基于鸡群算法的小波神经网络短时交通流预测研究

【摘要】：智能交通系统可以缓解城市拥堵,短时交通流预测是其核心,故精准快速的短时交通流预测具有重要意义。短时交通流数据存在着随机波动性与高度非线性,使得很多预测方法的预测速度与精度都不能同时达到较好的效果。小波神经网络(WNN)具有良好的时频域特性,鸡群优化算法(CSO)具有较好的全局收敛性和计算鲁棒性,与粒子群算法、狼群算法相比,鸡群算法能够更快速地找到全局最优解。因此本文采用鸡群算法优化小波神经网络的权值与小波因子,并用该小波神经网络进行短时交通流预测,然后改进鸡群算法以进一步提高预测精度,最后引入RBF神经网络再次改进预测模型。本文提出的短时交通流预测模型均在公开数据集上进行测试实验,本文主要创新点为:(1)采用鸡群算法优化小波神经网络的权值与小波因子,即CSO-WNN短时交通流预测模型。与基本的小波神经网络预测模型相比,CSO-WNN的预测精度提高了0.5%,预测速度提高了9%;与基于粒子群算法的小波神经网络预测模型和基于狼群算法的小波神经网络预测模型的预测结果相比,CSO-WNN预测模型在精度相当的情况下,预测速度比狼群算法提高了42%,比粒子群算法提高了6.5%。(2)改进鸡群算法,进一步优化小波神经网络的参数,即ICSO-WNN短时交通流预测模型,与CSO-WNN预测模型进行对比,预测精度提高了0.35%。(3)引入RBF神经网络,构成ICSO-WNN-RBF预测模型用以预测交通流数据的线性部分与非线性部分,并与ICSO-WNN预测模型进行对比。结果表明组合预测模型ICSO-WNN-RBF的预测精度达到了98.888%,在相同条件下比基于支持向量机回归的短时交通流预测模型提高了0.27%。