国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

DE優(yōu)化T-S模糊神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)

2013-09-10 01:17:24
關(guān)鍵詞:交通流量交通流種群

侯 越

(蘭州交通大學(xué) 電子與信息工程學(xué)院,甘肅 蘭州730070)

0 引 言

智能交通系統(tǒng) ITS (intelligent transportation system)是全方位解決交通擁擠與交通運(yùn)輸安全的有效手段。交通控制和交通誘導(dǎo)是ITS的重要組成部分,實(shí)時(shí)準(zhǔn)確的交通流量預(yù)測(cè)是實(shí)現(xiàn)智能交通控制和交通誘導(dǎo)的前提和關(guān)鍵[1]。城市交通流具有明顯的混沌特征,其短時(shí)交通流數(shù)據(jù)具有高度非線性、隨機(jī)性和不確定性等特點(diǎn),是一種典型的混沌時(shí)間序列問(wèn)題。迄今為止,很多專家學(xué)者在這一領(lǐng)域做了很多研究,建立了多種交通流預(yù)測(cè)模型,如支持向量機(jī)[2]、Kalman濾波器 模 型[3]、Volterra濾 波 器 模 型[4]、非參數(shù)回歸[5]、貝葉斯組合模型[6]、RBF神經(jīng)網(wǎng)絡(luò)模型[7]和T-S模糊神經(jīng)網(wǎng)絡(luò)模型[8],在這些預(yù)測(cè)方法中,神經(jīng)網(wǎng)絡(luò)方法因具有良好的學(xué)習(xí)能力與泛化推廣能力,成為了大量學(xué)者研究的熱點(diǎn)。但在實(shí)際應(yīng)用中,神經(jīng)網(wǎng)絡(luò)中連接權(quán)值和閾值的取值對(duì)它的性能有著較大的影響[9]。差分進(jìn)化(differential evolution,DE)算法是由Storn和Price提出的一種基于群體優(yōu)化算法[10],它不僅具有很強(qiáng)的全局尋優(yōu)能力,而且具有易用性、穩(wěn)健性和容易實(shí)現(xiàn),非常適用于神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化。

本文從非線性時(shí)間序列角度出發(fā),提出了一種DE優(yōu)化T-S模糊神經(jīng)網(wǎng)絡(luò)的方法 (DETSFNN),該方法利用DE來(lái)彌補(bǔ)T-S模糊神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值選擇上的隨機(jī)性缺陷,從而能發(fā)揮T-S模糊神經(jīng)網(wǎng)絡(luò)泛化的映射能力,而且能使T-S模糊神經(jīng)網(wǎng)絡(luò)具有較快的收斂性以及較強(qiáng)的學(xué)習(xí)能力。利用該方法對(duì)實(shí)測(cè)交通流量進(jìn)行建模和預(yù)測(cè)分析,結(jié)果表明該方法對(duì)于交通流量預(yù)測(cè)具有更好的非線性擬合能力和更高的預(yù)測(cè)準(zhǔn)確性。

1 基本DE算法

DE算法是一種基于群體進(jìn)化的隨機(jī)搜索算法,具有記憶個(gè)體最優(yōu)解和群內(nèi)信息共享的特點(diǎn)[8]。算法首先取得一組隨機(jī)初始化的種群:,NP 是種群規(guī)模,種群維數(shù)為D。經(jīng)過(guò)一系列的操作,第t代個(gè)體進(jìn)化為。算法的基本思想是:父代兩個(gè)不同隨機(jī)個(gè)體相減得到的差分矢量加權(quán)后,根據(jù)一定規(guī)則加到隨機(jī)選擇的第三個(gè)個(gè)體上,按照一定的概率,父代個(gè)體與變異個(gè)體進(jìn)行交叉操作,生成一個(gè)新個(gè)體,然后在父代個(gè)體與這個(gè)新個(gè)體根據(jù)適應(yīng)度函數(shù)值的大小進(jìn)行選擇操作,選擇適應(yīng)度更優(yōu)的個(gè)體作為子代。

1.1 變異操作 (mutation operation)

