文摘

为了解决这个问题,传统的长期高速流量预测算法是影响函数的逼近能力,很容易落入局部质量价值,我们编写了一个multivariate-based公路交通预测算法扩展和卷积网络。因为前馈小波神经网络算法预测短期交通流在不同的地区,有必要检查的能力来预测不同模型之间的区别。从标准前馈小波神经网络算法使用全局优化能力,改善狼群算法,提高算法的搜索精度,得到的估计价值的最佳解决方案根据搜索结果当完成研究目标,并得到预测模型的工作的能力。前馈神经网络算法:我们开发并获得最好的短期高速交通预报值。结果如下:在使用作者的算法,处理时间增加1.5秒,但错误的平均比例降低50%以上,事实上误差和均方根误差下降了约30%,和平滑系数增加了约1%。作者的算法的预测短期高速交通比小波神经网络预测算法,和作者的算法的预测精度和稳定性更高。

1。介绍

随着社会的快速发展,智能城市等新兴概念正逐渐融入人们的生活(1,2]。智能交通系统(ITS)的重要组成部分,是一个智能城市3- - - - - -5]。其中,交通流量预测是其研究的关键。道路交通数据显示类似的趋势连续数日在同一时间。准确的交通流预测是确保公共安全产生深远的影响和解决交通堵塞。

由于旅游需求的快速增加,严重的交通拥堵,及其对交通安全的不利影响和环境条件,它吸引了来自世界各国的极大关注(6]。由于土地资源有限,建设成本高,高速公路扩建项目不能有效解决这个问题。此外,潜在的交通需求也产生由于交通车辆容量的增加7,8]。在这种背景下,有效地利用现有的道路交通设施和网络资源,提高服务水平,已成为一个重要的衡量运输机构制定管理策略(9,10]。近年来,计算机的计算能力已经显著提高,和许多人工智能模型已经广泛应用于交通流预测问题,取得了一定的成果。其中,人工神经网络是最受欢迎的交通流量预测模型。与传统的统计数据模型,人工神经网络可以有效地分析历史数据的非线性相关性和未来交通流数据的数据。因此,它可以建立一个更精确的和优秀的交通流预测模型(11]。

随着经济的发展,现代生活中的交通问题已成为影响社会发展的一个重要问题,和机动车流量增加了,这造成了严重的问题,如交通事故、交通事故和环境。污染的实用程序(12]:预测结果对交通流的实时检测,很重要的短期预测交通流执行(13]。高速公路是一个时变系统,不同的组件显示不规则和不确定性8]。过去,前馈小波神经网络预测算法主要是用来预测短期高速交通,但该算法对初始值敏感的重量和小波因素和容易获得。一些负面结果阴性预测值。为此,一些研究人员提出了一些解决方案。图1显示了交通预测的过程和方法基于网络的线路图。

2。文献综述

Debbarma和Choudhury短期流量预测模型结合AF-SVR提出。实验结果证明平行检测的独特的能力和支持向量回归技术AF-SVR鱼群算法结合的方法通过模拟数据流的短期预测模型。该方法具有较高的准确性(14]。Zkoak等人应用内核相关向量机结合当地短期运行时间的估计。首先,建设阶段的位置是通过计算时间延迟连接时间的碳碳路,确定相邻点的数量根据Hannan-Quinn公式,作为一个组合。内核相关向量机模型开发了一个particle-by-particle优化和整体估计短期当地交通(15]。Forster-Heinzer等人提出了一个模型发展的短途运输路线基于交通数据的时空特征。首先,根据BP神经网络预测模型,时间序列,时间相似,和空间的一系列确定交通卷,和一起的估计价值时空特征的自适应加权数据融合、流量估计(16]。为了提高短期交通流预测的准确性,福等人提出了一种结合基于非参数回归和支持向量回归预测模型为交通控制提供准确和可靠的交通信息中心和行人。再方法使用一个ISM搜索引擎是用于构造历史交通流时间类似于当前的交通流量,并利用支持向量回归估计短期内(17]。基于实际交通数据,水流的影响,流动的水计划确定道路和KNN-SVR模型的预测精度进行了分析。孟、张提出了一个基于多元GBDT模型预测方法(18]。车站的交通是收集在不同的时间,天气和季节变化完全计算,分析收集到的数据的时候,新技术和仿真技术学习算法用于预测流量,和发达GBDT模型的短期预测方法与多个特性。马等人提出了基于多个自回归模型的短期预测(19]。包括讨论的模型自回归移动平均模型(ARIMA和VARMA)池,误差修正模型(结果和EC-VAR-MA),时空的ARMA (STARMA)和多个空间状态模型自回归(质量)。这个模型是基于不同的假设交通数据之间的关系(时间,空间,或不同的交通特征)。模型的基本概念,如流量稳定,在交通信息自由,他们的重要性进行了讨论。此外,实证的应用流量估计小段补充道。但上述方法具有高清晰度的问题不确定性和均方根误差。

