CN110543978A - 基于小波神经网络的交通流数据预测方法和装置 - Google Patents
基于小波神经网络的交通流数据预测方法和装置 Download PDFInfo
- Publication number
- CN110543978A CN110543978A CN201910755550.7A CN201910755550A CN110543978A CN 110543978 A CN110543978 A CN 110543978A CN 201910755550 A CN201910755550 A CN 201910755550A CN 110543978 A CN110543978 A CN 110543978A
- Authority
- CN
- China
- Prior art keywords
- road section
- evaluation
- traffic flow
- evaluation road
- fitness value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000011156 evaluation Methods 0.000 claims abstract description 288
- 239000002245 particle Substances 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000002347 injection Methods 0.000 claims description 57
- 239000007924 injection Substances 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 11
- 239000006185 dispersion Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 239000000243 solution Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000007774 longterm Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G06Q50/40—
Abstract
本发明为数据处理技术领域,本发明提供一种基于小波神经网络的交通流数据预测方法和装置,所述方法包括根据确定的目标路段,将与所述目标路段直接连接的路段设为评估路段,并根据所述评估路段获取其交通流数据;采用粒子群算法,以每个所述评估路段的交通流数据为评估参数,计算每个评估路段的适应度值,对所述适应度值经过更新迭代和比较,得到所有评估路段的最优适应度值;利用所述所有评估路段的最优适应度值计算得到连接权值,并根据所述连接权值得到所述小波神经网络构建的预测模型;将各个所述评估路段的交通流数据的测试样本输入所述预测模型,得到所述目标路段的交通流的预测数据。该方法有利于对所述目标路段的交通流数据的预测能力。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,本发明涉及一种基于小波神经网络的交通流数据预测方法和装置。
背景技术
随着城市交通网络的发展,交通流量更容易受多方面的因素影响,随机性的特点也越来越突出。目前,针对这个问题,运用了智能交通系统,对应近期同一时间段的历史交通流数据的进行收录,并根据该收录的内容,对目前的交通流量进行预测。该方法虽然能对实时的交通流数据起到一定的预测作用,但是一般只适用于短时间的交通流数据的预测,不适合对长期的交通数据进行预测。
发明内容
为克服以上技术问题,特别是现有技术中只能从近期的同一时间段获取历史交通流数据不能很好解决对长期的交通流数据的预测效果的问题,特提出以下技术方案:
第一方面,本发明提供一种基于小波神经网络的交通流数据预测方法,其包括如下步骤:
根据确定的目标路段,将与所述目标路段直接连接的路段设为评估路段,并根据所述评估路段获取所述目标路段的交通流数据;
采用粒子群算法,以每个所述评估路段的交通流数据为评估参数,根据迭代更新的次数,计算每个评估路段的适应度值,并对得到的所述适应度值进行比较,得到所有评估路段的最优适应度值;
利用所述所有评估路段的最优适应度值计算得到连接权值,并根据所述连接权值得到所述小波神经网络构建的预测模型;
将各个所述评估路段的交通流数据的测试样本输入所述预测模型,得到所述目标路段的交通流的预测数据。
在其中一个实施例中,所述根据迭代更新的次数,计算每个评估路段的适应度值,并对得到的所述适应度值进行比较,得到所有评估路段的最优适应度值的步骤包括:
获取每个评估路段在设定时间段的不同子时间段的部分历史交通流数据作为训练样本,并根据最大的迭代次数,对每个评估路段的所述训练样本进行更新,得到每个评估路段的更新后的适应度值;
更新后的适应度值分别与所述全局最优适应度值与局部适应度值比较,得到所述所有评估路段的最优适应度值。
在其中一个实施例中,根据每个评估路段的历史交通流数据进行繁忙等级划分,根据繁忙等级对所述评估路段分为不同的评估路段集;
所述更新后的适应度值分别与全局最优适应度值与局部适应度值比较,得到所述所有评估路段的最优适应度值的步骤包括:
