基于蚁群聚类算法的RBF神经网络交通流预测.docVIP

基于蚁群聚类算法的RBF神经网络交通流预测 第39卷第3期 V.01.39No.3 河北工业大学学报 J0URNALOFHEBEIUNIVERSITY0FTECHNOL0GY 2010年6月 June2010 文章编号:1007-2373(2010)03-0042—04 基于蚁群聚类算法的RBF神经网络交通流预测 林鑫,王晓晔,王卓,张德干 (1.天津理工大学天津市智能计算及软件新技术重点实验室,天津300191;2.天津理工大学计算机视觉与系统省部共建教 育部重点实验室,天津300191) 摘要短时交通流因其不确定性等特点而导致预测很复杂,准确率不高.本文把蚁群聚类算法和RBF神经网络 结合来构建交通流预测模型,用蚁群聚类确定RBF网络隐层神经元的中心值,并且为了找到最优的聚类结果, 在蚁群算法中加入了局部搜索.此模型具有较强的局部泛化能力和较高的准确率.实例仿真研究表明此方法预测 效果较好. 关键词短时交通流;预测;蚁群聚类;RBF神经网络;局部搜索 中图分类号TP391文献标识码A TrafficFlowForecastingBasedonAntColonyClustering AlgorithmandRBFNeuralNetwork LINXin.一,WANGXiao.ve,NGZhuo,一,ZHANGDe.gan (1.TianjinKeyLaboratoryofIntelligenceComputingandNovelSoftwareTechnology,TianjinUniversityofTechnology,Tianjin 300191,China;2.KeyLaboratoryofComputerVisionandSystem,MinistryofEducation,TianjinUniversityofTechnology,Tianjin 300191,China) AbstractForitsuncertainty,theforecastingofshort—termtrafficflowiscomplicated,andtheaccuracyisnothigh. ThispapercombinesantcolonyclusteringalgorithmandRBFneuralnetworktodesigntrafficflowforecastingmodel, usingantcolonyclusteringalgorithmtogetthecentersofhiddenlayerneurons.Tofindthebestclusteringresult,local searchisusedinantcolonyalgorithm.Themodelhass~onglocalgeneralizationabilitiesandhighaccuracy.Thesimu? lationexperimentresultsilluminatethattheapplicationisfairlyeffective. Keywordsshort-termtrafficflow;forecast;antcolonyclustering;RBFneuralnetwork;localsearch 0引言 随着社会的进步,交通事业也在逐步发展,但各种交通问题也随之产生,如交通拥挤,交通事故等.而 交通问题的好坏,不仅影响着人民的日常生活,也制约着经济和社会的发展.智能交通系统是近年来迅速发 展起来的城市道路和高速公路控制管理新技术.它是运用高科技手段解决当今交通运输问题(包括运输能 力,运输效率,运输安全以及运输服务等)的新技术,是人工智能技术在交通运输系统的应用”. 交通流量的预测是ITS的重要组成部分,而短时交通流预测又是其中的难点之一.短时交通流是指观测 时间间隔很短的交通流,一般不超过15min.正由于观测时间间隔很短,交通流数据表现出高度的复杂性, 随机性和不确定性.因此,要想准确的预测短时交通流量就比较困难.神经网络由于具有逼近任意非线性 关系的能力,因此在智能交通系统中得到了广泛应用0j. RBF~0经网络因其在逼近能力,分类能力和学习速度等方面的优点,被广泛应用于各个领域,包括图像 处理,交通预测,语音识别等方面.文献【2]和文献[8】把RBF神经网络用于交通流的预测,证明此模型 的有效性.在RBF网络中,最重要的是选择隐层函数的中心点.目前主要的网络中心选取法有随机法,最小 二乘法,聚类法等.蚁群算法作为一种分布式寻优算法,展示了其优良的搜索最优解的能力,能够应用于各 收稿日期:2009.04—28 基金项目:国家863计划项目(2007AA01Z188) 作者简介:林鑫(1984一),男(汉族),硕士生