为了解决上述问题,短期高速交通算法基于狼群算法,和狼群算法的全局优化能力用于确定重量和波质量。前馈结构小波神经网络短期高速交通的稳定和准确的预测。

3所示。方法

3.1。短期高速交通流的预测

3.1.1。分析前馈小波神经网络算法的函数逼近能力

结合小波分析和神经网络的主要特点是前馈神经网络算法,创建了一个网络基于小波分析和影响多个传输模型,它可以防止网络局部优化和改进集成(20.]。学习算法、泛化和短期高速交通是强大的。小波神经网络的非线性乙状结肠功能取代了非线性小波的基础上,和信号被解释为一个线性叠加小波的基础上。神经网络的平均数量和插值样本前馈小波神经网络算法n+ 1;同时,内部和外部构造前馈小波神经网络的初始权值根据插值样本的值,和任意连续函数在闭区间可以近似基于任意精度。收敛条件近似问题的多维扩展更重要一元函数的小波神经网络;因此,它的要求是相对较高,导致增加了操作的难度,减少径向基神经网络的连接权重的稳定性。

描述了连续函数的区间 ,和描述了小波构造径向基神经网络的随机选择 ,神经网络包含一个函数描述和一个自然数所描述的N的函数逼近值前馈小波神经网络算法 的情况下 ,和所有 包括

小波神经网络 和积极的实数满足规模条件存在于统一的网格划分的过程间隔和数据 ;的条件下 ,有

为 ,一个小波神经网络 可以构造,正实数令人满意的大小;条件下的 ,有

再一次,

自不间断的时间间隔 ,因此,对于上面的 , ,条件下的 ,的情况下 ,有

自 是一个不间断的小波函数,

从上面的过程,获得的是区间是一贯的、不间断的。为 和 上面的情况下 ,的情况下 ,有

因此,的情况下 ,当n对应于相应的 ,前馈小波神经网络的函数逼近值算法

从这里,可以看出,当构建前馈小波神经网络算法,不需要使用的训练方法,对短期高速交通流预测在多维空间中,随机关联多维样本可以近似与给定的精度,获得最好的交通流量预测结果(21]。

3.1.2。改进的狼群算法

检测过程的狼在狼群算法可以被认为是近似的过程性能的前馈神经网络算法在传统的狼群算法,但在捕狼的过程中找到不同的动物,Y方向的数量是不同的,和值是随机选择的根据实际情况采取价值时,所代表的值范围 (22]。然而,狼的方向寻找不受更改影响的数量走或算法的迭代的数量。同时,在实验中,狼检测方向通常10点固定,而不是随机的,如上所述。因此,搜索方向狼群中的狼检测算法不变,和搜索结果的误差很大。详细描述如下:如果方向的数量y狼寻找猎物是8,然后确定最优方向移动。

在寻找的过程中二次运动,每个方向形成一个与最优方向平行的关系,并在随后的搜索过程,搜索在这个平行的方向进行,严重影响搜索效率。为了解决这个问题,狼的行走方向检测算法改进,和W用于表示狼的数量检测。根据W的平价,搜索方向之间的选择 提高搜索结果的准确性。算法改进后,没有平行的方向之间的关系Wth走和W+ 1-th走路。从这可以看出,改进的方式任意选择的搜索方向狼检测在一个给定的范围可以扩大搜索范围。

