CN111260118B - 一种基于量子粒子群优化策略的车联网交通流量预测方法 - Google Patents
一种基于量子粒子群优化策略的车联网交通流量预测方法 Download PDFInfo
- Publication number
- CN111260118B CN111260118B CN202010025768.XA CN202010025768A CN111260118B CN 111260118 B CN111260118 B CN 111260118B CN 202010025768 A CN202010025768 A CN 202010025768A CN 111260118 B CN111260118 B CN 111260118B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- traffic flow
- neural network
- rbf
- swarm optimization
- 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.)
- Expired - Fee Related
Links
- 239000002245 particle Substances 0.000 title claims abstract description 88
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000006855 networking Effects 0.000 title claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 119
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000002922 simulated annealing Methods 0.000 claims abstract description 17
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 238000013178 mathematical model Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000011144 upstream manufacturing Methods 0.000 claims description 8
- 210000000349 chromosome Anatomy 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 claims description 2
- 230000006798 recombination Effects 0.000 claims description 2
- 238000005215 recombination Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 9
- 238000013507 mapping Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 34
- 239000013598 vector Substances 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 235000005206 Hibiscus Nutrition 0.000 description 1
- 235000007185 Hibiscus lunariifolius Nutrition 0.000 description 1
- 244000048199 Hibiscus mutabilis Species 0.000 description 1
- 235000003973 Hibiscus mutabilis Nutrition 0.000 description 1
- 244000284380 Hibiscus rosa sinensis Species 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于量子粒子群优化策略的车联网交通流量预测方法(MPSO‑RBF)，解决如何准确预测城市道路未来交通流量的问题。包括交通流量预测数学模型建立，即根据交通流量数据特征建立对应模型，使用模拟退火算法和遗传算法对初始聚类中心进行优化，并采用模糊均值聚类算法对RBF网络进行训练；使用改进的量子粒子群优化策略，增大粒子位置的随机性，输出最优化的神经网络参数；将优化后的算法应用于径向基神经网络预测模型的参数优化，通过径向基神经网络的高维映射得到所需预测的数据结果。测试结果表明，本发明所提出的算法能够降低预测误差，得到更好、更稳定的预测结果。
Description
【技术领域】
