基于改进花朵授粉算法的BP神经网络短时交通流预测

摘要：

国内道路交通拥堵问题日益严重,及时和准确的短时交通流预测是实现智能交通管控、减轻道路拥堵的关键基础,因此设计了一种基于惯性权重改进花朵授粉算法(MFPA)和误差逆向传播(BP)神经网络结合的MFPA-BP短时交通流预测模型.首先通过引入惯性权重和Mantegna方法改进花朵授粉算法,形成MFPA优化算法,并将其应用到BP神经网络进行初始权值和阈值的优化,使模型的收敛速度和效率得到提升.选用实际路段处理过的交通流数据对MFPA-BP模型进行训练并预测,与BP神经网络和RBF神经网络相比平均绝对误差(MAE)分别减少了20.01％和27.89％,均方根误差(RMSE)分别减少了18.25％和21.73％,同时MFPA-BP模型可以有效地减少迭代次数,提高道路交通流量预测的准确性,更好地应用于智能交通系统中.

关键词：短时交通流预测;智能交通;改进花朵授粉算法;BP神经网络;初始权值优化;阈值优化;模型训练

所属期刊栏目：45

分类号：TN711-34;U491.1+4(基本电子电路)

资助基金：国家自然科学基金;留学基金委资助项目;江西省教育厅科技项目

在线出版日期：2022-03-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：146-151