CS算法优化BP神经网络的短时交通流量预测_高述涛
- 格式：pdf
- 大小：2.38 MB
- 文档页数：4
下载文档原格式
合集下载
基于BP神经网络的短时客流预测优化
基于BP神经网络的短时客流预测优化短时客流预测优化在公共交通领域中具有重要的意义。
它能够帮助交通管理部门和乘客更好地规划出行、优化调度以及提供更好的服务体验。
本文将介绍一种基于BP神经网络的短时客流预测优化方法，以提高预测准确度和效果。
1. 研究背景随着城市人口增长和交通需求的增加，精确预测公共交通客流成为了一项重要任务。
传统的方法通常采用统计学模型，如ARIMA、SARIMA等。
然而，由于这些模型无法捕捉非线性关系和时空相关性，其预测精度有限。
因此，我们使用BP神经网络来改善短时客流预测的效果。
2. BP神经网络简介BP神经网络是一种常见的人工神经网络模型，它具有自适应学习和适应性调整的能力。
该模型由输入层、隐藏层和输出层构成。
输入层接收输入数据，隐藏层进行数据的处理和特征提取，输出层给出预测结果。
BP神经网络通过反向传播算法进行网络权重的调整和训练，以达到优化预测的目的。
3. 数据准备与特征选取在进行客流预测之前，需要对数据进行准备和特征选取。
首先，我们需要收集历史客流数据和相关的影响因素，如天气、节假日等。
然后，对数据进行预处理，包括去除异常值、缺失值的处理以及数据归一化。
接下来，通过分析历史数据的趋势和周期性，选择适当的特征作为输入。
4. BP神经网络模型建立在建立BP神经网络模型时，需要确定网络的结构和参数设置。
隐藏层的节点数和层数的选择是关键。
一般而言，节点数较多的隐藏层能够更好地捕捉数据的非线性特征。
然而，节点数过多可能导致过拟合问题。
因此，需要通过交叉验证等方法来确定最佳的网络结构。
5. 模型训练与优化模型训练是指通过已有的数据对BP神经网络进行参数调整和优化，以提高预测准确度。
训练过程中，需要选择合适的误差函数和激活函数，调整学习率和动量因子等。
同时，为了防止过拟合，可以采用正则化和早停等方法。
通过不断迭代训练，直到网络收敛为止。
6. 模型评估与预测在训练完成后，需要对模型进行评估和验证。
神经网络在短时交通量预测中的应用
摘要进入21世纪以来，人们的社会生活水平逐渐提高，随着车辆在大多数城市居民中的普及，城市交通拥堵问题恶化迅速。
为切实地解决这个问题，合理地安排交通运行，提高交通设施的使用效率，必须进行交通流的合理分配以及信号灯的优化配置，准确的短时交通流量预测是解决这些问题的重要依据。
近年来BP神经网络被广泛应用于预测研究。
本文设计了三层BP神经网络用于短时交通流量预测。
将预测日前三天同时段的交通量作为输入信号，预测当日某时段的交通量。
文中用江门市区小时交通量数据进行了仿真实验，结果表明该用方法进行短时交通流量预测是可行的。
最后，对预测结果的准确性进行分析和讨论。
关键词短时交通流量；BP神经网络；改进；仿真；预测AbstractSince twenty-first Century, the social life level of people is increasing gradually, along with the vehicle in most city residents in the popular, city traffic congestion problem deteriorated rapidly. In order to solve this problem, arrange the transportation operation rationally, improve the efficiency of the use of transportation facilities, optimize the allocation of a reasonable allocation to traffic flow and signal lamp, accurate traffic flow forecasting is an important basis for solving these problems.In recent years, the BP neural network has been widely used in the prediction of. This paper designs the short-term traffic flow forecasting for the three layer BP neural network. The