基于混沌和PSO神经网络的短时交通流预测研究

交通流预测是智能交通系统的一个重要研究领域。快速准确的交通流预测是智能交通系统中实时交通信号控制、交通分配、路径诱导、自动导航、事故检测等应用的重要前提和基础。然而,交通系统是一个由人、车、路等多因素组成的复杂系统,具有高度的复杂性、非线性、不确定性等特征,对交通流进行准确、实时、可靠地预测成为一项重要的研究课题。 本文根据基于交通流动力学特性的可预测性分析原理和混沌时间序列分析理论,在分析美国加州PeMS真实交通数据的基础上,将相空间重构技术应用于交通流预测,以期发现蕴藏在交通流数据中的内在规律,从而提高交通流预测的精度。具体包括利用C-C方法确定相空间重构所需的时间延迟τ和嵌入维数m；对交通流时间序列数据进行相空间重构后,用小数据量法计算出大于零的非线性混沌特征量Lyapunov指数,验证了交通混沌的存在。 交通流数据具有高度的复杂性和非线性特性,神经网络具有极强的非线性处理能力、自组织、自适应和自学习能力,是交通流预测的有效方法。粒子群优化(Particle Swarm Optimization, PSO)算法作为一种新兴的进化算法,其收敛速度快、鲁棒性高、全局搜索能力强,且不需要借助问题本身的特征信息。本文把粒子群优化算法作为BP神经网络的训练算法,将粒子群优化算法与人工神经网络融合构建PSO神经网络。针对基本粒子群算法存在的问题,本文综合粒子群算法的研究成果从惯性权重、速度限制、收敛特性、搜索能力等方面改进了基本PSO算法,综合改进的算法提高了PSO神经网络的收敛速度和训练精度以及泛化能力,保证了短时交通流PSO神经网络预测的实时性和准确性。 本文最后构建了相空间中的PSO神经网络短时交通流单点单步预测模型,将PeMS交通数据库中实际采集的交通流分为工作日规律性和节假日不规律两类进行了预测研究,对比分析了粒子群优化算法综合改进前后PSO神经网络模型的预测效果,预测结果充分验证了综合改进的PSO算法和相空间中PSO神经网络短时交通流单点单步预测模型的有效性。