[发明专利]一种基于径向基神经网络的车流量预测方法

权利要求书

1.一种基于径向基神经网络的车流量预测方法，其特征在于，包括以下步骤：

步骤1：获取观测点采集到的历史车流量数据，构造训练集{X₁,X₂,...,X_T}；对于训练集中样本X_k＝{x_k,y_k}，k＝{1,2,...,T}，T为训练集中样本的数量；x_k、y_k为一段连续的时间，x_k为前t₁时间段内的车流量，y_k为接下来t₂时间段内的车流量；

步骤2：由主节点初始化生成随机粒子群，将粒子随机分散到S个分节点中；将训练集{X₁,X₂,...,X_T}输入到每个分节点中进行迭代，每个分节点输出一个最优RBF神经网络；

所述每个分节点输出一个最优RBF神经网络的具体步骤为：

步骤2.1：设定迭代最大次数M；初始化迭代次数t＝1；对于第s个分节点中I_s个粒子，初始化随机生成粒子群中每个粒子i的参数K_i(1)、位置速度v_i(1)和健康度H_i(1)＝rand[-0.1,0.1]；s∈{1,2,...,S}，i∈{1,2,...,I_s}，从第s个分节点的I_s个粒子中随机选取一个粒子，作为初始全局最优粒子gbest(1)，将其位置作为初始全局最优位置P_gbest(1)；

步骤2.2：为每个粒子i生成一个RBF神经网络；粒子i对应的RBF神经网络包含K_i(t)个隐含层节点，第j_i个隐含层节点的中心为第j_i个隐含层节点的宽度为第j_i个隐含层节点到第k个输出节点之间的连接权值为

步骤2.3：将训练集{X₁,X₂,...,X_T}输入到每个粒子对应的RBF神经网络中进行计算，得到每个粒子对应的RBF神经网络中关于训练集中每一个样本的预测输出；

其中，表示将样本X_k＝{x_k,y_k}中x_k输入至粒子i对应的RBF神经网络中得到的预测输出；φ()是径向基函数；

步骤2.4：计算每个粒子i的适应度值f_i(t)；

f_i(t)＝E_i(t)+αK_i

其中，α是平衡因子，α＞0；E_i(t)是粒子i对应的RBF神经网络的均方根误差；

步骤2.5：计算每个粒子i的自适应惯性权重ω_i(t)；

ω_i(t)＝γ(t)(A_i(t)+c)

其中，L和c为预定的常数，L≥2，c≥0；S(t)代表了粒子多样性，min(f_i(t))和max(f_i(t))分别表示在当前第t次迭代中的最小适应度值以及最大适应度值；f_gbest(t)(t)当前第t次迭代中全局最优粒子gbest(t)的适应度值；

步骤2.6：根据每个粒子i的健康度H_i(t)，对粒子的历史个体最优位置和当前位置P_i(t)进行更新；

若H_i(t)≤k₁×I_s，则粒子i的健康度为差；若k₁×I_s＜H_i(t)≤k₂×I_s，则粒子i的健康度为一般状态；H_i(t)＞k₂×I_s，则粒子i的健康度为优秀；k₁和k₂是在取值范围(0,1)内的参数，且k₂＞k₁；

(1)以概率Limit/N_s对健康度为差的粒子进行救治，更新粒子的位置P_i(t)和个体最优位置

其中，每个粒子的初始位置P_i(1)作为该粒子的初始个体最优位置N_s为当前第t次迭代中健康度为差的粒子总数；D为维度，D＝3；β是取值为[0,2]的常量；

对剩下另一部分健康度为差的粒子采用下式进行救治，更新粒子的位置P_i(t)和个体最优位置

P_i(t+1)＝N+rand₄(1,D)×(M-N)

(2)对于健康度一般的粒子，更新粒子的速度v_i(t)和位置P_i(t)；

P_i(t+1)＝P_i(t)+v_i(t+1)

其中，c₁、c₂为学习因子；

(3)对于健康度为优秀的粒子，只更新粒子的位置P_i(t)；

其中，参数μ、η服从标准正态分布，Levy(β)表示对参数β进行Levy()分布运算；

步骤2.7：更新每个粒子i的健康度H_i(t)；

步骤2.8：更新每个粒子i对应的RBF神经网络中隐含层节点的数量K_i；

其中，K_gbest(t)(t)表示当前第t次迭代中全局最优粒子gbest(t)对应的RBF神经网络中隐含层节点的数量；

步骤2.9：根据当前第t次迭代中计算得到的每个粒子i的适应度值f_i(t)，取对应适应度值f_i(t)最大的粒子作为下一次迭代中的全局最优粒子gbest(t+1)；

步骤2.10：判断是否达到最大迭代次数M；若t＜M，则令t＝t+1，返回步骤2.3；否则，输出第s个分节点中的全局最优粒子对应的RBF神经网络；

步骤3：主节点将各分节点输出的最优RBF神经网络整合，得到最终RBF神经网络模型；

将样本X_k＝{x_k,y_k}中x_k输入至最终RBF神经网络模型中得到的预测输出为：

其中，ω_s为第s个分节点输出的最优RBF神经网络的自适应惯性权重；为将样本X_k＝{x_k,y_k}中x_k输入至第s个分节点输出的最优RBF神经网络中得到的预测输出；

步骤4：将训练集{X₁,X₂,...,X_T}输入至最终RBF神经网络模型中进行训练，得到训练好的车流量预测模型；

步骤5：将待预测的前t₁时间段内的车流量输入至训练好的车流量预测模型中，得到接下来t₂时间段内的车流量的预测值。