论文部分内容阅读
近年来,随着经济的高速发展以及人民日益增长的生活需要,车辆越来越成为生活中的必需品,交通拥堵逐渐成为生活中一个亟待解决的问题,建立一种实时、高效的交通管理系统成为满足出行需求的基本途径。交通流预测是建立交通管理系统过程中的一个重要步骤。由于交通流数据具有混沌特性、受干扰性强、随机波动性和较高复杂性等特点,已经有许多学者采用群智能算法和小波神经网络(Wavelet Neural Network,WNN)进行交通流预测的研究,但目前的研究成果还不能实现短时交通流的精准预测,花朵授粉算法(Flower Pollination Algorithm,FPA)是近年来新提出的群智能优化算法,优化能力强,应用广泛,为此本文尝试采用改进花朵授粉算法进行小波神经网络短时交通流的预测研究。本文从Minnesota大学交通数据研究中心获取到的交通数据,对数据进行相应的降噪、重构处理,采用小波神经网络对交通流数据进行预测研究。利用试凑法确定了网络结构中的隐含层节点个数,并且通过仿真实验对比不同小波基函数的训练效果,最终选取Gaussian一阶偏导函数作为激励函数。结果表明本文使用的小波神经网络结构能够对交通流整体趋势做较准确的预测。尝试将花朵授粉算法与小波神经网络相结合对短时交通流进行预测。利用花朵授粉算法对网络结构的初始参数进行优化,有效的解决了小波神经网络对模型参数初值要求高的问题,构建FPA-WNN短时交通流预测模型进行仿真实验,结果表明FPAWNN模型有效提升了短时交通流预测精度,精度提升了1.379%。为了进一步提升短时交通流的预测精度,本文提出一种改进的花朵授粉算法(Improved Flower Pollination Algorithm,IFPA),在花朵授粉算法中加入局部和全局的变异策略,增加种群的多样性,并且采用一种动态转换概率策略,动态地控制花朵授粉算法中局部搜索与全局搜索之间的转换,比起固定的转换概率值,动态的概率值能够更好的找到最优解,从而提升预测精度。将IFPA与WNN结合建立IFPA-WNN短时交通流预测模型,仿真实验结果表明IFPA-WNN预测效果更优,使交通流量峰值和谷值处的预测偏差缩小,预测精度达到98.104%,相比于FPA-WNN预测模型精度提升了0.22%。