基于萤火虫算法和rbf神经网络的高速公路交通流预测

《基于萤火虫算法和rbf神经网络的高速公路交通流预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号:TP39110710-2013124035硕士学位论文基于萤火虫算法和RBF神经网络的高速公路交通流预测刘研导师姓名职称段宗涛教授申请学位类别工学硕士学科专业名称计算机系统结构论文提交日期2016年4月28日论文答辩日期2016年6月8日学位授予单位长安大学BasedonFireflyAlgorithmandRBFNeuralNetworkofHighwayTrafficFlowPredictionAThesisSubmittedfortheDegreeofMasterCandidate：LiuYanSupervisor：Prof.DuanZongt

2、aoChang’anUniversity,Xi’an,China摘要通过对高速公路交通状态的整体变化趋势进行有效的掌控，可以有效的缓解高速公路的拥堵以及防止交通事故的发生。高速公路车流量预测是其中关键性的问题，而车流量具有复杂性、非线性等特点，使得传统的预测模型无法准确地预测车流量的变化趋势。径向基函数(RBF)神经网络作为一种具有代表性的神经网络模型，它具有学习速度快、收敛性强、自学习、自适应等优点，并且不会出现局部极小值问题，它是对非线性函数的最佳逼近。所以对于RBF神经网络的研究成为了车流量预测模型中的热点问题，但是RBF神经网络中隐层神经元的参数确定

3、是其难点。而智能群算法可以有效的解决该问题，因此，本文提出了利用萤火虫算法优化RBF神经网络，确定隐层神经元的中心、宽度以及隐层神经元到输出层神经元之间的权值。本文首先分析了BP神经网络与RBF神经网络的原理以及结构特点，并对比两种神经网络模型，结果表明RBF神经网络具有结构简单、收敛性能好等特点。其次分别分析了常用的两种智能群优化算法，即遗传算法、粒子群算法，分析了两者的实现原理以及优缺点。接着对萤火虫算法的原理以及在RBF神经网络的应用进行了详细的分析和说明，并提出了基于改进的萤火虫算法优化的RBF神经网络预测模型。最后设计了基于遗传算法、粒子群算法、萤

4、火虫算法优化的三种神经网络模型，并利用真实的高速公路车流量数据对三种神经网络模型进行训练，并利用训练好的三种模型对高速公路上的车流量进行预测，从预测准确度、训练效率以及泛化能力三个方面对仿真结果做了分析。结果表明基于改进的萤火虫算法优化的RBF神经网络预测模型具有更高的预测准确度，更快的训练速度，以及更好的泛化能力。关键词：RBF神经网络，高速公路车流量预测，萤火虫算法，粒子群算法iAbstractBasedontheoveralltrendofhighwaytrafficstateforeffectivecontrol,caneffectivelyalle

5、viatethecongestionofthehighwayandpreventtheoccurrenceoftrafficaccidents.Highwaytrafficforecastisoneofthekeyissues,andthetrafficflowhasthecharacteristicsofcomplexity,nonlinearity,makethetraditionalforecastingmodelcannotbeaccuratelypredictthechangetrendoftraffic.Radialbasisfunction(R

6、BF)neuralnetworkasanewneuralnetworkmodel,ithasafastlearningspeed,strongconvergence,self-learningandadaptive,andtherewillbenolocalminimumvalueproblem,itisthebestapproximationofnonlinearfunction.SotheRBFneuralnetworkresearchbecomethehotissueinthetrafficpredictionmodel,buttheparameter

7、sofRBFneuralnetworkhiddenlayerneuronsisadifficultproblemtodetermine.Asaresult,thefireflyalgorithmwasusedtooptimizeRBFneuralnetworkisproposedinthispaper,todeterminethecenter,widthofneuronsinhiddenlayerandweightsbetweenhiddenlayerneuronandoutputlayerneuron.Thisarticlefirstintroducest

8、heprincipleandstructurecha