CN114021689A

CN114021689A - 一种自适应神经网络交通流预测的混沌搜索优化方法

Info

Publication number: CN114021689A
Application number: CN202111085544.9A
Authority: CN
Inventors: 楼俊钢; 王敬月; 申情; 茅立安
Original assignee: Huzhou University
Current assignee: Huzhou University
Priority date: 2021-09-16
Filing date: 2021-09-16
Publication date: 2022-02-08

Abstract

本发明提出了一种自适应神经网络交通流预测的混沌搜索优化方法，包括以下步骤：S1.构建BP神经网络模型，初始化网络参数；S2.初始化麻雀算法各项参数；S3.加入Tent混沌映射初始化种群；S4.计算种群中麻雀适应度值；S5.根据适应度值对种群进行排序；S6.生产者位置更新；S7.跟随者位置更新；S8.危险时，麻雀位置更新；S9.先进行个体最优适应度值更新，再进行群体最优适应度值更新，进入步骤S10；S10.判断是否达到迭代次数，若未达到则返回至步骤S5；否则，输出最优适应度值和全局最优位置，进入步骤S11；S11.将最优适应度值和全局最优位置赋予BP神经网络模型，优化其权值和阈值，进行预测，完成CSSA‑BP模型的搭建。该方法预测精确度更高，迭代速度更快。

Description

一种自适应神经网络交通流预测的混沌搜索优化方法

【技术领域】

本发明涉及交通流预测的技术领域，特别是一种自适应神经网络交通流预测的混沌搜索优化方法。

【背景技术】

随着我国科技发展推动社会进步，城镇化规模扩大，道路私家车辆增多，由此频繁引发道路交通堵塞和交通事故，给社会造成严重的经济损失、空气污染、燃油过度消耗等问题，困扰交通出行者的日常生活。而智能交通系统是缓解道路交通拥堵的有效手段。近年来，国内外学者对智能交通投入了大量的研究，其中交通流预测模型是最重要的研究方向之一。实时准确的交通流预测可以针对路面交通状况制定相应的管理方案，有效缓解道路交通拥堵、提高出行效率、降低交通事故的发生几率等。目前，国内外研究者已经提出大量的交通流预测模型，如历史平均模型、时间序列模型^]、卡尔曼滤波模型、非参数回归模型、K近邻模型、混沌理论模型、神经网络模型(Artificial Neural Networks,ANNs)、核函数模型、深度学习模型以及组合模型等等。

当前交通流预测研究中，最常用的方法之一是ANN模型。针对交通流的时变性和非线性特征，ANN具有很强的非线性映射能力和柔性的网络结构，并且可以通过对网络层数、神经元个数等设定，任意逼近各类非线性问题。群优化算法作为一种新兴元启发式算法产生，结构简洁、擅长并行处理，在交通流预测领域，被很多学者融进各类ANNs，优化其参数，精化预测结果，并取得了很不错的效果。麻雀搜索算法(Sparrow Search Algorithm,SSA)是2020年最新提出的一种群体智能优化算法，SSA的主要思想是根据麻雀种群寻找食物、争夺食物、躲避捕食者等一系列行为选取具有最优适应度值的麻雀，研究工作表明该算法在收敛速度和精度等方面优于粒子群、引力搜索算法，缺点是全局寻优能力较差。

【发明内容】

本发明的目的就是解决现有技术中的问题，提出一种自适应神经网络交通流预测的混沌搜索优化方法，预测精确度更高，迭代速度更快。

为实现上述目的，本发明提出了一种自适应神经网络交通流预测的混沌搜索优化方法，包括以下步骤：

S1.构建BP神经网络模型，初始化网络参数；

S2.初始化麻雀算法各项参数；

S3.加入Tent混沌映射初始化种群，进入步骤S4；

S4.计算种群中麻雀适应度值，进入步骤S5；

S5.根据适应度值对种群进行排序，进入步骤S6；

S6.生产者位置更新，进入步骤S7；

S7.跟随者位置更新，进入步骤S8；

S8.危险时，麻雀位置更新，进入步骤S9；

S9.先进行个体最优适应度值更新，再进行群体最优适应度值更新，进入步骤S10；

S10.判断是否达到迭代次数，若未达到则返回至步骤S5；否则，输出最优适应度值和全局最优位置，进入步骤S11；

S11.步骤10得到的最优适应度值和全局最优位置赋予BP神经网络模型，优化其权值和阈值，进行预测，完成CSSA-BP模型的搭建。

作为优选，步骤S3中，初始化麻雀算法各项参数，包括空间维数、麻雀规模、迭代次数、种群上下边界、生产者的数量。

作为优选，步骤S6中，生产者位置更新采用如下算法：

其中t表示当前迭代值，j表示1到d之间的维数，

表示第i只麻雀在迭代t时第j维的值，item_max是迭代次数最多的数，R₂∈[0,1]，ST∈[0.5,1.0]分别表示报警值和安全阈值；Q是服从正态分布的随机数，L表示元素全为1的1*d的矩阵；如果R₂＜ST，此时麻雀种群是安全的；否则，表示一些麻雀发现捕食者，种群中所有麻雀都要迅速转移到安全区域。

