[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

说明书

本发明涉及交通技术领域，特别涉及一种基于粒子群优化神经网络的交通流预测方法，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，使所述BP神经网络模型的全局误差达到预设精度；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，训练完成后在进行实际预测；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。本发明解决了传统BP神经网络在进行交通流预测时，收敛慢、容易陷入局部最优值，以及引起震荡效应的问题。

技术领域

本发明涉及交通技术领域，特别涉及一种基于粒子群优化神经网络的交通流预测方法。

背景技术

随着经济的蓬勃发展，城市建设的加快，人们对交通运输的需求日益增加，城市交通压力与日剧增，交通安全、交通拥堵及环境污染日趋严峻。交通拥堵给人类带来巨大的经济损失，但是交通运输是经济发展必不可少的影响因素，如何有效缓解交通拥堵成了较为棘手的难题。

针对这一问题，智能交通系统(ITS)在有效解决交通问题方面，显示出越来越多的优越性。要使智能交通系统能够最大程度的发挥现有道路的供给能力，对交通流的引导和控制是其核心任务，而对交通流预测是实现交通实时引导和控制的前提和关键。其中交通流预测，是指利用历史和实时交通数据信息在时刻预测未来时刻的交通流状况。

因此，对交通流进行有效地预测是当前智能交通系统的重要研究方向，也是现在迫在眉睫需要解决的问题。随着人工智能技术的发展，人工神经网络尤其是BP神经网络被广泛运用于交通事件的预测。由于BP神经网络初始的权值和阈值是随机选取的，若这些参数的位置选取不当，则在BP神经网络进行交通流的预测时，会导致网络的收敛慢、容易陷入局部最优值，以及引起震荡效应等缺陷。

发明内容

本发明主要目的在于提供一种基于粒子群优化神经网络的交通流预测方法，解决了传统BP神经网络在进行交通流预测时，收敛慢、容易陷入局部最优值，以及引起震荡效应的问题。

为达到上述目的，本发明提供了一种基于粒子群优化神经网络的交通流预测方法，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。

本发明的工作原理及优点在于：

BP神经网络被广泛运用于交通流的预测，由于BP神经网络初始的权值和阈值是随机选取的，若这些参数的位置选取不当，则会导致网络的收敛慢、容易陷入局部最优值。粒子群优化算法是基于群体的演化算法，通过个体间的信息交换达到整个群体的共同演化，具有收敛速度快、鲁棒性高、全局搜索能力强等优点。利用粒子群算法的全局搜索能力优化神经网络的拓扑结构、连接权值和阈值，不仅能发挥神经网络的泛化能力和学习能力还能提高神经网络的整体搜索效率。并且在BP神经网络经过粒子群算法优化后，再次进行交通流的预测时，能够解决收敛慢、容易陷入局部最优值，以及引起震荡效应等缺陷。

进一步，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；