本发明属于车联网领域，具体涉及一种基于量子粒子群优化策略的车联网交通流量预测方法。
【背景技术】
在智能交通系统(ITS)中由于车辆的移动性和随机性，都是交通数据流量的随机影响因素，因此交通流量数据经常难以准确预测。为解决ITS中的交通流量数据预测问题，目前很多学者提出了各种特点各异的预测方法。通常可以将这些方法分为两种类型：传统预测方法和智能预测方法。传统的流量预测方法包括Markov，Poisson，ARMA等。但是它们基于线性方法。随着交通规模的迅速发展，交通呈现出复杂，非线性，时变的特点。由于这些特点，传统的线性建模方法已无法精准的表达。因此，传统的预测方法很难获得理想的结果。
利用神经网络技术预测交通流量数据的研究逐渐深入，但考虑到神经网络算法的弊端，很多学者开始选择引入全局优化算法来选择更优秀的参数，以提高网络预测性能。比如引入粒子群算法(PSO)对RBF神经网络参数进行优化操作。尽管PSO能够提升一定的网络性能，但PSO算法也有其弊端，比如收敛速度慢、精度低、群体早熟等问题。由于这些问题，使得该算法无法每次都得到全局最优解，也因此影响PSO-RBF的训练速度和诊断精度。
【发明内容】
本发明的目的是解决PSORBF神经网络算法中收敛速度慢、精度低、群体早熟等问题。由于这些问题，使得PSORBF神经网络算法无法每次都得到全局最优解，也因此影响神经网络的训练速度和诊断精度等问题。因此提供一种基于量子粒子群优化策略的车联网交通流量预测方法。针对交通流量数据的特点和RBF神经网络预测参数初始值的设置重要性，提出了一种量子粒子群优化策略，将模拟退火遗传算法用于确定量子粒子群的聚类初始中心，并根据量子粒子群优化策略对RBF神经网络参数进行优化。此后利用优化后的神经网络预测交通流量数据。
本发明提供的一种基于量子粒子群优化策略的车联网交通流量预测(MPSO-RBF)方法，主要包括如下关键步骤：
第1、交通流量预测数学模型建立，根据影响交通流量数据的几个要素，针对固定某一路段，建立基于该路段当前时刻、过去时段和上游流量状况的关系模型为F(Vt,Ut,t)＝yt，，其中t为当前时刻，Vt为所测路段的上游路段l个路口的流量状况，Ut为所测路段前d个时间段的流量状况，yt为最终预测的交通数据流量；
第2、使用模拟退火算法(SA)和遗传算法(GA)优化量子粒子群优化策略的初始聚类中心；具体包括：
第2.1、创建初始种群并赋初值，初始化隶属度矩阵U，建立初始聚类中心矩阵V；
第2.2、在全局空间范围内搜索最优解；对每个个体进行遗传算法操作，由此产生的全新个体再经过模拟退火延续至下一代群体；通过反复不断迭代上述过程，直到温度小于设置的温度阈值的终止条件，从而得到最优解，该最优解即为确定的量子粒子群优化策略初始聚类中心；
第3、优化RBF神经网络参数，使用改进和优化后的量子粒子群优化策略，增大粒子位置的随机性，输出最优化的RBF神经网络参数；具体包括：
第3.1、随机创建初始种群，并给各粒子的位置和速度随机赋予初值；
第3.2、计算各个粒子的适应度值，之后比较所有粒子适应度值，取得具有最优适应度的粒子位置；
第3.3、更新粒子的速度和位置；
第3.4、比较当前所有的粒子最优解和上一迭代周期的全局最优解，更新全局最优解。得到的全局最优解即为优化后的RBF神经网络参数。
第4、采用模糊c均值聚类算法(FCM)对径向基函数神经网络(RBF)进行训练，聚类得到的每组子样本都构成神经网络中的一个神经元。具体包括：
第4.1、采用模糊c均值聚类算法(FCM)对RBF神经网络进行训练，计算初始聚类中心c和隶属度矩阵U。将聚类的每组子样本作为RBF神经网络的神经元。选择初始聚类中心c和隶属度矩阵U中的一个变量进行赋值，利用两个变量相互关联性，使得两个变量通过不断的迭代和更新，不断减小目标函数的值，直到系统到达平稳状态，而平稳状态下即为所求的初始聚类中心c和隶属度矩阵U。
第4.2、聚类后所获得的聚类样本组作为RBF神经网络的神经元。
第5、使用实际交通流量数据训练最终优化后的RBF神经网络。最后使用该路段的当前时刻，过去时段和上游流量状况数据运用在训练后的RBF神经网络上，最终获得当前时刻交通流量预测数据。
本发明的优点和积极效果
本发明将遗传模拟退火算法用于优化初始聚类中心，用模糊c均值聚类算法训练RBF网络，并用量子粒子群算法优化神经网络参数，得到了效果更为稳定的交通流量预测算法。MPSO-RBF算法具有更好、更稳定的精准度，更好的性能表现，且具有简洁结构简单的特点。
【附图说明】
图1是MPSO-RBF方法的流程图；
图2是径向基神经网络结构模型图；
图3是实验测试的长沙市芙蓉区路网图；
图4是长沙市芙蓉区路段9月17日-21日上午10点前交通流量数据；
图5是实验测试的北京四环东路路网图；
图6是北京四环东路路段于11月2日下午15:00-15:30的交通流量数据；
图7是交通数据流量预测算法MSE误差比较(长沙)；
图8是交通数据流量预测算法RMSE误差比较(长沙)；
图9是交通数据流量预测算法预测效果比较(长沙)；
图10是交通数据流量预测算法MSE误差比较(北京)；
图11是交通数据流量预测算法RMSE误差比较(北京)；