prediction of traffic volume in three days time recently as the input signal, the traffic volume forecast at a time. With Jiangmen urban traffic volume data based on the simulation results, the results show that the method for short-term traffic flow forecasting is feasible. Finally, the accuracy of the prediction results are analyzed and discussed.Key words Short-term traffic flow BP neural network Improve Simulation Forecast目录摘要 (I)Abstract (II)第1章绪论 (1)1.1 课题背景 (1)1.2 研究目的和意义 (1)1.3 本文研究的主要内容 (1)1.4 本文章节安排 (2)第2章神经网络介绍 (3)2.1 神经网络的发展现状 (3)2.2 神经网络的结构 (3)2.2.1 人工神经元 (3)2.2.2 神经网络的结构 (4)2.3 神经网络的应用与存在问题 (6)2.3.1 神经网络的应用 (6)2.3.2 神经网络存在的问题 (7)2.4 本章小结 (7)第3章 BP神经网络及其算法 (8)3.1 BP神经网络概述 (8)3.2 BP神经网络的结构 (8)3.3 BP算法 (10)3.3.1 BP算法的基本原理 (10)3.3.2 BP算法计算步骤 (13)3.4 BP神经网络的学习方式 (14)3.5 BP神经网络性能分析 (15)3.5.1 BP网络优点 (15)3.5.2 BP网络的不足 (15)3.5.3 BP网络的缺陷与改进 (15)3.6 本章小结 (16)第4章短时交通流量预测网络 (17)4.1 BP神经网络的设计与训练 (17)4.1.1 BP神经网络的设计方法 (17)4.1.2 改进型训练方法 (18)4.1.3 MATLAB神经网络工具箱 (20)4.2 预测网络的设计 (21)4.2.1神经元个数 (21)4.2.2激活函数的选择 (22)4.3预测网络的训练与测试 (22)4.3.1 训练参数设置 (22)4.3.2 仿真实验 (23)4.4 仿真结果分析 (28)4.5 本章小结 (28)结论 (29)参考文献 (30)致谢 (31)附录 (32)第1章绪论1.1 课题背景众所周知，我国是个人口大国，随着我国社会经济的发展，越来越多的内陆人民和农村居民涌入到东南岸沿海城市谋求更高的收入，再加上沿海城市本身的人口，我国的沿海城市都面临着严峻的交通拥堵问题。
基于BP神经网络的高速公路短时交通流预测
以交通流宏观流体模 型为基础 ， 本文 提 出了一 个简化 的
交通流 预测模 型 ， 如图 １ 所示 。该模高速公路站点短 时间交 通流预测 。
况的有效解决手段 ， 也随即吸引 了时下众 多专家 的关 注和重 视…， 其 中的短 时交 通流则是 交通 控制 、 车辆导航 等 领域亟 待解决 的热点课题 。近些年 ， 鉴于神经 网络具有 的表示任意
ｔ ｒ ａ ｆ ｉ ｆ ｃ ｌ ｆ ｏ ｗ ｍｏ ｄ ｅ ｌ ａ ｎ ｄ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｅ ｓ ａ ＢＰ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ ｍｏ ｄ ｅ ｌ ｔ ｏ ｔ ｒ ａ ｉ ｎ ａ ｎ ｄ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｍａ ｔ ｌ ａ ｂ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｔ ｏ ｏ ｌ ｂ ｏ ｘ ．
Ｈｉ ｇ ｈｗａ ｙ Ｄｙ ｎ ａ ｍｉ ｃ Ｔｒ ａ ｉｃ ｆ Ｆｌ ｏ ｗ Ｐｒ ｅ ｄｉ ｃ ｔ ｉ ｏ ｎ ｂａ ｓ ｅ ｄ ｏ ｎ ＢＰ Ｎｅ ｕｒ ａ ｌ Ｎｅ ｔ ｗｏ ｒ ｋ
ＤＡＩ Ｈｏ ｎ ｇ ｂ ｏ， Ｚ ＥＮＧ Ｘｉ ａ ｎ ｈ ｕ ｉ
