董海 游婷 李小琛

摘要：针对短时交通流的预测精度问题，该文用PSO算法优化RBFNN模型的基础上，引入学习因子优化策略对PSO算法改进，进一步提高预测精度。该文针对PSO算法中认知因子和社会因子在全局搜索和局部搜索的不同作用，对非线性的学习因子做出异步调优改进，通過利用某路段的高速公路监测数据对改进的PSO-RBFNN算法进行训练，获得最优参数值，对短时交通流量进行预测，并将仿真结果与其他模型进行对比分析。实验结果表明，该文改进的PSO-RBFNN模型预测结果稳定，更适用于短时交通流量预测，具有更高的精度。

关键词：粒子群算法（PSO）;神经网络;径向基（RBF）神经网络;交通流量预测

Abstract： Aiming at the prediction accuracy of short-term traffic flow， this paper uses PSO algorithm to optimize RBFNN model， and introduces learning factor optimization strategy to improve PSO algorithm to further improve the prediction accuracy. Aiming at the different roles of cognitive factor and social factor in the global search and local search of PSO algorithm， this paper improves the nonlinear learning factor asynchronously. By using the highway monitoring data of a certain section to train the improved PSO-RBFNN algorithm， the optimal parameters are obtained， and the short-term traffic flow is predicted. The simulation results are compared with other model analysis. The experimental results show that the improved PSO-RBFNN model is stable， more suitable for short-term traffic flow prediction， and has higher accuracy.

Key words： particle swarm optimization; neural network; radial basis function; traffic flow prediction

1 引言

短时交通流量预测是交通控制和交通流诱导的基础和关键，实时精确的交通流量预测对交通管理部门指导资源合理配置，保证交通畅通，提高交通利用效率有重要的意义[1]。针对预测精度问题，近年来国内外专家学者对预测模型均有较丰富的研究。径向基函数神经网络（Radial Basis Function Neural Network，RBFNN）在短时交通优化问题上有明显的优势。RBFNN适用于任意精度的逼近问题，它的核心问题是确定隐含层节点、基函数中心、宽度等参数训练出满足最小误差的神经网络，保证RBFNN的泛化能力。文献[2]利用资源分配法确定RBFNN隐含层节点数，但是依然无法解决陷入局部极值的可能;蚁群算法[3]实现相对复杂，不适用于解决实优化问题。文献[4]将遗传算法（GA）与RBFNN结合，但是GA算法实现步骤复杂，参数多，难以保证参数寻优的稳定性;文献[5]用基本粒子群算法（PSO）与RBFNN相结合，结构简单，易于实现，仍然无法克服陷入局部极值的可能。……