高级搜索

基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测

殷礼胜 唐圣期 李胜 何怡刚

引用本文: 殷礼胜, 唐圣期, 李胜, 何怡刚. 基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测[J]. 电子与信息学报, 2019, 41(9): 2273-2279. doi: 10.11999/JEIT181073 shu
Citation:  Lisheng YIN, Shengqi TANG, Sheng LI, Yigang HE. Traffic Flow Prediction Based on Hybrid Model of Auto-Regressive Integrated Moving Average and Genetic Particle Swarm Optimization Wavelet Neural Network[J]. Journal of Electronics and Information Technology, 2019, 41(9): 2273-2279. doi: 10.11999/JEIT181073 shu

基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测

    作者简介: 殷礼胜: 男,1974年生,博士,副教授,研究方向为复杂系统建模;非线性时间序列预测;交通流预测等;
    唐圣期: 男,1995年生,硕士生,研究方向为交通流预测、智能控制系统;
    李胜: 男,1993年生,硕士生,研究方向为交通流预测、复杂系统建模;
    何怡刚: 男,1966年生,博士,教授,研究方向为通讯信道建模与检测、复杂电磁分析与建模等
    通讯作者: 唐圣期,tsq951024@163.com
  • 基金项目: 国家自然科学基金(51577046,61673153)、国防科技计划项目(C1120110004,9140A27020211DZ5102)、教育部科学技术研究重大项目(313018)、安徽省科技计划重点项目(1301022036)

摘要: 针对短时交通流数据的非线性和随机性特点,为提高它的预测精度和收敛速度,该文从模型构建和算法两方面提出一种整合移动平均自回归(ARIMA)模型和遗传粒子群算法优化小波神经网络(GPSOWNN)相结合的预测模型和算法。在模型构建方面,将ARIMA模型预测值和灰色关联系数大于0.6的相关性强的前3个时刻的历史数据作为小波神经网络(WNN)的输入,在兼顾历史数据的平稳和非平稳的情况下,进行了模型结构简化。在算法方面,通过遗传粒子群算法对小波神经网络的参数初始值进行最优选取,可使其结果在不易陷入局部最优的条件下加快网络训练收敛速度。实验结果表明,在预测精度方面,该方法的模型明显优于整合移动平均自回归模型和遗传粒子群算法优化小波神经网络,在收敛速度方面,用遗传粒子群算法优化模型明显优于仅用遗传算法优化模型。

English

图(10)表(3)
计量
  • PDF下载量:  38
  • 文章访问数:  694
  • HTML全文浏览量:  369
文章相关
  • 通讯作者:  唐圣期, tsq951024@163.com
  • 收稿日期:  2018-11-22
  • 录用日期:  2019-03-29
  • 网络出版日期:  2019-04-03
  • 刊出日期:  2019-09-01
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章