[发明专利]自组织区间二型模糊小波神经网络的短时交通流预测方法

说明书

本发明涉及智能交通控制技术领域，具体是自组织区间二型模糊小波神经网络的短时交通流预测方法，包括：S1、建立自组织区间二型模糊小波神经网络模型，包括输入层、模糊化层、规则层、后件层、连接层、降型层和输出层；S2、采用基于输入层与模糊化层之间欧氏距离的自组织算法优化S1中自组织区间二型模糊小波神经网络模型；S3、采用AdaBound算法优化S1中自组织区间二型模糊小波神经网络模型的前件参数；S4、采用自适应梯度算法优化S1中自组织区间二型模糊小波神经网络模型的后件参数；S5、利用优化后的自组织区间二型模糊小波神经网络模型进行短时交通流预测。本发明利用二型模糊逻辑处理短时交通流的不确定性，能够实现对短时交通流的快速和准确的预测。

技术领域

本发明涉及智能交通控制技术领域，尤其是涉及自组织区间二型模糊小波神经网络的短时交通流预测方法。

背景技术

近年来，交通系统在全球面临了前所未有的挑战，随着经济的发展，交通需求迅速增加，交通拥堵现象日益严重，交通网络变得十分脆弱。为提高道路的通行能力、减少交通事故、改善运输环境、节约能源，以现代化管理和控制为基础的智能交通系统应运而生。智能交通系统由通讯系统将人、车、路三个要素紧密结合，可以最大程度的发挥整个交通系统的运输和管理效率。而整个智能交通系统的关键是解决好交通流量的控制和实时诱导，因此对道路交通流状况进行预测是智能交通系统的必要条件。短时交通流预测的主要目的是确定未来一段时间内的交通量或其他交通变化，其预测具有实时性，非常适合于智能交通系统的主动动态交通控制策略，已经成为智能交通领域的重要研究方向。

目前对于短时交通流预测的研究主要围绕如何提高预测的速度和精度。短时交通流预测模型的设计方法包括传统的统计方法、智能算法、神经网络等，但是通过统计方法生成预测模型需要大量的专业知识，并且这种模型可能无法捕捉交通流数据中的强非线性特征，智能算法在训练模型时，难以得到智能算子的最优值且训练速度缓慢，传统的神经网络在处理不确定性上也有较大局限性。

发明内容

鉴于现有技术的上述缺点、不足，本发明提供一种自组织区间二型模糊小波神经网络的短时交通流预测方法，其解决了现有技术中短时交通流数据具有较强的不确定性和复杂性的技术问题。

为了达到上述目的，本发明采用的主要技术方案包括：

本发明提供自组织区间二型模糊小波神经网络的短时交通流预测方法，包括以下步骤：

S1、建立用于短时交通流预测的自组织区间二型模糊小波神经网络模型，包括输入层、模糊化层、规则层、后件层、连接层、降型层和输出层；

S2、采用基于步骤S1中的所述输入层与所述模糊化层之间欧氏距离的自组织算法优化步骤S1中建立的自组织区间二型模糊小波神经网络模型；

S3、采用AdaBound算法优化步骤S1中建立的自组织区间二型模糊小波神经网络模型的前件参数；

S4、采用自适应梯度算法优化步骤S1中建立的自组织区间二型模糊小波神经网络模型的后件参数；

S5、利用优化后的自组织区间二型模糊小波神经网络模型进行短时交通流预测。

进一步地，步骤S1中的自组织区间二型模糊小波神经网络模型具体为：

1)输入层：每个神经元表示一个输入变量，所述输入层不做任何计算，直接将输入变量传输到模糊化层，输入层输出为X＝[x₁,x₂,x₃,x₄]，表示所预测时间节点之前的四个时间节点的交通流量；

2)模糊化层：每个神经元表示输入变量的一个隶属度函数，选取具有不确定宽度的高斯区间二型隶属度函数：