[发明专利]一种基于粒子群优化神经网络的交通流预测方法

权利要求书

1.一种基于粒子群优化神经网络的交通流预测方法，其特征在于：包括如下步骤：

S1、获取交通流数据样本并进行预处理；所述交通流数据样本包括测试样本与训练样本；

S2、设定BP神经网络模型的参数，构建用于交通流预测的BP神经网络模型；

S3、采用粒子群算法优化BP神经网络模型的连接权值和阈值；

S4、将训练样本导入到经过粒子群算法优化后的BP神经网络模型中进行训练，再将测试样本导入到训练完成后的BP神经网络模型中对路段交通进行分类及预测；

S5、通过仿真实现短时交通情况的预测，以及对交通流的状态进行评估。

2.根据权利要求1所述的基于粒子群优化神经网络的交通流预测方法，其特征在于：所述步骤S3中，采用粒子群算法对所述BP神经网络模型进行优化流程，其具体包括以下步骤：

S301：将需要优化的连接权值、伸缩因子和平移因子作为每个粒子的位置向量，并初始化位置向量；

S302：将预测误差绝对值之和作为适应度函数，根据适应度函数计算出每个粒子的适应度值，并保存初始个数的最优值和群体最优值；

S303：利用每个粒子的最优值进行迭代更新，更新每个粒子的最优位置和速度；

S304：加入简单变异算子，使粒子以一定概率重新初始化，判断迭代次数是否达到最大迭代数，若未达到，则进入步骤S302继续对所述BP神经网络模型进行优化，直到达到最大迭代次数，并记录最优个体适应度值；

S305：把自适应变异粒子群优化得到的最优个体赋给神经网络，并输出BP神经网络模型。

3.根据权利要求1所述的基于粒子群优化神经网络的交通流预测方法，其特征在于：所述交通流数据的基本参数包括交通流量、平均速度和密度。

4.根据权利要求2所述的基于粒子群优化神经网络的交通流预测方法，其特征在于：所述交通流量是以定点调查法取得样本，其估算公式为：

其中q是流量，车/h；N是调查时间中通过调查地点的车数；T是调查时间，h_i是连续车辆从同一参考点通过调查点的时差。

5.根据权利要求3所述的基于粒子群优化神经网络的交通流预测方法，其特征在于：所述密度是以路段长度调查法取得样本，其估算公式为：

其中k是密度，N是调查距离D范围内某瞬间的车数；D是调查距离(公路长度)，s_i是在某个瞬间连续车辆与某一参考点的空间距离。

6.根据权利要求3所述的基于粒子群优化神经网络的交通流预测方法，其特征在于：所述速度分为时间平均速度和区间平均速度。

7.根据权利要求6所述的基于粒子群优化神经网络的交通流预测方法，其特征在于：所述时间平均速度的平均值估算方式如下：

其中是以定点调查法取样第i辆车的地点速度；N是观测的车辆数。

8.根据权利要求6所述的基于粒子群优化神经网络的交通流预测方法，其特征在于：所述区间平均速度的平均值估算方式如下：

其中是以长度调查取样第i辆车的地点速度；N是观测的车辆数。

9.根据权利要求2所述的基于粒子群优化神经网络的交通流预测方法，其特征在于：所述迭代更新的一般性迭代公式为：

其中，c₁，c₂是学习因子；rand()为介于(0，1)的随机数；和分别为粒子i在第k次迭代中第d维的速度和位置；为粒子i在第d维的个体极值的最优位置；为群体在第d维的最优位置。

10.根据权利要求9所述的基于粒子群优化神经网络的交通流预测方法，其特征在于：所述迭代公式中引入惯性权重因子ω优化算法进行改进优化，其公式如下；