[发明专利]基于量子遗传优化LVQ神经网络的智慧城市交通流预测方法

权利要求书

1.一种基于量子遗传优化LVQ神经网络的智慧城市交通流预测方法，其特征在于，包括如下步骤：

步骤S1、对地面检测器采集得到的交通流数据进行小波降噪，去除干扰噪声信号；

步骤S2、将降噪后交通流数据划分为交通流数据训练样本和交通流数据测试样本部分；

步骤S3、对划分后的两种交通流数据样本进行归一化；

步骤S4、初始化LVQ神经网络算法参数及QGA算法参数；

步骤S5、输入交通流数据训练样本，通过QGA算法对LVQ神经网络算法参数的权值进行寻优处理；

步骤S6、输入交通流数据测试样本到寻优后的LVQ神经网络，对单个时间点的短时交通流量进行预测；

所述步骤S5具体实现如下：

Step1：令遗传代数t＝0，初始化种群Q(t₀)，并对初始种群每个个体实施一次观测，得一个状态p(t)；

Step2：根据距离的远近原则来定义LVQ神经网络的适应度函数，具体采用了种群中随机个体到输入层样本点的平均距离，其计算方式如下：

其中，F_t表示属于k类的元素集合，N_k表示k类的元素个数，x_j表示LVQ神经网络的交通流数据训练样本输入矢量；

则个体的适应度定义为：

Step3：迭代计算的终止条件为：

其中，N为交通流数据样本输入向量的个数；

如果|D|＜ε，那么就结束；

Step4：t＝t+1，并对种群Q(t)中每个个体实施一次观测，然后计算每个状态的适应度，接着采用量子旋转门的对种群Q(t)进行更新，记录下最佳个体及其适应度，回到Step2。

2.根据权利要求1所述的基于量子遗传优化LVQ神经网络的智慧城市交通流预测方法，其特征在于，所述LVQ神经网络包括输入层、竞争层和输出层，其中，竞争层负责完成输入层神经元中输入矢量的分类。

3.根据权利要求1所述的基于量子遗传优化LVQ神经网络的智慧城市交通流预测方法，其特征在于，所述LVQ神经网络算法为LVQ 1算法，其实现步骤如下：

Step1：初始化输入层与竞争层之间的权值W_ij和学习率η,η＞0；

Step2：将输入向量X＝(x₁,x₂,...,x_R)^T导入输入层，R为输入元素的数目，并计算竞争层神经元与输入向量之间的距离d_j：

其中，S^l为竞争神经元个数；

Step3：选择与输入向量距离最短的竞争层神经元，如果d_j最小，则标记其连接的输出层神经元的类别标签为C_j；

Step4：设输入向量对应的类标签为C_x，如果C_j＝C_x，则按照如下方式调整权值：

W_ij-new＝W_ij-old+η(X-W_ij-old)

否则，用如下方式调整权值：

W_ij-new＝W_ij-old-η(X-W_ij-old)

Step5：跳转到Step2重复执行，直到满足设置的迭代次数或误差精度要求。