本發(fā)明涉及一種交通流預(yù)測(cè)方法，尤其涉及一種基于螢火蟲(chóng)算法與RBF神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)方法。
背景技術(shù)：
：為了緩解城市交通擁堵、減少交通事故的發(fā)生，需要對(duì)現(xiàn)代的道路交通進(jìn)行科學(xué)的規(guī)劃、管理、誘導(dǎo)以及控制，在這種情況下，智能交通系統(tǒng)(IntelligentTransportSystem,ITS)便應(yīng)運(yùn)而生。在智能交通系統(tǒng)中，交通信息的預(yù)測(cè)在交通規(guī)劃、交通誘導(dǎo)等方面都起著關(guān)鍵的作用，其中交通流預(yù)測(cè)又是交通信息預(yù)測(cè)的重要組成部分。較早期的交通流預(yù)測(cè)方法有：自回歸方法(AR)、滑動(dòng)平均模型(MA)、自回歸滑動(dòng)平均模型(ARMA)和歷史平均模型(HA)等。相對(duì)而言，這些方法模型簡(jiǎn)單，但是只適用于簡(jiǎn)單的線性系統(tǒng)，無(wú)法反映出交通流的不確定性和非線性，所以預(yù)測(cè)的準(zhǔn)確度不高。隨著研究的深入與計(jì)算機(jī)學(xué)科的發(fā)展，人們又提出一系列精度更高且比較復(fù)雜的預(yù)測(cè)模型。其中有自回歸綜合移動(dòng)平均模型(ARIMA)、Volterra濾波器(SunShiliang,ZhangChangshui,YuGuoqiang.ABayesiannetworkapproachtotrafficflowforecasting[J].IEEETransactionsonIntelligentTransportationSystems,2006,7(1):124-132.)、支持向量機(jī)(supportvectormachine,SVM)(TangHaiyan,QiWeigui,DingBao.PredictionofelevatortrafficflowbasedonSVMandphasespacereconstruction[J].JournalofHarbinInstituteofTechnology:NewSeries,2011,18(3):111-114.)、非參數(shù)回歸模型以及各種神經(jīng)網(wǎng)絡(luò)模型。神經(jīng)網(wǎng)絡(luò)由于其自身特有的自學(xué)習(xí)和自適應(yīng)的特點(diǎn)，在交通流預(yù)測(cè)領(lǐng)域中變得極為流行與重要。在多種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中BP(BackPropagation)網(wǎng)絡(luò)與徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)是應(yīng)用最廣泛的兩種神經(jīng)網(wǎng)絡(luò)模型。然而B(niǎo)P神經(jīng)網(wǎng)絡(luò)存在著易陷于局部極小值、學(xué)習(xí)過(guò)程收斂速度慢、隱層深度和隱層神經(jīng)元個(gè)數(shù)難以確定等缺點(diǎn)，RBF神經(jīng)網(wǎng)絡(luò)已經(jīng)逐步的在各個(gè)領(lǐng)域取代了BP神經(jīng)網(wǎng)絡(luò)的位置。但在實(shí)際應(yīng)用中，RBF神經(jīng)網(wǎng)絡(luò)中隱層神經(jīng)元的參數(shù)確定是其難點(diǎn)。許多專(zhuān)家對(duì)此提出了改進(jìn)算法，如DavisGary，Nihan發(fā)現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)的特點(diǎn)適用于交通流預(yù)測(cè)，并將C均值聚類(lèi)(FCM)方法與RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合，解決了一般動(dòng)態(tài)網(wǎng)絡(luò)普遍具有的時(shí)滯現(xiàn)象，提高了RBF神經(jīng)網(wǎng)絡(luò)的泛化能力(DavisGary,Nihan.NonparametericRegressionandShort-termFreewayTrafficForecasting[J].JournalofTransportationEngineering.1991,117(2):178-188.)。