[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

说明书

本发明涉及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。通过运用有更优全局解的量子遗传算法，解决了LVQ神经网络对初始权值敏感和容易陷入局部极小值的问题，并提高了收敛速度。在5个通用交通流数据集上，与基于GA‑BP神经网络和小波神经网络的交通流量预测进行了对比仿真实验。结果显示基于QGA‑LVQ神经网络的短时交通流预测具有更好的准确性和实时性，多个数据集上的测试结果验证了其可靠性。

技术领域

本发明涉及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。

背景技术

伴随着我国经济的快速发展，人们的出行方式发生了巨大的变化，国内私人汽车保有量大大增加并逐年提升，这导致了城市内的交通拥堵问题日益突出，受到了广大民众和政府有关部门的重点关注。通过对城市交通情况的长期调查和分析，说明交通拥挤与流量大小息息相关。传统解决方案主要采用了增加道路基础设施和加强交通管理等手段，但是需要大量的人力和资金投入，且效果不够明显，不能从根本上解决问题。人工智能科学技术的兴起和快速发展为未来智慧城市解决越来越严重的交通拥挤问题提供了新途径。

基于人工神经网络的智能交通系统成为当前智慧城市领域研究的重点和难点。通过人工智能管理技术可以对整个城市的交通流量进行合理调控，优化路网的利用率，有效地缓解交通拥堵，降低能耗，减少污染。图1给出了利用人工神经网络技术进行路径动态预测及选择，表1基于图1动态给出出行路网各节点间的拥堵情况，这些图、表按时间段动态分析当前路段拥堵情况，为人们预测选择合适出行路径做了充分的准备，提高了人们出行的效率，节省了人们宝贵的时间；另外，从这些图、表上可以看出，人工智能技术从整体上很好地支撑整个路网进行合理的自主流量调控，提高路网使用效率。

表1 基于图1出行路网各节点间的拥堵情况表

但是交通流数据具有较强的周期性、非线性和不确定性等特殊属性，导致实时准确的交通流量预测困难较大。近年来，各种机器学习和人工神经网络模型被应用到该领域，例如BP神经网络、小波神经网络等，但是准确性和实时性仍无法满足实际需求。作为SOM自组织网络的一种扩展，LVQ神经网络结构简单，聚类效果良好且计算简单，此外拥有很强的非线性拟合能力，在交通流预测方面具有较大的应用潜力。所以，本发明提出了一种基于量子遗传优化LVQ神经网络的城市交通网络流量预测方法。由于量子遗传算法具有更优的全局解，因此可以用来有效克服LVQ神经网络对初始权值敏感、容易陷入局部极小值的缺点，并提高了收敛速度。

发明内容

本发明的目的在于提供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，该方法有效地提高了城市交通流预测的实时性和精度。

为实现上述目的，本发明的技术方案是：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，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、将降噪后数据划分为训练样本和测试样本部分；

步骤S3、对划分后的两种样本进行归一化；

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、输入测试样本到寻优后的LVQ神经网络进行交通流短期预测。

在本发明一实施例中，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。

在本发明一实施例中，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_i,j和学习率η(η＞0)；