论文部分内容阅读
近几年来,随着人们生活水平的不断提高,购买汽车的人数日益增加,这使得道路交通变得越来越不堪重负,由此引发了一系列的问题,比如:道路变得拥塞时常会堵车且易发生交通事故。为了缓解这类问题,人们开发了智能交通管理系统(ITS),它是目前进行交通控制及交通诱导的一种主要手段,一个好的智能交通管理系统能够密切关注道路上的交通情况,让交通运输效率尽可能最大化,以此缓解交通阻塞,提高道路车辆的通过能力,减少交通事故的产生,降低能源消耗以及减轻车辆增加所带来的环境污染。其中,短时交通流量预测的准确性决定了智能交通系统中交通控制及交通诱导功能的性能好坏,因此研究短时交通流量预测方法是非常有意义的。由于短时交通流量数据具有时变性、非线性等特点,一般的预测方法很难对其进行准确的预测,因此本文根据短时交通流量本身的性质并结合神经网络具有较好的自适应性及强大的学习能力的特点,采用改进后的小波神经网络来对短时交通流量进行预测。传统的小波神经网络(WNN)采用梯度下降法来对网络进行训练,而梯度下降法对于网络参数初始值比较敏感,容易陷入局部最优,从而影响WNN网络的预测效果,因此本文提出了一种改进人工鱼群算法及粒子群优化算法的混合寻优算法(AAFA_PSO)。同时,将AAFA_PSO算法引入到小波神经网络中,进行网络参数的前期优化,由此提出了一种改进小波神经网络预测模型(AAFA_PSO_WNN)。为了检测本文所提出的改进小波神经网络模型(AAFA_PSO_WNN)的性能,进行了对比验证实验,仿真结果表明本文提出的AAFA_PSO_WNN模型具有较好的预测性能。在对短时交通流量数据进行数据修补、降噪、归一化处理等预处理后,根据C-C法、经验法及试凑法等方法确定了小波神经网络的结构,其次利用所提出的AAFA_PSO_WNN预测模型对短时交通流量数据进行相应的仿真实验,通过引入ACO_WNN(蚁群算法优化小波神经网络)、GA_WNN(遗传算法优化小波神经网络)、GA_BP(遗传算法优化BP神经网络)三种优化预测模型和本文模型进行对比研究,发现本文所提出的AAFA_PSO_WNN优化模型在短时流量预测方面具有较好的预测性能且较稳定。