作为优选，步骤S7中，跟随者位置更新的原则为：跟随者时刻监控生产者，一旦发现生产者具有更好的食物，跟随者会去争夺，如果赢了，则获得食物，否则，继续监控生产者；采用如下算法：

其中，X_p表示生产者所占据的最佳位置，X_worst表示当前最差位置，A表示元素被随机分配1和-1的1*d矩阵，A⁺＝A^T(AA^T)-1；当i>n/2时，表示第i个跟随者由于饥饿，适应度值差。

作为优选，步骤S8中，危险时，麻雀位置更新采用如下算法：

其中，侦察者占种群的10％到20％，X_best表示当前最佳位置，β是一个均值为0，方差为1的正态分布，K∈[-1,1]是一个随机数，f_i表示现在麻雀的适应度值，f_g和f_w是当前最佳和最差的适应度值，ε是为了避免零分区误差的最小常数，K为麻雀移动方向，为步长控制系数；当f_i＞f_g时，表示麻雀在群体的边缘，X_best显示了群体中心的位置，并且在它周围是安全的；当f_i＝f_g时，表明处于种群中间的麻雀意识到了危险，需要靠近其他麻雀。

作为优选，所述CSSA-BP模型采用三层BP神经网络，输入层取4，隐藏层取8，输出层取1，模型的输入包括车间距(m)、车速(m/sec)、车道数(n)、车密度(veh/km)，输出为下一时间段的交通流量。

本发明的有益效果：本发明通过引入Tent混沌映射来增加麻雀搜索的遍历均匀性和随机性，从而提出混沌麻雀算法(CCSA)来提高全局寻优能力。利用CSSA的精简结构和优秀寻优性能，与误差反向传播神经网络(BPNN)相融合，对BPNN的权值和阈值进行优化，该方法预测精确度更高，迭代速度更快。

本发明的特征及优点将通过实施例结合附图进行详细说明。

【附图说明】

图1是本发明中CSSA-BPNN算法流程图；

图2是本发明中基于CSSA-BPNN的交通流预测模型；

图3是使用第一组数据集进行实验的预测误差对比图；

图4是使用第二组数据集进行实验的预测误差对比图；

图5是使用第三组数据集进行实验的预测误差对比图；

图6是使用第一组数据集进行训练的迭代次数对比图；

图7是使用第二组数据集进行训练的迭代次数对比图；

图8是使用第三组数据集进行训练的迭代次数对比图。

【具体实施方式】

本发明中混沌麻雀算法(CSSA)优化BP神经网络预测模型的构建方法，包括如下几个部分：

1.SSA算法

麻雀搜索算法是根据麻雀搜索食物并且躲避捕食者的行为而提出的。种群分为生产者、跟随者、侦察者。生产者具有较好的觅食技能并且负责引领其他麻雀觅食；跟随者主要跟随一只麻雀觅食并且监视争夺食物；侦察者则负责在危险时发出信号，使所有麻雀进行位置移动从而躲避危险。

种群麻雀适应度值可以用下面矩阵表示，其中n表示麻雀数量，d表示待优化变量维数。

2.Tent混沌映射

群算法在运算时首先需要初始化种群，最常用方法是随机数生成器，这种方法通常会导致算法在进化后期早熟收敛、迭代速度变慢。本发明中为了避免算法过早收敛于局部极值，加快迭代速度，使用Tent混沌映射初始化种群。

混沌是指在一个确定性系统中，存在看貌似随机的不规则运动，其行为表现为不确定性不可重复、不可预测的混沌现象。logistic映射和Tent映射都是当前应用比较广泛的非线性动力学离散混沌映射系统，Tent映射比Logistic映射具有更优的遍历均匀性和收敛速度。Tent映射表达式如下：

根据Tent映射特点，在可行域中先随机产生初值Z₀，开始迭代直到达到最大次数，最终产生Z序列并保存。

3.CSSA-BPNN算法

CSSA-BPNN算法流程见图1所示，具体步骤如下表1所示：

表1

主要算法的伪代码下表2所示：

表2

4.基于CSSA-BPNN的交通流预测

本发明提出的基于CSSA-BPNN的交通流预测模型如图2所示，模型采用三层BP神经网络，输入层取4，隐藏层取8，输出层取1，模型的输入包括车间距(m)、车速(m/sec)、车道数(n)、车密度(veh/km)，输出为下一时间段的交通流量。

