原文传递
基于IICA-LSTM-BP组合模型的短时交通流预测
| 论文题名： | 基于IICA-LSTM-BP组合模型的短时交通流预测 |
| 关键词： | 短时交通流;BP神经网络;LSTM网络 |
| 摘要： | 交通和物流的蓬勃发展为社会的发展提供了动力，但越来越高的私家车保有量为人们出行带来便利的同时，也存在与现有交通路况发展不平衡的隐患。提升短时交通流预测的精确性是城市智能交通系统的重要一环，能为交通诱导和出行规划提供数据支持，因此开展了对短时交通流预测模型和训练算法优化的相关研究，以下为本文的主要研究成果。 研究了短时交通流预测的理论基础，通过美国西雅图路网的开源交通数据分析了交通流的相关性、周期性等性质，并研究了制约预测精度的波动性和随机性。短时交通流数据的特性研究为构建预测模型提供了理论支撑。 建立了使用帝国竞争算法(ICA)优化的BP(BackPropagation)神经网络预测模型和长短时记忆神经网络(LSTM)预测模型。通过模型原理和参数传递过程研究编程实现了ICA-BP和ICA-LSTM预测模型并构建仿真实验，在相同数据集下与PSO-BP和误差反向传播方法训练模型的预测效果进行对比。仿真结果表明帝国竞争算法可以成功提升模型预测精度，ICA-BP和ICA-LSTM的平均绝对百分误差相较于误差反向传播方法分别下降了3.94%和2.93%。 建立了基于改进帝国竞争算法的LSTM-BP组合预测模型（IICA-LSTM-BP），提升了模型深入挖掘交通流数据特征的能力和模型参数的训练效率。将LSTM网络训练得到的数据特征与交通流数据结合作为BP网络输入，建立了LSTM-BP组合模型，有效融合了LSTM网络深入挖掘时间特征和BP模型强大的泛化及拟合能力。对ICA进行了改进，提出自适应同化系数和概率因子的概念，改进ICA的殖民地有被同化、革命和探索三种移动策略，接受同化殖民地向帝国主义者的移动趋势随迭代次数增加自适应升高，移动策略的选择概率随全局搜索和局部搜索深度自适应改变。优化算法加强了算法前期殖民地的全局搜索和跳出局部最优解的能力以及算法后期的数据挖掘强度。 通过多组仿真实验对IICA-LSTM-BP的预测效果进行了检验。IICA-LSTM-BP的平均绝对百分误差达到11.5%，在相同数据集下预测精度优于其他模型，IICA-LSTM-BP在不同路段、早晚高峰、工作日或周末数据集下平均绝对百分误差在7%-9%。仿真结果表明IICA-LSTM-BP在预测精度和泛用性上均有良好表现，预测效果相比于单一模型和改进前ICA算法优化的预测模型均有较大提升。 |
| 作者： | 尹风平 |
| 专业： | 控制科学与工程 |
| 导师： | 张丹红 |
| 授予学位： | 硕士 |
| 授予学位单位： | 武汉理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