Horng將螢火蟲(chóng)算法用于RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，實(shí)現(xiàn)了RBF中心和隱層神經(jīng)元與輸出層神經(jīng)元連接權(quán)值的同步訓(xùn)練，并應(yīng)用于疾病的診斷與分類(lèi)，提高了RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度。(HorngH,LeeX,etal.Fireflymetaheuristicalgorithmfortrainingtheradialbasisfunctionnetworkfordataclassificationanddiseasediagnosis[C]TheoryandNewApplicationsofSwarmIntelligence,2012,4(7):115-132.)。馮明發(fā)，盧錦川提出了基于粒子群(PSO)算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)模型，并對(duì)該模型進(jìn)行實(shí)驗(yàn)仿真，結(jié)果表明相比于RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，PSO算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有較快的收斂速度以及較高的預(yù)測(cè)精度(馮明發(fā),盧錦川.粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)[J].計(jì)算機(jī)仿真,2010(12):323-326.)。以上幾種模型雖然在交通流預(yù)測(cè)和神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中取得了一些進(jìn)展，但其方法本身還有不完善之處，具體表現(xiàn)為：例如遺傳算法的早熟現(xiàn)象，粒子群算法迭代后期收斂速度較慢等。技術(shù)實(shí)現(xiàn)要素：為了解決現(xiàn)有的交通流預(yù)測(cè)方法的不足，本發(fā)明提供一種基于改進(jìn)螢火蟲(chóng)算法的RBF神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)方法，具體方案如下：一種基于螢火蟲(chóng)算法與RBF神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)方法,獲取交通流待預(yù)測(cè)數(shù)據(jù)作為RBF神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，得到輸出數(shù)據(jù)，將該輸出數(shù)據(jù)作為預(yù)測(cè)結(jié)果；所述的RBF神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)為m,輸出層神經(jīng)元個(gè)數(shù)為n，隱層神經(jīng)元個(gè)數(shù)為h,隱層神經(jīng)元的中心參數(shù)為c，隱層神經(jīng)元的寬度參數(shù)為σ，隱層神經(jīng)元與輸出層神經(jīng)元之間的權(quán)值為w；所述的輸入層神經(jīng)元個(gè)數(shù)m,輸出層神經(jīng)元個(gè)數(shù)n通過(guò)初始化確定其中m取為3-6之間任意整數(shù)，n＝1；所述的隱層神經(jīng)元個(gè)數(shù)h、隱層神經(jīng)元的中心參數(shù)c、隱層神經(jīng)元的寬度參數(shù)σ、隱層神經(jīng)元與輸出層神經(jīng)元之間的權(quán)值w均通過(guò)提取預(yù)測(cè)需要的最優(yōu)個(gè)體的參數(shù)獲得，所述的預(yù)測(cè)需要的最優(yōu)個(gè)體通過(guò)螢火蟲(chóng)算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)確定，具體包括：步驟1：獲取待預(yù)測(cè)的高速公路的交通流數(shù)據(jù)作為樣本數(shù)據(jù)，對(duì)樣本數(shù)據(jù)作歸一化處理，將處理后的樣本數(shù)據(jù)作為初始的RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，根據(jù)劃分規(guī)則在訓(xùn)練數(shù)據(jù)中劃分多組輸入數(shù)據(jù)和期望輸出；步驟2：根