图12是交通数据流量预测算法预测效果比较(北京)。
【具体实施方式】
本实施例设计的方法是选择两种不同场景的交通流量数据，从横纵两个方向分别做预测。为清晰显示本发明提出的MPSO-RBF算法对于交通流量数据的预测优势，将本发明算法在两种实际场景下与其他两种算法：QPSO-RBF和传统RBF进行比较实验。本发明算法性能衡量指标选择均方差MSE和均方根误差RMSE。其中在附图4和附图7-12中正方形表示QPSO-RBF算法，“加号”表示RBF算法,“星号”表示实际数据，“圆圈”表示本发明所提出的MPSO-RBF算法。MPSO-RBF算法参见附图1，具体实施过程详述如下：
步骤1、建立交通流量预测数学模型：
步骤1.1、建立预测数学模型
根据影响交通流量数据的几个要素，针对固定某一路段，本发明建立基于该路段当前时刻、过去时段和上游流量状况的关系模型，如公式(1)所示。
F(Vt,Ut,t)＝yt (1)
式中，Vt＝(v1,v2,...,vl)为所测路段的上游路段l个路口的流量状况(括号中vi是第i个路口的流量状况)，Ut＝(ut-1,ut-2,...,ut-d)为所测路段前d个时间段的流量状况(ut-i是当前t时刻前i个时间段)，t表示当前时刻。yt为t时刻对应的该路段交通流量状况。由于公式(1)是一个非线性模型，要想得到输入输出之间的关系，需要使用非线性建模对其进行逼近。映射关系通过公式(2)求得映射，并通过该映射关系得到预测的短时交通流量数据值。
Γ(Vt,Ut,t)→F(Vt,Ut,t) (2)
步骤2、优化量子粒子群优化策略的初始聚类中心：
在优化聚类RBF神经网络中，结合模拟退火算法和遗传算法两种算法的优势，同时劣势互补，将全局和局部的搜索能力同时提高，从而提升搜索效率。
神经网络算法的原理本质是模仿生物的神经细胞工作原理。RBF是一个三层的神经网络结构。三层结构分别是输入层、隐藏层和输出层。前两者之间属于非线性变换，后两者之间属于线性变换。RBF神经网络的原理是将目标函数表示为一些RBF的总和。由于其简单经典的三层网络结构，同时具备快速收敛和局域近似能力，RBF神经网络经常用于解决高阶非线性函数的拟合问题。
RBF神经网络第一层输入层是维度为p、含有n个样本的向量，传输函数为线性函数。第二层隐藏层，每一个隐藏神经元都与每一个输入向量相连，但隐藏神经元之间是相互独立的，传输函数为径向基函数。输入的x1,x2,…,xp为离散点，通过设置基函数，并根据基函数对样点周围的点做插值便可以得到一个平滑函数。径向基神经网络的激活函数可表示为公式(3)。
其中，xp为第p个输入样本，ci为第i个中心点，r为隐藏层神经元个数，σ为基函数的宽度。如果σ较低，那么高斯函数将变的尖锐，这意味着边缘点的权值会很小，就会造成过拟合现象。xp-ci为向量离每一个隐含层中心的距离。一般每个节点都有对应的隐含层中心，xp-ci所表示的距离就是节点矩阵自身相对自身每个点的距离。xp-ci越小，说明与节点的距离越近，该节点对系统输出的影响就越大。
定理1高斯核函数能够将原空间映射到高维空间
证明首先给出高斯核函数的定义公式：
实际上，可以化简为：
通过幂级数展开：
公式(4)、(5)、(6)中
表示高斯核函数，
和
表示原始空间中的两个向量，σ为基函数的宽度。根据公式(4)、(5)、(6)的推导过程可以观察到，当输入交通流量样本数据X向量时，X向量会生成类似多项式核展开的形式，也就是说，如果原始向量包含x1,x2两个参数，那么通过映射，就会包含x1*x1,x1*x2,x2*x2三个参数，即通过映射，由二维形式变成了三维形式，也就是说映射到了更高维的空间中。
对于高斯核函数的径向基，方差由公式(7)求解：
其中，cmax为所选取中心点之间的最大距离，h为聚类中心个数。RBF神经网络的输出可根据公式(8)计算得出。
其中，ωij为隐含层与输出层之间的神经元的连接权值，可以通过公式(9)计算得到。
传统的RBF神经网络通常采用聚类算法来训练网络，聚类得到的每组子样本都构成神经网络中的一个神经元。经过合理的神经网络训练后，就可以得到如公式(11)所示的网络中的映射关系。
其中
在经过合理的优化后，得到使RBF神经网络性能更优的参数权值，便可以得到公式(1)、(2)所指的由(Vt,Ut,t)到yt的映射，通过映射关系便可以对应得到影响交通流量数据的输入与输出之间的关系。
步骤2.1、同时使用模拟退火算法(SA)和遗传算法(GA)优化量子粒子群优化策略初始聚类中心。
算法1模拟退火遗传算法(SA-GA)的算法流程如下：
1、编码方式。针对交通流量数据的特点和数据量，本文采用实数编码。每条染色体由h个聚类中心组成：C＝c1,c2,...,ch。对于维度为p的样本，染色体长度为h*m。
2、设置适应度函数。适应度函数是遗传算法在搜索操作中的重要判断依据，进化搜索也是建立在对每一个个体的适应度函数值的判断上，故选择合适的适应度函数直接决定了算法的优良性能。每个个体的目标函数根据公式(21)计算得到，Jm越小说明类内离散度和越小，对应个体适应度越高。因此，个体适应度函数设置为：
3、交叉操作。个体间互换基因，通过基因的重组产生具有更高适应度值的新个体。
