原文传递
基于改进布谷鸟搜索算法的短时车流量预测模型研究
| 论文题名： | 基于改进布谷鸟搜索算法的短时车流量预测模型研究 |
| 关键词： | 车流量预测;改进布谷鸟搜索算法;超参数优化;长短期记忆神经网络 |
| 摘要： | 车流量预测是智能交通系统的研究核心之一。传统交通车流量预测模型大多高度依赖于有经验的专家，缺乏自主学习能力且无法处理海量数据，因此已逐渐被淘汰。神经网络因为具有运行效率高、可以处理海量数据以及自主学习能力强等优点，被广泛应用于交通车流量预测领域。本文将布谷鸟搜索算法(CuckooSearchAlgorithm,CS)引入长短期记忆神经网络，对网络的部分超参数进行寻优。首先对标准布谷鸟搜索算法进行改进，然后将改进后的算法与传统长短期记忆神经网络(LongShort-TermMemory,LSTM)相结合训练车流量预测模型，最后将改进后的模型应用于车流量预测研究。本文的主要工作包括以下几个部分： （1）针对标准布谷鸟搜索算法收敛速度慢、种群多样性差等问题，本文设计了基于自适应步长因子和高斯扰动改进的布谷鸟搜索算法，简称AGCS，利用自适应步长因子提高算法的搜索效率，高斯扰动来引导鸟窝位置的局部搜索，从而提高算法的寻优精度。 （2）针对标准布谷鸟搜索算法中种群之间缺少信息交流，导致种群多样性差的问题，本文在Levy飞行中引入权重牵引分量增加种群之间的信息交流，提高算法搜索能力，结合自适应步长改进标准布谷鸟搜索算法，简称AWCS。将标准CS、AGCS和AWCS在基准测试函数上进行对比实验，实验结果表明AWCS具有更好的寻优性能。 （3）针对传统LSTM模型超参数依靠人工经验设定，自主学习能力差的问题，本文利用布谷鸟搜索算法全局搜索性强的特性，运用AWCS对LSTM部分超参数进行寻优改进传统LSTM模型，简称AWCS-LSTM，将其应用到短时车流量预测领域。通过异常值处理、数据降维和特征提取等方法对交通车流量数据集PeMS04进行预处理，分别用传统LSTM、CS-LSTM和AWCS-LSTM预测预处理后的数据集，实验结果表明AWCS-LSTM模型的预测准确率更高。最后将AWCS-LSTM模型与其他常见的时序预测模型进行实验对比，实验结果表明AWCS-LSTM模型更适用于短时车流量预测。 |
| 作者： | 王早宁 |
| 专业： | 计算机技术 |
| 导师： | 王春枝 |
| 授予学位： | 硕士 |
| 授予学位单位： | 湖北工业大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
