[发明专利]一种交通流量预测方法及装置

说明书

本发明公开了一种交通流量预测方法，该方法包括以下步骤：获得当前时刻之前设定时间段内目标区域的交通流量时间序列；对交通流量时间序列进行小波包分解，分解成多个子序列；利用基于飞蛾动态感知捕焰算法预先训练得到的神经网络优化模型对各子序列进行预测，获得多个预测值；重构叠加各预测值，获得目标区域短期未来的交通流量值。应用本发明实施例所提供的技术方案，可以捕获到交通流量的变化规律，提升预测交通流量时间序列的准确度和泛化能力。本发明还公开了一种交通流量预测装置，具有相应技术效果。

技术领域

本发明涉及计算机应用技术领域，特别是涉及一种交通流量预测方法及装置。

背景技术

随着智能交通系统的迅速发展，对交通流量进行实时准确的预测是交通规划和交通诱导的基础。短期交通流量预测具有突发性、不确定性和混沌度等非线性特征，是目前交通专家和学者研究的热点。

目前通常是基于神经网络和支持向量机SVM的非线性模型进行短期交通流量预测。如基于BP神经网络技术的交通流量预测模型以及包容性检验SVM向量机的交通流量预测模型等。

这些方法存在一定的缺点。其中，BP神经网络采用梯度下降法调整阈值和权值，算法易早熟，使得预测精度较低；向量机SVM预测结果的好坏与参数的选取密切相关，性能不稳定，泛化能力较弱。

发明内容

本发明的目的是提供一种交通流量预测方法及装置，以提升预测交通流量时间序列的准确度和泛化能力。

为解决上述技术问题，本发明提供如下技术方案：

一种交通流量预测方法，包括：

获得当前时刻之前设定时间段内目标区域的交通流量时间序列；

对所述交通流量时间序列进行小波包分解，分解成多个子序列；

利用基于飞蛾动态感知捕焰算法预先训练得到的神经网络优化模型对各子序列进行预测，获得多个预测值；

重构叠加各预测值，获得所述目标区域短期未来的交通流量值。

在本发明的一种具体实施方式中，所述对所述交通流量时间序列进行小波包分解，分解成多个子序列，包括：

根据以下公式对所述交通流量时间序列进行小波包分解，获得多个子序列：

其中，dⁱ为第I层的小波包分解频带系数，h₀和g₀均为小波包分解共轭滤波器的系数，l为位置指标的时间参数，k为尺度指标的频域参数。

在本发明的一种具体实施方式中，通过以下步骤基于飞蛾动态感知捕焰算法预先训练得到所述神经网络优化模型：

建立Elman神经网络，确定基本参数；

初始化包含多个个体的种群；

训练所述Elman神经网络，根据训练结果计算所述种群中每个个体的适应度值；

人工飞蛾进行光源动态感知捕焰，对所述种群的个体解码，寻优搜索开发，自适应调整相关的权值和阈值，并反馈给所述Elman神经网络；

重复执行所述训练所述Elman神经网络的步骤，直至所述种群的迭代次数大于设定第一阈值或者所述Elman神经网络的适应度函数的值小于设定第二阈值，获得所述神经网络优化模型。

在本发明的一种具体实施方式中，所述根据训练结果计算所述种群中每个个体的适应度值，包括：

根据以下公式计算所述种群中每个个体的适应度值：