基于云遗传的RBF神经网络的交通流量预测
2014-08-30徐国丽
张 琛,徐国丽
ZHANG Chen1,XU Guoli2
1.甘肃政法学院 实验管理中心,兰州 730070
2.兰州交通大学 数理与软件工程学院,兰州 730070
1.The Experiment Management Center of Gansu Institute of Political Science and Law,Lanzhou 730070,China
2.School of Physics and Software Engineering,Lanzhou Jiaotong University,Lanzhou 730070,China
交通诱导和控制是智能交通系统的重要组成部分。实时准确的交通流预测是实现智能交通诱导和控制的前提和关键[1-2]。城市交通流系统具有明显的混沌特征,其短时交通流数据即为混沌时间序列。在此基础上进行预测的思想是构造一个非线性映射来近似地还原原来的系统,而非线性映射就是要建立的预测模型。迄今为止,许多学者在这一领域做了很多的研究,建立了多种交通流预测模型,如Volterra滤波器自适应模型[3]、BP神经网络模型[4]、RBF神经网络模型[5]。在这些预测方法中,神经网络方法因其具有强大的学习能力与良好的泛化推广能力,成为了大量学者研究的热点。但在实际应用中,神经网络中隐层节点中心矢量和宽度值的选取对网络的学习和泛化推广能力有着较大的影响,不恰当的参数选择会严重影响网络的性能[6]。遗传算法(Genetic Algorithm,GA)是借鉴自然界遗传中的自然选择、适者生存的群体优化算法[7],它训练神经网络无需先验知识、对初始参数不敏感,非常适用于神经网络参数优化。
为了改进传统GA收敛速度慢的缺点,本文提出了一种基于云遗传的RBF神经网络的预测模型(CGARBF),该方法根据正态云模型云滴的随机性和稳定性的特点,采用云发生器代替传统的交叉、变异操作,来弥补RBF神经网络连接权值和阈值选择上的随机性缺陷,从而能发挥RBF神经网络泛化的映射能力,而且能使RBF神经网络具有较快的收敛性以及较强的学习能力。……
