交通流预测

资 源 简 介

城市交通流的运行存在着高度的复杂性、时变性和随机性，实时准确的交通流预测是智能交通系统，特别是先进的交通管理系统与先进的出行者信息系统研究的关键. 基于交通流预测的特点，给出了基于遗传算法的小波神经网络的交通预测模型GA-WNN ，用具有自然进化规律的遗传算法来对小神经网络的连接权值和伸缩平移尺度进行前期优化训练，部分代替了小波框架神经网络中按单一梯度方向进行参数优化的梯度下降法，克服了单一梯度下降法易陷入局部极小和引起振荡效应等缺陷. 仿真实验验证了GA-WNN 预测模型对短时交通流的预测的有效性.

详 情 说 明

城市交通流的运行存在着高度的复杂性、时变性和随机性，实时准确的交通流预测是智能交通系统，特别是先进的交通管理系统与先进的出行者信息系统研究的关键. 基于交通流预测的特点，给出了基于遗传算法的小波神经网络的交通预测模型GA-WNN ，用具有自然进化规律的遗传算法来对小神经网络的连接权值和伸缩平移尺度进行前期优化训练，部分代替了小波框架神经网络中按单一梯度方向进行参数优化的梯度下降法，克服了单一梯度下降法易陷入局部极小和引起振荡效应等缺陷. 仿真实验验证了GA-WNN 预测模型对短时交通流的预测的有效性.

城市交通流的运行是非常复杂的，并且具有时变性和随机性。在智能交通系统中，特别是先进的交通管理系统和出行者信息系统的研究中，实时准确的交通流预测是至关重要的。为了解决这个问题，我们提出了一种基于遗传算法的小波神经网络交通预测模型GA-WNN。该模型利用遗传算法来优化小波神经网络的连接权值和伸缩平移尺度，以替代传统的梯度下降法。这种方法可以克服梯度下降法容易陷入局部极小和引起振荡效应等缺陷。通过仿真实验，我们验证了GA-WNN预测模型对短时交通流的预测的有效性。