CN117373263B - 一种基于量子鸽群算法的交通流量预测方法及装置 - Google Patents
一种基于量子鸽群算法的交通流量预测方法及装置 Download PDFInfo
- Publication number
- CN117373263B CN117373263B CN202311681527.0A CN202311681527A CN117373263B CN 117373263 B CN117373263 B CN 117373263B CN 202311681527 A CN202311681527 A CN 202311681527A CN 117373263 B CN117373263 B CN 117373263B
- Authority
- CN
- China
- Prior art keywords
- pigeon
- position information
- optimal solution
- module
- quantum
- 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.)
- Active
Links
- 241000272201 Columbiformes Species 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005070 sampling Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 11
- 239000002096 quantum dot Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000036541 health 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
- 238000011084 recovery Methods 0.000 description 1
- 238000012549 training Methods 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
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于量子鸽群算法的交通流量预测方法及装置,该方法包括:收集驾驶员的位置信息;采用量子鸽群算法获取位置信息的最优解;对位置信息的最优解进行优化以对交通流量进行预测。基于大数据处理与分析平台对交通数据进行分析处理,集成多种智能计算算法。通过全城路段的状态和交通出行量的精确分析,使得交通系统的信息不确定性显著降低;基于量子计算的快速搜索引擎,采用并行队列树的搜索技术突破大数据搜索的瓶颈。
Description
技术领域
本发明涉及网络安全技术领域,更具体地说,涉及一种基于量子鸽群算法的交通流量预测方法及装置。
背景技术
城市路段的车辆换道特性主要在于车辆行驶受到信号灯的影响,相比于其他换道行为,信号灯等道路 信息是交叉口换道模型中不可缺少的研究要素。现有技术中,通过考虑信号灯和周围车辆的行驶状况建立了智能网联汽车的决策行为框架,结果表明结合综合环境信息后的车辆决策准确性得到显著提高。但目前信息量有限,如何在少量信息要素情况下对综合环境对交通流量进行预测成为目前的主要研究内容。
发明内容
本发明提供了一种基于量子鸽群算法的交通流量预测方法及装置,解决现有技术中在少量信息要素情况下对综合环境对交通流量进行预测的问题。
为解决上述问题,一方面,本发明提供一种基于量子鸽群算法的交通流量预测方法,包括:
收集驾驶员的位置信息;
采用量子鸽群算法获取位置信息的最优解;
对位置信息的最优解进行优化以对交通流量进行预测。
所述收集驾驶员的位置信息,包括:
通过移动终端采集终端位置信息以收集驾驶员的位置信息,使驾驶员的位置信息作为鸽子的位置信息;
依据所处位置设置基于基站的定位精度,设置采样时间为不均匀的时间采样且数据具有连续性。
