[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

说明书

本发明提出了一种自适应神经网络交通流预测的混沌搜索优化方法，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；S4.计算种群中麻雀适应度值；S5.根据适应度值对种群进行排序；S6.生产者位置更新；S7.跟随者位置更新；S8.危险时，麻雀位置更新；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.将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。该方法预测精确度更高，迭代速度更快。

【技术领域】

本发明涉及交通流预测的技术领域，特别是一种自适应神经网络交通流预测的混沌搜索优化方法。

【背景技术】

随着我国科技发展推动社会进步，城镇化规模扩大，道路私家车辆增多，由此频繁引发道路交通堵塞和交通事故，给社会造成严重的经济损失、空气污染、燃油过度消耗等问题，困扰交通出行者的日常生活。而智能交通系统是缓解道路交通拥堵的有效手段。近年来，国内外学者对智能交通投入了大量的研究，其中交通流预测模型是最重要的研究方向之一。实时准确的交通流预测可以针对路面交通状况制定相应的管理方案，有效缓解道路交通拥堵、提高出行效率、降低交通事故的发生几率等。目前，国内外研究者已经提出大量的交通流预测模型，如历史平均模型、时间序列模型^]、卡尔曼滤波模型、非参数回归模型、K近邻模型、混沌理论模型、神经网络模型(Artificial Neural Networks,ANNs)、核函数模型、深度学习模型以及组合模型等等。

当前交通流预测研究中，最常用的方法之一是ANN模型。针对交通流的时变性和非线性特征，ANN具有很强的非线性映射能力和柔性的网络结构，并且可以通过对网络层数、神经元个数等设定，任意逼近各类非线性问题。群优化算法作为一种新兴元启发式算法产生，结构简洁、擅长并行处理，在交通流预测领域，被很多学者融进各类ANNs，优化其参数，精化预测结果，并取得了很不错的效果。麻雀搜索算法(Sparrow Search Algorithm,SSA)是2020年最新提出的一种群体智能优化算法，SSA的主要思想是根据麻雀种群寻找食物、争夺食物、躲避捕食者等一系列行为选取具有最优适应度值的麻雀，研究工作表明该算法在收敛速度和精度等方面优于粒子群、引力搜索算法，缺点是全局寻优能力较差。

【发明内容】

本发明的目的就是解决现有技术中的问题，提出一种自适应神经网络交通流预测的混沌搜索优化方法，预测精确度更高，迭代速度更快。

为实现上述目的，本发明提出了一种自适应神经网络交通流预测的混沌搜索优化方法，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。