Ｉ ｔ ｍｏ ｄ ｅ ｌ ｓ ａ ｎ ｄ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｓ ｒ ｅ ｌ ａ ｄ ａ ｔ ａ ｃ ｏ ｌ ｌ ｅ ｃ ｔ ｉ ｏ ｎ ｆ ｒ ｏ ｍ ｔ ｒ ａ ｆ ｉ ｆ ｃ ｆ ｌ ｏ ｗ ｎ ｅ ａ ｒ ｂ ｙ Ｊ ｉ ａ Ｘｉ ｎ ｇ ｓ ｔ ａ ｔ ｉ ｏ ｎ ．Ｆ ｒ ｏ ｍ ｔ ｈ ｅ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｅ ｄ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ， ｔ ｈ ｉ ｓ Ｂ Ｐ ｎ ｅ ｌ ｌ —
第 ５卷 第 ４期 ２ ０ １ ５年 ８月
智 能 计 算 机 与 应 用
交通流 预测模 型 ， 如图 １ 所示 。该模高速公路站点短 时间交 通流预测 。
况的有效解决手段 ， 也随即吸引 了时下众 多专家 的关 注和重 视…， 其 中的短 时交 通流则是 交通 控制 、 车辆导航 等 领域亟 待解决 的热点课题 。近些年 ， 鉴于神经 网络具有 的表示任意
ｔ ｒ ａ ｆ ｉ ｆ ｃ ｌ ｆ ｏ ｗ ｍｏ ｄ ｅ ｌ ａ ｎ ｄ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｅ ｓ ａ ＢＰ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ ｍｏ ｄ ｅ ｌ ｔ ｏ ｔ ｒ ａ ｉ ｎ ａ ｎ ｄ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｍａ ｔ ｌ ａ ｂ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｔ ｏ ｏ ｌ ｂ ｏ ｘ ．
Ｈｉ ｇ ｈｗａ ｙ Ｄｙ ｎ ａ ｍｉ ｃ Ｔｒ ａ ｉｃ ｆ Ｆｌ ｏ ｗ Ｐｒ ｅ ｄｉ ｃ ｔ ｉ ｏ ｎ ｂａ ｓ ｅ ｄ ｏ ｎ ＢＰ Ｎｅ ｕｒ ａ ｌ Ｎｅ ｔ ｗｏ ｒ ｋ
ＤＡＩ Ｈｏ ｎ ｇ ｂ ｏ， Ｚ ＥＮＧ Ｘｉ ａ ｎ ｈ ｕ ｉ
Ｉ ｔ ｍｏ ｄ ｅ ｌ ｓ ａ ｎ ｄ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｓ ｒ ｅ ｌ ａ ｄ ａ ｔ ａ ｃ ｏ ｌ ｌ ｅ ｃ ｔ ｉ ｏ ｎ ｆ ｒ ｏ ｍ ｔ ｒ ａ ｆ ｉ ｆ ｃ ｆ ｌ ｏ ｗ ｎ ｅ ａ ｒ ｂ ｙ Ｊ ｉ ａ Ｘｉ ｎ ｇ ｓ ｔ ａ ｔ ｉ ｏ ｎ ．Ｆ ｒ ｏ ｍ ｔ ｈ ｅ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｅ ｄ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ， ｔ ｈ ｉ ｓ Ｂ Ｐ ｎ ｅ ｌ ｌ —
第 ５卷 第 ４期 ２ ０ １ ５年 ８月
智 能 计 算 机 与 应 用
基于BP神经网络的高速公路短时交通流预测
基于BP神经网络的高速公路短时交通流预测作者：戴洪波曾献辉来源：《智能计算机与应用》2015年第04期摘要：以高速公路交通流预测为研究对象，简化了高速公路宏观动态交通流模型，利用Matlab神经网络工具建立模型并进行网络训练与预测。
对嘉兴站附近高速公路交通流数据进行了采集、建模和预测。
从预测结果中得知，基于BP神经网络交通流预测模型具有很高的可靠度，该简化的交通流模型更为简练，预测结果亦可以点带面地面描述该站点一定空间及时间范围内的交通流情况。
关键词：高速公路；交通流预测；BP神经网络中图分类号：TP393.0 文献标识码：A 文章编号：2095-2163（2015）04-Highway Dynamic Traffic Flow Prediction based on BP Neural NetworkDAI Hongbo，ZENG Xianhui（College of Information Science and Technology，Donghua University，Shanghai 201620，China）Abstract：This paper takes highway traffic fIow prediction as object of study，simplifies the highway macroscopic dynamic traffic flow model and establishes a BP neural network model to train and predict based on Matlab neural network