本發(fā)明實(shí)施例涉及道路交通技術(shù)領(lǐng)域,特別是涉及一種基于狼群算法的交通流預(yù)測(cè)方法、裝置及系統(tǒng)。
背景技術(shù):
在對(duì)道路的交通流進(jìn)行預(yù)測(cè)時(shí),通常會(huì)受到諸如路況、時(shí)間點(diǎn)、天氣變化等因素的影響,從而導(dǎo)致道路交通流數(shù)據(jù)具有高度不確定性,并且規(guī)律不明顯?,F(xiàn)有技術(shù)中,在對(duì)道路的交通流進(jìn)行預(yù)測(cè)時(shí)采用傳統(tǒng)的小波神經(jīng)網(wǎng)絡(luò)方法來訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù),但是,由于采用傳統(tǒng)小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練網(wǎng)絡(luò)參數(shù)時(shí)采用的方法是與基本bp神經(jīng)網(wǎng)絡(luò)相同的梯度下降法,并且梯度下降法具有單向性,且隨機(jī)生成相關(guān)的網(wǎng)絡(luò)參數(shù),使網(wǎng)絡(luò)參數(shù)在優(yōu)化的過程中極其容易陷入局部極小值,從而使交通流的預(yù)測(cè)速度和預(yù)測(cè)精度降低。
因此,如何提供一種解決上述技術(shù)問題的基于狼群算法的交通流預(yù)測(cè)方法、裝置及系統(tǒng)成為本領(lǐng)域的技術(shù)人員目前需要解決的問題。
技術(shù)實(shí)現(xiàn)要素:
本發(fā)明實(shí)施例的目的是提供一種基于狼群算法的交通流預(yù)測(cè)方法、裝置及系統(tǒng),在使用過程在一定程度上提高了預(yù)測(cè)速度和預(yù)測(cè)精度。
為解決上述技術(shù)問題,本發(fā)明實(shí)施例提供了一種基于狼群算法的交通流預(yù)測(cè)方法,所述方法包括:
獲取交通流數(shù)據(jù);
采用預(yù)先建立的小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型對(duì)所述交通流數(shù)據(jù)進(jìn)行處理得到交通流預(yù)測(cè)結(jié)果;其中,所述小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型是基于狼群算法訓(xùn)練而成的,其訓(xùn)練過程為:
依據(jù)歷史數(shù)據(jù)以及狼群算法計(jì)算出初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù);
采用小波神經(jīng)網(wǎng)絡(luò)以及所述歷史數(shù)據(jù)對(duì)所述初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練得到所述小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型。
可選的,所述依據(jù)歷史數(shù)據(jù)以及狼群算法計(jì)算出初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)的過程具體為:
依據(jù)歷史數(shù)據(jù)將各個(gè)網(wǎng)絡(luò)參數(shù)編碼為各個(gè)個(gè)體狼,每個(gè)所述個(gè)體狼的位置與每個(gè)所述網(wǎng)絡(luò)參數(shù)一一對(duì)應(yīng);
依據(jù)預(yù)設(shè)控制參數(shù)以及相應(yīng)策略從各個(gè)所述個(gè)體狼中找到優(yōu)化后的頭狼所在的位置;
將所述位置進(jìn)行解碼得到與所述位置對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù),并將所述網(wǎng)絡(luò)參數(shù)作為初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)。
可選的,所述預(yù)設(shè)控制參數(shù)包括個(gè)體狼的總數(shù)量、最大迭代次數(shù)、最大游走次數(shù)、預(yù)設(shè)數(shù)量以及預(yù)設(shè)距離;
所述依據(jù)預(yù)設(shè)控制參數(shù)以及相應(yīng)策略從各個(gè)所述個(gè)體狼中找到優(yōu)化后的頭狼所在的位置的過程具體為:
s2121:選取除頭狼外的預(yù)設(shè)數(shù)量的狼作為探狼,執(zhí)行由萬有引力定律優(yōu)化策略改進(jìn)的游走行為,并將當(dāng)前狼群中獵物氣味濃度最大的狼所對(duì)應(yīng)的位置作為探狼的游走方向;
s2122:更新探狼的位置,并直至探狼的獵物氣味濃度大于所述頭狼的獵物氣味濃度或當(dāng)前游走次數(shù)達(dá)到最大游走次數(shù)時(shí),將相應(yīng)的探狼的位置代替所述頭狼的位置,所述探狼成為新的頭狼;
