基于IABCWNN模型交通流量预测研究.docVIP

基于IABCWNN模型交通流量预测研究 　　摘要：传统蜂群算法采用随机法生成初始解，随机性大，难以掌握解的分布。针对这些问题，结合佳点集方法与正弦映射法，提出改进的ABC算法。使用佳点集理论构造蜂群算法的初始解，解决传统随机法构造初始种群对蜂群算法寻优的影响；使用正弦映射法优化轮盘赌算法，克服复杂的高维度项目难以跳出局部最优与负收益度问题。将改进的ABC算法作为WNN网络参数调整算法，利用ABC算法扩大最优解范围，提高搜索速度与精度，从而获得较好的短时交通预测准确度。仿真实验表明，IABCWNN预测模型算法相对误差小，稳定性好，预测精度高。 　　关键词：ABC算法；WNN模型；佳点集理论；正弦映射 　　DOIDOI：10.11907/rjdk.171675 　　中图分类号：TP301文献标识码：A文章编号2017）010000404 　　0引言 　　交通流预测（ShortTerm Traffic State Forecasting）指根据当前动态的交通流参数，通过一些方法预测未来短时间内交通状态。交通流预测通过大量的历史交通数据，使用算法模型整合数据，实现城市道路交通状态预测，为交通管理和出行提供信息服务支持。短时交通流状态预测结果可以应用到ITS，为交通管理提供科学化的决策支持，给出行者提供准确的道路实时信息，实现缓解道路拥堵、路径诱导、减少污染的目的。 　　交通流预测已有大量研究成果 [14]。先进的智能交通管理系统不仅应具备交通预测能力，而且能充分利用已具备的经验，使算法有自学习和自适应能力。戴洪波等[5]提出一个简化的交通流宏观动态预测模型，通过分析某个站点的交通流随时间的变化规律，使用BP神经网络训练数据，实现交通流预测。傅贵等[6]通过引入核函数，把非线性交通流数据的预测问题转化为高维空间中的线性回归问题，提出基于向量机回归模型，改善SVM模型自适应能力。AN等[7]使用回声状态神经网络（ENS）进行交通预测。ENS是基于BPNN模型的改进模型。ENS克服了传统BPNN模型易陷入局部最优的缺陷，使预测数据结果更接近实际值。黄红梅等[8]提出基于模糊层次分析法优化BPNN模型和神经网络初始参数，为交通安全评价研究提出了一种新的评价方法。 　　支持向量机能避免陷入局部最优解，但是算法计算量大，导致收敛速度较慢，影响预测效率。基本的神经网络模型的权值阈值选取对预测结果影响较大，在寻优时易陷入局部最优解，合适的取值才能充分体现出神经网络模型的优势，因此如何避免陷入局部最优，加快寻优速度是神经网络的研究重点。 　　1相关工作 　　1.1ABC算法 　　群智能算法是一种新兴的仿生类演化算法，是根据自然界生物群居分工启发形成的算法，蜂群算法是群智能算法的一种。蜜蜂是群居昆虫，角色简单，行为单一，但是能完成高效的采蜜动作，并能适应环境变化，迅速找到蜜源。 　　蜂群根据角色行为分工：引领蜂负责花蜜开采，单次开采完后回到蜂巢将蜜源信息和位置传递给蜂巢等待的跟随蜂，此时引领蜂可以选择变成跟随蜂在蜂巢等待或去蜜源继续采蜜；侦察蜂负责开采新的蜜源，随机搜索周围环境找到新的食物源，找到新蜜源即通过摇摆舞通知跟随蜂并变成引领蜂进行花蜜开采；跟随蜂通过侦察蜂的摇摆舞得到蜜源信息，根据引领蜂和侦察蜂信息比较蜜源收益度，选择收益度高的蜜源进行开采。 　　蜂群算法寻优步骤如下： ①初始阶段，所有蜜蜂都是侦察蜂，在整个范围内进行随机搜索，寻找新蜜源；②找到一个蜜源后，侦察蜂通过摇摆舞通知周围蜜蜂，并成为引领蜂开始采蜜，单次采蜜结束后将蜜源质量和位置信息带回蜂巢。此后，它可以选择继续回到该蜜源采蜜，或者通过摇摆舞与周围的跟随蜂分享蜜源信息。该蜜源开采完后它将变成侦察蜂，随机搜索下一蜜源；③蜂巢内的跟随蜂根据引领蜂携带的蜜源信息判断是否去开采，重复步骤②直至满足结束条件。 　　在蜂群算法中，引领蜂和跟随蜂根据式（1）进行邻域搜索并更新食物源位置： 　　vij=xij+rij（xij-xkj）（1） 　　式（1）中，j∈{1，2，…，D}，k∈{1，2，…，S}，k是随机数，且k≠i；rij为[-1，1]之间的随机数，用于控制邻域范围。 　　跟随蜂根据概率pi对第i个食物源采用轮盘赌方式进行选择，pi按照式（2）确定： 　　pi=Fi∑SNn=1Fn（2） 　　式（2）中，Fi为第i个蜜源收益度，收益度Fi由下式计算： 　　Fi=1fi，fi≥01+abs（fi），fi0（3） 　　式（3）中，fi为蜜源xi的目标函数值，根据式（1）在其邻域内同样进行新蜜源搜索，采用贪婪选择保留较优蜜源。 　　蜂群算法中，每一轮搜索都会产生一个最优蜜源。当下一轮产生更优的蜜源时将旧蜜源替换。经过有限次循环该蜜源