據(jù)公式：設(shè)得到的10個(gè)隱層神經(jīng)元個(gè)數(shù)的取值范圍為h1,h2…h(huán)i…h(huán)10，其中μi為1～10的任意整數(shù)，其中1≤i≤10；步驟3：將編碼規(guī)則中的hi替換為h1后，用替換后的編碼規(guī)則對(duì)螢火蟲(chóng)種群D中的螢火蟲(chóng)個(gè)體進(jìn)行編碼，得到由螢火蟲(chóng)種群D中所有個(gè)體構(gòu)成矩陣E；調(diào)用rand函數(shù)對(duì)矩陣E中所有元素進(jìn)行隨機(jī)賦值得到賦值后的螢火蟲(chóng)種群F；步驟4：根據(jù)RBF神經(jīng)網(wǎng)絡(luò)的確定方法得到螢火蟲(chóng)種群F中所有螢火蟲(chóng)個(gè)體對(duì)應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)分別為R1,R2…Rs，其中每一個(gè)螢火蟲(chóng)個(gè)體對(duì)應(yīng)一個(gè)RBF神經(jīng)網(wǎng)絡(luò)，其中S為種群F中的螢火蟲(chóng)個(gè)體數(shù)，S的取值范圍為20-25；根據(jù)螢火蟲(chóng)個(gè)體亮度值計(jì)算方法計(jì)算螢火蟲(chóng)種群F中每個(gè)螢火蟲(chóng)個(gè)體的亮度值；所述的RBF神經(jīng)網(wǎng)絡(luò)的確定方法為：每個(gè)螢火蟲(chóng)個(gè)體在矩陣中對(duì)應(yīng)一個(gè)行列式，根據(jù)編碼規(guī)則得到每個(gè)螢火蟲(chóng)個(gè)體對(duì)應(yīng)的行列式中的RBF神經(jīng)網(wǎng)絡(luò)的中心參數(shù)、寬度參數(shù)以及隱層神經(jīng)元與輸出層神經(jīng)元之間的權(quán)值所對(duì)應(yīng)的數(shù)值；步驟5：初始化螢火蟲(chóng)算法的光強(qiáng)吸收系數(shù)γ，光源處最大亮度β0，隨機(jī)步長(zhǎng)因子α，對(duì)矩陣F進(jìn)行螢火蟲(chóng)算法優(yōu)化，得到螢火蟲(chóng)種群F中的最優(yōu)螢火蟲(chóng)個(gè)體；步驟6：依次將編碼規(guī)則中的hi替換為h2,h3,…h(huán)10,重復(fù)執(zhí)行步驟3、4、5，得到10個(gè)最優(yōu)個(gè)體及每個(gè)最優(yōu)個(gè)體的亮度值，比較這些最優(yōu)個(gè)體的亮度值，將亮度值最高的最優(yōu)個(gè)體作為預(yù)測(cè)需要的最優(yōu)個(gè)體；步驟7：根據(jù)步驟6得到的預(yù)測(cè)需要的最優(yōu)個(gè)體，提取該最優(yōu)個(gè)體中RBF神經(jīng)網(wǎng)絡(luò)的隱層神經(jīng)元個(gè)數(shù)h；隱層神經(jīng)元的中心參數(shù)c，隱層神經(jīng)元的寬度參數(shù)σ，隱層神經(jīng)元與輸出層神經(jīng)元之間的權(quán)值w。所述的螢火蟲(chóng)種群D包括的螢火蟲(chóng)個(gè)體為D1,D2…Ds，其中下標(biāo)S表示螢火蟲(chóng)種群D中螢火蟲(chóng)的個(gè)體數(shù)，S的取值范圍為20-25。所述的編碼規(guī)則為：將螢火蟲(chóng)種群D中的任意一個(gè)螢火蟲(chóng)個(gè)體表示為包含式(1)中所有元素的集合：其中m為輸入層神經(jīng)元個(gè)數(shù)，hi為隱層神經(jīng)元個(gè)數(shù)，ci1,ci2,…,cim為第i個(gè)隱層神經(jīng)元的m維中心參數(shù)，σi為第i個(gè)隱層神經(jīng)元的寬度參數(shù)，為隱層神經(jīng)元與輸出層神經(jīng)元之間的權(quán)值；根據(jù)式(1)中的一個(gè)螢火蟲(chóng)個(gè)體包含的所有元素得到該螢火蟲(chóng)個(gè)體對(duì)應(yīng)的行列式，形式如式(2)。所述螢火蟲(chóng)種群D中所有個(gè)體構(gòu)成矩陣E＝|D1D2…DS|，其中D1,D2…DS分別表示螢火蟲(chóng)種群中每個(gè)個(gè)體對(duì)應(yīng)的行列式；所述的螢火蟲(chóng)種群F＝|D1′D2′…DS′|，其中D1′D2′…DS′分別表示每個(gè)螢火蟲(chóng)賦值后對(duì)應(yīng)的行列式。