基于整合移动平均自回归和遗传粒子群优化小波神经 网络组合模型的交通流预测

摘要：

针对短时交通流数据的非线性和随机性特点,为提高它的预测精度和收敛速度,该文从模型构建和算法两方面提出一种整合移动平均自回归(ARIMA)模型和遗传粒子群算法优化小波神经网络(GPSOWNN)相结合的预测模型和算法.在模型构建方面,将ARIMA模型预测值和灰色关联系数大于0.6的相关性强的前3个时刻的历史数据作为小波神经网络(WNN)的输入,在兼顾历史数据的平稳和非平稳的情况下,进行了模型结构简化.在算法方面,通过遗传粒子群算法对小波神经网络的参数初始值进行最优选取,可使其结果在不易陷入局部最优的条件下加快网络训练收敛速度.实验结果表明,在预测精度方面,该方法的模型明显优于整合移动平均自回归模型和遗传粒子群算法优化小波神经网络,在收敛速度方面,用遗传粒子群算法优化模型明显优于仅用遗传算法优化模型.

关键词：短时交通流预测、灰色关联分析法、整合移动平均自回归、遗传粒子群优化小波神经网络

所属期刊栏目：41

分类号：TP391;U491.1(计算技术、计算机技术)

资助基金：国家自然科学基金51577046, 61673153;国防科技计划项目C1120110004, 9140A27020211DZ5102;教育部科学技术研究重大项目313018;安徽省科技计划重点项目1301022036

在线出版日期：2019-09-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：2273-2279