn)
        2.2.2 學(xué)習(xí)因子c1和c2的改進(jìn)
    2.3 算法流程
3 WNN參數(shù)與IPSO的優(yōu)化
4 實(shí)驗(yàn)仿真
    4.1 仿真條件和模型構(gòu)造
    4.2 數(shù)據(jù)來(lái)源和預(yù)處理
    4.3 交通數(shù)據(jù)的時(shí)間序列分析
5 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于小波分析和Hopfield的網(wǎng)絡(luò)流量預(yù)測(cè)[J]. 喻皓,陳志峰.  計(jì)算機(jī)應(yīng)用與軟件. 2013(06)
[2]基于混沌理論的短時(shí)交通流預(yù)測(cè)方法[J]. 韓超.  物流工程與管理. 2012(04)
[3]改進(jìn)的神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)流量預(yù)測(cè)中的應(yīng)用研究[J]. 李海燕,李咚.  計(jì)算機(jī)仿真. 2011(09)
[4]基于混沌粒子群算法的神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)[J]. 唐新來(lái),李春貴,王萌,張?jiān)龇?  計(jì)算機(jī)測(cè)量與控制. 2010(08)



本文編號(hào)：3030868