所述的螢火蟲(chóng)個(gè)體亮度值計(jì)算方法為：對(duì)于一個(gè)RBF神經(jīng)網(wǎng)絡(luò)R，將步驟1中的每一組的輸入數(shù)據(jù)輸入到該神經(jīng)網(wǎng)絡(luò)中，得到RBF神經(jīng)網(wǎng)絡(luò)的一個(gè)實(shí)際輸出，該實(shí)際輸出與步驟1中劃分的該組中的期望輸出組成一組，得到多組RBF神經(jīng)網(wǎng)絡(luò)的期望輸出和實(shí)際輸出，根據(jù)公式(3)得到每個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的目標(biāo)函數(shù)Re，式(3)中yk為一組RBF神經(jīng)網(wǎng)絡(luò)中的期望輸出，為該組RBF神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出，N為RBF神經(jīng)網(wǎng)絡(luò)的期望輸出和實(shí)際輸出的組數(shù)，其中N取值為200-600之間任意整數(shù)；適應(yīng)度函數(shù)fe為目標(biāo)函數(shù)的倒數(shù),即得到矩陣F中每個(gè)螢火蟲(chóng)個(gè)體對(duì)應(yīng)的適應(yīng)度函數(shù)值，將每個(gè)螢火蟲(chóng)個(gè)體對(duì)應(yīng)的適應(yīng)度函數(shù)值作為該螢火蟲(chóng)個(gè)體的亮度值。所述的步驟5具體包括：5.1：用每一個(gè)螢火蟲(chóng)個(gè)體在矩陣中對(duì)應(yīng)的行列式表示該螢火蟲(chóng)在該矩陣中的位置，對(duì)矩陣F進(jìn)行螢火蟲(chóng)算法優(yōu)化，得到矩陣F2，計(jì)算并記錄矩陣F2亮度最高的螢火蟲(chóng)個(gè)體的亮度值；將得到矩陣F2作為新的矩陣F；5.2:重復(fù)執(zhí)行步驟5.1；直到當(dāng)前得到的亮度最高的螢火蟲(chóng)個(gè)體的亮度值與前次循環(huán)得到的亮度值最高的螢火蟲(chóng)的亮度值相同，將當(dāng)前的亮度值最高的螢火蟲(chóng)個(gè)體作為最優(yōu)螢火蟲(chóng)個(gè)體。7、如權(quán)利要求6所述的交通流預(yù)測(cè)方法，其特征在于，所述的步驟5.1具體包括：5.1.1：對(duì)于每一個(gè)螢火蟲(chóng)個(gè)體分別計(jì)算該螢火蟲(chóng)個(gè)體與矩陣F中其他螢火蟲(chóng)個(gè)體的相對(duì)亮度，找到與該螢火蟲(chóng)個(gè)體相對(duì)亮度最高的螢火蟲(chóng)個(gè)體，該螢火蟲(chóng)向與其相對(duì)亮度最高的螢火蟲(chóng)移動(dòng)，計(jì)算該螢火蟲(chóng)個(gè)體移動(dòng)后的位置，得到矩陣F中所有螢火蟲(chóng)個(gè)體移動(dòng)后的位置對(duì)應(yīng)的矩陣F1；其中，螢火蟲(chóng)個(gè)體j被螢火蟲(chóng)個(gè)體i吸引而向螢火蟲(chóng)i移動(dòng)后的位置表示為：其中，式中α*ε為隨機(jī)擾動(dòng)項(xiàng)，α為步長(zhǎng)因子，是[0,1]上的常數(shù)；εj為[0,1]上服從高斯分布的隨機(jī)因子，Dj為矩陣F中螢火蟲(chóng)個(gè)體j移動(dòng)前的位置，為矩陣F中螢火蟲(chóng)個(gè)體j移動(dòng)后的位置，Di為矩陣F中螢火蟲(chóng)個(gè)體i的位置，β(rij)表示螢火蟲(chóng)個(gè)體i和螢火蟲(chóng)個(gè)體j之間的相對(duì)吸引度；5.1.2：根據(jù)步驟5.1.1得到的矩陣F1，根據(jù)步驟4中所述的RBF神經(jīng)網(wǎng)絡(luò)的確定方法得到矩陣F1中所有螢火蟲(chóng)個(gè)體確定的神經(jīng)網(wǎng)絡(luò)，根據(jù)螢火蟲(chóng)個(gè)體亮度值計(jì)算方法得到矩陣F1中每個(gè)螢火蟲(chóng)個(gè)體的亮度值，找到亮度值最高的螢火蟲(chóng)個(gè)體并記錄其亮度值；5.1.3:對(duì)步驟5.1.2中得到的亮度值最高的螢火蟲(chóng)個(gè)體進(jìn)行隨機(jī)擾動(dòng)，得到矩陣F2，計(jì)算并記錄F2中亮度最高的螢火蟲(chóng)個(gè)體的亮度值；所述的增加隨機(jī)擾動(dòng)為，通過(guò)公式(5)計(jì)算該亮度最高的螢火蟲(chóng)個(gè)體進(jìn)行隨機(jī)擾動(dòng)后在矩陣F1中的位置，x*＝x+α*ε(5)其中x*為增加隨機(jī)擾動(dòng)項(xiàng)后該亮度最高的螢火蟲(chóng)在矩陣F1的位置，x為增加隨機(jī)擾動(dòng)項(xiàng)前該亮度最高的螢火蟲(chóng)的位置，α*ε為隨機(jī)擾動(dòng)項(xiàng)，α為步長(zhǎng)因子，是[0,1]上的常數(shù)；ε為[0,1]上服從高斯分布的隨機(jī)因子。