一种基于智能优化算法的交通车流量预测优化方法与流程

本发明属于车流量预测领域，具体涉及一种基于智能优化算法的交通车流量预测优化方法。

背景技术：

1、通过对未来车流量的预测，可以更准确地了解道路网络的运行状况，从而进行更为科学的交通规划和资源配置，同时，车流量预测有助于预测交通拥堵和交通事故的风险，对于现在流程的网约车来说，车流量预测可以提供实时的交通信息，帮助他们规划更为合理的出行路径和时间，这不仅可以减少出行者的等待时间和拥堵成本，还可以提升城市交通的出行效率和舒适度，最后，对未来车流量的预测可以实现更为精准和高效的交通管理和服务，推动智能交通的快速发展。

2、现有的交通车流量预测技术多种多样，它们主要基于不同的数据收集和分析方法，以实现对未来车流量的准确预测，通过建立数学或统计模型来预测交通量。这些模型可以是传统的线性模型，如线性回归模型，也可以是非线性模型，如支持向量机、神经网络等。模型的选择和建立需要基于具体的交通流量数据和预测需求。

3、反向传播神经网络（bp）是一种有监督的学习算法，具有很强的自适应、自学习、非线性映射能力，能较好地解决数据少、信息贫、不确定性问题，且不受非线性模型的限制，是目前应用最广泛的神经网络模型之一，常用于时序数据回归预测等问题。但在危险化学品生产风险预测领域应用较少。

4、bp神经网络是一种基于局部搜索的算法，在训练过程中，网络的权重通过逐步改善目标函数值的方式进行调整，容易陷入局部极小值，导致权重收敛到局部最小值而无法继续优化；且bp神经网络的初始化权值和阈值随机产生，对收敛速度和精度有较大影响。利用优化算法对神经网络的初始权重和阈值进行寻优是一种有效的方法，这种方法可以在神经网络训练前先通过优化算法来确定网络的初始权重和阈值，找到最优的权重和阈值组合，以达到更好的神经网络模型效果。

5、电鳗觅食优化算法（eefo），eefo从自然界中电鳗鱼的智能群体觅食行为中获得灵感，该算法数学建模了四种关键的觅食行为：互动、休息、狩猎和迁移，以在优化过程中提供探索和利用；目前算法的收敛速度较慢，特别是在处理复杂问题或高维空间中；此外，电鳗觅食优化算法容易陷入局部最优解，而难以逃离，当被困在局部最优解附近时，无法发现全局最优解。

技术实现思路

1、本发明的目标为：通过改进的电鳗觅食优化算法，提高电鳗觅食优化算法的寻优精度和全局寻优速度，利用电鳗觅食优化算法对bp神经网络的初始权重和阈值寻优，避免模型陷入局部极小值，同时提升bp神经网络模型的收敛速度和精度，提出一种改进的bp神经网络预测模型，提高交通车流量预测的准确度。

2、本发明为实现上述目标所采用的技术方案是：

3、一种基于智能优化算法的交通车流量预测优化方法，包括改进的电鳗觅食优化算法和bp神经网络模型，利用改进的电鳗觅食优化算法对bp神经网络的初始权重和阈值进行寻优，提高交通车流量预测的准确度，具体步骤为。

4、s1、对影响车流量的关键影响因素分析，并对关键影响因素数据采集，进行数据预处理。

5、s2、将影响车流量的关键数据集按训练集、测试集、验证集的方式划分，并使用滑动窗口技术将训练数据集输入到bp神经网络模型。

6、s3、在电鳗觅食优化算法的迁移阶段融合冠豪猪优化器的第四防御机制，改进电鳗觅食优化算法的迁移阶段的位置更新策略。

7、s4、当电鳗觅食优化算法各阶段位置更新均结束后，引入随机变异扰动策略，改进电鳗觅食优化算法的寻优机制。

8、s5、根据影响车流量的关键数据的特征变量和目标变量构建bp神经网络，利用改进的电鳗觅食优化算法对bp神经网络的初始权重和阈值寻优，建立加强的bp神经网络模型。

9、s6、将步骤s2的测试集与验证集输入到加强的bp神经网络模型中，同时对输出结果进行反标准化处理得到车流量预测数据。

10、进一步的，所述步骤s1中，所述影响车流量的关键因素数据包括以下变量，分别为：历史的车流量、历史节假日以及早晚高峰的车流量数据、当天的天气数据和加油站、停车场、公交车站、地铁站交通设施的分布和容量数据。