改进的狼群算法描述如下:(1)值初始化: , _,和用于描述狼的位置,狼的数量,和狼群的最大迭代数,分别和 , , _,和用于描述狼检测比例因子,散步,的最大数量的距离判断因素,更新比例因子,分别以上初始化参数(23]。(2) 和用于描述头狼的位置和目标函数的值,即最优目标函数值。我们使用代表狼的数量和最优目标函数值,除了第一个狼,当走的数量是奇数,执行走按照下列公式: 当走的数量是偶数,执行走按照下列公式: 当行走的狼的数量检测满足行走的最大数量 ,我们继续处理(3)。(3)在狼群中,我们随机选择狼,除了阿尔法狼,寻找猎物按照下列公式: 在搜索过程中,当目标函数值的狼 , ,狼取代了阿尔法狼召唤;条件下的 ,狩猎行为和之间的距离的位置低于相同的狼 ,和流程执行(4)。(4)更新后的位置选择狼使用以下公式,我们继续保持搜索行为 (5)阿尔法狼和狼组的位置更新“胜者为王”和“强者生存”作为选择标准阿尔法狼和狼组的更新机制,分别是(24]。(6)决定是否更新的优化结果满足精度的最大迭代数和输出头狼在满足条件下的位置;这个职位是函数的最优解近似前馈小波神经网络算法的价值;相反,如果条件不满意,返回过程(2)。

改进的狼群算法可以改善小波神经网络的函数逼近能力的算法,大大提高交通流预测性能,并获得最好的交通流量预测结果。

3.2。模拟试验

为了测试的可行性和有效性的短期高速交通流预测算法基于狼群算法,测量数据的高速公路收费站在我的国家在2017年被用作实验数据和仿真进行了MATLAB环境和测量数据2012 4月,6月和9月。2017年11月作为4个数据集,共1418组数据;相关的参数设置如下:根据正态分布,小波神经网络的权重和扩展因素是随机分配的,1418套的数据分为训练样本和测试样本,947年和471年,分别和我们设置了最大的培训时间和动量因子是90和0.3,分别;重量误差最小值,学习速率、翻译因素学习速率,和比例因子学习速率是0.0001,0.01,0.001,和0.001,分别。

日军:平均百分比误差,它可以直观地表示预测的力量和弱点的影响;梅:平均误差,价值小,小错误;RMSE:均方根误差值越小,误差越小;电子商务:等于系数,值越高,比例越高;RT:运行时间,反映了算法的复杂性。上述指标的计算公式如下:

在上面的公式中, , ,和V预测输出值,高速交通流的测量值在时间吗t,分别和预测样本的数量。

4所示。结果与讨论

上述测量仿真所示,估计算法的估计基于作者的算法和小波神经网络比最大值。数据2和3显示短期高速交通预测结果作者的算法和小波神经网络预测算法。

在数字仿真结果2和3表明,平均绝对百分比误差值,平均绝对误差值,作者和均方根误差值的算法0.054,1.134,和1.812,分别;与小波神经网络预测算法相比,降低了0.130,1.585和1.749,分别,而平等的系数和运行时间分别提高了0.016和1.489相比,小波神经网络预测算法。仿真结果表明,作者的短期高速交通预测效果的算法优于对比算法的操作时间的情况是不同的。

图4比较两种算法的误差预测短期交通流量。

分析仿真结果如图4表明短期内高速交通作者的算法误差小于比较算法,同时,错误非常相似的序列。发生的概率较高。数据误差控制在0.8%和2.7%之间。仿真结果表明,作者的算法具有较高的精度和稳定性。

表1显示了10个短期的结果的高速交通使用作者的算法。

每个指标的平均值得到作者的算法在表1是相对于每个指数的平均值得到的小波神经网络算法,结果见表2。

分析表2表明,在使用作者的算法,虽然运行时间增加了1.5秒,平均绝对百分比误差减少50%以上,平均绝对误差和均方根误差减少30%左右,和均衡系数增加了1%;这表明作者的算法的预测效果显著提高与基于小波神经网络的预测算法。

5。结论

使用短期高速交通预测,作者介绍了一种多尺度修改基于卷积网络,公路交通预测算法用于提取和提高短期交通公路贯穿在未来。高速交通法规:作者提出了短期高速交通算法基于狼群算法和派生标准前馈小波神经网络的函数逼近算法的推导函数;在此基础上,采用walking-enhanced狼群算法扩大狼的行走路径检测,提高了预测的小波神经网络算法的性能,并改善短期速度估计的准确性。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。