所述的劃分規(guī)則為：得到的訓(xùn)練數(shù)據(jù)為[a1,a2,a3,a4,a5,a6…a(n-1),an]，將a(a(n-4),a(n-3),a(n-2),a(n-1)作為輸入數(shù)據(jù)，an為輸出數(shù)據(jù)，其中5≤n≤604a(n-4),a(n-3),a(n-2),a(n-1)與an劃分為一組輸入數(shù)據(jù)和期望輸出。1、本方法在進(jìn)行螢火蟲(chóng)個(gè)體位置計(jì)算時(shí)，在移動(dòng)距離函數(shù)中加入隨機(jī)擾動(dòng)項(xiàng)，提高螢火蟲(chóng)的多樣性，提高算法的全局搜索能力，避免算法的過(guò)早收斂。2、本發(fā)明的方法充分考慮了RBF神經(jīng)網(wǎng)絡(luò)中的隱層神經(jīng)元個(gè)數(shù)問(wèn)題，并采用了螢火蟲(chóng)算法進(jìn)行優(yōu)化，具有更精確的預(yù)測(cè)結(jié)果、更快的訓(xùn)練效率以及更好的泛化能力的優(yōu)點(diǎn)，本發(fā)明的方法適用于交通流預(yù)測(cè)，在智能交通系統(tǒng)中有重要應(yīng)用價(jià)值。附圖說(shuō)明圖1是本發(fā)明方法的流程圖；圖2為采集的工作日樣本數(shù)據(jù)時(shí)螢火蟲(chóng)算法不同隱層神經(jīng)元個(gè)數(shù)對(duì)應(yīng)的適應(yīng)度值；圖3為采集的休息日樣本數(shù)據(jù)時(shí)螢火蟲(chóng)算法不同隱層神經(jīng)元個(gè)數(shù)對(duì)應(yīng)的適應(yīng)度值。具體實(shí)施方式本發(fā)明第一次獲取的待預(yù)測(cè)的高速公路的交通流數(shù)據(jù)作為樣本數(shù)據(jù)，該數(shù)據(jù)經(jīng)過(guò)歸一化處理后，用來(lái)作為優(yōu)化初始的RBF神經(jīng)網(wǎng)絡(luò)用，在經(jīng)過(guò)螢火蟲(chóng)算法優(yōu)化后得到的RBF神經(jīng)網(wǎng)絡(luò)后，獲取交通流待預(yù)測(cè)數(shù)據(jù)作為RBF神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，此時(shí)得到的輸出數(shù)據(jù)作為預(yù)測(cè)的結(jié)果。本發(fā)明中每個(gè)螢火蟲(chóng)種群構(gòu)成一個(gè)矩陣，在矩陣中每個(gè)螢火蟲(chóng)個(gè)體對(duì)應(yīng)一個(gè)行列式，用每一個(gè)螢火蟲(chóng)個(gè)體在矩陣中對(duì)應(yīng)的行列式表示該螢火蟲(chóng)在該矩陣中的位置，在對(duì)矩陣進(jìn)行螢火蟲(chóng)算法優(yōu)化時(shí)，每個(gè)螢火蟲(chóng)的位置發(fā)生變化，也就是每個(gè)螢火蟲(chóng)對(duì)應(yīng)的行列式中的元素的值發(fā)生變化。本發(fā)明中RBF神經(jīng)網(wǎng)絡(luò)的確定方法為：每個(gè)螢火蟲(chóng)個(gè)體在矩陣中對(duì)應(yīng)一個(gè)行列式，根據(jù)編碼規(guī)則得到每個(gè)螢火蟲(chóng)個(gè)體對(duì)應(yīng)的行列式中的RBF神經(jīng)網(wǎng)絡(luò)的中心參數(shù)、寬度參數(shù)以及隱層神經(jīng)元與輸出層神經(jīng)元之間的權(quán)值所對(duì)應(yīng)的數(shù)值，根據(jù)這些數(shù)值和初始化確定的m和n的值確定一個(gè)RBF神經(jīng)網(wǎng)絡(luò)；。