4、变异操作。以一定的概率对每个基因位上的实数进行变异操作，然后用一个随机数替换发生变异的基因位。
5、个体模拟退火。模拟退火算法中的能量值选用个体适应度值表达，当该值变大时，则选择当前值作为下一个当前解，当该值变小时，则以一定的概率接受当前解。
步骤3、优化RBF神经网络参数
PSO算法的经典速度位置公式如公式(13)、公式(14)所示，包含常数学习因子，惯性权重等参数。
其中，w为惯性因子，表示粒子保持的运动惯性；c1为局部学习因子，代表每一个粒子朝该粒子当前最优位置即局部最优位置运动加速项的权重；c2为全局学习因子，代表每一个粒子朝当前全局最优位置运动加速项的权重；r1、r2为(0,1)之间的随机数；V表示粒子速度，Q表示粒子位置。
传统的PSO算法由于参数设定的限制妨碍了其最优参数的寻找成功率，而且由于粒子的位置变化相对固定，缺少随机性，导致很容易陷入局部最优。
步骤3.1、量子粒子群优化策略
量子粒子群优化(Quantum Particle Swarm Optimization，QPSO)算法针对PSO算法的缺陷，不再考虑粒子移动的方向，即粒子位置的更新与该粒子此时之前的运动没有联系，以此使得粒子位置的随机性增大。与PSO算法不同，QPSO算法引入了新的粒子位置相关名词：Mbest表示pbest的平均值，即平均的粒子历史最好位置。量子粒子群算法的粒子更新步骤：
1、计算Mbest
其中S表示粒子群的大小，plocal_i表示当前迭代中的第i个plocal。
2、粒子位置更新
Pi＝φ·plocal_i+(1-φ)pglobal (16)
其中pglobal表示当前全局最优粒子，Pi用于第i个粒子位置的更新。在QPSO算法不考虑粒子移动历史情况的基础上，本算法修改了粒子位置更新公式。将一个随机参数变为两个随机参数，更好的保证了随机性，降低局部最优风险。
其中，φ1、φ2为(0,1)之间的随机数。适应度函数由公式(18)表示。
其中，ti(x)为RBF神经网络的预测输出值，yi(x)为实际输出值。该适应度函数能够清晰的反应每个粒子的迭代进化效果。粒子位置更新公式为：
其中xi表示第i个粒子的位置，u为(0,1)上的均匀分布数值。取+和-的概率为0.5，当u>0.5时，取+，反之取-。α为QPSO中的唯一参数。α根据迭代次数不断更新，可以使得粒子位置更趋于最优，α取值一般小于1。α由公式(20)求得：
式中LoopCount为最大迭代次数，curCount为当前迭代次数。
算法2量子粒子群算法步骤如下：
1、随机创建初始种群，并给各粒子的位置和速度随机赋予初值；
2、根据适应度函数计算各个粒子的适应度值，将得到的适应度值和对应的粒子位置记录在该粒子的pbest 
中，之后比较所有粒子适应度值，将具有最优适应度的粒子位置和对应适应度值记录在gbest 
中。
3、更新粒子的速度和位置，将每个粒子的当前位置与目前为止的最优位置进行比较，如果优于当前最优位置则更新最优位置信息。
4、比较当前所有的pbest和上一迭代周期的gbest，更新gbest。
5、当迭代次数达到上限或达到阈值限度，则停止搜索操作，将此时系统优化结果输出，若未达到终止条件，则回到量子粒子群算法的操作2继续搜索。
算法2量子粒子群优化策略
经过改进的量子粒子群优化策略，更好的保证了随机性，降低局部最优风险，增加了其最优参数的寻找成功率。
步骤4、采用模糊均值聚类算法(FCM)对RBF神经网络进行训练。
FCM是模糊聚类算法中的一种很经典的算法。传统硬聚类，诸如k-means聚类方法是把个体严格的归到固定对应的某一类中，每个个体都有固定的分类属性且分类间无交集，但实际生活中的数据，包括交通流量数据，无法根据个体特征划分到完全不同的类别当中，所以就需要引入带有隶属度的聚类算法来模糊分类之间的界限，故可以有针对性的对此类数据做聚类划分。
所谓模糊集就是，如果D中的任意一个固定元素x，都有一个数U(x)∈[0,1]与之对应，那么U就是D上的一个模糊集，U(x)称为x对D的隶属度。如果x是D中的任意一个变化元素，那么此时U(x)就是一个函数，称为U的隶属函数。隶属度U(x)越大，表示x从属U的可能性越大，U(x)越小，表示x从属U的可能性越小。因此，x属于U的可能性大小，可以用隶属函数U(x)表示。
基于模糊集、隶属度和隶属度函数的概念，FCM模糊聚类的目标函数如公式(21)所示。
其中，dist(ci,xs)为每个数据点与每个聚类中心的距离，m为加权指数。Jm[U,C]即模糊聚类的目标函数就是各个数据点到每个聚类中心的加权平方和。
FCM在计算聚类中心c之外，还会计算隶属度矩阵U，这也是模糊聚类算法与硬聚类算法最大的区别，取(i,u)＝maxi(U)，即在隶属度
的约束条件下，求：
尽管FCM的搜索速度很快，但作为一种局部搜索算法，合理的选择聚类中心初值仍是决定算法性能的关键。因此采用模拟退火遗传算法优化初始聚类中心。
经过上述优化后，可根据公式(23)得到隶属度矩阵U。
聚类中心C的计算如式(24)所示。
步骤5、基于量子粒子群优化策略的交通流量预测