根据更新后的每个评估路段集中的每个评估路段的适应度值进行比较,以每个评估路段集的最小适应度值作为对应评估路段集的局部最优适应度值;
根据更新后的所有评估路段的适应度值进行比较,以所有评估路段的最小适应度值作为全局最优适应度值;
将所述评估路段的适应度值与所述局部最优适应度值进行比较,得到第一较小值;
根据所述第一较小值与所述全局最优适应度值进行比较,得到第二较小值,并以所述第二较小值作为最优适应度值。
在其中一个实施例中,所述利用所述所有评估路段的最优适应度值计算得到连接权值,并根据所述连接权值得到所述小波神经网络构建的预测模型的步骤包括:
利用适应度函数得到的最优适应度值对应的粒子位置向量;
根据所述粒子位置向量得到所述预测模型的连接权值的最优解。
在其中一个实施例中,所述评估路段可根据向所述目标路段注入车流量和疏导车流量,分设为注入评估路段和疏导评估路段;
所述采用粒子群算法,以每个所述评估路段的交通流数据为评估参数,计算每个评估路段的适应度值,对所述适应度值经过更新迭代和比较,得到所有评估路段的最优适应度值的步骤包括:
采用粒子群算法,分别以每个所述注入评估路段和所述疏导评估路段的交通流数据为评估参数,并计算每个所述注入评估路段或所述疏导评估路段的适应度值;
分别对所述注入评估路段的适应度值和所述疏导评估路段的适应度值进行更新迭代和比较,得到所有注入评估路段的最优适应度值和所有疏导评估路段的最优适应度值。
在其中一个实施例中,所述将各个所述评估路段的测试样本的交通流数据输入所述预测模型,得到所述目标路段的交通流的预测数据的步骤包括:
分别将各个注入评估路段和疏导评估路段的交通流数据的测试样本输入对应的预测模型,分别得到所述注入评估路段的交通流的预测数据和所述疏导评估路段的预测数据;
根据所述注入评估路段的交通流的预测数据和所述疏导评估路段的交通流的预测数据,计算得到所述目标路段的交通流的预测数据。
在其中一个实施例中,在所述采用粒子群算法,以每个所述评估路段的交通流数据为评估参数,计算每个评估路段的适应度值,对所述适应度值经过更新迭代和比较,得到所有评估路段的最优适应度值的步骤之前,还包括:
基于小波神经网络构建预测模型,分别根据经验值对连接权值、伸缩因子和平移因子进行初始化设置。
第二方面,本发明还提供一种基于小波神经网络的交通流数据预测装置,其包括:
获取模块,用于根据确定的目标路段,将与所述目标路段直接连接的路段设为评估路段,并根据所述评估路段获取所述目标路段的交通流数据;
迭代计算模块,用于采用粒子群算法,以每个所述评估路段的交通流数据为评估参数,根据迭代更新的次数,计算每个评估路段的适应度值,并对得到的所述适应度值进行比较,得到所有评估路段的最优适应度值;
构建模块,用于利用所述所有评估路段的最优适应度值计算得到连接权值,并根据所述连接权值得到所述小波神经网络构建的预测模型;
预测模块,用于将各个所述评估路段的交通流数据的测试样本输入所述预测模型,得到所述目标路段的交通流的预测数据。
第三方面,本发明还提供一种服务器,其包括:
一个或多个处理器;
存储器;
一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个计算机程序配置用于执行上述实施例所述基于小波神经网络的交通流数据预测方法。
第四方面,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例所述基于小波神经网络的交通流数据预测方法。
本发明所提供的一种基于小波神经网络的交通流数据预测方法和装置,运用了粒子群算法得到小波神经网络的预测模型的连接权值,其运用了粒子群算法的全局搜索能力强、收敛速度快、参数配置少的特点,使得可快速收敛得到全局最优解,故利用粒子群算法得到的初始化小波神经网络参数训练出的小波神经网络交通流预测模型在对交通流进行预测时,可以达到提高预测速度和预测精度的目标。
同时,由于全局搜索能力强,通过更新迭代后,能很好适应不同的交通流数据的数据样本,因此本发明提供的技术方案能根据不同时期不同时段的交通流数据进行预测,克服了现有技术中不能对长期的交通流量做出准确预测的问题。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明中的一个实施例的基于小波神经网络的交通流数据预测方法的流程图;
图2为本发明中的另一个实施例的基于小波神经网络的交通流数据预测方法的流程图;
图3为本发明中的一个实施例的基于小波神经网络的交通流数据预测装置的示意图;
图4为本发明中的一个实施例的服务器的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
针对目前只能交通系统不能对长期的交通流量做出准确预测的问题,本发明提供一种基于小波神经网络的交通流数据预测方法,请参考图1所示,图1是一个实施例的基于小波神经网络的交通流数据预测方法的流程图,包括以下步骤:
S110、根据确定的目标路段,将与所述目标路段直接连接的路段设为评估路段,并根据所述评估路段获取所述目标路段的交通流数据。
在本发明中,所述目标路段为交通流数据预测的对象。所述目标路段为一般的行车路段,其必定与其他路段形成直接或间接的连接关系,而且与所述目标路段连接的路段的交通流数据会影响到所述目标路段的交通流数据,尤其是与所述目标路段形成直接连接关系的路段。