toolbox. It models and predicts real data collection from traffic flow nearby JiaXing station. From the predicted results， this BP neural network model is proved to be highly reliable. It carries out that the simplified model of traffic flow is more concise，predictions can also describe a certain space and time of the site’s traffic situation through a point to an area.Keywords： Highway； Traffic Flow Prediction； BP Neural Network0 引言随着社会经济的发展和私家车保有量的逐年递增，出行车辆日渐增多，随之而来的交通拥堵，交通事故等问题即已成为困扰社情民生的重大事件。
改进PSO优化的BP神经网络短时交通流预测
神经网络的预测精度主要取决于优化权阈值时所采用的粒 子群算法性能，因此，本文首先提出了一种改进粒子群算法， 在其迭代过程中，当判断算法未成熟收敛时，除最优值对应 的个体外，其它部分个体执行遗传算法交叉与变异操作，另 外部分个体随机初始化，并应用于两种典型测试函数最优化 求解。仿真结 果 表 明，新 算 法 有 效 提 高 了 收 敛 精 度 与 稳 定 性。在将改进粒子群算法应用于 BP 神经网络权阈值优化 时，首先根据 BP 神经网络不同隐含层单元数对应的结果，确 定 BP 神经网络隐含层单元数目，并在改进粒子群算法种群 初始化时，包含 BP 神经网络目前“最优”权阈值所对应的个 体，有效提高了预测精度。在此基础上，开发了基于 BP 神经 网络城市短时交通流预测软件，简洁高效，可应用于城市短 时交通流预测。
BP Neural Network Short － term Traffic Flow ediction Based on Improved Particle Swarm Optimization
MA Qiu － fang
（ College of Big Date，Qingdao Huanghai University，Qingdao Shandong 266427，China）
①BP 神经网络隐含层单元数的确定缺乏依据； ②利用粒子群算法优化 BP 神经网络权阈值时，初始种 群个体全部为随机生成的，没有包含基于先验知识对应的个 体，从而影响了算法的收敛精度与速度。 针对上述不足之处，本文提出了一种基于改进粒子群算 法优化的 BP 神经网络城市短时交通流预测模型。鉴于 BP
第 36 卷 第 4 期 文章编号： 1006 － 9348（ 2019） 04 － 0094 － 005
计算机仿真
遗传算法优化BP神经网络的短时交通流混沌预测
其中: wmax 和 wmin 分别为基因 wij 取值的上下界, r 为 [0,1] 间的随机数, r2 为一个随机数, g 为当前个体分解为 BP 神经网 络的连接权值和阈值, 以此作为 BP 神经网络预测模 型的初始权值和阈值, BP 神经网络预测模型经训练 后, 输出混沌时间序列预测最优解.
1583
经网络混沌时间序列预测模型 (BP 模型); 2) 采用 GA 优化一般 BP 神经网络的改进混沌时间序列预测模 型 (GABP 模型). 应用上述 2 种预测模型分别对 3 种 典 型 非 线 性 系 统 的 混 沌 时 间 序 列 (Logistic, Henon, Lorenz) 进行数据预测对比实验, 对实测交通流时间 序列进行交通量预测对比实验. 实验中的时间序列数据按下式处理成均值为 0, 振幅为 1 的归一化时间序列, 并对归一化时间序列进 行相空间重构:
T
,
(1)
为了得到高精度权值和阈值, 采用实数编码方法. Step 2: 确定个体的评价函数. 给定一个 BP 神经 网络进化参数, 将 Step 1 中得到的染色体对 BP 神经 网络权值和阈值进行赋值, 输入训练样本进行神经网 络训练, 达到设定的精度得到网络训练输出值, 以训 练误差平方和作为种群 W 中个体 Wi 的适应度. Step 3: 采用轮盘赌法选择算子, 即基于适应度比 例的选择策略对每一代种群中的染色体进行选择. 选 择概率为
f (g ) = r2 (1 − g/Gmax ).