本發(fā)明中每個(gè)螢火蟲(chóng)個(gè)體的亮度值計(jì)算方法為：對(duì)于一個(gè)RBF神經(jīng)網(wǎng)絡(luò)R，將步驟1中的每一組的輸入數(shù)據(jù)輸入到該神經(jīng)網(wǎng)絡(luò)中，得到RBF神經(jīng)網(wǎng)絡(luò)的一個(gè)實(shí)際輸出，該實(shí)際輸出與步驟1中劃分的該組中的期望輸出組成一組，得到多組RBF神經(jīng)網(wǎng)絡(luò)的期望輸出和實(shí)際輸出，根據(jù)公式(3)得到每個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的目標(biāo)函數(shù)Re，其中yk為一組RBF神經(jīng)網(wǎng)絡(luò)中的期望輸出，為該組RBF神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出，N為RBF神經(jīng)網(wǎng)絡(luò)的期望輸出和實(shí)際輸出的組數(shù)；適應(yīng)度函數(shù)fe為目標(biāo)函數(shù)的倒數(shù),即得到矩陣F中每個(gè)螢火蟲(chóng)個(gè)體對(duì)應(yīng)的適應(yīng)度函數(shù)值，將每個(gè)螢火蟲(chóng)個(gè)體對(duì)應(yīng)的適應(yīng)度函數(shù)值作為該螢火蟲(chóng)個(gè)體的亮度值。實(shí)施例1本實(shí)施例中，在訓(xùn)練數(shù)據(jù)中，輸入數(shù)據(jù)和期望輸出數(shù)據(jù)的劃分規(guī)則為：得到的訓(xùn)練數(shù)據(jù)為[a1,a2,a3,a4,a5,a6…a(n-1),an]，將訓(xùn)練數(shù)據(jù)中前四個(gè)數(shù)據(jù)作為輸入數(shù)據(jù)，則第五個(gè)數(shù)據(jù)作為期望輸出，這四個(gè)輸入數(shù)據(jù)和一個(gè)期望輸出劃分為一組輸入數(shù)據(jù)和期望輸出；即a1,a2,a3,a4為輸入數(shù)據(jù)，將a5作為期望輸出數(shù)據(jù)，將a2,a3,a4,a5作為輸入數(shù)據(jù)，則a6作為期望輸出數(shù)據(jù)，將a(n-4),a(n-3),a(n-2),a(n-1)作為輸入數(shù)據(jù)，an為輸出數(shù)據(jù)，a(n-4),a(n-3),a(n-2),a(n-1)與an劃分為一組輸入數(shù)據(jù)和期望輸出；實(shí)施例2在實(shí)施例1的基礎(chǔ)上，螢火蟲(chóng)i相對(duì)于螢火蟲(chóng)j的相對(duì)亮度計(jì)算公式為：其中rij為矩陣F中螢火蟲(chóng)i和螢火蟲(chóng)j之間的歐式距離，I0為螢火蟲(chóng)個(gè)體j的自身亮度，γ為光強(qiáng)吸收系數(shù)；1≤i≤s,1≤j≤s；s表示矩陣F中螢火蟲(chóng)的個(gè)體數(shù)；兩個(gè)螢火蟲(chóng)之間相對(duì)吸引度計(jì)算公式為：其中，β(rij)表示兩個(gè)螢火蟲(chóng)之間的相對(duì)吸引度，其中rij為兩個(gè)螢火蟲(chóng)之間的歐式距離，β0為兩個(gè)螢火蟲(chóng)之間的最大吸引力，β0＝1，m取2；γ為光強(qiáng)吸收系數(shù)。實(shí)施例3：本實(shí)施例數(shù)據(jù)來(lái)源于美國(guó)加利福尼亞州圣華金縣斯托克頓的一條高速公路上的車(chē)流量，該高速公路有三個(gè)觀測(cè)點(diǎn)，為每五分鐘的車(chē)流量。第一列為具體的采集數(shù)據(jù)的時(shí)間，每隔五分鐘統(tǒng)計(jì)一次。第二列為第一個(gè)觀測(cè)點(diǎn)的車(chē)流量，第三列為第二個(gè)觀測(cè)點(diǎn)的車(chē)流量，第四列為第三個(gè)觀測(cè)點(diǎn)的車(chē)流量，最后一列為三個(gè)觀測(cè)點(diǎn)的車(chē)流量總和。由于預(yù)測(cè)方法要利用發(fā)展?fàn)顩r類(lèi)似的事物對(duì)預(yù)測(cè)對(duì)象進(jìn)行預(yù)測(cè)，所以本文將工作日與休息日的車(chē)流量區(qū)分做訓(xùn)練與預(yù)測(cè)。選取樣本中2011年4月份一個(gè)月的數(shù)據(jù)作為實(shí)驗(yàn)用數(shù)據(jù)。選取前三個(gè)星期的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，最后一個(gè)星期的數(shù)據(jù)作為待預(yù)測(cè)數(shù)據(jù)。一般短時(shí)交通流預(yù)測(cè)不宜超過(guò)15min，但是時(shí)間間隔越短，交通流的不確定性以及非線性越強(qiáng)，不利于交通流的預(yù)測(cè)。