为了简化对交通数据预测的过程,只将与所述目标路段直接连接的路段设为评估路段,即所述评估路段是对所述目标路段的交通流数据预测的评估载体。
若需要对所述目标路段进行更为详细的预测,则可以将所述评估路段作为下一级目标路段,将与其连接的路段设定为其子评估路段。如此根据路段之间的连接关系对路网进行逐层解剖,逐层预测,最终可以得到所述目标路段的预测结果。
在本实施例中,所述交通流可具体为目标路段和/或评估路段的在设定时间段内车流量的数据。
S120、采用粒子群算法,以每个所述评估路段的交通流数据为评估参数,根据迭代更新的次数,计算每个评估路段的适应度值,并对得到的所述适应度值进行比较,得到所有评估路段的最优适应度值。
对于该步骤,运用粒子群算法对交通流数据进行适应度值的计算,得到最优适应度值,对所述小波神经网络进行训练,以构建针对所述目标路段的交通流的预测模型。
在所述粒子群算法的过程中,将步骤S110得到的所述评估路段的交通流数据作为所述粒子群算法的粒子,即作为评估参数,计算每个评估路段的适应度值。根据迭代更新的次数,对更新后的评估路段的交通流数据进行适应度值的计算,并对得到的所述适应度值进行比较,得到最小适应度值,并以此作为最优适应度值。
其中,适应度值为在粒子群算法反应粒子当前位置优劣的一个参数。
S130、利用所述所有评估路段的最优适应度值计算得到连接权值,并根据所述连接权值得到所述小波神经网络构建的预测模型。
在本步骤中,利用步骤S120得到的最优适应度值计算得到连接权值。将所述连接权值输入至所述小波神经网络中,得到所述小波神经网络构建的预测模型。在本实施例中,利用粒子群算法对所述小波神经网络进行训练所得到的预测模型,与仅仅依靠计算连接权重的预测值与实际值比较误差,根据该误差的大小不断调整小波神经网络的参数,直至预测值越来越接近真实的值的做法相比,更容易得到与实际匹配的连接权值。
所述连接权值包括第一连接权值和第二连接权值。所述第一连接权值为所述小波神经网络构建的预测模型的输入层的连接权值,若其表示输入层的第i个节点到隐含层的第j个节点之间的连接权值,可记录为Wij,其中,j=1,2,…l,l表示隐含层的节点数。所述第二连接权值为所述小波神经网络构建的预测模型的隐含层的连接权值,若其代表隐含层的第j个节点到输出层的第k个节点之间的连接权值,可记录为Wjk,其中,k=1,2,…m,m表示输出层的节点数。
S140、将各个所述评估路段的交通流数据的测试样本输入所述预测模型,得到所述目标路段的交通流的预测数据。
根据从步骤S130得到的所述第一连接权值Wij和所述第二连接权值Wjk,以及步骤S110中所获取的各个评估路段的交通流数据,将该交通流数据作为所述预测模型的输入层的输入值,最终得到所述预测模型的输出层的输出值,将所述输出值作为所述目标路段的交通流的预测数据。
本发明提供的一种基于小波神经网络的交通流数据预测方法,根据所目标路段与其他路段的直接连接关系,确定所述评估路段;利用所述粒子群算法得到所述评估路段的最优适应度值,并根据该最优适应度值训练得到所述小波神经网络构建的预测模型;将所述评估路段的交通流数据的测试样本输入字所述预测模型中,得到所述目标路段的交通流的预测数据。本发明通过粒子群算法对所述小波神经网络进行训练,得到所述预测模型,可以通过获取所述评估路段不同时期的不同时间段的交通流数据对所述目标路段的交通流进行预测,解决了现有技术中只能简单的短期内同一时间段的历史交通流进行预测,无法满足长期对所述目标路段的交通流预测的问题。
对于步骤S120中的所述根据迭代更新的次数,计算每个评估路段的适应度值,并对得到的所述适应度值进行比较,得到所有评估路段的最优适应度值的步骤,其包括以下步骤:
A1、获取每个评估路段在设定时间段的不同时间子段的部分历史交通流数据作为训练样本,并根据最大的迭代次数,对每个评估路段的所述训练样本进行更新,得到每个评估路段的更新后的适应度值。
在本实施例中,将所述目标路段的交通流的评估时间段确定为设定时间段,将所述评估时间段分隔成若干个等时间间隔的子时间段。针对每个确定的评估路段,获取其每个子时间段中的交通流数据,并以部分的该交通流数据作为训练样本xit。
利用所述粒子群算法设定的最大迭代次数,对每个评估路段的所述训练样本xit进行更新。
根据所述更新后的所述训练样本xit,计算得到每个评估路段经过更新后的适应度值。
适应度值具体的计算过程如下:
适应度值:
其中,yi是通过小波神经网络模型算出的,输出层的公式如下:
其中,h(j)表示隐含层第j个节点的输出结果,选用的隐含层输出公式为:
其中,适应度值为小波神经网络的预测误差值,yi为第i个节点的预测输出,mi为第i个节点的期望输出,该期望输出为取所获得的交通流数据的变量样本;ai为伸缩因子、bi为平移因子。
为了得到各个评估路段的适应度值,在步骤S120之前,即在利用粒子群算法得到所述评估路段的最优适应度之前,需要构建小波神经网络的预测模型,并根据经验值对上述的小波神经网络的第一连接权值Wij、第二连接权值Wjk、伸缩因子ai、平移因子bi进行初始化设置,以计算得到各个评估路段的适应度值。
A2、更新后的适应度值分别与所述全局最优适应度值与局部适应度值比较,得到所述所有评估路段的最优适应度值。
根据更新后的适应度值,经过所有的所述评估路段的适应度值的比较得到全局最优适应度值,及经过部分的所述评估路段的适应度值的比较得到局部最优适应度值。根据更新后的适应度值分别与所述局部最优适应度值和全局最优适应度值进行比较,得到的最小适应度值作为最优的适应度值。
