基于布谷鸟算法的小波神经网络短时交通流预测研究-控制理论与控制工程专业论文.docxVIP

西南交通大学硕士学位论文主要工作(贡献)声明本人在学位论文中所做的主要工作或贡献如下： 西南交通大学硕士学位论文主要工作(贡献)声明 本人在学位论文中所做的主要工作或贡献如下： 1．简要介绍了交通流数据的特征参数以及实测的短时交通流数据来源，并对 实验数据进行了修正、降噪、相空间重构和归一化等预处理，为短时交通流预测 模型的建立做好准备。 2．提出一种基于小波神经网络的短时交通流预测方法，并完成了仿真实验。 结果表明，基于小波神经网络的短时交通流预测效果较好，但仍有提升的空间。 3．针对小波神经网络误差随机性的特点，提出基于Bagging算法的集成小波 神经网络预测方法，使用多个小波神经网络共同决定预测结果。仿真实验表明， 该算法能一定程度上克服小波神经网络不稳定的缺点，提高预测的精度。 4．小波神经网络具有对初值敏感的缺点，针对这一问题，本文引入了布谷鸟 算法来优化集成小波神经网络的初始参数，提出了基于布谷鸟算法的Bagging集 成小波神经网络短时交通流预测算法。为了比较布谷鸟算法与当前热门的智能算 法在短时交通流预测方面的性能，分别完成了基于遗传算法(Genetic Algor汕m， GA)和基于粒子群算法(Particle Swam Optimization，PS0)的集成小波神经网 络短时交通流预测仿真实验。实验结果表明，基于布谷鸟算法的Bagging集成小 波神经网络在短时交通流预测上具有更高的精度。 5．对基本的布谷鸟算法进行了改进，提出了一种自适应布谷鸟算法，该算法 基于鸟巢更新率自适应调整的原理，能够一定程度上提高系统的预测速度和泛化 能力。最后，完成了基于自适应布谷鸟算法的Bagging集成小波神经网络的短时 交通流预测仿真实验。结果表明，该模型有着较高的预测精度和较好的稳定性， 具有实用价值。 本人郑重声明：所呈交的学位论文， 是在导师指导下独立进行研究工作所得 的成果。除文中已经注明引用的内容外， 本论文不包含任何其他个人或集体已经 发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均己在文中作 了明确说明。本人完全了解违反上述声明所引起的一切法律责任将由本人承担。 学位论文作者签名：黄妩棼 日期：劣脆r．增 万方数据 西南交通大学硕士研究生学位论文 西南交通大学硕士研究生学位论文 第l页 摘 要 交通流预测是智能交通系统的热点。近些年来，各个领域的研究者们提出了 很多交通流预测的方法，其中，智能学习方法最为活跃。但交通系统自身的复杂 性和高度非线性，使得至今没有一种算法可以实现短时交通流的精确预测，关于 短时交通流预测的研究也从未停下脚步。 本文首先对来源于美国明尼苏达德卢斯大学交通数据研究实验室的交通流数 据进行识别，完成数据的补缺、修正和降噪处理，并从交通流数据的混沌性角度 出发，对数据进行了相空间重构，以挖掘更多的隐藏信息。为了加快程序的收敛， 还对数据进行了归一化处理。在分析了各模型的优缺点之后，建立了基于小波神 经网络(WaveletNeuralNetWork，阶Ⅲ)的短时交通流预测模型，并进行了仿真 实验。结果表明，基于WNN的短时交通流预测具有很好的效果，但精度和稳定 性还有待进一步提高。 其次，针对单个小波神经网络存在的误差随机性，受集成学习思想的启发， 本文提出了基于Bagging—WNN的短时交通流预测模型，利用单个模型之间的差异 性，来提高整个系统的泛化能力。仿真实验表明，基于Bagging．WNN模型的短时 交通流预测结果比wmI模型的预测结果精度更高。 然后，针对基于梯度下降算法的小波神经网络对初始值敏感的缺点，引入了 一种新的智能学习算法一一布谷鸟搜索(Cuckoo Se盯ch，CS)算法来对小波神经 网络的参数进行前期优化，建立了基于CS．Bagging—WNN的短时交通流预测模型， 并与基于GA-Bagging—WNN和基于PSO-Bagging—Wl、烈的模型进行了对比实验。 结果表明基于CS．Bagging．WNN模型的预测精度有了一定的提高。 最后，为进一步提高预测精度，提出一种鸟巢更新率自适应调整的自适应布 谷鸟算法(Adaptive cuckoo Search，ACS)，将其与集成小波神经网络结合，构成 了基于白适应布谷鸟算法的集成小波神经网络(ACS—Bagging—WNN)短时交通流 预测模型。仿真实验表明，相比以上提出的各模型的预测效果，ACS．Bagging．、聊州 模型的精度更高，整体性能更好。 关键词：短时交通流预测；小波神经网络；集成学习；布谷乌搜索算法 万方数据 西南交通大学硕士研究生学位论文 西南交通大学硕士研究生学位论文 第1I页 Abstract Traffic now forecasting is the hot