[发明专利]一种交通流量预测方法及装置

摘要

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。

主权项

1.一种交通流量预测方法，其特征在于，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；其中，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；所述人工飞蛾进行光源动态感知捕焰，包括：人工飞蛾根据以下公式进行光源动态感知捕焰：S＝a₁·S(M_i,F_α)+a₂·S(M_i,F_β)+a₃·S(M_i,F_γ)；其中，S为人工飞蛾更新后的位置，a₁、a₂、a₃为[0,1]上的随机数，F_α，F_β和F_γ为全局前三最优的火焰，S(M_i,F_best)＝F_best‑A·D_i为人工飞蛾M_i朝全局最优火焰F_best直线运动更新的位置，人工飞蛾M_i到火焰F_best的距离为D_i＝|C·F_best‑M_i|，C＝2r₂，A＝2a·r₁‑a，a为在区间[0,2]上线性递减的变量，r₁、r₂为[0,1]上的随机数。