经过结合模拟退火算法和遗传算法的优势，和将两种算法的劣势互补，将全局和局部的搜索能力同时提高，那么搜索效率也就必然随之提升了。使用模拟退火算法(SA)和遗传算法(GA)相对初始聚类中心进行优化，针对交通流量数据的特点有针对性地用模糊c均值聚类算法(FCM)对RBF网络进行训练。
针对传统的PSO算法由于参数设定的限制妨碍了其最优参数的寻找成功率，而且由于粒子的位置变化相对固定，缺少随机性，导致很容易陷入局部最优。提出新的量子粒子群优化策略算法(MPSO-RBF)。修改了传统量子粒子群算法的粒子位置更新公式。将一个随机参数变为两个随机参数，更好的保证了随机性，降低局部最优风险。结合以上改进的算法，提出更稳定，更准确的量子粒子群优化策略算法。量子粒子群优化策略算法(MPSO-RBF)如下：
算法3基于量子粒子群优化策略的交通流量预测算法流程：
1、输入训练数据集和待测数据集，对矩阵做归一化处理。
2、优化初始聚类中心，此处调用算法1。
3、根据公式(7)计算隐藏层的宽度值，根据公式(8)计算隐其输出。
4、训练优化神经网络参数，此处调用算法2。
5、根据公式(10)、(11)计算网络输出。
算法3基于量子粒子群优化策略的交通流量预测算法
InputSamlpedata
Initializationm＝3,max_iter＝20,min_impro＝e-6,q＝0.8,T0＝100,
Tend＝99.999,sizepop＝10,MAXGEN＝100,Pc＝0.7,Pm＝0.01,Swarmsize＝50,particleSample＝100,particlesize＝M,
epsilon＝e-4,LoopCount＝100
begin
Criterionfordata；Callingalgorithm 1
Computedelta,Hij//calculatewidthvaluesofhide layer
andoutputofhidelayer
Callingalgorithm2；Computey,hj//calculatethe output
end
实验测试及性能分析。
本次仿真实验选择两种不同场景的交通流量数据，从横纵两个方向分别做预测。
第一组实验采用长沙市芙蓉区位于嘉雨路与万家丽中路中间的远大一路由东往西方向上的一段，长度约为400米，如图3所示。该组实验数据选取从2013年9月17日开始至2013年9月21日10时为止所产生的交通流量数据。在仿真实验中，我们将数据分为网络训练数据和实验测试数据两部分，网络训练数据用来训练采用本发明算法的神经网络，在测试预测结果时采用实验测试数据对其进行准确度评估。在该组实验中，训练数据采用17日至20日四天中产生的交通流量数据，测试数据采用21日0时至10时所产生的交通流量数据。从图4可以看出该路段于6:00-9:00为早高峰时段，预测此时段交通流量可提前通知相关部门做好交通治理，有效避免高峰期拥堵。
第二组实验数据采用出租车北京四环路某段的交通流量数据，时间为2008年11月2日15时至15时30分，如图5所示。此路段4个车道在30分钟内发生的车流量变化如图6所示。该组实验与第一组实验数据一样分为测试数据和训练数据，此数据采用1车道流量数据。选取1车道15:00-15:25时段的交通流量数据作为训练数据，15:25-15:30时段的交通流量数据作为测试数据。
为清晰显示本发明提出的MPSO-RBF算法对于交通流量数据的预测优势，将本发明算法在两种实际场景下与其他两种算法：QPSO-RBF和传统RBF进行比较实验。本算法性能衡量指标选择均方差MSE和均方根误差RMSE。计算公式如公式(25)所示。
本实例的实验测试结果如下：
1.由附图7可以看出，传统RBF神经网络预测的误差普遍高于其他两种算法，在不断测试的过程中，该算法的误差范围浮动也很大，说明其稳定性相对最差。QPSO-RBF与本发明提出的MPSO-RBF误差趋势大致相同，但偶尔会出现很大的误差。本发明提出的算法误差更加稳定，变化范围更小，表现出更好的预测效果。
2.由附图8可以看出，伴随着试验次数的不断增多，RMSE误差会在一定的范围内浮动。传统RBF预测算法的误差大而且波动也大，预测性能较差且十分不稳定。相比之下QPSO-RBF算法误差减小，波动范围也减小，但与本发明提出的MPSO-RBF算法相比，性能逊色。本发明提出的算法，误差性能最为稳定，而且得到最小误差，说明本发明的优化对算法性能有明显提升。
3.由附图9可以直观反映实际交通流量数据与各算法预测值之间的比较。从图中可以看出，本发明提出的MPSO-RBF算法预测值更贴近实际数据值，虽然由于随机性会有少部分偏差，但整体性能都表现最为稳定和准确。
4.由附图10的交通数据流量预测算法MSE误差比较可以看出，QPSO-RBF的误差波动范围大，且最大误差较平均水平相差较多。而MPSO-RBF算法的误差波动范围小，整体性能要高于QPSO-RBF算法，说明本发明提出的算法第二组实验数据中的表现也很好。
5.由附图11可知，与MSE误差比较一样，本发明提出的算法在RMSE误差比较上也表现出更好的性能。不仅稳定度更高，而且误差更小。