对于上述的所述评估路段的适应度值的获取与划分,可以依据历史交通流数据,对每个评估路段进行繁忙等级的划分,并对所有评估路段根据繁忙等级,划分为不同的评估路段集。
在此基础上,上述步骤A2可以进一步包括:
A21、根据更新后的每个评估路段集中的每个评估路段的适应度值进行比较,以每个评估路段集的最小适应度值作为对应评估路段集的局部最优适应度值。
针对设定时间段内的不同子时间段,对每个评估路段集中的每个评估路段的训练样本进行更新迭代。对应本次更新迭代的子时间段,根据对应更新后的训练样本计算对应的适应度值。
针对每个评估路段集,比较得到对应的训练样本更新迭代的局部最优适应度值。
A22、根据更新后的所有评估路段的适应度值进行比较,以所有评估路段的最小适应度值作为全局最优适应度值。
针对设定时间段内的不同子时间段,对所有评估路段的训练样本进行更新迭代。对应本次更新迭代的子时间段,根据对应更新后的训练样本计算对应的适应度值,经过对比后,得到对应训练样本更新迭代的全局最优适应度值。
A23、将所述评估路段的适应度值与所述局部最优适应度值进行比较,得到第一较小值。
A24、根据所述第一较小值与所述全局最优适应度值进行比较,得到第二较小值,并以所述第二较小值作为最优适应度值。
在上述步骤A23-A24中,将获取同一子时间段的所述评估路段的适应度值与对应的评估路段集的局部最优适应度值进行比较,如果所述评估路段的适应度值小于局部最优适应度值,则取该评估路段的适应度值作为第一较小值用于所述全局最优适应度值进行比较,取其中的较小值,得到第二较小值,并以该第二较小值作为最优适应度值。否则,将所述局部最优适应度值与所述全局最优适应度值进行比较,取其中的较小值为第二较小值,并作为最优适应度值。
借助粒子群算法具有全局搜索能力的特点,本发明提供的交通流数据预测方法能收敛于全局最优解,所以,有利于提高预测速度和预测精度。
在上述得到的最优适应度值的前提下,对于步骤S130还可以包括以下步骤:
B1、利用适应度函数得到的最优适应度值对应的粒子位置向量。
根据从步骤S120得到的最优适应度值,并利用粒子群算法的适应度函数,得到与所述最优适应度值对应的粒子位置向量。
所述适应度函数用于表征问题中的全体个体与其适应度之间的对应关系的函数。
在本实施例中,所述粒子位置向量为:
xid=(Wij,Wjk,aj,bj) (4)
B2、根据所述粒子位置向量得到所述预测模型的连接权值的最优解。
利用适应度值函数所得到的粒子位置向量是关于小波神经网络的所述第一连接权值Wij、所述第二连接权值Wjk、伸缩因子ai和平移因子bi的向量。
利用适应度函数,根据所述最优适应度值,计算得到所述第一连接权值Wij和所述第二连接权值Wjk的最优解。
将得到的所述第一连接权值Wij和所述第二连接权值Wjk的最优解待入所构建的小波神经网络模型中,得到针对该目标路段的最优的预测模型。
将之前获取得到的关于各个评估路段的交通流数据的测试样本输入至所述预测模型中,得到所述目标路段的交通流的预测数据。
借助粒子群算法具有全局搜索能力、收敛速度快,参数配置少的特点,本发明提供的交通流数据预测方法更容易收敛于全局最优解,有利于提高预测速度和预测精度。
在上述描述中所涉及的关于交通流数据的训练样本、测试样本、变量样本的相加是针对所述评估路段在设定时间段的不同子时间段的所获取的交通流数据的总和,根据经验值对上述三个样本进行比例设置。
在本实施例中,为了以利用尽量多的交通流数据进行训练得到所述预测能力更好的预测模型,将所述训练样本的占比设定为65%,变量样本的占比设定为10%,测试样本的占比设定为25%。
将得到的各个样本对应的交通流数据分别按照比例分配并待入,进行数据处理,得到所述目标路段的交通流的预测数据。
为了能以训练得到更为精准的预测模型,如图2所示,图2是另一个实施例的基于小波神经网络的交通流数据预测方法的流程图。在这一实施例中,将所述交通流数据根据所述设定时间段内向所述目标路段的注入或疏导车流量划分为不同的评估参数,其分别为注入评估路段和疏导评估路段。
针对上述对评估参数的划分,步骤S120可进一步包括:
S121、采用粒子群算法,分别以每个所述注入评估路段和所述疏导评估路段的交通流数据为评估参数,并计算每个所述注入评估路段或所述疏导评估路段的适应度值。
在该步骤中,同样将所述目标路段的交通流数据的评估时间段确定为设定时间段,将该设定时间段分成若干个等时间间隔的子时间段。并分别针对所述注入评估路段和所述疏导评估路段,获取其各自在每个子时间段中的交通流数据,并以该交通流数据的部分数据作为训练样本。
利用所述粒子权算法设定的最大迭代次数,对每个注入评估路段和疏导评估路段的对应的训练样本进行更新。
根据更新后的训练样本,分别计算每个注入评估路段和疏导评估路段的适应度值。
具体的计算过程参照上述的公式(1)-(3)。
S122、分别对所述注入评估路段的适应度值和所述疏导评估路段的适应度值进行更新迭代和比较,得到所有注入评估路段的最优适应度值和所有疏导评估路段的最优适应度值。
分别对应所述注入评估路段的适应度值或所述疏导评估路段的适应度值的最优适应度值的计算如下:
对于上述注入评估路段或疏导评估路段的适应度值的划分与计算,可以依据历史交通流数据,对每个注入评估路段或疏导评估路段进行繁忙等级的划分,并对所有注入评估路段或疏导评估路段根据繁忙等级,划分为不同的注入评估路段集或疏导评估路段集。