所述采用量子鸽群算法获取位置信息的最优解,包括步骤S21-S27:
S21、初始化参数及位置信息;
S22、设置每只鸽子的随机速度和位置信息,比较每只鸽子的适应度,找出当前最优解;
S23、根据
对第j只鸽子的速度信息和位置信息进行迭代及更新,然后比较所有鸽子的适应度,找到新的最优解;其中,为第j只鸽子在t时刻的速度,/>为除了第j只鸽子以外其他鸽子的速度,rand用于产生一随机数,/>为迭代后中心鸽子的速度,R为罗盘算子,为t时刻最优解,/>为第j只鸽子在t时刻的位置;
S24、若迭代次数达到预设的地图和指南针算子的迭代上限,则停止当前迭代并转至步骤S25,否则跳转至步骤S23;
S25、根据
对第i只鸽子的速度信息和位置信息进行迭代及更新;其中,为t时刻鸽子适应度的迭代取值,/>为中心鸽子的位置更新策略;
S26:判断迭代次数是否超过预设的地标算子的迭代上限,若超过,则转至步骤S27,否则转至步骤S25;
S27、输出位置信息的最优解。
所述对位置信息的最优解进行优化以对交通流量进行预测,包括:
通过Schaffer函数优化位置信息的最优解;
通过设置旋转门进行按需能量控制。
所述通过设置旋转门进行按需能量控制,包括:
设置通过“0”态和“1”态表示一个量子,量子位状态为:
其中,和/>分别代表“0”态和“1”态的线性概率,且满足:
;
设置控制每个量子的旋转门,如果全局最优解在迭代结束之后旋转门发生改变,则旋转门增加;否则,将概率幅值全部重置为初始值以防止算法陷入局部最优;
进行按需能量控制:
其中,为预设的旋转角,/>为预设的最小阈值。
一方面,提供一种基于量子鸽群算法的交通流量预测装置,包括:
收集模块,用于收集驾驶员的位置信息;
最优解模块,用于采用量子鸽群算法获取位置信息的最优解;
优化模块,用于对位置信息的最优解进行优化以对交通流量进行预测。
所述收集模块包括:
终端采集子模块,用于通过移动终端采集终端位置信息以收集驾驶员的位置信息,使驾驶员的位置信息作为鸽子的位置信息;
基站设置子模块,用于依据所处位置设置基于基站的定位精度,设置采样时间为不均匀的时间采样且数据具有连续性。
所述最优解模块包括:
初始化子模块,用于初始化参数及位置信息;
随机设置子模块,用于设置每只鸽子的随机速度和位置信息,比较每只鸽子的适应度,找出当前最优解;
第一迭代子模块,用于根据
对第j只鸽子的速度信息和位置信息进行迭代及更新,然后比较所有鸽子的适应度,找到新的最优解;其中,为第j只鸽子在t时刻的速度,/>为除了第j只鸽子以外其他鸽子的速度,rand用于产生一随机数,/>为迭代后中心鸽子的速度,R为罗盘算子,为t时刻最优解,/>为第j只鸽子在t时刻的位置;
第一上限判断子模块,用于当迭代次数达到预设的地图和指南针算子的迭代上限时,停止当前迭代并转至第一迭代子模块,否则转至第二迭代子模块;
第二迭代子模块,用于根据
对第i只鸽子的速度信息和位置信息进行迭代及更新;其中,为t时刻鸽子适应度的迭代取值,/>为中心鸽子的位置更新策略;
第二上限判断子模块,用于判断迭代次数是否超过预设的地标算子的迭代上限,若超过,则转至输出子模块,否则转至第二迭代子模块;
输出子模块,用于输出位置信息的最优解。
所述优化模块包括:
函数优化子模块,用于通过Schaffer函数优化位置信息的最优解;
旋转门控制子模块,用于通过设置旋转门进行按需能量控制;
所述旋转门控制子模块包括:
量子设置子模块,用于设置通过“0”态和“1”态表示一个量子,量子位状态为:
其中,和/>分别代表“0”态和“1”态的线性概率,且满足:
;
旋转门设置子模块,用于设置控制每个量子的旋转门,如果全局最优解在迭代结束之后旋转门发生改变,则旋转门增加;否则,将概率幅值全部重置为初始值以防止算法陷入局部最优;
能量控制子模块,用于进行按需能量控制:
其中,为预设的旋转角,/>为预设的最小阈值。
一方面,提供一种计算机可读存储介质,所述存储介质中存储有多条指令,所述指令适于由处理器加载以执行以上所述的一种基于量子鸽群算法的交通流量预测方法。