实验分析

A.模型实验

实验数据集分别来自上海市中心近陕西路西侧延安高架路段的时间为2月1日14:10-17:10，天气下雪天；北京市北四环近中关村路段的时间为11月3日08:30-11:00，天气晴；西安南二环长安立交路段的时间为8月4日11:25-18:15，天气晴。采集路面数据信息的记录时间间隔为0.8(s)。

在实验中，种群最大迭代次数为100次，学习率为0.1，目标值为0.00001。麻雀种群规模为100，种群边界值为[-5,5]。首先对GA-BP(遗传算法结合BP)、PSO-BP(粒子群算法结合BP)、SSA-BP(麻雀算法结合BP)、LSSA-BP(Logistic映射优化SSA结合BP)、CSSA-BP(混沌麻雀算法结合BP神经网络)五种模型分别输入训练集数据进行网络训练，训练完成后输入测试集数据进行预测。图3至图5是五组模型分别使用三组数据集实验，取前300次进行预测的对比图。图3是使用第一组数据集进行实验，在数据集1中有1868组数据，选取前1400组为训练集，后468组为测试集。图3中放大预测第125到140次的实验结果误差对比部分，可以看出CSSA-BP相比较其他四种模型，误差更接近0，预测效果更好。图4是使用第二组数据集实验，在数据集2中有4552组数据，选取前3500组为训练集，后1052组为测试集。图4中放大预测第145到165次的实验结果误差对比部分，可以看出CSSA-BP模型较其他四组模型预测误差更稳定。同理，图5是使用第三组数据集实验，在数据集3中有2830组数据，选取前2200组为训练集，后630组为测试集。图5中放大预测第135次到145次的实验结果误差对比部分。综合分析，本发明提出的CSSA-BP模型误差最小，表明预测值更接近实际值，预测效果最好。

图6至图8是五组模型网络迭代次数对比图，图6是五组模型网络使用第一组数据集进行训练，从0开始进行第一次训练，可以看出CSSA-BP网络迭代7次结束，SSA-BP网络迭代8次结束，GA-BP网络迭代10次结束，PSO-BP网络迭代10次结束，LSSA-BP网络迭代7次结束。图7是使用第二组数据集进行训练，从0开始进行第一次训练，可以看出CSSA-BP网络迭代6次结束，SSA-BP网络迭代10次结束，GA-BP网络迭代8次结束，PSO-BP网络迭代10次结束，LSSA-BP迭代11次结束。图8使用第三组数据集进行训练，从0开始进行第一次训练，可以看出CSSA-BP网络迭代9次结束，SSA-BP网络迭代13次结束，GA-BP网络迭代12次结束，PSO-BP网络迭代9次结束，LSSA-BP网络迭代12次结束。三图中预测模型的均方误差(MSE)随着迭代进行在减小，其中CSSA-BP模型的MSE最小。综合分析，CSSA-BP模型进行网络训练，相比较其他四组模型，在达到最小均方误差时，迭代速度也更快。

B.模型评价

选用均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、作为评价指标。RMSE、MAE、MAPE主要用来评估模型预测误差和预测效果。下面分别是RMSE、MAE、MAPE的公式，y_pred为预测值，y_true为实际值，N为预测次数。

BP神经网络权值和阈值是随机产生，加上群体优化算法全局寻优效果不一，所以对这几种不同模型分别使用三组数据集进行多次实验取最优值F1、最差值F2、平均值F3做比较，参阅下表3和表4。

表3五个模型的评价指标值

表4 CSSA-BP对比四个模型误差降低百分值

表3结果表明在三组数据集实验中，CSSA-BP模型的MAE、RMSE、MAPE值分别比GA-BP模型、PSO-BP模型、SSA-BP、LSSA-BP模型小。评估指标MAE、RMSE、MAPE值越小说明模型预测交通流测试值与实际值拟合度越高，预测精度越高。因此，CSSA-BP模型的误差分布离散程度更小，误差更小，预测效果更好。表4主要记录在三组数据集实验中，CSSA-BP模型的三项评价指标相对其他四组模型降低的误差百分值，评估CSSA-BP模型的预测拟合度。根据平均值分析，CSSA-BP的平均绝对百分比误差(MAPE)比GA-BP降低了66.83％，比PSO-BP降低了59.78％，比SSA-BP降低了47.31％，比LSSA-BP降低了54.66％,所以CSSA-BP模型预测交通流预测值和实际值拟合度更高，误差更小，整体的预测效果更优。

通过预测以上三组真实交通流数据集，实验结果表明，CSSA-BP模型相比较GA-BP、PSO-BP、SSA-BP、LSSA-BP四种模型，预测精确度更高，迭代速度更快。实验中的三组数据集采集时间天气状况不一，但是实验结果未受到影响。总体来说，CSSA-BPNN模型结构精简，预测效果较优，具有实际应用价值。

上述实施例是对本发明的说明，不是对本发明的限定，任何对本发明简单变换后的方案均属于本发明的保护范围。