[发明专利]基于小波神经网络的交通流数据预测方法和装置

权利要求书

1.一种基于小波神经网络的交通流数据预测方法，其特征在于，包括如下步骤：

根据确定的目标路段，将与所述目标路段直接连接的路段设为评估路段，并根据所述评估路段获取所述目标路段的交通流数据；

采用粒子群算法，以每个所述评估路段的交通流数据为评估参数，根据迭代更新的次数，计算每个评估路段的适应度值，并对得到的所述适应度值进行比较，得到所有评估路段的最优适应度值；

利用所述所有评估路段的最优适应度值计算得到连接权值，并根据所述连接权值得到所述小波神经网络构建的预测模型；

将各个所述评估路段的交通流数据的测试样本输入所述预测模型，得到所述目标路段的交通流的预测数据。

2.根据权利要求1所述的方法，其特征在于：

所述根据迭代更新的次数，计算每个评估路段的适应度值，并对得到的所述适应度值进行比较，得到所有评估路段的最优适应度值的步骤包括：

获取每个评估路段在设定时间段的不同子时间段的部分历史交通流数据作为训练样本，并根据最大的迭代次数，对每个评估路段的所述训练样本进行更新，得到每个评估路段的更新后的适应度值；

更新后的适应度值分别与全局最优适应度值与局部适应度值比较，得到所述所有评估路段的最优适应度值。

3.根据权利要求2所述的方法，其特征在于，

根据每个评估路段的历史交通流数据进行繁忙等级划分，根据繁忙等级对所述评估路段分为不同的评估路段集；

所述更新后的适应度值分别与全局最优适应度值与局部适应度值比较，得到所述所有评估路段的最优适应度值的步骤包括：

根据更新后的每个评估路段集中的每个评估路段的适应度值进行比较，以每个评估路段集的最小适应度值作为对应评估路段集的局部最优适应度值；

根据更新后的所有评估路段的适应度值进行比较，以所有评估路段的最小适应度值作为全局最优适应度值；

将所述评估路段的适应度值与所述局部最优适应度值进行比较，得到第一较小值；

根据所述第一较小值与所述全局最优适应度值进行比较，得到第二较小值，并以所述第二较小值作为最优适应度值。

4.根据权利要求3所述的方法，其特征在于：

所述利用所述所有评估路段的最优适应度值计算得到连接权值，并根据所述连接权值得到所述小波神经网络构建的预测模型的步骤包括：

利用适应度函数得到的最优适应度值对应的粒子位置向量；

根据所述粒子位置向量得到所述预测模型的连接权值的最优解。

5.根据权利要求1所述的方法，其特征在于，

所述评估路段可根据向所述目标路段注入车流量和疏导车流量，分设为注入评估路段和疏导评估路段；

所述采用粒子群算法，以每个所述评估路段的交通流数据为评估参数，计算每个评估路段的适应度值，对所述适应度值经过更新迭代和比较，得到所有评估路段的最优适应度值的步骤包括：

采用粒子群算法，分别以每个所述注入评估路段和所述疏导评估路段的交通流数据为评估参数，并计算每个所述注入评估路段或所述疏导评估路段的适应度值；

分别对所述注入评估路段的适应度值和所述疏导评估路段的适应度值进行更新迭代和比较，得到所有注入评估路段的最优适应度值和所有疏导评估路段的最优适应度值。

6.根据权利要求5所述的方法，其特征在于，

所述将各个所述评估路段的测试样本的交通流数据输入所述预测模型，得到所述目标路段的交通流的预测数据的步骤包括：

分别将各个注入评估路段和疏导评估路段的交通流数据的测试样本输入对应的预测模型，分别得到所述注入评估路段的交通流的预测数据和所述疏导评估路段的预测数据；

根据所述注入评估路段的交通流的预测数据和所述疏导评估路段的交通流的预测数据，计算得到所述目标路段的交通流的预测数据。