11、进一步的，所述步骤s1中，采用肯德尔秩相关系数法（kendall rankcorrelation）对影响交通车流量的关键因素数据进行相关性分析，相关性系数公式如下：

12、；

13、式中，为车流量数据集中的预测值数量，和为第一个数据集中的两个排名，和为第二个数据集中相应的排名，为符号函数，如果，则函数值为1，则函数值为-1，否则，函数值为0。

14、进一步的，将历史的车流量、历史节假日以及早晚高峰的车流量数据、当天的天气数据和加油站、停车场、公交车站、地铁站交通设施的分布和容量数据作为特征变量制作数据集，同时对数据集进行预处理，利用补差众数法和四分位差规则对数据缺失值和异常值进行补齐和剔除，采用最大—最小标准化处理公式如下，使用线性变换将样本数据压缩在0到1之间：

15、；

16、式中，为第个输入变量归一化后的数据，范围（0，1）；为检验数据，为数据样本最小值，为数据样本最大值。

17、进一步的，所述步骤s2中，将数据集按6：2：2的比例划分训练集、测试集、验证集，若车流量数据集数量为的时间序列；

18、式中，为数据集第时刻车流量值，为当前时刻数据集的车流量值。

19、进一步的，在进行车流量预测时，根据滑动窗口的大小及滑动步长，将车流量数据集的历史数据值切分成若干子序列，再依次输入模型中。

20、进一步的，所述步骤s3中，改进的电鳗觅食优化算法的迁移阶段的位置更新策略为：

21、（1）；

22、式中，为第次迭代时，第只电鳗的位置；为第次迭代时，第只电鳗的位置；为第次迭代，改进的电鳗觅食优化算法种群中电鳗的最优位置；为收敛速度因子；和为区间[0,1]内的一个随机值，满足+=1；为+1和-1两者的随机值；为当前第只鳗鱼位置的适应度值，为改进的电鳗防御因子，数学模型公式为：

23、；

24、式中，为改进的电鳗觅食优化算法的当前迭代次数，为在0到1之间随机生成的数值，为第次迭代时，最差的电鳗的位置，为当前迭代第只电鳗的位置的适应度值，为第次迭代时，最差的电鳗的位置的适应度值。

25、进一步的，最差的电鳗的位置为第次迭代时，电鳗种群中适应度值最大的电鳗位置。

26、进一步的，融合冠豪猪优化器的第四防御机制改进后的电鳗觅食优化算法在迭代后期，最优值收敛速度更快且不容易陷入布局最优，改进的电鳗防御因子非线性变化，在迭代前期初始时，电鳗防御因子最大值为2，最小值为0，随迭代次数的增加，电鳗防御因子先缓慢减小，后期快速减小，有利于改进后的电鳗觅食优化算法的迁移阶段的位置更新策略跳出局部最优解。

27、进一步的，所述步骤s4，改进的电鳗觅食优化算法的寻优机制为：在改进的电鳗觅食优化算法的每代寻优过程后期，当改进的电鳗觅食优化算法各阶段位置更新均结束后，在当前种群中任选一个电鳗个体进行随机变异扰动，变异的个体存入种群，用于下一轮算法迭代，随机变异扰动策略数学模型为：

28、（2）；

29、式中，为当前迭代次数时，扰动后的电鳗位置；和为随机选取需要变异个体在种群中的索引及变异维度索引，为改进的电鳗觅食优化算法的寻优下限；为改进的电鳗觅食优化算法的寻优上限。

30、进一步的，在种群中随机选取需要变异个体进行变异，使得下次迭代时，在改进的电鳗觅食优化算法寻优范围内产中新的个体，增加种群的丰富度，为改进的电鳗觅食优化算法提供更多的寻优选择的同时避免了改进的电鳗觅食优化算法陷入局部最优的问题。

31、进一步的，所述步骤s5，利用改进的电鳗觅食优化算法对bp神经网络的初始权重和阈值寻优，建立加强的bp模型的具体步骤为：

32、s51、初始化改进的电鳗觅食优化算法种群，依据神经网络权重和阈值特点，电鳗个体编码采用实数编码方法，每个电鳗个体位置由一个实数向量表示，所述实数向量由输入层、隐含层、输出层之间的权重和阈值组成；

