西安交通大学学报
西安交通大學學報
서안교통대학학보
Journal of Xi'an Jiaotong University
2015年
10期
103-108
,共6页
许榕%周东%蒋士正%陈启美
許榕%週東%蔣士正%陳啟美
허용%주동%장사정%진계미
交通流%预测%粒子群优化%神经网络
交通流%預測%粒子群優化%神經網絡
교통류%예측%입자군우화%신경망락
traffic flow%forecasting%particle swarm optimization%neural networks
针对传统神经网络预测模型预测结果准确性低且存在大量无效迭代的问题,提出了自适应权重粒子群神经网络交通流预测(PSOA-NN)模型.首先根据待预测点的上下游观测点数和历史数据,随机初始化若干组模型参数并计算每组参数对应粒子的适应度;然后采用改进的sigmoid函数替代原有模型中的固定惯性权重,并根据其中适应度变好的粒子更新粒子速度和位置,一直迭代到粒子适应度小于预设值为止;最后将满足条件粒子对应的模型参数应用到神经网络模型,根据实时交通流数据预测出15 min后的数据.仿真结果表明,使用PSOA-NN模型,可使得在同等预测误差范围内收敛速度提升0.6～1.7倍.
針對傳統神經網絡預測模型預測結果準確性低且存在大量無效迭代的問題,提齣瞭自適應權重粒子群神經網絡交通流預測(PSOA-NN)模型.首先根據待預測點的上下遊觀測點數和歷史數據,隨機初始化若榦組模型參數併計算每組參數對應粒子的適應度;然後採用改進的sigmoid函數替代原有模型中的固定慣性權重,併根據其中適應度變好的粒子更新粒子速度和位置,一直迭代到粒子適應度小于預設值為止;最後將滿足條件粒子對應的模型參數應用到神經網絡模型,根據實時交通流數據預測齣15 min後的數據.倣真結果錶明,使用PSOA-NN模型,可使得在同等預測誤差範圍內收斂速度提升0.6～1.7倍.
침대전통신경망락예측모형예측결과준학성저차존재대량무효질대적문제,제출료자괄응권중입자군신경망락교통류예측(PSOA-NN)모형.수선근거대예측점적상하유관측점수화역사수거,수궤초시화약간조모형삼수병계산매조삼수대응입자적괄응도;연후채용개진적sigmoid함수체대원유모형중적고정관성권중,병근거기중괄응도변호적입자경신입자속도화위치,일직질대도입자괄응도소우예설치위지;최후장만족조건입자대응적모형삼수응용도신경망락모형,근거실시교통류수거예측출15 min후적수거.방진결과표명,사용PSOA-NN모형,가사득재동등예측오차범위내수렴속도제승0.6～1.7배.
