[发明专利]一种自适应神经网络交通流预测的混沌搜索优化方法

权利要求书

1.一种自适应神经网络交通流预测的混沌搜索优化方法，其特征在于：包括以下步骤：

S1.构建BP神经网络模型，初始化网络参数；

S2.初始化麻雀算法各项参数；

S3.加入Tent混沌映射初始化种群，进入步骤S4；

S4.计算种群中麻雀适应度值，进入步骤S5；

S5.根据适应度值对种群进行排序，进入步骤S6；

S6.生产者位置更新，进入步骤S7；

S7.跟随者位置更新，进入步骤S8；

S8.危险时，麻雀位置更新，进入步骤S9；

S9.先进行个体最优适应度值更新，再进行群体最优适应度值更新，进入步骤S10；

S10.判断是否达到迭代次数，若未达到则返回至步骤S5；否则，输出最优适应度值和全局最优位置，进入步骤S11；

S11.步骤10得到的最优适应度值和全局最优位置赋予BP神经网络模型，优化其权值和阈值，进行预测，完成CSSA-BP模型的搭建。

2.如权利要求1所述的一种自适应神经网络交通流预测的混沌搜索优化方法，其特征在于：步骤S3中，初始化麻雀算法各项参数，包括空间维数、麻雀规模、迭代次数、种群上下边界、生产者的数量。

3.如权利要求1所述的一种自适应神经网络交通流预测的混沌搜索优化方法，其特征在于：步骤S6中，生产者位置更新采用如下算法：

其中t表示当前迭代值，j表示1到d之间的维数，表示第i只麻雀在迭代t时第j维的值，item_max是迭代次数最多的数，R₂∈[0,1]，ST∈[0.5,1.0]分别表示报警值和安全阈值；Q是服从正态分布的随机数，L表示元素全为1的1*d的矩阵；如果R₂＜ST，此时麻雀种群是安全的；否则，表示一些麻雀发现捕食者，种群中所有麻雀都要迅速转移到安全区域。

4.如权利要求1所述的一种自适应神经网络交通流预测的混沌搜索优化方法，其特征在于：步骤S7中，跟随者位置更新的原则为：跟随者时刻监控生产者，一旦发现生产者具有更好的食物，跟随者会去争夺，如果赢了，则获得食物，否则，继续监控生产者；采用如下算法：

其中，X_p表示生产者所占据的最佳位置，X_worst表示当前最差位置，A表示元素被随机分配1和-1的1*d矩阵，A⁺＝A^T(AA^T)-1；当in/2时，表示第i个跟随者由于饥饿，适应度值差。

5.如权利要求1所述的一种自适应神经网络交通流预测的混沌搜索优化方法，其特征在于：步骤S8中，危险时，麻雀位置更新采用如下算法：

其中，侦察者占种群的10％到20％，X_best表示当前最佳位置，β是一个均值为0，方差为1的正态分布，K∈[-1,1]是一个随机数，f_i表示现在麻雀的适应度值，f_g和f_w是当前最佳和最差的适应度值，ε是为了避免零分区误差的最小常数，K为麻雀移动方向，为步长控制系数；当f_i＞f_g时，表示麻雀在群体的边缘，X_best显示了群体中心的位置，并且在它周围是安全的；当f_i＝f_g时，表明处于种群中间的麻雀意识到了危险，需要靠近其他麻雀。

6.如权利要求1所述的一种自适应神经网络交通流预测的混沌搜索优化方法，其特征在于：所述CSSA-BP模型采用三层BP神经网络，输入层取4，隐藏层取8，输出层取1，模型的输入包括车间距(m)、车速(m/sec)、车道数(n)、车密度(veh/km)，输出为下一时间段的交通流量。