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：

其中，所述x′i表示第i只探狼更新后的位置；所述xi表示第i只探狼的當(dāng)前位置，所述xk表示第k只探狼的位置，所述rand(0,1)表示服從0到1的均勻分布函數(shù)，所述xbest表示當(dāng)前獵物氣味濃度最大的位置，所述yik表示第i只探狼相對(duì)第k只探狼的獵物氣味濃度函數(shù)；

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：其中，所述g表示萬有引力常數(shù)；所述y(xi)表示第i只探狼的獵物氣味濃度，所述y(xk)表示第k只探狼的獵物氣味濃度。

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)系式為其中，所述m^k表示迭代次數(shù)為k使獵物的位置，所述stepc表示猛狼的攻擊步長(zhǎng)，所述γ表示慣性權(quán)重；所述γ依據(jù)第六計(jì)算關(guān)系式得到，所述第六計(jì)算關(guān)系式為：

其中，所述γmax表示最大慣性權(quán)重；所述γmin表示最小慣性權(quán)重，所述zmax表示所述最大迭代次數(shù)，所述z表示當(dāng)前迭代次數(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)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)，并且其中，t為時(shí)間單位秒。本發(fā)明實(shí)施例中，通過計(jì)算出初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)wij，vij，aj，bj(i＝1,2,…,input；j＝1,2,…,output)，即可進(jìn)一步得到小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)模型，并用于對(duì)交通流的預(yù)測(cè)。具體的：

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：

其中，x′i表示第i只探狼更新后的位置；xi表示第i只探狼的當(dāng)前位置，xk表示第k只探狼的位置，rand(0,1)表示服從0到1的均勻分布函數(shù)，xbest表示當(dāng)前獵物氣味濃度最大的位置，yik表示第i只探狼相對(duì)第k只探狼的獵物氣味濃度函數(shù)；

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：其中，g表示萬有引力常數(shù)；y(xi)表示第i只探狼的獵物氣味濃度(也即，小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸出值與其期望值的誤差為目標(biāo)函數(shù)值)，y(xk)表示第k、只探狼的獵物氣味濃度。

需要說明的是，上述的y(xi)可以由目標(biāo)函數(shù)式得到，并且狼群中探狼位置的平均值滿足式。

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)系式為其中，m^k表示迭代次數(shù)為k使獵物的位置，stepc表示猛狼的攻擊步長(zhǎng)，γ表示慣性權(quán)重；γ依據(jù)第六計(jì)算關(guān)系式得到，第六計(jì)算關(guān)系式為：

其中，γmax表示最大慣性權(quán)重；γmin表示最小慣性權(quán)重，zmax表示最大迭代次數(shù)，z表示當(dāng)前迭代次數(shù)。

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)其中e表示小波神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)期望值與網(wǎng)絡(luò)實(shí)際輸出值的均方誤差函數(shù)；sp表示訓(xùn)練樣本組數(shù)；sj表示第j個(gè)交通流期望值輸出。

s223：如果|e|大于設(shè)定值，則如按照式以及更新小波神經(jīng)網(wǎng)絡(luò)參數(shù)，跳至s222，以修正小波神經(jīng)網(wǎng)絡(luò)參數(shù)；其中η為小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)因子。

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)系式得到小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出。

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。