[发明专利]一种基于狼群算法的交通流预测方法、装置及系统

说明书

本发明实施例公开了一种基于狼群算法的交通流预测方法、装置及系统，包括获取交通流数据；采用预先建立的小波神经网络交通流预测模型对交通流数据进行处理得到交通流预测结果；其中，小波神经网络交通流预测模型是基于狼群算法训练而成的，其训练过程为依据历史数据以及狼群算法计算出初始化小波神经网络参数；采用小波神经网络以及历史数据对初始化小波神经网络参数进行训练得到小波神经网络交通流预测模型。可见，本发明实施例在利用基于狼群算法得到的初始化小波神经网络参数训练出的小波神经网络交通流预测模型对交通流进行预测时，在一定程度上提高了预测速度和预测精度。

技术领域

本发明实施例涉及道路交通技术领域，特别是涉及一种基于狼群算法的交通流预测方法、装置及系统。

背景技术

在对道路的交通流进行预测时，通常会受到诸如路况、时间点、天气变化等因素的影响，从而导致道路交通流数据具有高度不确定性，并且规律不明显。现有技术中，在对道路的交通流进行预测时采用传统的小波神经网络方法来训练小波神经网络的网络参数，但是，由于采用传统小波神经网络训练网络参数时采用的方法是与基本BP神经网络相同的梯度下降法，并且梯度下降法具有单向性，且随机生成相关的网络参数，使网络参数在优化的过程中极其容易陷入局部极小值，从而使交通流的预测速度和预测精度降低。

因此，如何提供一种解决上述技术问题的基于狼群算法的交通流预测方法、装置及系统成为本领域的技术人员目前需要解决的问题。

发明内容

本发明实施例的目的是提供一种基于狼群算法的交通流预测方法、装置及系统，在使用过程在一定程度上提高了预测速度和预测精度。

为解决上述技术问题，本发明实施例提供了一种基于狼群算法的交通流预测方法，所述方法包括：

获取交通流数据；

采用预先建立的小波神经网络交通流预测模型对所述交通流数据进行处理得到交通流预测结果；其中，所述小波神经网络交通流预测模型是基于狼群算法训练而成的，其训练过程为：

依据历史数据以及狼群算法计算出初始化小波神经网络参数；

采用小波神经网络以及所述历史数据对所述初始化小波神经网络参数进行训练得到所述小波神经网络交通流预测模型。

可选的，所述依据历史数据以及狼群算法计算出初始化小波神经网络参数的过程具体为：

依据历史数据将各个网络参数编码为各个个体狼，每个所述个体狼的位置与每个所述网络参数一一对应；

依据预设控制参数以及相应策略从各个所述个体狼中找到优化后的头狼所在的位置；

将所述位置进行解码得到与所述位置对应的网络参数，并将所述网络参数作为初始化小波神经网络参数。

可选的，所述预设控制参数包括个体狼的总数量、最大迭代次数、最大游走次数、预设数量以及预设距离；

所述依据预设控制参数以及相应策略从各个所述个体狼中找到优化后的头狼所在的位置的过程具体为：

S2121：选取除头狼外的预设数量的狼作为探狼，执行由万有引力定律优化策略改进的游走行为，并将当前狼群中猎物气味浓度最大的狼所对应的位置作为探狼的游走方向；

S2122：更新探狼的位置，并直至探狼的猎物气味浓度大于所述头狼的猎物气味浓度或当前游走次数达到最大游走次数时，将相应的探狼的位置代替所述头狼的位置，所述探狼成为新的头狼；

S2123：通过所述新的头狼召唤猛狼，并采用混沌初始化对获取的猛狼变量进行处理，得到初始化猛狼的位置；