的. 式 (2) 即为 BP 神经网络的混沌时间序列预测模 型, 用 BP 神经网络来预测混沌时间序列, 其隐层神经 元数 p 一般可取经验值 2m + 1.
(6) (7)
3 GA 优 化 BP 神 经 网 络 的 混 沌 时 间 序 列 的 预测算法
改进粒子群算法优化BP神经网络的短时交通流预测
改进粒子群算法优化BP神经网络的短时交通流预测一、概述随着城市化进程的加速和交通系统的日益复杂，短时交通流预测已成为智能交通系统（ITS）的关键组成部分。
准确的短时交通流预测能够帮助交通管理部门和道路使用者更好地理解和应对交通拥堵，优化交通流，减少出行时间，提高道路使用效率。
近年来，人工智能技术的发展为短时交通流预测提供了新的解决思路，基于神经网络的预测模型因其强大的非线性映射能力而备受关注。
BP（Back Propagation）神经网络作为最常用的一种神经网络，具有自学习、自组织和适应性强的特点，已被广泛应用于各种预测问题中。
BP神经网络在训练过程中存在易陷入局部最优解、收敛速度慢等问题，这在一定程度上限制了其在短时交通流预测中的性能。
粒子群优化（Particle Swarm Optimization, PSO）算法是一种基于群体智能的优化算法，通过模拟鸟群捕食行为中的信息共享机制，实现全局搜索和快速收敛。
PSO算法具有参数少、易于实现、全局搜索能力强等优点，被广泛应用于函数优化、神经网络训练等领域。
传统的PSO算法在解决复杂优化问题时也面临着陷入局部最优、搜索精度不高等问题。
为了克服BP神经网络和PSO算法的不足，提高短时交通流预测的精度和效率，本文提出了一种改进粒子群算法优化BP神经网络的短时交通流预测方法。
该方法首先对PSO算法进行改进，通过引入惯性权重调整策略、速度限制策略和局部搜索策略，提高算法的全局搜索能力和局部搜索精度。
将改进后的PSO算法用于优化BP神经网络的权值和阈值，提高神经网络的训练速度和预测精度。
通过实际交通流数据的实验验证，证明该方法在短时交通流预测中具有良好的性能。
本文的研究不仅有助于提高短时交通流预测的准确性和效率，为智能交通系统的发展提供有力支持，同时也为粒子群算法和神经网络在交通领域的应用提供了新的思路和方法。
1. 交通流预测的重要性和应用场景交通流预测，作为智能交通系统（ITS）的重要组成部分，对于现代城市的发展和管理具有至关重要的意义。
基于BP神经网络的短时客流预测优化
Science and Technology &Innovation ┃科技与创新2023年第19期·13·文章编号：2095-6835（2023）19-0013-03基于BP 神经网络的短时客流预测优化＊陆中石（安徽交通职业技术学院，安徽合肥230051）摘要：先利用应用比较广泛的BP （Back Propagation ，反向传播）神经网络算法对某地铁站1h 的进站客流进行预测。
针对BP 算法初始权值和阈值难以确定，容易导致目标函数错误获得局部最优解的缺点，引入遗传算法，以优化前的预测误差为适应度函数对BP 算法进行改进提升得到优化后的预测模型，并以优化前后预测的分时客流进行对比。
结果表明，优化后预测值和真实值的最大相对误差和平均绝对百分比误差均有明显减小，验证了改进后的模型性能。
关键词：客流预测；神经网络；遗传算法优化；模型性能中图分类号：U293.1文献标志码：ADOI ：10.15913/ki.kjycx.2023.19.004城市轨道交通运营中客流变化关乎运营效率和运营效益，如何应对随时波动变化的客流成为行业研究热点。
对城市轨道交通客流进行短时预测研究时，主要有以下3类方法。
第一类是基于传统的纯数学统计方法的客流预测模型。
如通过数理统计的方法按时间先后顺序分析客流数据并找出前后数据之间的变量关系，建立数学模型从而对未来短时客流进行预测。
光志瑞[1]在线网周边土地利用开发和线路可达性深入分析的基础上建立进出站客流量与上述指标之间的数学统计关系并用于对客流进行预测。
第二类方法即是当下非常热门的智能算法，而在这其中神经网络更是应用广泛。
张杉基[2]先分别运用LSTM 、Light GBM 和XGBoost 智能模型进行短时客流预测，随后利用系数进行叠加处理，为客流预测提供了一种新思路。
第三类是将数学模型与神经网络算法相互融合的混合预测模型。
PINTO 等[3]学者建立了一种基于Metronamica 软件的元胞自动机模型来预测交通客流状况从而为潜在的土地使用政策、环境适宜性和交通替代方等政策的制定提供参考支撑。
短时交通流量预测的IPSO-BPNN算法