所以本文選擇15min作為時(shí)間間隔，預(yù)測(cè)時(shí)間窗口為一個(gè)小時(shí)，即利用前1個(gè)小時(shí)的車(chē)流量也就是前4個(gè)15min的時(shí)間間隔車(chē)流量預(yù)測(cè)下一個(gè)15min時(shí)間間隔的車(chē)流量。所以一天24個(gè)小時(shí)可以劃分為96個(gè)時(shí)間間隔，92個(gè)時(shí)間窗口。本實(shí)施例中將訓(xùn)練數(shù)據(jù)分成一組四個(gè)，共采集552組數(shù)據(jù)，如下表1為本實(shí)施例采集的訓(xùn)練數(shù)據(jù)，表一在訓(xùn)練數(shù)據(jù)中劃分多組輸出數(shù)據(jù)和期望輸出，如表二為本實(shí)施例中劃分的期望輸出數(shù)據(jù)。表二將采集的訓(xùn)練數(shù)據(jù)劃分好多組輸入數(shù)據(jù)和期望輸出數(shù)據(jù)后，將數(shù)據(jù)進(jìn)行歸一化處理，樣本數(shù)據(jù)全部歸一化到區(qū)間[0,1]中；初始化隨機(jī)步長(zhǎng)α為0.2，光源處最大亮度為1，光強(qiáng)吸收系數(shù)γ為0.5。本發(fā)明選取初始種群個(gè)數(shù)為25，引入RBF神經(jīng)網(wǎng)絡(luò)，對(duì)于螢火蟲(chóng)算法中的螢火蟲(chóng)種群，用神經(jīng)網(wǎng)絡(luò)中的隱層神經(jīng)元個(gè)數(shù)參數(shù)、中心參數(shù)和寬度參數(shù)對(duì)種群中每個(gè)個(gè)體進(jìn)行編碼；本發(fā)明中初始化輸入層神經(jīng)元個(gè)數(shù)m為4，輸出層神經(jīng)元個(gè)數(shù)n為1，根據(jù)經(jīng)公式：其中，其中h為隱層神經(jīng)元個(gè)數(shù)，m為輸入層神經(jīng)元個(gè)數(shù)，n為輸出層神經(jīng)元個(gè)數(shù)，μ為1～10的隨機(jī)數(shù)。根據(jù)經(jīng)驗(yàn)公式得到隱層神經(jīng)元個(gè)數(shù)為4-14之間最佳，本文將對(duì)4-14的范圍內(nèi)的每個(gè)隱層神經(jīng)元個(gè)數(shù)值，依次螢火蟲(chóng)算法優(yōu)化處理，找到最優(yōu)的隱層神經(jīng)元個(gè)數(shù)值，最優(yōu)隱層神經(jīng)元個(gè)數(shù)值對(duì)應(yīng)的找到的最優(yōu)個(gè)體為預(yù)測(cè)需要的最優(yōu)個(gè)體。如圖2、圖3分別為工作日和休息日數(shù)據(jù)，在隱層神經(jīng)元個(gè)數(shù)范圍4-14之間，對(duì)螢火蟲(chóng)算法盡心迭代，直到找到最優(yōu)螢火蟲(chóng)個(gè)體時(shí)，算法收斂時(shí)的迭代次數(shù)和最優(yōu)個(gè)體適應(yīng)度值，由圖可知，當(dāng)實(shí)驗(yàn)隱層神經(jīng)元個(gè)數(shù)值為13時(shí)，算法收斂時(shí)最優(yōu)螢火蟲(chóng)個(gè)體的適應(yīng)度值最大，即將13作為最優(yōu)隱層神經(jīng)元個(gè)數(shù)，找到的螢火蟲(chóng)個(gè)體為預(yù)測(cè)需要的最優(yōu)個(gè)體。根據(jù)預(yù)測(cè)需要的最優(yōu)個(gè)體，得到對(duì)應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)的中心參數(shù)和寬度參數(shù)和隱層神經(jīng)元到輸出層神經(jīng)元的權(quán)值，從而得到RBF神經(jīng)網(wǎng)絡(luò)。本實(shí)施例得到待預(yù)測(cè)需要的最優(yōu)個(gè)體攜帶的參數(shù)為表三中所示：表三15.16887.574316.584313.74851.987411.962312.89895.225810.03613.85236.99994.17418.71927.58384.56727.475818.89857.67603.21897.828812.44417.999116.028311.0426本實(shí)施例獲取一組待預(yù)測(cè)的交通流作為待預(yù)測(cè)數(shù)據(jù)如表4，在該待預(yù)測(cè)數(shù)據(jù)中劃分出期望輸出如表五為部分?jǐn)?shù)據(jù)：表4表五將表4中的待預(yù)測(cè)數(shù)據(jù)，輸入到訓(xùn)練得到的最優(yōu)螢火蟲(chóng)個(gè)體對(duì)應(yīng