s2123:通過所述新的頭狼召喚猛狼,并采用混沌初始化對(duì)獲取的猛狼變量進(jìn)行處理,得到初始化猛狼的位置;
s2124:依據(jù)初始化猛狼的位置產(chǎn)生猛狼新個(gè)體的位置,計(jì)算所述猛狼新個(gè)體的獵物氣味濃度,并當(dāng)所述獵物氣味濃度大于所述新的頭狼的獵物氣味濃度時(shí),將所述猛狼新個(gè)體的位置代替所述頭狼的位置;直至猛狼新個(gè)體與頭狼之間的距離小于預(yù)設(shè)距離;
s2125:執(zhí)行慣性權(quán)重自適策略優(yōu)化的圍攻行為,并對(duì)頭狼的位置進(jìn)行更新;
s2126:按照“勝者為王”規(guī)則更新頭狼的位置,再按照“強(qiáng)者生存”機(jī)制和“強(qiáng)者生存,弱肉強(qiáng)食”的原則對(duì)狼群進(jìn)行群體更新;
s2127:判斷頭狼與獵物之間是否達(dá)到預(yù)設(shè)精度或當(dāng)前迭代次數(shù)大于最大迭代次數(shù),如果是,則將所述頭狼作為優(yōu)化后的頭狼,并輸出所述優(yōu)化后的頭狼的位置;否則,返回s2121。
可選的,所述更新探狼的位置的過程具體為:
依據(jù)第一計(jì)算關(guān)系式對(duì)所述探狼的位置進(jìn)行更新;所述第一計(jì)算關(guān)系式為:
所述yik依據(jù)第二計(jì)算關(guān)系式得到,所述第二計(jì)算關(guān)系式為:
可選的,所述依據(jù)初始化猛狼的位置產(chǎn)生猛狼新個(gè)體的位置的過程具體為:
依據(jù)初始化猛狼的位置以及第三計(jì)算關(guān)系式得到猛狼新個(gè)體的位置,所述第三計(jì)算關(guān)系式為:
x′n=y(tǒng)i+ri(2xn,k-1),其中,所述xn′為猛狼新個(gè)體的位置,所述xn,k表示第k次迭代時(shí)猛狼新個(gè)體的位置;所述yi為獵物的氣味濃度;所述ri為奔襲區(qū)域半徑;
所述xn,k依據(jù)第四計(jì)算關(guān)系式得到,所述第四計(jì)算關(guān)系式為xn,k+1=μxn,k(1-xn,k),其中,n∈[1,n],所述n表示所述個(gè)體狼的總數(shù)量,所述μ表示混沌狀態(tài)的控制參數(shù),所述k表示迭代次數(shù)。
可選的,所述執(zhí)行慣性權(quán)重自適策略優(yōu)化的圍攻行為,并對(duì)頭狼的位置進(jìn)行更新的過程具體為:
執(zhí)行慣性權(quán)重自適策略優(yōu)化的圍攻行為,并依據(jù)第五計(jì)算關(guān)系式對(duì)頭狼的位置進(jìn)行更新,所述第五計(jì)算關(guān)系式為
為解決上述技術(shù)問題,本發(fā)明實(shí)施例提供了一種基于狼群算法的交通流預(yù)測(cè)裝置,所述裝置包括:
獲取模塊,用于獲取交通流數(shù)據(jù);
處理模塊,用于采用預(yù)先建立的小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型對(duì)所述交通流數(shù)據(jù)進(jìn)行處理得到交通流預(yù)測(cè)結(jié)果;其中,所述小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型包括:
計(jì)算模塊,用于依據(jù)歷史數(shù)據(jù)以及狼群算法計(jì)算出初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù);
訓(xùn)練模塊,用于采用小波神經(jīng)網(wǎng)絡(luò)以及所述歷史數(shù)據(jù)對(duì)所述初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練得到所述小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型。
可選的,所述計(jì)算模塊包括:
個(gè)體狼編碼單元,用于依據(jù)歷史數(shù)據(jù)將各個(gè)網(wǎng)絡(luò)參數(shù)編碼為各個(gè)個(gè)體狼,每個(gè)所述個(gè)體狼的位置與每個(gè)所述網(wǎng)絡(luò)參數(shù)一一對(duì)應(yīng);
頭狼尋到單元,用于依據(jù)預(yù)設(shè)控制參數(shù)以及相應(yīng)策略從各個(gè)所述個(gè)體狼中找到優(yōu)化后的頭狼所在的位置;
解碼單元,用于將所述位置進(jìn)行解碼得到與所述位置對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù),并將所述網(wǎng)絡(luò)參數(shù)作為初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)。
為解決上述技術(shù)問題,本發(fā)明實(shí)施例提供了一種基于狼群算法的交通流預(yù)測(cè)系統(tǒng),包括如上述所述的基于狼群算法的交通流預(yù)測(cè)裝置。
