基于改进灰狼算法优化BP神经网络的短时交通流预测模型

被引：130

作者：

张文胜 ^{[1
,2
]}

郝孜奇 ^{[1
]}

朱冀军 ^{[3
]}

杜甜添 ^{[4
]}

郝会民 ^{[5
]}

机构：

[1] 石家庄铁道大学交通运输学院

[2] 河北省交通安全与控制重点实验室

[3] 河北省交通规划设计院

[4] 天津轨道交通运营集团有限公司

[5] 石家庄市勘察测绘设计研究院

来源：

交通运输系统工程与信息 | 2020年 / 20卷 / 02期

关键词：

智能交通; 短时交通流预测; 改进灰狼算法(TGWO); BP神经网络; 收敛因子; 惯性权重;

D O I：

10.16097/j.cnki.1009-6744.2020.02.029

中图分类号：

U491.1 [交通调查与规划];

学科分类号：

082303 [交通运输规划与管理];

摘要：

准确的短时交通流预测是交通控制和交通诱导的依据.提出一种基于改进灰狼算法(TGWO)优化BP神经网络的短时交通流预测模型(TGWO-BP),有效提高短时交通流预测精度.针对标准灰狼算法(GWO)收敛速度慢,容易陷入局部极值的问题,提出一种自适应递减的收敛因子,使灰狼算法区分全局搜索和局部搜索;改进灰狼个体的位置更新公式,引入惯性权重,调节惯性权重大小使灰狼算法具有跳出局部极值的能力;对比分析TGWO-BP、GWOBP、PSO-BP、BP这4种短时交通流预测模型,结果显示,TGWO-BP的短时交通流预测模型误差为10.03%,达到较好的预测精度.

引用

页码：196 / 203

页数：8

共 8 条

[1]

An efficient modified grey wolf optimizer with Lévy flight for optimization tasks.[J].Ali Asghar Heidari;Parham Pahlavani.Applied Soft Computing Journal.2017,

[2]

A modified GWO technique based cascade PI-PD controller for AGC of power systems in presence of Plug in Electric Vehicles [J].

Padhy, Sasmita ;

Panda, Sidhartha ;

Mahapatra, Srikanta .

ENGINEERING SCIENCE AND TECHNOLOGY-AN INTERNATIONAL JOURNAL-JESTECH, 2017, 20 (02) :427-442

[3]

Urban traffic flow forecasting through statistical and neural network bagging ensemble hybrid modeling.[J].Fabio Moretti;Stefano Pizzuti;Stefano Panzieri;Mauro Annunziato.Neurocomputing.2015,

[4]

An Application of Grey Wolf Optimizer for Solving Combined Economic Emission Dispatch Problems.[J].Hong Mee Song;Mohd Herwan Sulaiman;Mohd Rusllim Mohamed.International Review on Modelling and Simulations IREMOS.2014, 5

[5]

Grey Wolf Optimizer.[J].Seyedali Mirjalili;Seyed Mohammad Mirjalili;Andrew Lewis.Advances in Engineering Software.2014,

[6]

基于改进极限学习机的公交站点短时客流预测方法 [J].