本发明的有益效果是:基于大数据处理与分析平台对交通数据进行分析处理,集成多种智能计算算法。通过全城路段的状态和交通出行量的精确分析,使得交通系统的信息不确定性显著降低;基于量子计算的快速搜索引擎,采用并行队列树的搜索技术突破大数据搜索的瓶颈。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种基于量子鸽群算法的交通流量预测方法的流程图;
图2是本发明一实施例提供的整体方案架构示意图;
图3是本发明一实施例提供的WIFI终端信息采集系统的结构示意图;
图4是本发明一实施例提供的云端系统的结构示意图;
图5是本发明一实施例提供的交通预测模型的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,“示例性”一词用来表示“用作例子、例证或说明”。本发明中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本发明。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本发明的描述变得晦涩。因此,本发明并非旨在限于所示的实施例,而是与符合本发明所公开的原理和特征的最广范围相一致。
参见图1,图1是本发明一实施例提供的一种基于量子鸽群算法的交通流量预测方法的流程图,所述基于量子鸽群算法的交通流量预测方法包括S1-S3:
S1、收集驾驶员的位置信息;步骤S1包括步骤S11-S12:
S11、通过移动终端采集终端位置信息以收集驾驶员的位置信息,使驾驶员的位置信息作为鸽子的位置信息。
本实施例中,参见图2-图3,图2是本发明一实施例提供的整体方案架构示意图;图3是本发明一实施例提供的WIFI终端信息采集系统的结构示意图;整体方案架构由中央控制器,区域控制中心,控制子区到交叉口信号控制机组成。利用移动终端WiFi方式信息采集方式进行终端位置信息收集,但是由于所采集的数据量有限,在预测过程中为了更贴近于真实的驾驶行为信息,利用鸽群算法对驾驶员行为进行分析。
S12、依据所处位置设置基于基站的定位精度,设置采样时间为不均匀的时间采样且数据具有连续性。
本实施例中,数据采样覆盖大部分人群,但存在一人多部手机的情况;基于基站的定位精度为:中心城区100米左右,市郊500-1000米;采样时间采用不均匀的时间采样,且数据具有连续性。
S2、采用量子鸽群算法获取位置信息的最优解;步骤S2包括步骤S21-S27:
S21、初始化参数及位置信息。
S22、设置每只鸽子的随机速度和位置信息,比较每只鸽子的适应度,找出当前最优解。
本实施例中,在实际驾驶行为中,对驾驶员的适应度值进行排序,并在每次迭代对其适应度数量减半,假设中心驾驶员是对道路极为熟悉的,可以通过判断前往目的地,其他的驾驶员会在中心驾驶员的引领下,向着目的地前进。
S23、根据
对第j只鸽子的速度信息和位置信息进行迭代及更新,然后比较所有鸽子的适应度,找到新的最优解;其中,为第j只鸽子在t时刻的速度,/>为除了第j只鸽子以外其他鸽子的速度,rand用于产生一随机数,/>为迭代后中心鸽子的速度,R为罗盘算子,为t时刻最优解,/>为第j只鸽子在t时刻的位置。
本实施例中,操作地图和指南针算子,根据以上公式对鸽子的位置信息和速度信息进行更新,然后比较所有鸽子的适应度,找到新的最优解。R为罗盘算子,其取值为0.2。为当前局最优解。/>和/>分别代表第j只鸽子的位置和速度,j取值为1-n。c为center的简称,为迭代后的中心位置,取值为1-n。s为其他鸽子位置信息,取值为1-n。
S24、若迭代次数达到预设的地图和指南针算子的迭代上限,则停止当前迭代并转至步骤S25,否则跳转至步骤S23;
本实施例中,如果迭代次数达到地图和指南针算子的迭代上限,则停止当前迭代,转而操作地标算子,否则跳转至S23。
S25、根据
对第i只鸽子的速度信息和位置信息进行迭代及更新;其中,为t时刻鸽子适应度的迭代取值,/>为中心鸽子的位置更新策略.
