基于布谷鳥算法的小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)研究.pdf

1、交通流預(yù)測(cè)是智能交通系統(tǒng)的熱點(diǎn)。近些年來(lái)，各個(gè)領(lǐng)域的研究者們提出了很多交通流預(yù)測(cè)的方法，其中，智能學(xué)習(xí)方法最為活躍。但交通系統(tǒng)自身的復(fù)雜性和高度非線性，使得至今沒有一種算法可以實(shí)現(xiàn)短時(shí)交通流的精確預(yù)測(cè)，關(guān)于短時(shí)交通流預(yù)測(cè)的研究也從未停下腳步。
　　本文首先對(duì)來(lái)源于美國(guó)明尼蘇達(dá)德盧斯大學(xué)交通數(shù)據(jù)研究實(shí)驗(yàn)室的交通流數(shù)據(jù)進(jìn)行識(shí)別，完成數(shù)據(jù)的補(bǔ)缺、修正和降噪處理，并從交通流數(shù)據(jù)的混沌性角度出發(fā)，對(duì)數(shù)據(jù)進(jìn)行了相空間重構(gòu)，以挖掘更多的隱藏信息

2、。為了加快程序的收斂，還對(duì)數(shù)據(jù)進(jìn)行了歸一化處理。在分析了各模型的優(yōu)缺點(diǎn)之后，建立了基于小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Network，WNN)的短時(shí)交通流預(yù)測(cè)模型，并進(jìn)行了仿真實(shí)驗(yàn)。結(jié)果表明，基于WNN的短時(shí)交通流預(yù)測(cè)具有很好的效果，但精度和穩(wěn)定性還有待進(jìn)一步提高。
　　其次，針對(duì)單個(gè)小波神經(jīng)網(wǎng)絡(luò)存在的誤差隨機(jī)性，受集成學(xué)習(xí)思想的啟發(fā)，本文提出了基于Bagging-WNN的短時(shí)交通流預(yù)測(cè)模型，利用單個(gè)模型之間的差異性，

3、來(lái)提高整個(gè)系統(tǒng)的泛化能力。仿真實(shí)驗(yàn)表明，基于Bagging-WNN模型的短時(shí)交通流預(yù)測(cè)結(jié)果比WNN模型的預(yù)測(cè)結(jié)果精度更高。
　　然后，針對(duì)基于梯度下降算法的小波神經(jīng)網(wǎng)絡(luò)對(duì)初始值敏感的缺點(diǎn)，引入了一種新的智能學(xué)習(xí)算法——布谷鳥搜索（Cuckoo Search，CS）算法來(lái)對(duì)小波神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行前期優(yōu)化，建立了基于CS-Bagging-WNN的短時(shí)交通流預(yù)測(cè)模型，并與基于GA-Bagging-WNN和基于PSO-Bagging-WN

4、N的模型進(jìn)行了對(duì)比實(shí)驗(yàn)。結(jié)果表明基于CS-Bagging-WNN模型的預(yù)測(cè)精度有了一定的提高。
　　最后，為進(jìn)一步提高預(yù)測(cè)精度，提出一種鳥巢更新率自適應(yīng)調(diào)整的自適應(yīng)布谷鳥算法(Adaptive Cuckoo Search，ACS)，將其與集成小波神經(jīng)網(wǎng)絡(luò)結(jié)合，構(gòu)成了基于自適應(yīng)布谷鳥算法的集成小波神經(jīng)網(wǎng)絡(luò)（ACS-Bagging-WNN）短時(shí)交通流預(yù)測(cè)模型。仿真實(shí)驗(yàn)表明，相比以上提出的各模型的預(yù)測(cè)效果，ACS-Bagging-WNN