本發(fā)明實(shí)施例提供了一種基于狼群算法的交通流預(yù)測(cè)方法、裝置及系統(tǒng),包括:獲取交通流數(shù)據(jù);采用預(yù)先建立的小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型對(duì)交通流數(shù)據(jù)進(jìn)行處理得到交通流預(yù)測(cè)結(jié)果;其中,小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型是基于狼群算法訓(xùn)練而成的,其訓(xùn)練過程為依據(jù)歷史數(shù)據(jù)以及狼群算法計(jì)算出初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù);采用小波神經(jīng)網(wǎng)絡(luò)以及歷史數(shù)據(jù)對(duì)初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練得到小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型。
可見,本發(fā)明實(shí)施例在對(duì)交通流進(jìn)行預(yù)測(cè)時(shí)采用的小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型的初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)是依據(jù)歷史數(shù)據(jù)以及狼群算法計(jì)算得到的,由于狼群算法具有搜索能力強(qiáng)、搜索范圍廣的特點(diǎn),因此在很大程度上能收斂于全局最優(yōu)解,故利用基于狼群算法得到的初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練出的小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型在對(duì)交通流進(jìn)行預(yù)測(cè)時(shí),在一定程度上提高了預(yù)測(cè)速度和預(yù)測(cè)精度。
附圖說明
為了更清楚地說明本發(fā)明實(shí)施例中的技術(shù)方案,下面將對(duì)現(xiàn)有技術(shù)和實(shí)施例中所需要使用的附圖作簡(jiǎn)單地介紹,顯而易見地,下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例,對(duì)于本領(lǐng)域普通技術(shù)人員來講,在不付出創(chuàng)造性勞動(dòng)的前提下,還可以根據(jù)這些附圖獲得其他的附圖。
圖1為本發(fā)明實(shí)施例提供的一種基于狼群算法的交通流預(yù)測(cè)方法的流程示意圖;
圖2采用本發(fā)明實(shí)施例所提供的基于狼群算法的交通流預(yù)測(cè)方法的高速公路交通流預(yù)測(cè)仿真示意圖;
圖3為采用現(xiàn)有技術(shù)中的小波神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)方法的高速公路交通流預(yù)測(cè)仿真示意圖;
圖4為本發(fā)明實(shí)施例提供的一種基于狼群算法的交通流預(yù)測(cè)裝置的結(jié)構(gòu)示意圖;
圖5為本發(fā)明實(shí)施例提供的一種小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型的結(jié)構(gòu)示意圖。
具體實(shí)施方式
本發(fā)明實(shí)施例提供了一種基于狼群算法的交通流預(yù)測(cè)方法、裝置及系統(tǒng),在使用過程在一定程度上提高了預(yù)測(cè)速度和預(yù)測(cè)精度。
為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚,下面將結(jié)合本發(fā)明實(shí)施例中的附圖,對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述,顯然,所描述的實(shí)施例是本發(fā)明一部分實(shí)施例,而不是全部的實(shí)施例?;诒景l(fā)明中的實(shí)施例,本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例,都屬于本發(fā)明保護(hù)的范圍。
請(qǐng)參照?qǐng)D1,圖1為本發(fā)明實(shí)施例提供的一種基于狼群算法的交通流預(yù)測(cè)方法的流程示意圖。該方法包括:
s11:獲取交通流數(shù)據(jù);
s12:采用預(yù)先建立的小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型對(duì)交通流數(shù)據(jù)進(jìn)行處理得到交通流預(yù)測(cè)結(jié)果;其中,小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型是基于狼群算法訓(xùn)練而成的,其訓(xùn)練過程為:
s21:依據(jù)歷史數(shù)據(jù)以及狼群算法計(jì)算出初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù);
s22:采用小波神經(jīng)網(wǎng)絡(luò)以及歷史數(shù)據(jù)對(duì)初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練得到小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型。
需要說明的是,獲取道路(例如高速公路)的交通流數(shù)據(jù),依據(jù)這些交通流數(shù)據(jù)通過預(yù)先建立好的小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型進(jìn)行交通流預(yù)測(cè)。本發(fā)明實(shí)施例中用來訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型的初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)(例如,小波神經(jīng)網(wǎng)絡(luò)連接權(quán)值以及閾值參數(shù)等)是通過狼群算法計(jì)算得出的,例如,可以預(yù)先從交通數(shù)據(jù)控制中心獲取歷史數(shù)據(jù)(也即歷史交通流數(shù)據(jù)),并采用狼群算法進(jìn)行計(jì)算處理,從而得到初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù),再利用將歷史數(shù)據(jù)及初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)輸入至小波神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練得到小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型。
具體的,在實(shí)際應(yīng)用中,例如對(duì)于某段高速公路的交通流的預(yù)測(cè),可以先從該高速公路對(duì)應(yīng)的交通數(shù)據(jù)控制中心的數(shù)據(jù)庫中獲取交通流數(shù)據(jù),并可以將選取預(yù)測(cè)斷面2016年5月份31天共2976個(gè)交通流數(shù)據(jù)作為實(shí)驗(yàn)用數(shù)據(jù)。為了使預(yù)測(cè)結(jié)果更加精確,還可以將獲取的原始交通流數(shù)據(jù)進(jìn)行數(shù)據(jù)處理包括數(shù)據(jù)降噪,異常數(shù)據(jù)識(shí)別與修復(fù)以及歸一化處理后將其中一部分交通流數(shù)據(jù)(例如,將該月中前24天共2016個(gè)交通流數(shù)據(jù))作為歷史數(shù)據(jù),將這部分歷史數(shù)據(jù)通過相空間重構(gòu)后作為訓(xùn)練樣本,即對(duì)這些歷史數(shù)據(jù)采用狼群算法進(jìn)行訓(xùn)練,得到初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù),將另一部分?jǐn)?shù)據(jù)(即最后7天中的672個(gè)交通流數(shù)據(jù))進(jìn)行相空間重構(gòu)后作為測(cè)試樣本(即作為用于預(yù)測(cè)的交通流數(shù)據(jù))。也就是,采用前24天的歷史數(shù)據(jù)訓(xùn)練初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)構(gòu)建小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型,再通過構(gòu)件好的小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型對(duì)后7天的交通流量實(shí)行單點(diǎn)單步預(yù)測(cè),以得到預(yù)測(cè)結(jié)果。
當(dāng)然,上述只是舉例說明,在實(shí)際應(yīng)用中歷史數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)可以采用同一組歷史交通流數(shù)據(jù),也可以是不同的歷史交通流數(shù)據(jù),具體采用哪些交通流數(shù)據(jù)作為歷史數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)可以根據(jù)實(shí)際情況而定,本發(fā)明實(shí)施例對(duì)此不做特殊的限定,能實(shí)現(xiàn)本發(fā)明實(shí)施例的目的即可。