本实施例中,根据鸽子的健康值对其进行排序,根据以上公式操作地标算子,存储最佳位置以及最优函数值。
S26:判断迭代次数是否超过预设的地标算子的迭代上限,若超过,则转至步骤S27,否则转至步骤S25;
S27、输出位置信息的最优解。
S3、对位置信息的最优解进行优化以对交通流量进行预测。步骤S3包括步骤S31-S32:
S31、通过Schaffer函数优化位置信息的最优解。
本实施例中,以上为基于基本鸽群算法的初始位置信息最优解基本逻辑,在此之上为了进一步确定最优解,测试了多种优化算法测试函数,其中包含简单单峰函数Sphere函数,多用于全局优化算法的多模态测试的多峰函数Griewank 函数,二维的多峰复杂函数Schaffer 函数,连续型实验函数Ackley函数,非凸、具有多个局部极小值的多峰函数Rastrigin 函数和Shubert函数等,在经过测试后发现,目前存在的优化函数的最优解为Schaffer函数优化的结果:0.005。
S32、通过设置旋转门进行按需能量控制。步骤S32包括步骤S321-S323:
S321、设置通过“0”态和“1”态表示一个量子,量子位状态为:
其中,和/>分别代表“0”态和“1”态的线性概率,且满足:
;
本实施例中,但在现有的最优解结果中,不足以用少量的个体,表达最多得种群特性。主要问题在于训练模型较少,且存储量有限。因此,本专利在优化算法中引入量子实数编码的量子表示(A real-code quantum representation)和量子旋转门(Quantumrotation gate, QRG)原理。一个量子可以通过“0”态和“1”态进行表示,即正态与伪态。
S322、设置控制每个量子的旋转门,如果全局最优解在迭代结束之后旋转门发生改变,则旋转门增加;否则,将概率幅值全部重置为初始值以防止算法陷入局部最优。
本实施例中,为了更好的对系统进行控制,利用软件定义控制每个量子旋转门,如果全局最优解在迭代结束之后发生改变,则通过量子旋转门增加;否则,将概率幅值全部重置为初始值,防止算法陷入局部最优。
S323、进行按需能量控制:
其中,为预设的旋转角,/>为预设的最小阈值。
本实施例中,参见图4,图4是本发明一实施例提供的云端系统的结构示意图;云端系统中包含元数据存储,集群成员管理,实例管理,消息队列管理,数据扩容,故障回复和告警管理,通过自适应软件定义系统,对集群状态进行管理和确认。
参见图5,图5是本发明一实施例提供的交通预测模型的流程图,在软件定义系统控制下的量子旋转门,能够很好的模拟和优化鸽群理论,同时能够更好的记录车辆行驶状态,使少量数据量预测精度进一步优化。
本发明还提供一种基于量子鸽群算法的交通流量预测装置,该基于量子鸽群算法的交通流量预测装置包括:
收集模块,用于收集驾驶员的位置信息;
最优解模块,用于采用量子鸽群算法获取位置信息的最优解;
优化模块,用于对位置信息的最优解进行优化以对交通流量进行预测。
所述收集模块包括:
终端采集子模块,用于通过移动终端采集终端位置信息以收集驾驶员的位置信息,使驾驶员的位置信息作为鸽子的位置信息;
基站设置子模块,用于依据所处位置设置基于基站的定位精度,设置采样时间为不均匀的时间采样且数据具有连续性。
所述最优解模块包括:
初始化子模块,用于初始化参数及位置信息;
随机设置子模块,用于设置每只鸽子的随机速度和位置信息,比较每只鸽子的适应度,找出当前最优解;
第一迭代子模块,用于根据
对第j只鸽子的速度信息和位置信息进行迭代及更新,然后比较所有鸽子的适应度,找到新的最优解;其中,为第j只鸽子在t时刻的速度,/>为除了第j只鸽子以外其他鸽子的速度,rand用于产生一随机数,/>为迭代后中心鸽子的速度,R为罗盘算子,为t时刻最优解,/>为第j只鸽子在t时刻的位置;
第一上限判断子模块,用于当迭代次数达到预设的地图和指南针算子的迭代上限时,停止当前迭代并转至第一迭代子模块,否则转至第二迭代子模块;
第二迭代子模块,用于根据
对第i只鸽子的速度信息和位置信息进行迭代及更新;其中,为t时刻鸽子适应度的迭代取值,/>为中心鸽子的位置更新策略;
第二上限判断子模块,用于判断迭代次数是否超过预设的地标算子的迭代上限,若超过,则转至输出子模块,否则转至第二迭代子模块;
输出子模块,用于输出位置信息的最优解。
所述优化模块包括:
函数优化子模块,用于通过Schaffer函数优化位置信息的最优解;
旋转门控制子模块,用于通过设置旋转门进行按需能量控制;
所述旋转门控制子模块包括:
量子设置子模块,用于设置通过“0”态和“1”态表示一个量子,量子位状态为:
其中,和/>分别代表“0”态和“1”态的线性概率,且满足:
;
旋转门设置子模块,用于设置控制每个量子的旋转门,如果全局最优解在迭代结束之后旋转门发生改变,则旋转门增加;否则,将概率幅值全部重置为初始值以防止算法陷入局部最优;
能量控制子模块,用于进行按需能量控制:
其中,为预设的旋转角,/>为预设的最小阈值。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种基于量子鸽群算法的交通流量预测方法中的步骤。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一种基于量子鸽群算法的交通流量预测方法中的步骤,因此,可以实现本发明实施例所提供的任一种基于量子鸽群算法的交通流量预测方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于量子鸽群算法的交通流量预测方法,其特征在于,包括:
收集驾驶员的位置信息;
采用量子鸽群算法获取位置信息的最优解;
对位置信息的最优解进行优化以对交通流量进行预测;
所述采用量子鸽群算法获取位置信息的最优解,包括步骤S21-S27:
S21、初始化参数及位置信息;
S22、设置每只鸽子的随机速度和位置信息,比较每只鸽子的适应度,找出当前最优解;
S23、根据
对第j只鸽子的速度信息和位置信息进行迭代及更新,然后比较所有鸽子的适应度,找到新的最优解;其中,为第j只鸽子在t时刻的速度,/>为除了第j只鸽子以外其他鸽子的速度,rand用于产生一随机数,/>为迭代后中心鸽子的速度,R为罗盘算子,为t时刻最优解,/>为第j只鸽子在t时刻的位置;
S24、若迭代次数达到预设的地图和指南针算子的迭代上限,则停止当前迭代并转至步骤S25,否则跳转至步骤S23;
S25、根据
对第i只鸽子的速度信息和位置信息进行迭代及更新;其中,为t时刻鸽子适应度的迭代取值,/>为中心鸽子的位置更新策略,/>为第i只鸽子在t时刻的位置,为第i只鸽子在t-1时刻的位置;
S26:判断迭代次数是否超过预设的地标算子的迭代上限,若超过,则转至步骤S27,否则转至步骤S25;
S27、输出位置信息的最优解;
所述对位置信息的最优解进行优化以对交通流量进行预测,包括:
通过Schaffer函数优化位置信息的最优解;
通过设置旋转门进行按需能量控制;
所述通过设置旋转门进行按需能量控制,包括:
设置通过“0”态和“1”态表示一个量子,量子位状态为:
其中,和/>分别代表“0”态和“1”态的线性概率,且满足:
;
设置控制每个量子的旋转门,如果全局最优解在迭代结束之后旋转门发生改变,则旋转门增加;否则,将概率幅值全部重置为初始值以防止算法陷入局部最优;
进行按需能量控制:
其中,为预设的旋转角,/>为预设的最小阈值,/>为第i只鸽子在t时刻“0”态的线性概率,/>为第i只鸽子在t+1时刻“0”态的线性概率。
2.根据权利要求1所述的基于量子鸽群算法的交通流量预测方法,其特征在于,所述收集驾驶员的位置信息,包括:
通过移动终端采集终端位置信息以收集驾驶员的位置信息,使驾驶员的位置信息作为鸽子的位置信息;
依据所处位置设置基于基站的定位精度,设置采样时间为不均匀的时间采样且数据具有连续性。
3.一种基于量子鸽群算法的交通流量预测装置,其特征在于,包括:
收集模块,用于收集驾驶员的位置信息;
最优解模块,用于采用量子鸽群算法获取位置信息的最优解;
优化模块,用于对位置信息的最优解进行优化以对交通流量进行预测;
所述最优解模块包括:
初始化子模块,用于初始化参数及位置信息;
随机设置子模块,用于设置每只鸽子的随机速度和位置信息,比较每只鸽子的适应度,找出当前最优解;
第一迭代子模块,用于根据
对第j只鸽子的速度信息和位置信息进行迭代及更新,然后比较所有鸽子的适应度,找到新的最优解;其中,为第j只鸽子在t时刻的速度,/>为除了第j只鸽子以外其他鸽子的速度,rand用于产生一随机数,/>为迭代后中心鸽子的速度,R为罗盘算子,为t时刻最优解,/>为第j只鸽子在t时刻的位置;
第一上限判断子模块,用于当迭代次数达到预设的地图和指南针算子的迭代上限时,停止当前迭代并转至第一迭代子模块,否则转至第二迭代子模块;
第二迭代子模块,用于根据
对第i只鸽子的速度信息和位置信息进行迭代及更新;其中,为t时刻鸽子适应度的迭代取值,/>为中心鸽子的位置更新策略,/>为第i只鸽子在t时刻的位置,为第i只鸽子在t-1时刻的位置;
第二上限判断子模块,用于判断迭代次数是否超过预设的地标算子的迭代上限,若超过,则转至输出子模块,否则转至第二迭代子模块;
输出子模块,用于输出位置信息的最优解;
所述优化模块包括:
函数优化子模块,用于通过Schaffer函数优化位置信息的最优解;
旋转门控制子模块,用于通过设置旋转门进行按需能量控制;
所述旋转门控制子模块包括:
量子设置子模块,用于设置通过“0”态和“1”态表示一个量子,量子位状态为:
其中,和/>分别代表“0”态和“1”态的线性概率,且满足:
;
旋转门设置子模块,用于设置控制每个量子的旋转门,如果全局最优解在迭代结束之后旋转门发生改变,则旋转门增加;否则,将概率幅值全部重置为初始值以防止算法陷入局部最优;
能量控制子模块,用于进行按需能量控制:
其中,为预设的旋转角,/>为预设的最小阈值,/>为第i只鸽子在t时刻“0”态的线性概率,/>为第i只鸽子在t+1时刻“0”态的线性概率。
4.根据权利要求3所述的基于量子鸽群算法的交通流量预测装置,其特征在于,所述收集模块包括:
终端采集子模块,用于通过移动终端采集终端位置信息以收集驾驶员的位置信息,使驾驶员的位置信息作为鸽子的位置信息;