變異操作可防止進(jìn)化陷入局部最優(yōu)解。DE最基本的變異成分是父代的差分矢量,每個(gè)矢量對(duì)包括父代群體中兩個(gè)不同的個(gè)體,根據(jù)變異個(gè)體的生成方式不同,可形成多種不同的進(jìn)化方案,最基本的變異如式 (1)所示

1.2 交叉操作 (crossover operation)

DE利用交叉操作來(lái)保持群體的多樣性。交叉策略為:群體目標(biāo)矢量個(gè)體xti與變異個(gè)體xm進(jìn)行交叉操作,產(chǎn)生試驗(yàn)個(gè)體xT。為確保個(gè)體的進(jìn)化,使xT至少有一位由xm貢獻(xiàn),其他位則利用交叉概率因子CR,交叉操作的方程如式(2)所示

式中:rand()—— [0,1]之間的隨機(jī)數(shù),CR ∈ [0,1],CR越大,越有利于加速收斂速度,CR越小,越有利于保持群體的多樣性和全局搜索。

1.3 選擇操作 (selection operation)

DE采用貪婪的搜索策略,選擇適應(yīng)度函數(shù)值高的作為子代,選擇操作方程如式 (3)所示

2 T-S模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

對(duì)于一個(gè)MISO(多輸入單輸出)系統(tǒng),設(shè)輸入變量X=[x1,x2,…,xn]T,每個(gè)分量xi均為模糊語(yǔ)言變量,并設(shè)A(xi)= {A1i,A2i,…,Ami},i=1,2,…,n,其中Aji(j=1,2,…,m)是xi的第j個(gè)語(yǔ)言變量值,它是定義在論域xi上的一個(gè)模糊集合,相應(yīng)的隸屬函數(shù)為μAji(xi),其中i=1,2,…,n;j=1,2,…,m ,則T-S模糊規(guī)則可用式 (4)表示

式中:Rk——第k條規(guī)則,k=1,2,…,z;z≤mn。

模糊系統(tǒng)的輸出量為每條規(guī)則輸出量的加權(quán)值,輸出如式 (5)所示

根據(jù)上面給出的模糊,可設(shè)計(jì)出如圖1所示的模糊神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)由前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)兩部分組成,前件網(wǎng)絡(luò)用來(lái)匹配模糊規(guī)則,后件網(wǎng)絡(luò)用來(lái)產(chǎn)生模糊規(guī)則,具體各層描述參見(jiàn)文獻(xiàn) [8]。

圖1 T-S模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3 差分優(yōu)化T-S模糊神經(jīng)網(wǎng)絡(luò)的算法設(shè)計(jì)

3.1 基本思想

DETSFNN的基本思想是:列出神經(jīng)網(wǎng)絡(luò)中可能存在的神經(jīng)元,將這些神經(jīng)元在開始訓(xùn)練前所有可能存在的連接權(quán)值和閾值編碼成二進(jìn)制碼串或者實(shí)數(shù)碼串表示的個(gè)體,進(jìn)而隨機(jī)地生成這些碼串的群體,并加上隨機(jī)選擇、變異和交叉用來(lái)提高種群的多樣性,經(jīng)過(guò)上述變異、交叉操作,產(chǎn)生一個(gè)新的臨時(shí)種群,利用保優(yōu)策略的選擇操作對(duì)種群的個(gè)體進(jìn)行優(yōu)化選擇,從而又產(chǎn)生新一代種群,種群按照以上過(guò)程不斷優(yōu)化直至找到最優(yōu)個(gè)體。將DE得到的最優(yōu)個(gè)體對(duì)T-S模糊神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行賦值,再利用T-S模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行尋優(yōu),從而得到具備全局最優(yōu)解的T-S模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值。

3.2 DE優(yōu)化T-S模糊神經(jīng)網(wǎng)絡(luò)算法

算法的基本步驟如下:

步驟1 編碼。DE算法使用的是實(shí)數(shù)編碼方式,估個(gè)體編碼的長(zhǎng)度與其變量的個(gè)數(shù)相等。本文對(duì)T-S模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)wij,cj,θj,ε進(jìn)行統(tǒng)一編碼到一個(gè)個(gè)體中,每一個(gè)個(gè)體就能代表一個(gè)T-S模糊網(wǎng)絡(luò)結(jié)構(gòu)。