短时交通流量预测的IPSO-BPNN算法蔡玥【摘要】To improve the prediction precision of short-term traffic flow, this paper proposes a nonlinear short-term traffic flow prediction model based on parameters joint optimization algorithm, which uses the relationship between the phase space reconstruction and prediction model parameters. The phase space reconstruction and prediction model parameters are taken as particle of Improved Particle Swarm Optimization algorithm (IPSO) while the prediction accuracy of short-term traffic flow as the evaluation function of CPSO. The optimization parameters are obtained by collaboration among particles. The performance of proposed model is tested by short-term traffic low data. The results show that the proposed method has improved the prediction precision compared with the traditional parameters optimization algorithm; it is a new way for the nonlinear prediction problem.%为了提高短时交通流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种粒子群优化神经网络的短时交通流量预测模型.将相空间重构和预测模型参数编码为粒子群的粒子,短时交通流量预测精度作为粒子群的适应度函数,通过粒子之间协作获得预测模型全局最优参数,通过BP神经网络建立预测模型,利用短时交通流量数据对模型性能进行测试.结果表明,相对于传统参数优化方法,粒子群优化神经网络提高了短时交通流量的预测精度,为非线性预测问题提供了一种新的研究思路.【期刊名称】《计算机工程与应用》【年(卷),期】2012(048)027【总页数】5页(P239-243)【关键词】短时交通流量;相空间重构;粒子群优化算法;神经网络【作者】蔡玥【作者单位】湖南工程职业技术学院信息工程系,长沙410151【正文语种】中文【中图分类】TP393CAI Yue.IPSO-BPNN for short-term traffic flow puter Engineering and Applications,2012,48（27）：239-243.随着智能交通系统的迅速发展，实时准确的交通流预测是交通规划和交通诱导基础。
基于BP神经网络的短时交通流量预测概述
龙源期刊网
基于BP神经网络的短时交通流量预测概述作者：石博莹张昊旻
来源：《电子世界》2012年第11期
【摘要】通过记录每日每地每时的交通流量，可生成统计数据，进而可形成有效高，时效性强的神经网络训练集，通过使用基本的BP神经网络方法，可利用训练集的数据来预测将来所需要的某时的交通流量大小。
通过发布交通流预测信息于市民，可令有出行计划的市民更好地规划出行方式、路线并有效缓解各地交通压力过大情况。
此方法可用价值高。
本文具体分析了城市交通流量特征，在此基础上建立了基于BP神经网络的交通流量预测模型，并应用实际交通流量数据对预测模型进行了验证，得出结论：BP神经网络预测精度较高。
【关键词】BP神经网络；交通流量；预测模型；交通压力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1
引言
随着城市化进程加快和交通流量增加， 交通堵塞日益