本發(fā)明實(shí)施例提供了一種基于狼群算法的交通流預(yù)測(cè)方法,包括:獲取交通流數(shù)據(jù);采用預(yù)先建立的小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型對(duì)交通流數(shù)據(jù)進(jìn)行處理得到交通流預(yù)測(cè)結(jié)果;其中,小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型是基于狼群算法訓(xùn)練而成的,其訓(xùn)練過程為依據(jù)歷史數(shù)據(jù)以及狼群算法計(jì)算出初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù);采用小波神經(jīng)網(wǎng)絡(luò)以及歷史數(shù)據(jù)對(duì)初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練得到小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型。
可見,本發(fā)明實(shí)施例在對(duì)交通流進(jìn)行預(yù)測(cè)時(shí)采用的小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型的初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)是依據(jù)歷史數(shù)據(jù)以及狼群算法計(jì)算得到的,由于狼群算法具有搜索能力強(qiáng)、搜索范圍廣的特點(diǎn),因此在很大程度上能收斂于全局最優(yōu)解,故利用基于狼群算法得到的初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練出的小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型在對(duì)交通流進(jìn)行預(yù)測(cè)時(shí),在一定程度上提高了預(yù)測(cè)速度和預(yù)測(cè)精度。
本發(fā)明實(shí)施例公開了一種基于狼群算法的交通流預(yù)測(cè)方法,相對(duì)于上一實(shí)施例,本實(shí)施例對(duì)技術(shù)方案作了進(jìn)一步的說明和優(yōu)化。
需要說明的是,在訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型之前,需要預(yù)先設(shè)置所輸入的交通流數(shù)據(jù)或歷史數(shù)據(jù)的長(zhǎng)度以及模型的控制參數(shù)。例如,可以將輸入長(zhǎng)度設(shè)為tfs(正整數(shù)),則輸入長(zhǎng)度為tfs的交通流數(shù)據(jù)(或交通流時(shí)間序列)為c={c(i)|i=1,2,,tfs};
所設(shè)置的控制參數(shù)可以包括:input,即輸入層神經(jīng)元個(gè)數(shù);hidden,即小波層神經(jīng)元個(gè)數(shù);ouput,即輸出層神經(jīng)元個(gè)數(shù),其中,input≤tfs。
此外,還需要建立小波神經(jīng)網(wǎng)絡(luò)高速公路交通流預(yù)測(cè)模型:
其中,o表示小波神經(jīng)網(wǎng)絡(luò)交通流輸出;wij表示連接第i個(gè)輸入與第j個(gè)小波元的連接權(quán)值;(f(1),f(2),,f(input))為所輸入的交通流數(shù)據(jù)(即相空間重構(gòu)交通流輸入數(shù)據(jù));vij表示連接小波層與輸出層的權(quán)值;bj表示第j個(gè)平移系數(shù);aj表示第j個(gè)伸縮系數(shù);l表示小波基函數(shù),并且
在上一實(shí)施例的s21中,依據(jù)歷史數(shù)據(jù)以及狼群算法計(jì)算出初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)的過程,具體可以為:
s211:依據(jù)歷史數(shù)據(jù)將各個(gè)網(wǎng)絡(luò)參數(shù)編碼為各個(gè)個(gè)體狼,每個(gè)個(gè)體狼的位置與每個(gè)網(wǎng)絡(luò)參數(shù)一一對(duì)應(yīng);
具體的,編碼個(gè)體狼是將各個(gè)網(wǎng)絡(luò)參數(shù)wij,vij,aj,bj(i=1,2,…,input;j=1,2,…,output)進(jìn)行編碼,其中,第i個(gè)d維個(gè)體狼的位置為xi=(wij,vij,aj,bj)t,即,每個(gè)個(gè)體狼的位置與相應(yīng)的網(wǎng)絡(luò)參數(shù)一一對(duì)應(yīng),并且d表示的是小波神經(jīng)網(wǎng)絡(luò)參數(shù)個(gè)數(shù)總和。
s212:依據(jù)預(yù)設(shè)控制參數(shù)以及相應(yīng)策略從各個(gè)個(gè)體狼中找到優(yōu)化后的頭狼所在的位置;