步驟2 初始化種群以及算法的參數(shù)。設(shè)種群規(guī)模為NP,隨機(jī)生成NP個(gè)個(gè)體的初始種群W = (W1,W2,…,Wp)T,給出收縮因子F和交叉概率因子CR的初始值,令迭代計(jì)數(shù)器初值t=0,設(shè)定算法的最大迭代數(shù)k,得到個(gè)體Wi的一個(gè)實(shí)數(shù)向量w1,w2,…,wt作為DE的一個(gè)染色體。

步驟3 按照式 (6)計(jì)算第g代每個(gè)個(gè)體的適應(yīng)度函數(shù)值,找出該代最優(yōu)個(gè)體。

式中:N——訓(xùn)練樣本的總數(shù);tp——第P個(gè)樣本的期望輸出;yP——第P個(gè)樣本的實(shí)際輸出。

步驟4 對(duì)最優(yōu)個(gè)體執(zhí)行步驟5—步驟7操作,生成第g+1代種群。

步驟5 變異。根據(jù)式 (1)對(duì)個(gè)體Wi進(jìn)行變異,生成變異個(gè)體W′i。

步驟6 交叉。將生成的變異個(gè)體Wi與W′i按照式(2)進(jìn)行交叉操作,生成新個(gè)體WT。

步驟7 選擇。將Wi與WT代入目標(biāo)函數(shù)值中,根據(jù)式 (3)選出適應(yīng)度函數(shù)值小的個(gè)體W′T作為新種群的個(gè)體。

步驟8 g=g+1;

步驟9 若迭代計(jì)數(shù)器的值超過(guò)了最大進(jìn)化次數(shù)k,或者達(dá)到用戶設(shè)置的精度要求,則退出操作,否則返回步驟4執(zhí)行。

步驟10 將DE優(yōu)化得到的個(gè)體分解成為T-S模糊神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值,以此作為預(yù)測(cè)模型的初始權(quán)值和閾值,訓(xùn)練T-S模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)網(wǎng)絡(luò),得出交通流量預(yù)測(cè)的最優(yōu)解。

4 仿真實(shí)驗(yàn)

將本文提出的DETSFNN預(yù)測(cè)模型應(yīng)用于實(shí)測(cè)交通流時(shí)間序列的預(yù)測(cè),并與T-S模糊神經(jīng)網(wǎng)絡(luò) (TSFNN)預(yù)測(cè)模型進(jìn)行對(duì)比,以此驗(yàn)證該算法的有效性。

4.1 預(yù)測(cè)評(píng)價(jià)標(biāo)準(zhǔn)

實(shí)驗(yàn)的誤差評(píng)價(jià)主要用到相對(duì)均方誤差RE,均方根誤差RMSE和正則化均方根誤差NRMSE,即

式中:S——預(yù)測(cè)樣本數(shù),y′(t)、y(t)——預(yù)測(cè)值、期望值,σ——目標(biāo)時(shí)間序列的標(biāo)準(zhǔn)方差。運(yùn)用式 (10)對(duì)實(shí)驗(yàn)中的時(shí)間序列數(shù)據(jù)進(jìn)行歸一化,并對(duì)歸一化后的時(shí)間序列按照式 (11)進(jìn)行相空間重構(gòu)

式中:{xi}——原時(shí)間序列,{ x′i}——?dú)w一化后的時(shí)間序列。M=n-(m-1)τ——重構(gòu)空間中的個(gè)數(shù);τ——延遲時(shí)間;m——嵌入維數(shù)。

4.2 實(shí)測(cè)交通流時(shí)間序列預(yù)測(cè)

在單位時(shí)間內(nèi),通過(guò)道路某一觀測(cè)點(diǎn)或者斷面的車輛數(shù),稱為交通流量亦稱為交通流或交通量,其統(tǒng)計(jì)方法如式 (12)所示