C1、分别根据更新后的每个注入评估路段集和疏导评估路段集中的每个注入评估路段和疏导评估路段的适应度值之间各自进行比较,以每个注入评估路段和疏导评估路段集的最小适应度值作为对应注入评估路段和疏导评估路段集的局部最优适应度值。
C2、根据更新后的所有注入评估路段之间和疏导评估路段的适应度值之间分别各自进行比较,以所有注入评估路段或疏导评估路段的最小适应度值分别作为注入评估路段或疏导评估路段的全局最优适应度值。
C3、将所述注入评估路段和疏导评估路段的适应度值分别与所述注入评估路段或疏导评估路段的对应局部最优适应度值进行比较,得到各自的第一较小值。
C4、根据所述注入评估路段的第一较小值和疏导评估路段的第一较小值对应与各自的全局最优适应度值进行比较,得到所述注入评估路段的第二较小值和疏导评估路段第二较小值,并以各自的第二较小值分别作为所述注入评估路段和疏导评估路段最优适应度值。
根据所述注入评估路段和疏导评估路段最优适应度值的基础上,计算得到所述注入评估路段和疏导评估路段对应的第一连接权值和第二连接权值,并根据该第一连接权值和第二连接权值得到所述对应的小波神经网络构建的预测模型。
在此基础上,所述步骤S140可包括:
S141、分别将各个注入评估路段和疏导评估路段的交通流数据的测试样本输入对应的预测模型,分别得到所述注入评估路段的交通流数据的预测数据和所述疏导评估路段的预测数据;
S142、根据所述注入评估路段的交通流数据的预测数据和所述疏导评估路段的交通流数据的预测数据,计算得到所述目标路段的交通流的预测数据。
针对其注入评估路段的交通流的预测数据和疏导评估路段的预测数据,并根据相对于所述目标路段的车流量的方向进行相加计算,最终得到所述目标路段的交通流的预测数据。
在该实施例中,所述注入评估路段的交通流数据和所述疏导评估路段的交通流数据均包括各自对应的训练样本、变量样本和测试样本,其相加是分别针对所述注入评估路段和所述疏导评估路段在设定时间段的不同子时间段的所获取的交通流数据的总和,根据经验值分别对所述注入评估路段和所述疏导评估路段的上述三个样本进行比例设置。而且,为了满足对应的数据量进行数据处理,所述注入评估路段和所述疏导评估路段所各自对应样本的比例设置均相同。
在本实施例中,为了以利用尽量多的交通流数据进行训练得到所述预测能力更好的预测模型,对将所述训练样本的占比均设定为65%,变量样本的占比均设定为10%,测试样本的占比均设定为25%。
基于与上述基于小波神经网络的交通流数据预测方法相同的发明构思,本发明实施例还提供了一种基于小波神经网络的交通流数据预测装置,如图3所示,包括:
获取模块310,用于根据确定的目标路段,将与所述目标路段直接连接的路段设为评估路段,并根据所述评估路段获取所述目标路段的交通流数据;
迭代计算模块320,用于采用粒子群算法,以每个所述评估路段的交通流数据为评估参数,根据迭代更新的次数,计算每个评估路段的适应度值,并对所述适应度值之间做比较,得到所有评估路段的最优适应度值;
构建模块330,用于利用所述所有评估路段的最优适应度值计算得到连接权值,并根据所述连接权值得到所述小波神经网络构建的预测模型;
预测模块340,用于将各个所述评估路段的交通流数据的测试样本输入所述预测模型,得到所述目标路段的交通流的预测数据。
请参考图4,图4为一个实施例中服务器的内部结构示意图。如图4所示,该服务器包括通过系统总线连接的处理器410、存储介质420、存储器430和网络接口440。其中,该服务器的存储介质420存储有操作系统、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器410执行时,可使得处理器410实现一种基于小波神经网络的交通流数据预测方法,处理器410能实现图3所示实施例中的一种基于小波神经网络的交通流数据预测装置中的获取模块310、迭代计算模块320、构建模块330和预测模型340的功能。该服务器的处理器410用于提供计算和控制能力,支撑整个服务器的运行。该服务器的存储器430中可存储有计算机可读指令,该计算机可读指令被处理器410执行时,可使得处理器410执行一种基于小波神经网络的交通流数据预测方法。该服务器的网络接口440用于与终端连接通信。本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的服务器的限定,具体的服务器可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本发明还提出了一种存储有计算机可读指令的存储介质,该计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行以下步骤:根据确定的目标路段,将与所述目标路段直接连接的路段设为评估路段,并根据所述评估路段获取所述目标路段的交通流数据;采用粒子群算法,以每个所述评估路段的交通流数据为评估参数,根据迭代更新的次数,计算每个评估路段的适应度值,并对所述适应度值之间做比较,得到所有评估路段的最优适应度值;利用所述所有评估路段的最优适应度值计算得到连接权值,并根据所述连接权值得到所述小波神经网络构建的预测模型;将各个所述评估路段的交通流数据的测试样本输入所述预测模型,得到所述目标路段的交通流的预测数据。