需要說明的是,預(yù)先進(jìn)行控制參數(shù)的設(shè)置,得到各個(gè)預(yù)設(shè)控制參數(shù),預(yù)設(shè)控制參數(shù)可以包括,個(gè)體狼的總數(shù)量n(也即探狼、猛狼以及頭狼的總數(shù)目)、最大迭代次數(shù)zmax、最大游走次數(shù)tmax、預(yù)設(shè)數(shù)量h(即探狼個(gè)數(shù))以及預(yù)設(shè)距離(即猛狼與頭狼之間的最小距離hnear)。還可以用t表示當(dāng)前游走次數(shù);用yi表示當(dāng)前狼的獵物氣味濃度(也即當(dāng)前狼檢測(cè)到的獵物氣味濃度);用ylead表示頭狼的獵物氣味濃度;用z表示當(dāng)前代數(shù)迭代次數(shù)。
則,上述s212中依據(jù)預(yù)設(shè)控制參數(shù)以及相應(yīng)策略從各個(gè)個(gè)體狼中找到優(yōu)化后的頭狼所在的位置的過程,具體可以為:
需要說明的是,首先需要確定狼群的游走策略,即選取除頭狼外的預(yù)設(shè)數(shù)量的狼作為探狼,執(zhí)行由萬有引力定律優(yōu)化策略改進(jìn)的游走行為。具體如s2121-s2122:
s2121:選取除頭狼外的預(yù)設(shè)數(shù)量的狼作為探狼,執(zhí)行由萬有引力定律優(yōu)化策略改進(jìn)的游走行為,并將當(dāng)前狼群中獵物氣味濃度最大的狼所對(duì)應(yīng)的位置作為探狼的游走方向;s2122:更新探狼的位置,并直至探狼的獵物氣味濃度大于頭狼的獵物氣味濃度(即yi>ylead)或當(dāng)前游走次數(shù)t達(dá)到最大游走次數(shù)tmax時(shí),將相應(yīng)的探狼的位置代替頭狼的位置,探狼成為新的頭狼;
可選的,本發(fā)明實(shí)施例中的預(yù)設(shè)控制參數(shù)可以包括個(gè)體狼的總數(shù)量、最大迭代次數(shù)、最大游走次數(shù)、預(yù)設(shè)數(shù)量以及預(yù)設(shè)距離;
當(dāng)然,預(yù)設(shè)控制參數(shù)不僅限于包括上述幾種參數(shù),還可以包括其他的參數(shù),具體的可以根據(jù)實(shí)際情況而定,本發(fā)明實(shí)施例對(duì)此不做特殊的限定,能實(shí)現(xiàn)本發(fā)明實(shí)施例的目的即可。
進(jìn)一步的,在s2122中更新探狼的位置的過程,具體可以為:
依據(jù)第一計(jì)算關(guān)系式對(duì)探狼的位置進(jìn)行更新;第一計(jì)算關(guān)系式為:
yik依據(jù)第二計(jì)算關(guān)系式得到,第二計(jì)算關(guān)系式為:
需要說明的是,上述的y(xi)可以由目標(biāo)函數(shù)式
在確定了狼群的游走策略后,接著需要確定狼群的奔襲策略,通過上邊產(chǎn)生的新的頭狼召喚猛狼,使猛狼執(zhí)行混沌策略優(yōu)化奔襲行為,具體如s2123-s2124:
s2123:通過新的頭狼召喚猛狼,并采用混沌初始化對(duì)獲取的猛狼變量進(jìn)行處理,得到初始化猛狼的位置;
s2124:依據(jù)初始化猛狼的位置產(chǎn)生猛狼新個(gè)體的位置,計(jì)算猛狼新個(gè)體的獵物氣味濃度,并當(dāng)獵物氣味濃度大于新的頭狼的獵物氣味濃度時(shí),將猛狼新個(gè)體的位置代替頭狼的位置;直至猛狼新個(gè)體與頭狼之間的距離小于預(yù)設(shè)距離;
進(jìn)一步的,在s2124中依據(jù)初始化猛狼的位置產(chǎn)生猛狼新個(gè)體的位置的過程,具體可以為:
依據(jù)初始化猛狼的位置以及第三計(jì)算關(guān)系式得到猛狼新個(gè)體的位置,第三計(jì)算關(guān)系式為:
x′n=y(tǒng)i+ri(2xn,k-1),其中,xn′為猛狼新個(gè)體的位置,xn,k表示第k次迭代時(shí)猛狼新個(gè)體的位置yi為獵物的氣味濃度;ri為奔襲區(qū)域半徑;
其中,xn,k可以依據(jù)第四計(jì)算關(guān)系式得到,第四計(jì)算關(guān)系式為xn,k+1=μxn,k(1-xn,k),其中,n∈[1,n],n表示個(gè)體狼的總數(shù)量,μ表示混沌狀態(tài)的控制參數(shù),k表示迭代次數(shù)。
具體的,該過程也即,將變量xn混沌映射到優(yōu)化變量x′n,x′n在以轉(zhuǎn)變?yōu)轭^狼的狼所在處的獵物濃度氣味yi為中心,以ri為半徑的奔襲區(qū)域上,計(jì)算獵物氣味濃度y(x′n),并且更新在混沌迭代過程中的最大獵物氣味濃度ybest(x′n),如果當(dāng)前狼的獵物氣味濃度大于頭狼的獵物氣味濃度,則替換頭狼。直到猛狼與頭狼之間的距離小于預(yù)設(shè)距離hnear。
