[发明专利]一种基于径向基神经网络的车流量预测方法

说明书

本发明属于人工智能以及分布式学习技术领域，具体涉及一种基于径向基神经网络的车流量预测方法。本发明针对RBF的缺乏通用性参数设置问题，将RBF与APSO算法进行融合，将RBF的网络中心、中心半径以及连接权值映射到粒子的运动位置当中去，通过粒子的寻优过程达到了对参数的优化效果。本发明引入基于健康度的PSO算法，通过粒子的健康度的判断，将粒子划分为状态优秀、一般以及状态差的粒子，对健康度处于差的粒子进行了特定的全局搜索策略优化，对健康度处于优秀的粒子进行了特定的局部策略优化。最后在基于Spark并行平台的基础上，通过主副节点对粒子的更新，输出了用于车流量预测的RBF神经网络模型。

技术领域

本发明属于人工智能以及分布式学习技术领域，具体涉及一种基于径向基神经网络的车流量预测方法。

背景技术

随着人工智能技术发展的同时，由于深度学习需要不断的通过求导迭代来更新模型，从而来提高自身的能力，在此过程当中便需要大量的密集计算，随之而来也就使得训练的周期变得漫长。在单节点上进行深度学习的训练已经渐渐无法满足需求，在输入海量的训练样本时，串行化实现的深度学习模型很难达到误差精度，往往使得训练的周期需要花费几周、几个月甚至是更长的时间。相较于单节点的串行化训练方式，基于并行化的分布式的结构有着良好的可扩展性以及灵活性，可以将单机节点的资源进行整合。与此同时，群体智能算法也越来越多地被用来进行参数量巨大深度神经网络的训练工作，与越来越多的模型融合。

对于径向基函数神经网络来说，虽然有着良好的性能，在多个领域内都有应用，但在实际应用中，对于网络结构的确定在大多数情况下仍然靠着经验去调试与设定，缺乏一种通用性的对网络大小设置的方法。这也就导致了RBF在一些并行化的实际情况中需要耗费时间对它的参数进行优化；目前针对RBF做出并行化的改进都是与粒子群优化算法融合，而由于标准PSO算法的搜索力度不强以及易陷入局部最优等问题使得这部分模型都性能不高。

发明内容

本发明的目的在于提供一种基于径向基神经网络的车流量预测方法。

本发明的目的通过如下技术方案来实现：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；

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；