综合上述实施例可知,本发明最大的有益效果在于:
本发明所提供的一种基于小波神经网络的交通流数据预测方法和装置,将对所述目标路段的交通流数据的预测转为与其直接连接的评估路段的交通流数据的预测,并以所述评估评估路段的交通流数据作为评估参数,利用粒子群算法对该评估参数对评估评估路段进行适应度值的计算,经过更新迭代计算和比较后,得到最优适应度值,并根据适应度函数求得对应的小波神经网络的预测模型的连接权值,最终得到小波神经网络构建的预测模型,并将测试样本输入至所述预测模型得到对所述目标路段的交通流的预测数据。本发明所提供的技术方案运用了粒子群算法得到小波神经网络的预测模型的连接权值,其运用了粒子群算法的全局搜索能力强、收敛速度快、参数配置少的特点,使得可快速收敛得到全局最优解,故利用粒子群算法得到的初始化小波神经网络参数训练出的小波神经网络交通流预测模型在对交通流进行预测时,可以达到提高预测速度和预测精度的目标。同时,本发明提供的预测方法和装置,由于全局搜索能力强,通过更新迭代后,能很好适应不同的交通流数据的数据样本,因此能根据不同时期不同时段的交通流数据进行预测,克服了现有技术中不能对长期的交通流量做出准确预测的问题。
在此基础上,本发明还对所述基于小波神经网络的交通流数据预测方法和装置的技术方案进行进一步的技术优化,将所述评估路段向所述目标路段的注入或疏导车流量划分为不同的评估参数,其分别为注入评估路段和疏导评估路段,并分别利用粒子群算法对所述注入评估路段和所述疏导评估路段进行训练,得到对应的小波神经网络构建的预测模型,并依据该预测模型分别对所述注入评估路段和所述疏导评估路段的交通流数据进行预测,根据向所述目标路段的交通流流向,最终得到所述目标路段的交通流的预测数据。这样,得到预测模型对所述目标路段的交通流数据的预测能力更加精准。
综上,本发明通过基于小波神经网络的交通流数据预测方法和装置,将利用粒子群算法对小波神经网络构建的预测模型进行训练,解决了现有技术中不能对长期的交通流量做出准确预测的问题,同时也能提高预测模型的预测能力。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于小波神经网络的交通流数据预测方法,其特征在于,包括如下步骤:
根据确定的目标路段,将与所述目标路段直接连接的路段设为评估路段,并根据所述评估路段获取所述目标路段的交通流数据;
采用粒子群算法,以每个所述评估路段的交通流数据为评估参数,根据迭代更新的次数,计算每个评估路段的适应度值,并对得到的所述适应度值进行比较,得到所有评估路段的最优适应度值;
利用所述所有评估路段的最优适应度值计算得到连接权值,并根据所述连接权值得到所述小波神经网络构建的预测模型;
将各个所述评估路段的交通流数据的测试样本输入所述预测模型,得到所述目标路段的交通流的预测数据。
2.根据权利要求1所述的方法,其特征在于:
所述根据迭代更新的次数,计算每个评估路段的适应度值,并对得到的所述适应度值进行比较,得到所有评估路段的最优适应度值的步骤包括:
获取每个评估路段在设定时间段的不同子时间段的部分历史交通流数据作为训练样本,并根据最大的迭代次数,对每个评估路段的所述训练样本进行更新,得到每个评估路段的更新后的适应度值;
更新后的适应度值分别与全局最优适应度值与局部适应度值比较,得到所述所有评估路段的最优适应度值。
3.根据权利要求2所述的方法,其特征在于,
根据每个评估路段的历史交通流数据进行繁忙等级划分,根据繁忙等级对所述评估路段分为不同的评估路段集;
所述更新后的适应度值分别与全局最优适应度值与局部适应度值比较,得到所述所有评估路段的最优适应度值的步骤包括:
根据更新后的每个评估路段集中的每个评估路段的适应度值进行比较,以每个评估路段集的最小适应度值作为对应评估路段集的局部最优适应度值;
根据更新后的所有评估路段的适应度值进行比较,以所有评估路段的最小适应度值作为全局最优适应度值;
将所述评估路段的适应度值与所述局部最优适应度值进行比较,得到第一较小值;
根据所述第一较小值与所述全局最优适应度值进行比较,得到第二较小值,并以所述第二较小值作为最优适应度值。
4.根据权利要求3所述的方法,其特征在于:
所述利用所述所有评估路段的最优适应度值计算得到连接权值,并根据所述连接权值得到所述小波神经网络构建的预测模型的步骤包括:
利用适应度函数得到的最优适应度值对应的粒子位置向量;
根据所述粒子位置向量得到所述预测模型的连接权值的最优解。
5.根据权利要求1所述的方法,其特征在于,
所述评估路段可根据向所述目标路段注入车流量和疏导车流量,分设为注入评估路段和疏导评估路段;
所述采用粒子群算法,以每个所述评估路段的交通流数据为评估参数,计算每个评估路段的适应度值,对所述适应度值经过更新迭代和比较,得到所有评估路段的最优适应度值的步骤包括:
采用粒子群算法,分别以每个所述注入评估路段和所述疏导评估路段的交通流数据为评估参数,并计算每个所述注入评估路段或所述疏导评估路段的适应度值;
分别对所述注入评估路段的适应度值和所述疏导评估路段的适应度值进行更新迭代和比较,得到所有注入评估路段的最优适应度值和所有疏导评估路段的最优适应度值。
6.根据权利要求5所述的方法,其特征在于,
所述将各个所述评估路段的测试样本的交通流数据输入所述预测模型,得到所述目标路段的交通流的预测数据的步骤包括:
分别将各个注入评估路段和疏导评估路段的交通流数据的测试样本输入对应的预测模型,分别得到所述注入评估路段的交通流的预测数据和所述疏导评估路段的预测数据;
根据所述注入评估路段的交通流的预测数据和所述疏导评估路段的交通流的预测数据,计算得到所述目标路段的交通流的预测数据。
7.根据权利要求1所述的方法,其特征在于,
在所述采用粒子群算法,以每个所述评估路段的交通流数据为评估参数,计算每个评估路段的适应度值,对所述适应度值经过更新迭代和比较,得到所有评估路段的最优适应度值的步骤之前,还包括:
基于小波神经网络构建预测模型,分别根据经验值对连接权值、伸缩因子和平移因子进行初始化设置。
8.一种基于小波神经网络的交通流数据预测装置,其特征在于,包括:
获取模块,用于根据确定的目标路段,将与所述目标路段直接连接的路段设为评估路段,并根据所述评估路段获取所述目标路段的交通流数据;
迭代计算模块,用于采用粒子群算法,以每个所述评估路段的交通流数据为评估参数,根据迭代更新的次数,计算每个评估路段的适应度值,并对所述适应度值之间做比较,得到所有评估路段的最优适应度值;
构建模块,用于利用所述所有评估路段的最优适应度值计算得到连接权值,并根据所述连接权值得到所述小波神经网络构建的预测模型;
预测模块,用于将各个所述评估路段的交通流数据的测试样本输入所述预测模型,得到所述目标路段的交通流的预测数据。
9.一种服务器,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个计算机程序配置用于执行根据权利要求1至7任一项所述的基于小波神经网络的交通流数据预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现权利要求1至7任一项所述的基于小波神经网络的交通流数据预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910755550.7A CN110543978A (zh) | 2019-08-15 | 2019-08-15 | 基于小波神经网络的交通流数据预测方法和装置 |
PCT/CN2019/117353 WO2021027139A1 (zh) | 2019-08-15 | 2019-11-12 | 基于小波神经网络的交通流数据预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910755550.7A CN110543978A (zh) | 2019-08-15 | 2019-08-15 | 基于小波神经网络的交通流数据预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110543978A true CN110543978A (zh) | 2019-12-06 |
Family
ID=68711447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910755550.7A Pending CN110543978A (zh) | 2019-08-15 | 2019-08-15 | 基于小波神经网络的交通流数据预测方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110543978A (zh) |
WO (1) | WO2021027139A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115158094A (zh) * | 2022-08-02 | 2022-10-11 | 重庆大学 | 基于长短期soc规划的插电式混合动力汽车能量管理方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114866481A (zh) * | 2022-04-29 | 2022-08-05 | 西安交通大学 | 空天地一体化网络的基于混沌动态拥塞预测的时变重路由方法和系统 |
CN115577618B (zh) * | 2022-09-21 | 2024-04-09 | 中国南方电网有限责任公司超高压输电公司大理局 | 高压换流阀厅环境因子预测模型构建方法与预测方法 |
CN117541083A (zh) * | 2024-01-09 | 2024-02-09 | 青岛理工大学 | 疏散平台疏散能力的预测方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104464291A (zh) * | 2014-12-08 | 2015-03-25 | 杭州智诚惠通科技有限公司 | 一种交通流量预测方法和系统 |
CN107103397A (zh) * | 2017-06-26 | 2017-08-29 | 广东工业大学 | 一种基于蝙蝠算法的交通流预测方法、装置及系统 |
CN108091135A (zh) * | 2017-12-12 | 2018-05-29 | 重庆师范大学 | 基于优化小波神经网络的停车泊位多步预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9761132B2 (en) * | 2015-03-31 | 2017-09-12 | Here Global B.V. | Method and apparatus for providing dynamic strength decay for predictive traffic |
