基于布谷鳥算法的小波神經(jīng)網(wǎng)絡短時交通流預測研究.pdf

1、交通流預測是智能交通系統(tǒng)的熱點。近些年來，各個領域的研究者們提出了很多交通流預測的方法，其中，智能學習方法最為活躍。但交通系統(tǒng)自身的復雜性和高度非線性，使得至今沒有一種算法可以實現(xiàn)短時交通流的精確預測，關于短時交通流預測的研究也從未停下腳步。
　　本文首先對來源于美國明尼蘇達德盧斯大學交通數(shù)據(jù)研究實驗室的交通流數(shù)據(jù)進行識別，完成數(shù)據(jù)的補缺、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)，對數(shù)據(jù)進行了相空間重構，以挖掘更多的隱藏信息

2、。為了加快程序的收斂，還對數(shù)據(jù)進行了歸一化處理。在分析了各模型的優(yōu)缺點之后，建立了基于小波神經(jīng)網(wǎng)絡(Wavelet Neural Network，WNN)的短時交通流預測模型，并進行了仿真實驗。結果表明，基于WNN的短時交通流預測具有很好的效果，但精度和穩(wěn)定性還有待進一步提高。
　　其次，針對單個小波神經(jīng)網(wǎng)絡存在的誤差隨機性，受集成學習思想的啟發(fā)，本文提出了基于Bagging-WNN的短時交通流預測模型，利用單個模型之間的差異性，

3、來提高整個系統(tǒng)的泛化能力。仿真實驗表明，基于Bagging-WNN模型的短時交通流預測結果比WNN模型的預測結果精度更高。
　　然后，針對基于梯度下降算法的小波神經(jīng)網(wǎng)絡對初始值敏感的缺點，引入了一種新的智能學習算法——布谷鳥搜索（Cuckoo Search，CS）算法來對小波神經(jīng)網(wǎng)絡的參數(shù)進行前期優(yōu)化，建立了基于CS-Bagging-WNN的短時交通流預測模型，并與基于GA-Bagging-WNN和基于PSO-Bagging-WN

4、N的模型進行了對比實驗。結果表明基于CS-Bagging-WNN模型的預測精度有了一定的提高。
　　最后，為進一步提高預測精度，提出一種鳥巢更新率自適應調整的自適應布谷鳥算法(Adaptive Cuckoo Search，ACS)，將其與集成小波神經(jīng)網(wǎng)絡結合，構成了基于自適應布谷鳥算法的集成小波神經(jīng)網(wǎng)絡（ACS-Bagging-WNN）短時交通流預測模型。仿真實驗表明，相比以上提出的各模型的預測效果，ACS-Bagging-WNN