型对未来时刻的短时交通流量值进行预测 [7]。 BP 神经网络 具有自学习和逼近任意非线性系统的能力， 本文选择 BP 神经网络作为短时交通流量预测算法。在短时交通流量 建模过程中， BP 神经网络的预测性能与初始连接权值、 阈 值等参数相关， 如果参数选择不当， 易出现收敛速度慢， 陷 入局部最优等缺陷。为解决此难题， 学者们提出采用遗传 算法、 粒子群算法、 模拟退火算法、 蚁群算法等对 BP 神经 网络参数进行优化 [8-9]， 但是这些算法均存在各自不同程度 的缺陷， 短时交通流量预测精度有待进一步提高。 布谷鸟搜索 （Cuckoo Search， CS） 算法是一种新型群 体智能优化算法， 不仅结合了许多鸟类及果蝇特殊的利维 飞行模式进行搜索， 而且增加了群体之间的信息交流， 加 快收敛速度， 为 BP 神经网络机参数优化提供了一种新的 研究工具 [10]。为了提高短时交通流量预测精度， 提出一种 CS 算法优化 BP 神经网络参数的短时交通流量预测模型 （CS-BPNN）。 仿 真 结 果 表 明 ， 相对于其他预测模型，
设一个短时交通流量动力系统的输入为 X (i) = { x(i -
(m - 1)τ x(i - τ ) x(i)} ， 输出为 y(i) = x(i + 1) ， BP 神经网络
输入节点数为短时交通流量的嵌入维数 m 、 隐层为 p 、 输 出个数为 1， 那么通过 f:R m ® R 完成映射。隐层各节点的 输入为：
p ′t = p t + a Å ε a 为常数； ε 为 p t 的同阶矩阵。 式中，
(t ) (t ) (t ) (t ) (t ) (t ) (t )
根据式 （1） 可知， 相空间重构结果的优劣由 τ 和 m 决 定， 本文采用互信息法计算 τ 和关联维长算法确定 m 。
2.2
BP 神经网络算法
L = å w jk b j - θ k
j=1
（4） （5）
找到当前最优鸟巢 x b 。 步骤 3 保留上一代最优鸟巢位置 x b ， 根据式 （6） 对其 他鸟巢进行更新， 得到一组新的鸟巢位置， 并对它们进行 测试， 并与上一代的鸟巢位置 p t - 1 = [ x1
(t ) (t ) (t ) (t - 1) (0)
严重， 智能交通系统受到了人们的重视， 实时、 准确的交通 流量预测是实现智能交通管理的基础， 尤其是短时交通流 量的预测尤为重要 。 多年来， 许多学者和研究人员对短时交通流量预测进 行深入研究， 当前主要有两类短时交通流量预测方法： 一 类是基于确定理论， 如时间序列、 多元线性回归、 卡尔曼滤 波等算法 [2-3]， 它们基于交通流量是一种线性变化规律， 然 而实际交通流量由于人的参与， 具有时变、 非线性变化特 点， 这些算法难以建立准确的预测模型， 预测结果不理想 。 另一类是基于混沌理论， 主要有基于神经网络、 支持向量 机等交通流量预测方法， 它们具有较强的非线性预测能 力， 预测精度较高
（1） 布谷鸟一次下一个蛋， 随机放在一个鸟巢中进行 孵化。 （2） 一部分鸟巢放着优质蛋， 这些鸟巢将被保留到下 一代。 （3） 布谷鸟蛋被寄主鸟发现， 寄主鸟就丢弃鸟蛋或者 鸟巢， 寻找新的鸟巢， 以免影响寻找优化问题的解 [11]。 设 x i 为第 i 个鸟巢在第 t 代的鸟巢位置，L( λ) 为随机 搜索路径， 那么布谷鸟寻巢的路径和位置更新公式为：
（CS-BPNN） 。基于混沌理论对短时交通流量时间序列进行相空间重构， 将重构后的时间序列输入到 BP 神经网络进行学习， 采用布谷鸟搜索算法找到 BP 神经网络最优参数， 建立短时交通流量预测模型， 通过具体实例对 CS-BPNN 性能进行测试。 仿真结果表明， 相对于对比模型， CS-BPNN 提高了短时交通流量的预测精度， 更加准确反映了短时交通流量的变化趋势。 关键词： 短时交通流量； 相空间重构； 布谷鸟搜索算法； 高斯扰动； 反向传播 （BP） 神经网络 文献标志码： A 中图分类号： TP393 doi： 10.3778/j.issn.1002-8331.1212-0188
阈值。 隐层节点的输出为：
bj = 1 æ æ öö ç1 + exp ç å w ij x i - θ j ÷ ÷ èi=1 øø è
m p
互信息法和关联维法确定 τ 和 m ， 然后根据 τ 和 m 对短时 交通流量时间序列进行重构， 产生 BP 神经网络学习样本。
( j = 1 2 p)
(0)
xi + 1 =
1 (1 + exp( å v j b j - γ ))
j=1 p
v j 为隐层至输出层的连接权值； γ 为输出层的阈值。 式中，
x 2 x n
(t - 1)
(t - 1) T
]
进行比较， 用较好的鸟巢位置替代较差的鸟巢位置， 得到 一组较优鸟巢位置 k t = [ x1 x 2 x n ]T 。 步骤 4 将随机数 r 与 P a 比较， 保留 k t 中被发现概率 较小的鸟巢， 同时随机改变其他鸟巢， 得到一组新鸟巢位 置， 对新鸟巢位置进行测试， 并与 k t 中每个鸟巢位置进行 比较， 用较优鸟巢位置替换较差鸟巢位置， 得到一组较优 鸟巢位置 p t = [ x1 x 2 x n ]T 。