式中:V——某一時(shí)刻t的交通流量,T——統(tǒng)計(jì)時(shí)間間隔,N——T時(shí)段內(nèi)的車流數(shù)量。

該實(shí)驗(yàn)交通流數(shù)據(jù)來(lái)自北京某公路監(jiān)測(cè)站的實(shí)測(cè)數(shù)據(jù),觀測(cè)總時(shí)間為4天共96小時(shí)。以15分鐘為時(shí)間間隔,記錄每個(gè)時(shí)段的車輛數(shù),并按式 (12)分別計(jì)算出各個(gè)時(shí)間點(diǎn)的交通流量值,總共384組數(shù)據(jù)。采用文獻(xiàn) [11]中計(jì)算最大Lyapunov指數(shù)的改進(jìn)算法,計(jì)算得該交通流時(shí)間序列的最優(yōu)嵌入維數(shù)m為4,最優(yōu)延遲時(shí)間τ為1,最大Lyapunov指數(shù)為0.0392,說(shuō)明該交通流時(shí)間序列亦為混沌時(shí)間序列。

取交通流序列前288組為訓(xùn)練樣本,后92組數(shù)據(jù)為測(cè)試樣本。分別用TSFNN模型、DETSFNN模型對(duì)其進(jìn)行預(yù)測(cè),圖2給出了在m=4,τ=1的TSFNN模型預(yù)測(cè)結(jié)果,圖3給出了在m=4,τ=1的TSFNN模型預(yù)測(cè)結(jié)果。表1給出了兩種預(yù)測(cè)模型在不同延遲時(shí)間、嵌入維數(shù)下的NRMSE預(yù)測(cè)誤差。

圖2 TSFNN模型預(yù)測(cè)結(jié)果

表1 基于不同延遲時(shí)間和嵌入維數(shù)的預(yù)測(cè)誤差

圖3 DETSFNN模型預(yù)測(cè)結(jié)果

從圖2、圖3和表1可以看出兩種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果均能就很好地預(yù)測(cè)交通流量變化的趨勢(shì),DETSFNN模型的預(yù)測(cè)精度高于TSFNN模型,從而說(shuō)明DETSFNN模型對(duì)于實(shí)測(cè)交通流時(shí)間序列的預(yù)測(cè)是有效地。從表1還可以看出當(dāng)m和τ取最優(yōu)延遲時(shí)間和嵌入維數(shù)時(shí),預(yù)測(cè)效果最佳。

5 結(jié)束語(yǔ)

針對(duì)交通誘導(dǎo)與控制對(duì)實(shí)時(shí)性的高要求,以及交通流所顯示的非線性、不確定性,本文從非線性時(shí)間序列角度出發(fā),提出了一種DE優(yōu)化T-S模糊神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)方法,將其應(yīng)用于實(shí)測(cè)交通流系統(tǒng)的預(yù)測(cè),并與T-S模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行了預(yù)測(cè)精度的比較。結(jié)果表明,該模型在交通流量預(yù)測(cè)方面具有更好的非線性擬合能力和更高的預(yù)測(cè)精度。

[1]SHEN Guojiang,WANG Xiaohu,KONG Xiejie.Short-term traffic volume intelligent hybrid forecasting model and its application [J].Systems Engineering Theory & Pratice,2011,31(3):561-568 (in Chinese).[沈國(guó)江,王嘯虎,孔祥杰.短時(shí)交通流量智能組合預(yù)測(cè)模型及應(yīng)用 [J].系統(tǒng)工程理論與實(shí)踐,2011,31 (3):561-568.]

[2]Castro Neto M,Jeong Y S,Jeong M K,et al.Online SVR for short-term traffic flow prediction under typical and atypical traffic conditions [J].Expert Systems with Applications,2009,36 (3):6164-6173.

[3]NIE Peilin,YU Zhi,HE Zhaocheng.Constrained Kalman filter combined predictor for short-term traffic flow [J].Journal of Traffic and Transportation Engineering,2008,8 (5):86-90.(in Chinese).[聶佩林,余志,何兆成.基于約束卡爾曼濾波的短時(shí)交通流量組合預(yù)測(cè)模型 [J].交通運(yùn)輸工程學(xué)報(bào),2008,8 (5):86-90.]

