The present invention relates to a traffic flow prediction method for microscopic traffic simulation, which is characterized by comprising the following steps: constructing a road network model and performing microscopic simulation model calibration with actual data. At the same time, the actual acquisition of traffic flow, particle swarm optimization algorithm of BP neural network prediction prediction based on data flow, output prediction simulation and flow output during the period of the simulation results, each section of the flow value. The simulation flow values as input, combined with the actual forecast again by collecting flow prediction algorithm, until the simulated flow value and prediction algorithm to obtain the flow value error reaches a preset requirement, and then predict the flow was evaluated in the micro simulation software, to study the result of prediction of future traffic impact analysis. More scientific and reasonable.
【技术实现步骤摘要】
一种用于微观仿真的交通流量预测方法
本专利技术涉及一种用于微观交通仿真的交通流量预测方法,属于交通预测分析
技术介绍
对于交通流预测,国内外很多学者做过大量的研究,得到了很多预测方法,比如历史数据平均值法、卡尔曼滤波理论、人工神经网络法等,不同方法各有优缺点。本专利技术采用改进粒子群优化的BP神经网络。由于近年来数据采集手段的发展,人工神经网络重新成为了一个研究热点。在预测方面,相较于其它方法,人工神经网络具有很强的鲁棒性、自适应非线性的特点以及分布式信息存储、并行信息处理的能力,非常适合用于预测交通流这种异常复杂的开放性系统。BP神经网络是目前应用最广泛的人工神经网络模型之一,但是单纯的BP神经网络具有易陷入局部极小值以及实时性不强等问题,需要进一步利用优化算法对其进行收敛速度和全局寻优能力的优化。粒子群优化算法被中国科学院文献情报中心与汤森路透旗下的知识产权与科技事业部联合发布的《2015研究前沿》评为数学与计算机领域的十大研究热点,相较于模拟退火、遗传算法等优化算法,其具有复杂度低、计算量小、适用性强、收敛速度快等优点。但是由于粒子种群的快速趋同效应,容易发生早熟收敛的现象。
技术实现思路
本专利技术的目的是利用粒子群优化算法对BP神经网络算法和微观仿真模型进行优化,提高交通流量预测的实用性。为了达到上述目的,本专利技术的技术方案是提供了一种用于微观交通仿真的交通流量预测方法,其特征在于,包括以下步骤:步骤1、根据研究范围内得实际路网情况,建立交通仿真模型;步骤2、利用历史数据对交通仿真模型中的参数进行调整标定;步骤3、在每一个预测周期内,通过 ...
【技术保护点】
一种用于微观交通仿真的交通流量预测方法,其特征在于,包括以下步骤:步骤1、根据研究范围内得实际路网情况,建立交通仿真模型;步骤2、利用历史数据对交通仿真模型中的参数进行调整标定;步骤3、在每一个预测周期内,通过布设在道路上的检测器,采集每个检测器的实际交通流量,将实际交通流量作为输入值;步骤4、将输入值输入预测算法,从而得到每个检测器的预测流量,所述预测算法包括以下步骤:步骤4.1、确定BP神经网络算法的拓扑结构,初始化网络权值和阈值,单独运算BP神经网络算法得到误差值;同时,初始化粒子群优化算法粒子和速度,对其赋予随机值;步骤4.2、将上一步得到的误差值的倒数作为适应度值输入粒子群优化算法;步骤4.3、根据输入的适应度值确定每个粒子个体的极值和群体的极值,初次的个体极值和群体极值在步骤4.1中所赋予的随机值中寻找;步骤4.4、根据粒子群算法的更新公式对粒子的速度和位置进行更新,每次粒子更新之后,以一定概率重新初始化粒子来扩大搜索空间并保持种群的多样性,更新后重新训练BP神经网络得到新的适应度值;步骤4.5、判断是否满足预设的迭代次数或精度要求,若满足,则进入步骤4.6,若不满足,则返 ...
【技术特征摘要】
1.一种用于微观交通仿真的交通流量预测方法,其特征在于,包括以下步骤:步骤1、根据研究范围内得实际路网情况,建立交通仿真模型;步骤2、利用历史数据对交通仿真模型中的参数进行调整标定;步骤3、在每一个预测周期内,通过布设在道路上的检测器,采集每个检测器的实际交通流量,将实际交通流量作为输入值;步骤4、将输入值输入预测算法,从而得到每个检测器的预测流量,所述预测算法包括以下步骤:步骤4.1、确定BP神经网络算法的拓扑结构,初始化网络权值和阈值,单独运算BP神经网络算法得到误差值;同时,初始化粒子群优化算法粒子和速度,对其赋予随机值;步骤4.2、将上一步得到的误差值的倒数作为适应度值输入粒子群优化算法;步骤4.3、根据输入的适应度值确定每个粒子个体的极值和群体的极值,初次的个体极值和群体极值在步骤4.1中所赋予的随机值中寻找;步骤4.4、根据粒子群算法的更新公式对粒子的速度和位置进行更新,每次粒子更新之后,以一定概率重新初始化粒子来扩大搜索空间并保持种群的多样性,更新后重新训练BP神经网络得到新的适应度值;步骤4.5、判断是否满足预设的迭代次数或精度要求,若满足,则进入步骤4.6,若不满足,则返回步骤4.2;步骤4.6、将粒子群优化算法输出的最优群体极值作为最优的权值和阈值输入BP神经网络算法进行网络训练,网络训练包括以下步骤:步骤4.6.1、计算隐含层输出及输出层输出;步骤4.6.2、计算预测输出和期望输出之间...
【专利技术属性】
技术研发人员:宋晓鹏,郑纲,赵怀柏,张可,王逸凡,还斌,陈云,周志星,
申请(专利权)人:上海电科智能系统股份有限公司,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。