基站设置子模块,用于依据所处位置设置基于基站的定位精度,设置采样时间为不均匀的时间采样且数据具有连续性。
5.一种计算机可读存储介质,其特征在于,所述存储介质中存储有多条指令,所述指令适于由处理器加载以执行权利要求1至2任一项所述的一种基于量子鸽群算法的交通流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311681527.0A CN117373263B (zh) | 2023-12-08 | 2023-12-08 | 一种基于量子鸽群算法的交通流量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311681527.0A CN117373263B (zh) | 2023-12-08 | 2023-12-08 | 一种基于量子鸽群算法的交通流量预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117373263A CN117373263A (zh) | 2024-01-09 |
CN117373263B true CN117373263B (zh) | 2024-03-08 |
Family
ID=89391479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311681527.0A Active CN117373263B (zh) | 2023-12-08 | 2023-12-08 | 一种基于量子鸽群算法的交通流量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117373263B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150609A (zh) * | 2013-02-18 | 2013-06-12 | 健雄职业技术学院 | 一种短时交通流量预测模型的建模方法 |
CN104599501A (zh) * | 2015-01-26 | 2015-05-06 | 大连理工大学 | 一种混合人工鱼群算法优化支持向量回归的交通流预测方法 |
CN107085942A (zh) * | 2017-06-26 | 2017-08-22 | 广东工业大学 | 一种基于狼群算法的交通流预测方法、装置及系统 |
CN108376470A (zh) * | 2018-01-17 | 2018-08-07 | 佛山杰致信息科技有限公司 | 基于粒子群算法的交通道路拥堵预测方法 |
CN109215344A (zh) * | 2018-09-27 | 2019-01-15 | 中电科大数据研究院有限公司 | 用于城市道路短时交通流量预测的方法和系统 |
WO2021027153A1 (zh) * | 2019-08-15 | 2021-02-18 | 平安科技(深圳)有限公司 | 交通流数据分析模型的构建方法和装置 |
CN116721537A (zh) * | 2023-04-21 | 2023-09-08 | 淮阴工学院 | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 |
CN116728404A (zh) * | 2023-05-23 | 2023-09-12 | 中国建筑第四工程局有限公司 | 一种基于量子鸽群优化的机械臂模糊pid控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107504972B (zh) * | 2017-07-27 | 2018-08-07 | 北京航空航天大学 | 一种基于鸽群算法的飞行器航迹规划方法及装置 |
US11727812B2 (en) * | 2017-07-27 | 2023-08-15 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
-
2023
- 2023-12-08 CN CN202311681527.0A patent/CN117373263B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150609A (zh) * | 2013-02-18 | 2013-06-12 | 健雄职业技术学院 | 一种短时交通流量预测模型的建模方法 |
CN104599501A (zh) * | 2015-01-26 | 2015-05-06 | 大连理工大学 | 一种混合人工鱼群算法优化支持向量回归的交通流预测方法 |
CN107085942A (zh) * | 2017-06-26 | 2017-08-22 | 广东工业大学 | 一种基于狼群算法的交通流预测方法、装置及系统 |
CN108376470A (zh) * | 2018-01-17 | 2018-08-07 | 佛山杰致信息科技有限公司 | 基于粒子群算法的交通道路拥堵预测方法 |
CN109215344A (zh) * | 2018-09-27 | 2019-01-15 | 中电科大数据研究院有限公司 | 用于城市道路短时交通流量预测的方法和系统 |