)的訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，得到實(shí)際輸出數(shù)據(jù)，將該實(shí)際輸出數(shù)據(jù)與表五中對(duì)應(yīng)的期望輸出數(shù)據(jù)做差比較，結(jié)果如表6，表6由表6可知，用本發(fā)明提供的基于螢火蟲(chóng)算法訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)交通流數(shù)據(jù)，得到的實(shí)際輸出與期望輸出誤差很小，表明本發(fā)明提供的交通流預(yù)測(cè)方法預(yù)測(cè)結(jié)果更加準(zhǔn)確。結(jié)果分析：本發(fā)明的結(jié)果，從2個(gè)方面對(duì)FA算法進(jìn)行評(píng)估，第一個(gè)方面是算法的效率，用算法中的迭代次數(shù)來(lái)表示收斂速度，迭代次數(shù)越少，即收斂速度越快，通過(guò)比較三種算法達(dá)到收斂時(shí)的迭代次數(shù)，評(píng)估算法的效率。當(dāng)達(dá)到收斂時(shí)，迭代次數(shù)越少，說(shuō)明算法的效率越高。第二個(gè)方面是算法的泛化能力，即利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，對(duì)非測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)，比較預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)的擬合程度。預(yù)測(cè)曲線與實(shí)際曲線的擬合程度越高，說(shuō)明算法的泛化能力越好。針對(duì)工作日與休息日的三種算法的適應(yīng)度值與迭代次數(shù)如表1所示：從表1中對(duì)于工作日FA算法(螢火蟲(chóng)算法)的迭代次數(shù)最小并且適應(yīng)度值最大，相比于遺傳算法迭代次數(shù)減少了69％，并且適應(yīng)度值提高了24.9％；相比于粒子群算法迭代次數(shù)減少了61.1％，并且適應(yīng)度值提高了12.1％。對(duì)于休息日FA算法的適應(yīng)度值最大，迭代次數(shù)較小，相比于遺傳算法雖然迭代次數(shù)多了25.5％，但是適應(yīng)度值相應(yīng)提高了13.8％，以較少的迭代次數(shù)增加提高了最優(yōu)解得精確性。相比于粒子群算法，迭代次數(shù)減少了5.3％，適應(yīng)度值提高了6.1％。表1所以從整體性能看，F(xiàn)A(螢火蟲(chóng))算法收斂速度較快，搜索的最優(yōu)解更為精確。本文根據(jù)第二種指標(biāo)來(lái)描述預(yù)測(cè)結(jié)果的好壞，即平均絕對(duì)離差(MAD)，平均絕對(duì)百分比誤差(MAPE)，均方根偏差(RMSD)，結(jié)果如表二所示：表二從上表中的結(jié)果可以看出，對(duì)于工作日的預(yù)測(cè)，F(xiàn)A算法的MAD值為49.93554，MAPE值為0.10486，RMSE值為69.56822都要小于遺傳算法與粒子群算法。相比于遺傳算法，MAD減少了16.3％，MAPE減少了52.2％，RMSE減少了10.7％；相比于粒子群算法，MAD減少了5％，MAPE減少了2.2％，RMSE減少了6.6％。對(duì)于休息日的預(yù)測(cè)，F(xiàn)A算法的MAD值為32.6338，MAPE值為0.09345，RMSE的值為42.0308都要小于遺傳算法與粒子群算法。相比于遺傳算法，MAD減少了11.8％，MAPE減少了10.7％，RMSE減少了11.8％；相比于粒子群算法，MAD減少了2.6％，MAPE減少了10.7％，RMSE減少了3.1％。由以上可知，F(xiàn)A算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果最為接近真實(shí)結(jié)果，誤差最小，所以FA算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)的泛化能力要強(qiáng)于遺傳算法和粒子群算法。所以FA算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率、預(yù)測(cè)準(zhǔn)確性、泛化能力都要高于遺傳算法和粒子群算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。當(dāng)前第1頁(yè)1 2 3