6.由附图12可以直观的看出本发明提出的算法预测结果更接近真实数据，波动范围更小。说明本发明提出的算法更适合于交通流量数据的预测。
Claims (4)
1.一种基于量子粒子群优化策略的车联网交通流量预测方法，其特征在于该方法主要包括如下步骤：
第1、构建交通流量预测数学模型；根据影响交通流量数据的几个要素，针对固定某一路段，建立基于该路段当前时刻、过去时段和上游流量状况的关系模型F(Vt,Ut,t)＝yt，其中t为当前时刻，Vt为所测路段的上游路段l个路口的流量状况，Ut为所测路段前d个时间段的流量状况，yt为最终预测的交通数据流量；
第2、使用模拟退火算法(SA)和遗传算法(GA)优化量子粒子群优化策略的初始聚类中心；算法流程如下：
(1)、编码方式，针对交通流量数据的特点和数据量，采用实数编码；每条染色体由h个聚类中心组成：C＝c1,c2,...,ch，其中ci为第i个聚类中心点，C为h个聚类中心点的集合，对于维度为p的样本，染色体长度为h*m；
(2)、设置适应度函数，适应度函数是遗传算法在搜索操作中的重要判断依据，进化搜索也是建立在对每一个个体的适应度函数值的判断上，故选择合适的适应度函数直接决定了算法的优良性能；每个个体的目标函数Jm根据公式fi＝1/Jm计算得到，Jm越小说明类内离散度和越小，对应个体适应度越高；
(3)、交叉操作，个体间互换基因，通过基因的重组产生具有更高适应度值的新个体；
(4)、变异操作，以一定的概率对每个基因位上的实数进行变异操作，然后用一个随机数替换发生变异的基因位；
(5)、个体模拟退火，模拟退火算法中的能量值选用个体适应度值表达，当该值变大时，则选择当前值作为下一个当前解，当该值变小时，则以一定的概率接受当前解；
第3、优化RBF神经网络参数，使用改进和优化后的量子粒子群优化策略，增大粒子位置的随机性，输出最优化的RBF神经网络参数；
第4、采用模糊c均值聚类算法(FCM)对径向基函数神经网络(RBF)进行训练，聚类得到的每组子样本都构成神经网络中的一个神经元；
第5、使用实际交通流量数据训练最终优化后的RBF神经网络；最后使用该路段的当前时刻，过去时段和上游流量状况数据运用在训练后的RBF神经网络上，最终获得当前时刻交通流量预测数据。
2.根据权利要求1所述一种基于量子粒子群优化策略的车联网交通流量预测方法，其特征在于，第2步所述优化量子粒子群优化策略的初始聚类中心包括：
第2.1、创建初始种群并赋初值，初始化隶属度矩阵U，建立初始聚类中心矩阵V；
第2.2、在全局空间范围内搜索最优解；对每个个体进行遗传算法操作，由此产生的全新个体再经过模拟退火延续至下一代群体；通过反复不断迭代，直到达到终止条件，从而得到最优解，该最优解即为确定的量子粒子群优化策略初始聚类中心。
3.根据权利要求1所述一种基于量子粒子群优化策略的车联网交通流量预测方法，其特征在于，第3步所述优化RBF神经网络参数包括：
第3.1、随机创建初始种群，并给各粒子的位置和速度随机赋予初值；
第3.2、计算各个粒子的适应度值，之后比较所有粒子适应度值，取得具有最优适应度的粒子位置；
第3.3、更新粒子的速度和位置；
第3.4、比较当前所有的粒子最优解和上一迭代周期的全局最优解，更新全局最优解，得到的全局最优解即为优化后的RBF神经网络参数。
4.根据权利要求1所述一种基于量子粒子群优化策略的车联网交通流量预测方法，其特征在于，第4步所述采用模糊c均值聚类算法(FCM)对径向基函数神经网络(RBF)进行训练包括：
第4.1、采用模糊c均值聚类算法(FCM)对RBF神经网络进行训练，计算初始聚类中心c和隶属度矩阵U，将聚类的每组子样本作为RBF神经网络的神经元；选择初始聚类中心c和隶属度矩阵U中的一个变量进行赋值，利用两个变量相互关联性，使得两个变量通过不断的迭代和更新，不断减小目标函数的值，直到系统到达平稳状态，而平稳状态下即为所求的初始聚类中心c和隶属度矩阵U；
第4.2、聚类后所获得的聚类样本组作为RBF神经网络的神经元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010025768.XA CN111260118B (zh) | 2020-01-10 | 2020-01-10 | 一种基于量子粒子群优化策略的车联网交通流量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010025768.XA CN111260118B (zh) | 2020-01-10 | 2020-01-10 | 一种基于量子粒子群优化策略的车联网交通流量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111260118A CN111260118A (zh) | 2020-06-09 |
| CN111260118B true CN111260118B (zh) | 2022-08-23 |
Family