[4]LI Song,LIU Lijun,GUO Hailing.Comparative of the predictive method of chaos in short-term traffic flow [J].Systems Engineering,2009,27 (9):60-64 (in Chinese). [李松,劉力軍,郭海玲.短時(shí)交通流混沌預(yù)測(cè)方法的比較 [J].系統(tǒng)工程,2009,27 (9):60-64.]

[5]Smith B L,Williams B M,Oswald R K.Comparison of parametric and nonparametric models for traffic flow forecasting[J].Transportation Research Part C:Emerging Technologies,2002,10 (4):303-321.

[6]ZHENG Weizhong,SHI Qixin.Study of short-term freeway traffic flow prediction based on Bayesian combined model [J].China Journal of Highway and Transport,2005,18 (1):85-89 (in Chinese).[鄭為中,史其信.基于貝葉斯組合模型的短期交通量預(yù)測(cè)研究 [J].中國(guó)公路學(xué)報(bào),2005,18 (1):85-89.]

[7]ZHANG Yumei,QU Shiru,WEN Kaige.A short-term traffic flow forecasting method based on chaos and RBF neural network[J].Systems Engineering,2007,25 (11):30-34 (in Chinese).[張玉梅,曲仕茹,溫凱歌.基于混沌和RBF神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè) [J].系統(tǒng)工程,2007,25 (11):30-34.]

[8]ZHANG Ying.T-S fuzzy neural network based on deviation compensation [J].Journal of Jiangnan University,2010,9(4):481-484 (in Chinese).[張穎.基于偏差補(bǔ)償?shù)腡-S模糊神經(jīng)網(wǎng)絡(luò) [J].江南大學(xué)學(xué)報(bào),2010,9 (4):481-484.]

[9]ZHU Wanfu,ZHAO Shijun.Optimal design of structure for neural networks based on rough sets [J].Computer Engineering and Design,2007,28 (17):4210-4212 (in Chinese).[朱萬(wàn)富,趙仕俊.基于粗糙集的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化設(shè)計(jì) [J].計(jì)算機(jī)工程與設(shè)計(jì),2007,28 (17):4210-4212.]

[10]Storn R,Price K.Minimizing the real functions of the ICEC'96contest by differential evolution [C]//Proc of IEEE Int Conf on Evolutionary Computation,1996:842-844.

[11]LI Song,HE Guoguang.Identification of chaos in the traffic flow based on the improved largest Lyapunov exponents algorithm [J].Journal of Wuhan University of Technology,2006,30 (5):747-750 (in Chinese). [李松,賀國(guó)光.基于最大Lyapunov指數(shù)改進(jìn)算法的交通流混沌判別 [J].武漢理工大學(xué)學(xué)報(bào),2006,30 (5):747-750.]

猜你喜歡
交通流量交通流種群
山西省發(fā)現(xiàn)刺五加種群分布
基于XGBOOST算法的擁堵路段短時(shí)交通流量預(yù)測(cè)
中華蜂種群急劇萎縮的生態(tài)人類學(xué)探討
紅土地(2018年7期)2018-09-26 03:07:38
基于GA-BP神經(jīng)網(wǎng)絡(luò)的衡大高速公路日交通流量預(yù)測(cè)
交通流隨機(jī)行為的研究進(jìn)展
路內(nèi)停車對(duì)交通流延誤影響的定量分析
具有負(fù)壓力的Aw-Rascle交通流的Riemann問(wèn)題
基于復(fù)合卡和ETC的交通流量采集研究
MLFF系統(tǒng)在交通流量控制中的應(yīng)用
崗更湖鯉魚的種群特征
湘乡市| 平舆县| 南和县| 陵川县| 大渡口区| 吴川市| 南昌市| 石泉县| 乌拉特中旗| 伊吾县| 太仆寺旗| 天峨县| 辛集市| 阿城市| 贡觉县| 勐海县| 洪雅县| 屏山县| 惠来县| 永德县| 南皮县| 大同县| 常州市| 青冈县| 翁牛特旗| 阿城市| 洛川县| 高州市| 土默特右旗| 育儿| 定南县| 德惠市| 西昌市| 绥化市| 岚皋县| 普兰店市| 昌乐县| 新余市| 延吉市| 大连市| 镇雄县|