(t ) (t ) (t ) (t ) (t ) (t )
在 BP 神经网络开始训练前， 随机初始化各层连接权 值和阈值会导致 BP 神经网络的收敛速度慢， 且容易使最 终结果为非最优解， 短时交通流量预测效果有时不理想， 为此采用布谷鸟搜索 （CS） 算法优化 BP 神经网络的初始连 接权值和阈值， 并对 CS 算法进行相应改进， 以提高短时交 通流量预测精度。
106
2013， 49 （9）
Computer Engineering and Applications 计算机工程与应用
CS 算法优化 BP 神经网络的短时交通流量预测
高述涛
GAO Shutao
湖南外贸职业学院 服务外包学院， 长沙 410014 School of Service Outsourcing, Hunan International Business Vocational College, Changsha 410014, China GAO Shutao. Short time traffic flow prediction model based on neural network and cuckoo search algorithm. Computer Engineering and Applications, 2013, 49 （9） ： 106-109. Abstract：In order to improve the prediction accuracy of short time traffic flow ， this paper proposes a network traffic prediction model based on Cuckoo Search algorithm and BP Neural Network （CS-BPNN） .The time series of short time traffic flow is reconstructed to form a multidimensional time series based on chaotic theory， and then the time series are input into BP neural network to learn which parameters of BP neural network are optimized by cuckoo search algorithm to find the optimal parameters and establish the short time traffic flow prediction model.The performance of CS-BPNN is tested by the simulation experiments. The simulation results show that the proposed model improves the prediction accuracy of short time traffic flow and can more describe network traffic complex trend compared with reference models. Key words：short time traffic flow; phase space reconstruction; cuckoo search algorithm; Gaussian disturbance; Back Propagation （BP）neural network 摘 要： 为了提高短时交通流量的预测精度， 提出一种布谷鸟搜索算法优化 BP 神经网络参数的短时交通流量预测模型
（3）
步骤 2 随机产生 n 个鸟巢位置 p i = [ x1 , x 2 , , x n ]T ， 每一个鸟巢位置对应着一组 BP 神经网络初始连接权值和 阈值， BP 神经网络根据始连接权值和阈值对训练集进行训 练， 计算每组鸟巢位置对应的预测精度， 并根据预测精度
(0)
(0)
(0)
(0)
同理， 输出层节点的输入、 输出分别为：
S j = å w ij x(i) - θ j
i=1 m
（7）
根据式 （7） 可知， 通过 a 来控制 ε 的搜索范围， 增大鸟 （2） 巢位置的变化活力， 克服基本 CS 算法存在的不足。
3.2
CS-BPNN 的短时交通流量预测步骤