ID=70950321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010025768.XA Expired - Fee Related CN111260118B (zh) | 2020-01-10 | 2020-01-10 | 一种基于量子粒子群优化策略的车联网交通流量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111260118B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111985619B (zh) * | 2020-08-18 | 2024-03-08 | 中冶南方城市建设工程技术有限公司 | 一种基于短时交通流预测的城市单交叉口控制方法 |
| CN112632452B (zh) * | 2020-11-17 | 2024-08-06 | 南京师范大学 | 模拟个体粒度长程高速交通流随机振荡的量子谐振子的方法 |
| CN112614336B (zh) * | 2020-11-19 | 2021-12-07 | 南京师范大学 | 一种基于量子随机游走的交通流模态拟合方法 |
| CN112560915A (zh) * | 2020-12-08 | 2021-03-26 | 苏州科技大学 | 一种基于机器学习的城市快速路交通状态识别方法 |
| CN112507624B (zh) * | 2020-12-15 | 2023-11-10 | 交通运输部公路科学研究所 | 一种城际公路出行方式识别模型构建、识别方法及装置 |
| CN112785845B (zh) * | 2020-12-30 | 2022-11-01 | 桂林电子科技大学 | 一种基于K-means聚类与RBF神经网络的车速预测方法 |
| CN112651570B (zh) * | 2020-12-31 | 2022-07-26 | 长安大学 | 高速公路服务区交通量预测模型构建、预测方法及装置 |
| CN113065693B (zh) * | 2021-03-22 | 2022-07-15 | 哈尔滨工程大学 | 一种基于径向基神经网络的车流量预测方法 |
| CN113408824A (zh) * | 2021-07-15 | 2021-09-17 | 北京工业大学 | 一种基于rbf神经网络的生活垃圾收集过程氨气浓度智能预测方法 |
| CN113590587A (zh) * | 2021-07-30 | 2021-11-02 | 湘潭大学 | 一种基于自适应模拟退火-粒子群-克里金插值算法的离线位置指纹库构建方法 |
| CN114494947B (zh) * | 2021-12-31 | 2024-09-10 | 郑州信大先进技术研究院 | 一种基于量子优化算法的交通视频车辆分类方法 |
| CN115865410B (zh) * | 2022-11-01 | 2024-07-30 | 北京工业大学 | 基于混合自编码和双向lstm的网络入侵检测模型 |
| CN117793020A (zh) * | 2023-11-22 | 2024-03-29 | 北京计算机技术及应用研究所 | 一种自适应卷积神经网络结构的网络流量分类方法 |
| CN117831313A (zh) * | 2024-01-12 | 2024-04-05 | 福建华鼎智造技术有限公司 | 一种基于ssa和改进tsk模糊系统的隧道车流量短期预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101944141A (zh) * | 2010-08-18 | 2011-01-12 | 北京理工大学 | 一种高效的基于模糊聚类自适应径向基全局优化方法 |
| CN104732274A (zh) * | 2015-03-10 | 2015-06-24 | 华南理工大学 | 一种智能计算机 |
| CN108320516A (zh) * | 2018-04-08 | 2018-07-24 | 华中师范大学 | 基于尖点突变和量子粒子群优化的道路通行能力评价方法 |
| CN110059869A (zh) * | 2019-04-04 | 2019-07-26 | 国网江苏省电力有限公司无锡供电分公司 | 一种基于交通流量的充电站与配电网协调规划方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9286793B2 (en) * | 2012-10-23 | 2016-03-15 | University Of Southern California | Traffic prediction using real-world transportation data |
| CN103700255B (zh) * | 2013-12-30 | 2015-10-07 | 复旦大学 | 一种基于时空关联数据挖掘的交通流预测方法 |
| US9967188B2 (en) * | 2014-10-13 | 2018-05-08 | Nec Corporation | Network traffic flow management using machine learning |