WO2021027153A1 (zh) * | 2019-08-15 | 2021-02-18 | 平安科技(深圳)有限公司 | 交通流数据分析模型的构建方法和装置 |
CN116721537A (zh) * | 2023-04-21 | 2023-09-08 | 淮阴工学院 | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 |
CN116728404A (zh) * | 2023-05-23 | 2023-09-12 | 中国建筑第四工程局有限公司 | 一种基于量子鸽群优化的机械臂模糊pid控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117373263A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220164686A1 (en) | Joint processing for embedded data inference | |
KR102335389B1 (ko) | 자율 주행 차량의 lidar 위치 추정을 위한 심층 학습 기반 특징 추출 | |
US20210309183A1 (en) | Intelligent Detection and Alerting of Potential Intruders | |
KR102350181B1 (ko) | 자율 주행 차량에서 rnn 및 lstm을 사용하여 시간적 평활화를 수행하는 lidar 위치 추정 | |
CN112133089B (zh) | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 | |
WO2022222095A1 (zh) | 轨迹预测方法、装置、计算机设备和存储介质 | |
CN110175507B (zh) | 模型评估方法、装置、计算机设备和存储介质 | |
US20210020036A1 (en) | Predicting short-term traffic flow congestion on urban motorway networks | |
CN112287801A (zh) | 车载数据处理方法、装置、服务器和可读存储介质 | |
Taghavi et al. | Identifying truck stops from a large stream of gps data via a hidden markov chain model | |
CN113869778A (zh) | 一种基于城市管理的无人机河道巡检方法及系统 | |
CN114360261B (zh) | 车辆逆行的识别方法、装置、大数据分析平台和介质 | |
Wu et al. | Lane-GNN: Integrating GNN for Predicting Drivers' Lane Change Intention | |
CN117373263B (zh) | 一种基于量子鸽群算法的交通流量预测方法及装置 | |
CN114132340A (zh) | 一种变道轨迹预测方法、装置及计算机存储介质 | |
KR102108790B1 (ko) | 저지대 침수 예측 시스템 및 그 구동방법 | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
CN112896179A (zh) | 车辆操作参数 | |
US20180157770A1 (en) | Geometric proximity-based logging for vehicle simulation application | |
Ranacher et al. | A model to estimate and interpret the energy-efficiency of movement patterns in urban road traffic | |
CN116972860A (zh) | 偏航识别方法、装置、电子设备及存储介质 | |
Morris et al. | Traffic congestion classification using data mining techniques | |
CN114863688B (zh) | 一种基于无人机的渣土车智能定位方法及系统 | |
Gu et al. | Research on Fast Recognition of Vulnerable Traffic Participants in Intelligent Connected Vehicles on Edge Computing | |
CN113093798B (zh) | 基于电场分布的无人机巡检避险方法、装置及存储介质 |
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 |