需要說明的是,本發(fā)明實(shí)施例中的μ的取值可以為4,當(dāng)μ取4時(shí)可以完全進(jìn)入混沌狀態(tài)。當(dāng)然,在實(shí)際應(yīng)用中,μ的取值不僅限于取4,也可以為其他的數(shù)值,其具體數(shù)值可以根據(jù)實(shí)際情況而定,本發(fā)明實(shí)施例對(duì)此不做特殊的限定,能實(shí)現(xiàn)本發(fā)明實(shí)施例的目的即可。
在確定了狼群的奔襲策略后,接著需要確定狼群的圍攻策略,執(zhí)行慣性權(quán)重自適策略優(yōu)化的圍攻行為,具體如s2125:
s2125:執(zhí)行慣性權(quán)重自適策略優(yōu)化的圍攻行為,并對(duì)頭狼的位置進(jìn)行更新;
進(jìn)一步的,在s2125中執(zhí)行慣性權(quán)重自適策略優(yōu)化的圍攻行為,并對(duì)頭狼的位置進(jìn)行更新的過程,具體可以為:
執(zhí)行慣性權(quán)重自適策略優(yōu)化的圍攻行為,并依據(jù)第五計(jì)算關(guān)系式對(duì)頭狼的位置進(jìn)行更新,第五計(jì)算關(guān)系式為
s2126:按照“勝者為王”規(guī)則更新頭狼的位置,再按照“強(qiáng)者生存”機(jī)制和“強(qiáng)者生存,弱肉強(qiáng)食”的原則對(duì)狼群進(jìn)行群體更新;
具體的,在對(duì)狼群進(jìn)行群體更新時(shí),可以將距離獵物(目標(biāo)函數(shù)值)最遠(yuǎn)的p匹狼淘汰掉并隨機(jī)產(chǎn)生p匹狼,以對(duì)狼群進(jìn)行更新。其中,p∈[n/(2β),n/β],β為更新比例因子。
s2127:判斷頭狼與獵物之間是否達(dá)到預(yù)設(shè)精度或當(dāng)前迭代次數(shù)大于最大迭代次數(shù),如果是,則將頭狼作為優(yōu)化后的頭狼,并輸出優(yōu)化后的頭狼的位置;否則,返回s2121。
s213:將位置進(jìn)行解碼得到與位置對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù),并將網(wǎng)絡(luò)參數(shù)作為初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)。
具體的,由于狼群中每個(gè)個(gè)體狼的位置與網(wǎng)絡(luò)參數(shù)一一對(duì)應(yīng),所以當(dāng)找到優(yōu)化后的頭狼后,對(duì)優(yōu)化后的頭狼的位置進(jìn)行解碼即可得到初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)。
需要說明的是,在計(jì)算出初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)后,可以采用小波神經(jīng)網(wǎng)絡(luò)以及歷史數(shù)據(jù)對(duì)初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練得到小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型。即s22的過程具體如下:
s221:根據(jù)input個(gè)輸入層神經(jīng)元,利用g-p算法重構(gòu)交通流序列相空間(即輸入input歷史數(shù)據(jù)(即交通流序列)預(yù)測(cè)第input+1交通流時(shí)間序列)得到訓(xùn)練輸入樣本以及訓(xùn)練輸出樣本。
s222:建立訓(xùn)練目標(biāo)函數(shù)
s223:如果|e|大于設(shè)定值,則如按照式
把訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)參數(shù)wij,vij,aj,bj(i=1,2,…,input;j=1,2,…,output)代入預(yù)測(cè)小波神經(jīng)網(wǎng)絡(luò),可以得到小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型,并利用獲取的交通流數(shù)據(jù)以及計(jì)算關(guān)系式
另外,請(qǐng)參照?qǐng)D2和圖3,圖2為采用本發(fā)明實(shí)施例所提供的基于狼群算法的交通流預(yù)測(cè)方法的高速公路交通流預(yù)測(cè)仿真示意圖,圖3為采用現(xiàn)有技術(shù)中的小波神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)方法的高速公路交通流預(yù)測(cè)仿真示意圖。圖2中的iwn-wnn表示基于狼群算法的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法;圖3中的wnn表示基于小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法。由圖2和圖3可知,本發(fā)明實(shí)施例所提供的基于狼群算法的交通流預(yù)測(cè)方法的精確度更高,預(yù)測(cè)效果更好。
