自适应粒子群神经网络交通流预测模型
针对传统神经网络预测模型预测结果准确性低且存在大量无效迭代的问题,提出了自适应权重粒子群神经网络交通流预测(PSOA-NN)模型.首先根据待预测点的上下游观测点数和历史数据,随机初始化若干组模型参数并计算每组参数对应粒子的适应度;然后采用改进的sigmoid函数替代原有模型中的固定惯性权重,并根据其中适应度变好的粒子更新粒子速度和位置,一直迭代到粒子适应度小于预设值为止;最后将满足条件粒子对应的模型参数应用到神经网络模型,根据实时交通流数据预测出15 min后的数据.仿真结果表明,使用PSOA-NN模型,可使得在同等预测误差范围内收敛速度提升0.6~1.7倍.
交通流、预测、粒子群优化、神经网络
49
TP183(自动化基础理论)
国家自然科学基金资助项目61105015;国家科技重大专项课题资助项目2012ZX03005-004-003
2015-11-12(万方平台首次上网日期,不代表论文的发表时间)
共6页
103-108