论文部分内容阅读
在智能交通系统中,实时准确的短时交通流预测一直是各国学者研究的重点。为了提高预测精度,越来越多的组合模型被应用到此领域,其中小波神经网络模型结合了小波分析与神经网络的优势,对短时交通流的预测具有较好的效果,狼群算法(Wolf Pack Algorithm,WPA)是新近提出的优化算法,具有较好的全局收敛性,为此,本文基于小波神经网络,将狼群算法与改进的梯度下降算法相结合,用于短时交通流预测。首先从美国明尼苏达德卢斯大学交通数据研究实验室以及加州运输性能测量系统中获得了 5个交通流数据集;然后对每个数据集的数据进行修复、小波降噪、相空间重构和归一化等预处理,用于所有模型的仿真实验;最后使用Morlet小波神经网络(Wavelet Neural Network,WNN)对短时交通流进行预测。仿真实验结果表明,小波神经网络模型能够对交通流的整体趋势进行预测,但稳定性和预测精度还有待提高。针对小波神经网络中梯度下降算法对权值和小波因子初值敏感,容易陷入局部极小值的缺点,本文将狼群算法与梯度下降算法结合,先利用狼群算法的全局寻优能力为小波神经网络找到一组较优的权值和小波因子,再通过梯度下降算法对权值和小波因子寻优,仿真实验结果表明狼群算法与梯度下降算法的结合是有效的。在此基础上对狼群算法进行了改进,仿真实验结果表明,IWPA-WNN模型有效地提高了短时交通流预测的稳定性和精度,同时缩短了运行时间。其次,为了进一步提高短时交通流预测的精度,本文将误差补偿方法(Error Compensation,EC)应用到小波神经网络短时交通流预测中,使用小波神经网络对交通流预测的误差数据进行二次信息提取,仿真实验结果表明,加入了误差补偿的小波神经网络能够有效地提高短时交通流预测的精度。最后将误差补偿方法与改进狼群算法的小波神经网络有机结合构成了 EC-IWPA-WNN短时交通流预测模型。仿真实验结果表明基于EC-IWPA-WNN模型的短时交通流预测在稳定性和精度上都具有良好的性能。