[發明專利]一種基于蝙蝠算法的交通流預測方法、裝置及系統

在審

• 申請號: 201710494538.6
• 申請日: 2017-06-26
• 公開（公告）號: CN107103397A
• 公開（公告）日: 2017-08-29
• 發明（設計）人: 蔡延光;黃何列;蔡顥;劉惠靈
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06Q50/30;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司11227
• 代理人: 羅滿

技術領域

本發明實施例涉及道路交通技術領域，特別是涉及一種基于蝙蝠算法的交通流預測方法、裝置及系統。

背景技術

在對道路的交通流進行預測時，通常會受到諸如路況、時間點、天氣變化等因素的影響，從而導致道路交通流數據具有高度不確定性，并且規律不明顯。現有技術中，在對道路的交通流進行預測時采用傳統的小波神經網絡方法來訓練小波神經網絡的網絡參數，但是，由于采用傳統小波神經網絡訓練網絡參數時采用的方法是與基本BP神經網絡相同的梯度下降法，并且梯度下降法具有單向性，且隨機生成相關的網絡參數，使網絡參數在優化的過程中極其容易陷入局部極小值，從而使交通流的預測速度和預測精度降低。

因此，如何提供一種解決上述技術問題的基于蝙蝠算法的交通流預測方法、裝置及系統成為本領域的技術人員目前需要解決的問題。

發明內容

本發明實施例的目的是提供一種基于蝙蝠算法的交通流預測方法、裝置及系統，在使用過程中在一定程度上提高了預測速度和預測精度。

為解決上述技術問題，本發明實施例提供了一種基于蝙蝠算法的交通流預測方法，所述方法包括：

獲取交通流數據；

采用預先建立的小波神經網絡交通流預測模型對所述交通流數據進行處理得到交通流預測結果；其中，所述小波神經網絡交通流預測模型是基于蝙蝠算法訓練而成的，其訓練過程為：

依據歷史數據以及蝙蝠算法計算出初始化小波神經網絡參數；

采用小波神經網絡以及所述歷史數據對所述初始化小波神經網絡參數進行訓練得到所述小波神經網絡交通流預測模型。

可選的，所述依據歷史數據以及蝙蝠算法計算出初始化小波神經網絡參數的過程具體為：

依據歷史數據對每個蝙蝠的位置進行編碼，每個所述蝙蝠的位置與與網絡參數一一對應；

對預設控制參數進行初始化，并依據所述初始化的控制參數以及相應的搜索方法從蝙蝠種群中找到超級蝙蝠；

獲取所述超級蝙蝠的位置，并將所述位置進行解碼得到初始化小波神經網絡參數。

可選的，所述預設控制參數包括蝙蝠種群的大小、最大迭代次數、每個蝙蝠的最大脈沖發射頻度、每個蝙蝠的最大脈沖響度、每個蝙蝠的最大脈沖頻率及最小脈沖頻率；

所述依據初始化的控制參數以及相應的搜索方法從蝙蝠種群中找到超級蝙蝠的過程具體為：

S2121：計算所述蝙蝠種群中的各個蝙蝠對應的適應度值，并從各個適應度值中篩選出最優適應度值以及最優蝙蝠位置；

S2122：利用第一計算關系式、第二計算關系式以及第三計算關系式產生當前蝙蝠的第一新飛行速度與第一新位置，并將所述第一新位置作為所述當前蝙蝠的新位置；所述第一計算關系式為f_i＝f_min+(f_min-f_max)β；所述第二計算關系式為所述第三計算關系式為所述為所述第一新飛行速度，所述為所述第一新位置；其中：

所述i為正整數，且i∈(0,P]，所述P為所述蝙蝠種群的大小，所述f_i表示所述當前蝙蝠的脈沖頻率，所述f_min表示所述當前蝙蝠的最小脈沖頻率，所述f_max表示所述當前蝙蝠的最大脈沖頻率，所述表示所述當前蝙蝠在t時刻的飛行速度，所述表示所述當前蝙蝠在t時刻的位置，所述x^*表示所述最優蝙蝠位置；

S2123：判斷所述當前蝙蝠的當前脈沖發射頻度是否大于第一隨機數，如果是，則進入步驟S2124；否則，進入步驟S2125；

S2124：利用第四計算關系式產生第二新位置，將所述第二新位置覆蓋所述第一新位置，將所述第二新位置作為所述當前蝙蝠的新位置；進入步驟S2125，

所述第一隨機數的取值范圍為[0,1]，所述第四計算關系式為其中，所述表示所述第二新位置，所述x^old表示從當前蝙蝠種群中隨機找出的一個蝙蝠對應的位置，表示t時刻所述當前蝙蝠種群中所有蝙蝠的脈沖響度的平均值；ε表示一個d維隨機向量，且ε∈[0,1]；

S2125：計算所述當前蝙蝠在所述新位置時對應的新適應度值，并判斷所述新適應度值是否大于所述當前蝙蝠的歷史最優適應度值，且第二隨機數是否小于t時刻所述當前蝙蝠的脈沖響度，如果是，則依據第五計算關系式以及第六計算關系式更新所述當前蝙蝠的脈沖發射頻度及其脈沖響度；否則，直接進入S16；其中：