相應(yīng)的,本發(fā)明實(shí)施例公開了一種基于狼群算法的交通流預(yù)測(cè)裝置。具體請(qǐng)參照?qǐng)D4圖4為本發(fā)明實(shí)施例提供的一種基于狼群算法的交通流預(yù)測(cè)裝置的結(jié)構(gòu)示意圖。在上述實(shí)施例的基礎(chǔ)上:
該裝置包括:
獲取模塊1,用于獲取交通流數(shù)據(jù);
處理模塊2,用于采用預(yù)先建立的小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型對(duì)交通流數(shù)據(jù)進(jìn)行處理得到交通流預(yù)測(cè)結(jié)果;其中,小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型包括:
計(jì)算模塊,用于依據(jù)歷史數(shù)據(jù)以及狼群算法計(jì)算出初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù);
訓(xùn)練模塊,用于采用小波神經(jīng)網(wǎng)絡(luò)以及歷史數(shù)據(jù)對(duì)初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練得到小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型。
需要說明的是,本發(fā)明實(shí)施例提供的一種基于狼群算法的交通流預(yù)測(cè)系統(tǒng),在使用過程中可以在一定程度上提高了預(yù)測(cè)速度和預(yù)測(cè)精度。
另外,對(duì)于本發(fā)明實(shí)施例中所涉及到的基于狼群算法的交通流預(yù)測(cè)方法的具體介紹,請(qǐng)參照上述方法實(shí)施例,本申請(qǐng)?jiān)诖瞬辉儋樖觥?/p>
在上述實(shí)施例的基礎(chǔ)上,請(qǐng)參照?qǐng)D5,圖5為本發(fā)明實(shí)施例提供的一種小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型的結(jié)構(gòu)示意圖。
可選的,計(jì)算模塊包括:
個(gè)體狼編碼單元,用于依據(jù)歷史數(shù)據(jù)將各個(gè)網(wǎng)絡(luò)參數(shù)編碼為各個(gè)個(gè)體狼,每個(gè)個(gè)體狼的位置與每個(gè)網(wǎng)絡(luò)參數(shù)一一對(duì)應(yīng);
頭狼尋到單元,用于依據(jù)預(yù)設(shè)控制參數(shù)以及相應(yīng)策略從各個(gè)個(gè)體狼中找到優(yōu)化后的頭狼所在的位置;
解碼單元,用于將位置進(jìn)行解碼得到與位置對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù),并將網(wǎng)絡(luò)參數(shù)作為初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)。
為解決上述技術(shù)問題,本發(fā)明實(shí)施例提供了一種基于狼群算法的交通流預(yù)測(cè)系統(tǒng),包括如上述的基于狼群算法的交通流預(yù)測(cè)裝置。
需要說明的是,本發(fā)明實(shí)施例提供的一種基于狼群算法的交通流預(yù)測(cè)系統(tǒng),在使用過程中可以在一定程度上提高了預(yù)測(cè)速度和預(yù)測(cè)精度。
另外,對(duì)于本發(fā)明實(shí)施例中所涉及到的基于狼群算法的交通流預(yù)測(cè)方法的具體介紹,請(qǐng)參照上述方法實(shí)施例,本申請(qǐng)?jiān)诖瞬辉儋樖觥?/p>
還需要說明的是,在本說明書中,諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來,而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且,術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含,從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素,而且還包括沒有明確列出的其他要素,或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下,由語句“包括一個(gè)……”限定的要素,并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。
對(duì)所公開的實(shí)施例的上述說明,使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的,本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下,在其他實(shí)施例中實(shí)現(xiàn)。因此,本發(fā)明將不會(huì)被限制于本文所示的這些實(shí)施例,而是要符合與本文所公開的原理和新穎特點(diǎn)相一致的最寬的范圍。