-
2020
- 2020-01-10 CN CN202010025768.XA patent/CN111260118B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101944141A (zh) * | 2010-08-18 | 2011-01-12 | 北京理工大学 | 一种高效的基于模糊聚类自适应径向基全局优化方法 |
| CN104732274A (zh) * | 2015-03-10 | 2015-06-24 | 华南理工大学 | 一种智能计算机 |
| CN108320516A (zh) * | 2018-04-08 | 2018-07-24 | 华中师范大学 | 基于尖点突变和量子粒子群优化的道路通行能力评价方法 |
| CN110059869A (zh) * | 2019-04-04 | 2019-07-26 | 国网江苏省电力有限公司无锡供电分公司 | 一种基于交通流量的充电站与配电网协调规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111260118A (zh) | 2020-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111260118B (zh) | 一种基于量子粒子群优化策略的车联网交通流量预测方法 | |
| CN106781489B (zh) | 一种基于递归神经网络的路网状态预测方法 | |
| CN108520155B (zh) | 基于神经网络的车辆行为模拟方法 | |
| CN112216108A (zh) | 一种基于属性增强的时空图卷积模型的交通预测方法 | |
| CN112668799A (zh) | 基于行驶大数据的phev的智能能量管理方法和存储介质 | |
| CN112101684B (zh) | 一种插电式混合动力车辆实时能量管理方法和系统 | |
| CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
| CN116721537A (zh) | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 | |
| CN111695737B (zh) | 一种基于lstm神经网络的群目标行进趋势预测方法 | |
| CN114912195B (zh) | 一种商用车空气动力学序列优化方法 | |
| CN116128150B (zh) | 一种基于两级优化的光伏智能出力预测方法 | |
| Yu et al. | 3D CNN-based accurate prediction for large-scale traffic flow | |
| Mi et al. | A dynamic ensemble deep deterministic policy gradient recursive network for spatiotemporal traffic speed forecasting in an urban road network | |
| CN115907122A (zh) | 区域电动汽车充电负荷预测方法 | |
| CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
| CN112098869B (zh) | 一种基于大数据的自适应电动汽车soc估计方法 | |
| CN108537663A (zh) | 一种股票趋势预测方法 | |
| Zhao et al. | A survey on deep reinforcement learning approaches for traffic signal control | |
| CN110390398A (zh) | 在线学习方法 | |
| CN112035536A (zh) | 一种考虑动态路网交通流的电动汽车能耗预测方法 | |
| Axenie et al. | Fuzzy modeling and inference for physics-aware road vehicle driver behavior model calibration | |
| CN110852505B (zh) | 基于量子遗传优化lvq神经网络的智慧城市交通流预测方法 | |
| Xu | Context-based trajectory prediction with LSTM networks | |
| CN112308229A (zh) | 基于自组织映射的动态多目标演化优化方法 | |
| CN112215396A (zh) | 一种基于模糊时间序列分析和粒子群技术的数据预测算法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220823 |