33、s52、利用加强的bp神经网络模型的实际车流量数据输出与预测车流量数据输出之间的误差绝对值和作为改进的电鳗觅食优化算法对bp神经网络模型参数优化的适应度函数，公式为：

34、；

35、式中，为加强的bp神经网络模型的输出层节点数，为系数，和分别为输出层节点的期望车流量数据输出和预测车流量数据输出；

36、s53、计算每个电鳗个体的适应度，并根据改进的电鳗觅食优化算法位置更新策略来调整电鳗个体的位置，产生新的种群位置，通过随机变异扰动策略，按照公式（2）对种群扰动更新；

37、s54、将新产生的种群个体重新带入加强的bp神经网络模型中进行训练，再次根据训练结果计算适应度值，重复迭代，直到达到最大迭代次数，输出最优电鳗个体位置；

38、s55、将电鳗最优个体位置，即一组最优bp神经网络的权重和阈值，作为bp神经网络的初始权重和阈值，通过反向传播算法对bp神经网络进行训练，最终得到训练好的加强的bp神经网络模型。

39、进一步的，改进的电鳗觅食优化算法位置更新策略，包括：改进的电鳗觅食优化算法的全局搜索和收敛开发，模拟电鳗的相互作用、休息、迁徙和狩猎行为，具体步骤为：

40、s531、利用电鳗搜索空间中的区域信息，与种群中其他随机选择的鳗鱼相互作用，通过确定种群中随机选择的鳗鱼和在搜索空间中随机生成的鳗鱼之间的差异来更新电鳗个体的位置，数学模型为：

41、（3）；

42、式中，为第次迭代时，第只电鳗的位置，和为从当前种群中随机选择的电鳗的位置，且不等于，为权重系数，为当前电鳗种群个体的平均位置，和为取值0到1的随机数，和为从当前种群中随机选择的电鳗的位置的适应度值，为电鳗初始位置；

43、s532、模拟电鳗休息行为，搜索合适位置休息，休息位置作为电鳗的新位置，电鳗种群的新位置的数学模型公式为：

44、（4）；

45、式中，为第次迭代时，第只电鳗的位置；为遵循均值为0，标准差为1的正态分布；为从当前种群中随机选择的一条鳗鱼的位置；函数为函数用来返回最接近的整数；为电鳗搜索半径，数学模型为：

46、；

47、式中，为当前迭代时的可选的休息范围；为目标休息区域的范围；为截止到当前迭代时的全局最佳位置；为目标休息区域范围的比例，数学模型为：

48、；

49、式中，为目标休息区域范围的比例初值，公式为：；为在0到1之间随机生成的数值；

50、s533、将电鳗的迁徙和狩猎位置更新策略融合冠豪猪优化器的第四防御机制，改进后的电鳗位置更新策略如公式（1）。

51、进一步的，所述步骤s6中，加强的bp神经网络模型采用多元线性回归的预测方式，其中，bp神经网络包含输入层、隐含层和输出层，其数学表达式为：

52、；

53、式中，为经bp神经网络预测的车流量输出值；为激活函数；为bp神经网络输入值，输入的数据是影响车流量的关键因素数据；为隐含节点的连接权重；为隐含节点间的阈值；为隐含节点的阈值；为隐藏节点数。

54、进一步的，bp神经网络陷入局部最小值的原因是由于网络的权重和阈值、为随机生成导致的，其权重和阈值包含：输入层到隐含层的权值和阈值；隐含层到输出层的权值和阈值，公式如下：

55、；

56、；

57、式中，为激活函数；为第个输入信号；为第个隐含层输出值。

58、综上所述，由于采用本技术方案，本发明的有益效果为：首次利用电鳗觅食优化算法优化bp神经网络对车流量预测，针对bp神经网络在预测上存在的不足，初次将电鳗觅食优化算法用于优化bp神经网络，同时，在电鳗觅食优化算法的迁移阶段融合冠豪猪优化器的第四防御机制，改进电鳗觅食优化算法的迁移阶段的位置更新策略，提高电鳗觅食优化算法的收敛速度和精度，进一步在电鳗觅食优化算法的每代寻优过程后期，当电鳗觅食优化算法各阶段均结束后，在当前种群中任选一个电鳗个体进行随机变异扰动，提升电鳗觅食优化算法跳出局部最优解的能力，从而提高车流量预测的准确度。