CN107085941B (zh) * | 2017-06-26 | 2021-01-26 | 广东工业大学 | 一种交通流预测方法、装置及系统 |
-
2019
- 2019-08-15 CN CN201910755550.7A patent/CN110543978A/zh active Pending
- 2019-11-12 WO PCT/CN2019/117353 patent/WO2021027139A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104464291A (zh) * | 2014-12-08 | 2015-03-25 | 杭州智诚惠通科技有限公司 | 一种交通流量预测方法和系统 |
CN107103397A (zh) * | 2017-06-26 | 2017-08-29 | 广东工业大学 | 一种基于蝙蝠算法的交通流预测方法、装置及系统 |
CN108091135A (zh) * | 2017-12-12 | 2018-05-29 | 重庆师范大学 | 基于优化小波神经网络的停车泊位多步预测方法 |
Non-Patent Citations (1)
Title |
---|
李春贵等: "结合粒子群算法的小波神经网络交通流预测" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115158094A (zh) * | 2022-08-02 | 2022-10-11 | 重庆大学 | 基于长短期soc规划的插电式混合动力汽车能量管理方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021027139A1 (zh) | 2021-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543978A (zh) | 基于小波神经网络的交通流数据预测方法和装置 | |
Li et al. | Prediction for tourism flow based on LSTM neural network | |
CN110223517B (zh) | 基于时空相关性的短时交通流量预测方法 | |
CN109829577B (zh) | 基于深度神经网络结构模型的轨道列车运行状态预测方法 | |
CN109242140A (zh) | 一种基于LSTM_Attention网络的交通流预测方法 | |
CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN112733997B (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
CN108280998A (zh) | 基于历史数据动态选择的短时交通流预测方法 | |
CN113537580B (zh) | 一种基于自适应图学习的公共交通客流预测方法及系统 | |
CN111047078B (zh) | 交通特征预测方法、系统及存储介质 | |
CN113538910A (zh) | 一种自适应的全链条城市区域网络信号控制优化方法 | |
CN110889530A (zh) | 基于递归神经网络的目的地预测方法及服务器 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
CN107704426A (zh) | 基于扩展小波神经网络模型的水位预测方法 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN116244647A (zh) | 一种无人机集群的运行状态估计方法 | |
CN109800517B (zh) | 一种改进的磁流变阻尼器逆向建模方法 | |
CN114572229A (zh) | 一种基于图神经网络的车速预测方法、装置、介质及设备 | |
CN117252307B (zh) | 流量预测方法、装置、计算机设备和存储介质 | |
He et al. | Heterogeneous pointer network for travelling officer problem | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
Chen et al. | A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification | |
Qiao et al. | Traffic signal control using a cooperative EWMA-based multi-agent reinforcement learning | |
CN112905912B (zh) | 配时方案确定方法及装置 | |
CN114444737A (zh) | 基于迁移学习的路面养护智能规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |