基于WD-DE-BP集成优化模型的短时交通流预测.pdf

第 卷 第期宁夏大学学报(自然科学版)年月V o l N o J o u r n a l o fN i n g x i aU n i v e r s i t y(N a t u r a lS c i e n c eE d i t i o n)J u n 文章编号:()基于WD D E B P集成优化模型的短时交通流预测郑伟,余良碧,赵志璞,任俊,李良建(中国水利水电第十一工程局有限公司,河南 郑州 )摘要:为进一步提升短时交通流预测精度,提出一个基于小波降噪(WD)、差分进化(D E)算法优化B P神经网络权值与阈值的WD D E B P集成优化预测模型为验证所提模型的有效性,采用多组短时交通流数据进行仿真实验,就常用的误差指标MA P E、RM S E、MA E而言,WD D E B P集成优化模型获得的预测误差指标均值较传统的B P模型获得的误差指标均值分别 下降 了 、,较WD B P模 型获 得的 误差 指 标均 值下 降 了 、实验结果表明所提出的WD D E B P集成优化模型可以为I T S的相关子系统提供较好的基础数据关键词:小波降噪;B P神经网络;差分进化算法;参数优化;短时交通流预测分类号:(中图)U 文献标志码:A收稿日期:基金项目:中国电建科技攻关项目(D J N F XM )作者简介:郑 伟(),男,工程 师,主 要从 事市 政 工程 项目 管理 及 地铁 施工 技 术研 究,(电 子 信 箱)q q c o m短时交通流预测可为构建相关智慧交通子系统提供有效的基础数据信息,因而,不断提升短时交通流预测模型预测效果是众多研究者一直追寻的目标李巧茹等基于混沌相空间重构理论、高斯过程回归模型(G P R)以及粒子群优化算法(P S O)构建了P S O G P R短时交通流预测模型,有效提升了G P R的预 测 精 度胡 浩 等 利 用 自 回 归 移 动 平 均(A RMA)模型和B P神经网络模型构建组合模型C F OA B,有效提升了A RMA和B P各自独立预测时的精度于德新等在循环神经网络(R NN)结构中引入门控循环单元(G RU),提升了R NN预测效果雷毅等利用基于流形距离的K 近邻(KNN)和长短期记忆神经网络(L S TM),预测高速公路短时交通流量,获得了比单一模型更高的精度周海赟等利用非线性带外部输入的自回归模型(NA R X)和J a s s o n改进的A R X模型(S S A R X),在进行多步预测的过程中验证了S S A R X NA R X组合模型优于S S A R X模型 Z h o u等利用L S TM并使用遗传算法(GA)优化的支持向量回归机(S V R),提出组合预测模型L S TM GA S V R,仿真实验结果验证了组合预测模型优于L S TM、S V R等基本模型H a n等基于深度信念网络(D B N)和核极限学习机(K E LM)提出深度学习短时交通流预测模型,获得了较快的运行速度和较高的预测精度 C h e n等从时间序列分解的视角,基于时间序列分析(T S A)和监督学习(S L)提出T S A S L预测模型,仿真实验结果验证了其对时间序列数据进行分解的有效性 李松等通过引入自适应变异算子的改进粒子群算法优化B P神经网络权值与阈值,在短时交通流预测中使得B P神经网络获得了更好的拟合和泛化能力 卢建中等通过引入M e t r o p o l i s准则替代遗传算法中的贪婪准则提出改进的遗传算法,并用于优化B P神经网络,在短时交通流预测中获得了较高的精度 马秋芳利用随机生成新个体机制改善种群多样性,提出改进的P S O,在优化B P神经网络进行短时交通流预测时获得了性能改善 马梅琴等通过调整惯性权 重和学习因 子 策 略 提 出 改 进 的P S O,在优化小波神经网络后应用于短时交通流预测,获得了优于基本小波神经网络以及蚁群算法优化小波神经网络的预测性能 冯珊珊等和张文胜等分别借助自变异演化算法和改进的灰狼优化算法优化B P神经网络,在短时交通流预测中取得了不错的预测效果 综上所述,可以发现近来针对短时交通流预测的研究成果主要集中在提出改进的智能算法优化神经网络结构参数为此,本研究提出利用具有较强搜第期郑伟等:基于WD D E B P集成优化模型的短时交通流预测索能力的全局 最好个体 引导下 的 差 分 进 化 算 法D E/b e s t/b i n优化B P神经网络权值与阈值向量参数,并对短时交通流原始数据进行小波降噪处理,以期进一步提升短时交通流预测精度WD D E B P集成优化模型 B P神经网络作为前向反馈神经网络,B P神经网络常采用层神经网络结构:输入层、隐含层和输出层隐含层激活函数为双曲正切s型函数,输出层激活函数为线性传输函数输入层节点数记为m,对应于输入数据的分量维数;隐含层节点数记为h;输出层节点数记为n,对应于输出数据的分量维数在短时交通流预测中,神经网络隐含层个数由经验公式及仿真测试确定,相关参数设置为m,h,n其网络结构如图所示3Input1OuputW+bHidden Layer+W+b+Ouput Layer51图B P神经网络结构 小波降噪小波降噪(w a v e l e t d e n o i s i n g,WD)根据小波变换理论对含噪信号进行多尺度分解处理,在获得一系列小波系数后,根据信号引起的小波系数大、噪声引起的小波系数小的不同特性,借助合适的阈值将噪声部分小波系数去掉,然后对保留的信号部分小波系数进行重构,获得更为光滑的时间序列信号,对于提高预测精度具有较好的辅助作用对交通流原始数据进行降噪的原理如图所示F#3#L#3LLLF#G图小波降噪原理 差分进化算法差分进化算法(d i f f e r e n t i a le v o l u t i o n,D E)由S t o r n和P r i c e 于 年正式发表在国际知名期刊J o u r n a l o fG l o b a lO p t i m i z a t i o n 上 年,D E在日本举办的第届进化计算大赛上荣获第名的好成绩(排在前名的算法均为非进化算法)此后,D E被广泛应用于函数优化以及车辆路径调度等问题中,取得了较好的研究成果 种群初始化在差分进化算法演化的过程中,需要一群个体相互共享信息,一般而言,采用随机初始化机制产生Np个个体构成初始种群每一个体产生的方式为xi jxLjr a n d()(xUjxLj),()其中:i,Np为个体索引下标,j,D为个体分量下标,xLj为第j维个体分量的最小值,xUj为第j维个体分量的最大值,r a n d()函数表示产生一个,)上的均匀分布随机数 差分变异策略由于D E由差分变异策略构成且具有非常好的灵活性,为更好地利用种群最好个体信息引导种群演化,本研究选取D E/b e s t/b i n差分变异策略作为D E的主要构成部分该差分变异策略的数学描述为vxb e s tF(xaxb),()其中:v表示变异向量,b e s t表示种群中最好个体索引,a,b,Np 为随机选择的个体索引,且b e s tab,F,表示尺度缩放因子 差分进化算法差分进化算法中另一个重要的操作为交叉算子的应用,即根据产生的变异个体v和目标个体xi生成试验个体u具体交叉过程为ujvj,r a n drcjjr a n d,xi j,其他,()其中:j,D表示个体分量下标,rc,表示个体之间的交叉概率,jr a n d,D 为一随机选择的分量下标公式()可以保证试验个体u至少有一维分量来自于变异个体,从而实现每一次个体间的交叉运算为真正意义上的交叉差分进化算法演化过程中,随着迭代次数的变化,生成试验个体u后,试验个体u与当前目标个体xi之间一般采用贪婪准则,即将优胜个体保留到下一代总之,差分进化算法主要是围绕变异操作和交叉运算生成变异个体、试验个体以及贪婪选择的一个循环往复的迭代过程 集成优化预测模型为进一步提升短时交通流预测精度,借助小波分析理论对原始交通流数据进行多尺度降噪,对降噪后的交通流数据进行相空间重构,以适合神经网络结构在此基础上,再次使用差分进化算法优化神经网络权值和阈值参数,以获得更好的神经网络初始参数值,进而提升神经网络模型训练和预测的效果,综合小波降噪、差分进化算法及神经网络提出WD D E B P集成优化预测模型就集成优化预测模型而言,在使用D E优化B P神经网络权值和阈值的过程中,需要对权值和阈值进行编码,差分进化算法中采用实数编码机制对生成变异个体过程中涉及的宁夏大学学报(自然科学版)第 卷算术交叉具有天然的适应性,根据B P神经网络结构可知D E算法中个体分量长度Dwbwb,其中:wm h表示隐含层的权值向量维数,bh表示隐含层阈值向量维数,wh n表示输出层权值向量维数,bn表示输出层权值向量维数即在优化B P神经网络结构权值和阈值的过程中,需要按此顺序将目标个体解码为相应的权值向量和阈值向量,并更新相应的神经网络结构权值和阈值,从而实现B P神经网络结构参数优化集成优化预测模型的流程如图所示/4555/5BF#LFF/4555,EEA4#B./4555/4555(/455LG.C5/455LA4/455/455N#EB5./4555LG55LA4/455/455N#BEBFFA1图WD D E B P集成优化模型流程图仿真实验及分析 数据来源及参数设置数据来源于交通流预测研究领域一个非常知名的数 据 库 系 统P e M S(f r e e w a yp e r f o r m a n c e m e a s u r e m e n t s y s t e m),选取个不同检测点(记为,)采集交通流数据,时间间隔为m i n,具体数据如图所示此外,在对原始交通流数据进行小波降噪的过程中,采 用 小 波 函 数d b 且 分 解 层 数 为,借 助d d e n c m p与w d e n c m p工具实现对原始交通流数据的降噪,降噪后的数据见图就检测器中的数据而言,其小波分解过程仿真结果见图,其中图 a表示原始交通流信号,图 b表示分解系数,图 c表示对分解系数高频部分进行软阈值处理后的小波系数,图 d表示对阈值处理后小波系数重构后的结果,即降噪后的数据0100200300400500600700800100150200(5 min 1)#1010020030040050060070080050100150#20100200300400500600700800(5 min)50100150200#3图原始交通流数据随后,在B P针对降噪后的数据进行预测建模的过程中,使用D E算法优化B P神经网络权值及阈值,形成WD D E B P预测集成优化模型,其中D E算法的控制参数交叉概率C r与尺度参数F均设置为,种群Np设置为,最大迭代次数设置为 此外,在仿真实验过程中,个体分量取值范围为第期郑伟等:基于WD D E B P集成优化模型的短时交通流预测,D;使用MAT L A B工具箱中的n e w f f函数实现B P神 经 网 络,其 中 隐 含 层 传 递 函 数 使 用“t a n s i g”函数,输出层传递函数使用“p u r e l i n”函数,B P训练代数e p o c h e s设置为 ,学习速率rl设置为,训练目标g o a l设置为 010020030040050060070080050150250#1010020030040050060070080050100150200F#G 5 min 1#2010020030040050060070080050100150200(5 min)#3图降噪后的交通流数据0100200300400500600700800a01002000100200300400500600700800b50005000100200300400500600700800c02004000100200300400500600700800d0100200图检测点交通流数据小波分解重构仿真结果 评价标准选择常用的误差指标:平均绝对百分比误差MA P E(m e a na b s o l u t ep e r c e n t a g ee r r o r)、均方根误差RM S E(r o o tm e a ns q u a r ee r r o r)和平均绝对误差MA E(m e a na b s o l u t ee r r o r)作为检验交通流预测模型精度的有效工具各指标对应的数学表达式分别为EMA P nn iyiyiyi,()ERM Snn iyiyi,()EMAnn iyiyi,()其中:yi表示交通流数据实测值,yi表示交通流预测值,n表示预测样本数量 仿真实验及分析在仿真实验过程中,将原始交通流数据按照B P神经网络结构重构为输入、输出样本后,获得样本数量为 个,将其中前 个样本作为训练样本,后 个样本作为检验预测模型优劣的测试样本 检测点的仿真实验及分析为验证WD D E B P模型的有效性及优势,针对检测点的交通流数据,分别使用B P、WD B P以及WD D E B P预测模型对短时交通流数据进行预测,获得平均绝对百分比误差、均方根误差、平均绝对误差的描述性统计分析结果(表)个预测模型针对个误差指标的均值比较结果见图表检测点各预测模型的误差指标误差指标模型m i nm a xm e a ns t d MA P EB P WD B P WD D E B P RM S EB P WD B P WD D E B P MA EB P WD B P WD D E B P 宁夏大学学报(自然科学版)第 卷MAPERMSEMAE024681012145,B%B BP WD-BP WD-DE-BP图检测点上各模型的预测误差对比分析由表可知,WD D E B P模型的MA P E平均值比B P模型提升了 ,比WD B P模型提升了 ;WD D E B P模型的RM S E平均值比B P模型提升了 ,比WD B P模型提升了 ;WD D E B P模 型的MA E比B P模 型 提 升 了 ,比WD B P模型提升了 从图也可以明显看出WD D E B P集成优化模型具有提升预测性能的优势相关结果表明小波降噪策略及差分进化算法的优化机制发挥了应有的作用 检测点和的仿真实验及分析为进一步验证WD D E B P模型的预测性能提升优势及其针对不同环境检测交通流数据的适应性和鲁棒性,将WD D E B P集成优化模型应用到检测点和的交通流数据,并与基本B P、WD B P模型进行比较分析,获得的误差指标的描述性统计分析结果分别如表和表所示,在、检测点上获得的各误差指标的均值比较结果分别如图和图所示表检测点上各预测模型获得的误差指标误差指标模型m i nm a xm e a ns t d MA P EB P WD B P WD D E B P RM S EB P WD B P WD D E B P MA EB P WD B P WD D E B P 表检测点上各预测模型获得的误差指标误差指标模型m i nm a xm e a ns t d MA EB P WD B P WD D E B P RM S EB P WD B P WD D E B P MA EB P WD B P WD D E B P 由表和表可知,WD D E B P模型的各误差指标依旧比B P模型有强劲的性能提升优势相较于WD B P模型,在和检测点WD D E B P模型 各 项 指 标 获 得 的 性 能 提 升 分 别 为 、和 、这些预测精度提升优势从图图也可以看出总之,WD D E B P集成优化模型在预测性能提升的同时具有适应不同交通检测环境的鲁棒性第期郑伟等:基于WD D E B P集成优化模型的短时交通流预测MAPERMSEMAE0246810125,B%B BP WD-BP WD-DE-BP图检测点上各模型的预测误差对比分析MAPERMSEMAE0246810125,B%B BP WD-BP WD-DE-BP图检测点上各模型的预测误差对比分析结论短时交通流预测是智慧交通领域的一个重要研究方向,能够为信号控制、交通诱导、路径规划等系统提供有效的辅助决策信息本文以权威机构提供的可靠的短时交通流数据作为研究对象,提出了WD D E B P集成优化预测模型在对短时交通流数据进行小波降噪的基础上,采用差分进化算法优化的B P神经网络模型对多个检测站点短时交通流数据进行仿真实验误差指标MA P E、RM S E、MA E的仿真实验结果表明,WD D E B P集成优化模型的预测结果优于B P模型和WD B P模型,是一种有效的短时交通流预测方法参考文献:韩直,徐冲聪,韩嵩乔基于短时交通流预测的广域动态交通路径诱导方法J交通运输系统工程与信息,():李巧茹,池维源,陈亮,等基于相 空间 重构 和P S O G P R的短时交通流预测J交通信息与安全,():胡浩,闫伟,李泓明基于组合预测方法的城市道路短时交通 流 预 测 J工 业 工 程 与 管 理,():于德新,邱实,周户星,等基于G R U R NN模型的交叉口短时交通流预测研究J公路工程,():雷毅,张善关,谢云驰,等基于流形距离的高速公路短时交 通 流 预 测 模 型 J科 学 技 术 与 工 程,():周海赟,闫冬梅基于S S A R X NA R X模型的短时交通流预测J交通信息与安全,():J AN S S ONM S u b s p a c e i d e n t i f i c a t i o n a n d A R Xm o d e l i n g s c i e n c e d i r e c tJ I F A CP r o c e e d i n g sV o l u m e s,():Z HOUJ i n g m e i,CHAN GH u i,CHE N GX i n,e t a l Am u l t i s c a l ea n d h i g h p r e c i s i o n L S TM GA S V R s h o r t t e r mt r a f f i cf l o w p r e d i c t i o n m o d e lJC o m p l e x i t y,:A r t i c l e I D ,p a g e s HANL E I,HUANGY I S HAO S h o r t t e r mt r a f f i c f l o wp r e d i c t i o no fr o a dn e t w o r kb a s e do nd e e pl e a r n i n gJ I E TI n t e l l i g e n tT r a n s p o r tS y s t e m s,():CHEN L i,ZHENG L i n j i a n g,YANGJ i e,e ta l S h o r t t e r m t r a f f i c f l o wp r e d i c t i o n:F r o mt h ep e r s p e c t i v e o f t r a f f i c f l o w d e c o m p o s i t i o nJN e u r o c o m p u t i n g,:李松,刘力军,翟曼改进粒子群算法优化B P神经网络的短 时 交 通 流 预 测 J系 统 工 程 理 论 与 实 践,():卢建中,程浩改进G A优化B P神经网络的短时交通流预测J合肥工业大学学报(自然科学版),():马秋芳改进P S O优化的B P神经网络短时交通流预测J计算机仿真,():马梅琴,李风军,赵菊萍基于改进粒子群算法优化小波神经网络的短时交通流预测J宁夏师范学院学报,():冯珊珊,柳军,张军基于自变异烟花算法的短时交通流预 测 模 型 J传 感 器 与 微 系 统,():张文胜,郝孜奇,朱冀军,等基于改进灰狼算法优化B P神经网络的短时交通流预测模型J交通运输系统工程与信息,():S TORN R,P R I C EKD i f f e r e n t i a l e v o l u t i o n as i m p l ea n de f f i c i e n th e u r i s t i cf o rg l o b a lo p t i m i z a t i o no v e r c o n t i n u o u s s p a c e sJJ o u r n a l o f G l o b a lO p t i m i z a t i o n,():宁夏大学学报(自然科学版)第 卷R e s e a r c ho nF o r e c a s t i n go fS h o r t t e r mT r a f f i cF l o wB a s e do nWD D E B PI n t e g r a t e dO p t i m i z a t i o nM o d e lZ h e n gW e i,Y uL i a n g b i,Z h a oZ h i p u,R e nJ u n,L iL i a n g j i a n(S i n o h y d r oB u r e a u C o,L t d o fP o w e rC h i n a,Z h e n g z h o u ,C h i n a)A b s t r a c t:T of u r t h e ri m p r o v ea c c u r a c yo fs h o r t t e r mt r a f f i cf l o wf o r e c a s t i n g,a ni n t e g r a t e do p t i m i z a t i o nm o d e lWD D E B Pi sp r o p o s e d b a s e d o n w a v e l e td e n o i s i n g(WD)a n d d i f f e r e n t i a le v o l u t i o n(D E)a l g o r i t h m s t oo p t i m i z e t h ew e i g h t sa n dt h r e s h o l d so fB Pn e u r a ln e t w o r km o d e l T ov a l i d a t e t h ee f f e c t a n de f f i c i e n c yo ft h ep r o p o s e d m o d e l,ac o m p r e h e n s i v ee x p e r i m e n t a lr e s e a r c hi sc o n d u c t e do nat e s t b e dc o m p o s e do f af e wo ft r a f f i cf l o wd a t a s e t s A c c o r d i n gt ot h ee r r o r i n d e x e s,s u c ha sMA P E,RM S Ea n dMA E,t h er e s u l t so b t a i n e db y WD D E B Pa r es u p e r i o rt ot h o s eo fB Pb y ,a n d r e s p e c t i v e l y W i t hr e s p e c tt o WD B P,WD D E B Pi m p r o v e st h er e l a t e da c c u r a c yi n d e x e sb y ,a n d r e s p e c t i v e l y E x p e r i m e n t a l r e s u l t sd e m o n s t r a t e t h a tWD D E B P i n t e g r a t e do p t i m i z a t i o nm o d e l c a nb ee m p l o y e dt op r o v i d eb e t t e rb a s i cd a t a f o r r e l a t e ds u b s y s t e m so f I T SK e yw o r d s:w a v e l e td e n o i s i n g;B Pn e u r a ln e t w o r k;d i f f e r e n t i a le v o l u t i o n;p a r a m e t e ro p t i m i z a t i o n;s h o r t t e r mt r a f f i c f l o wf o r e c a s t i n g(责任编辑张娣)(上接第 页)E x p e r i m e n t a lC o m p a r a t i v eA n a l y s i so fD a t aB a l a n c i n gB a s e do nG A NW a n gZ h i y o n g,Z h a n gC u i p i n g(S c h o o l o fC o m p u t e r,W e i f a n gU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y,W e i f a n g ,C h i n a;D e p a r t m e n to fC o m p u t e rE n g i n e e r i n g,D o n g s e oU n i v e r s i t y,B u s a n ,K o r e a)A b s t r a c t:T h ep r o b l e mo fd a t a i m b a l a n c e,w h i c hm e a n s t h en u m b e ro f s a m p l e so f v a r i o u s c a t e g o r i e s i nt h ed a t as e ti se x t r e m e l yu n e v e n,o f t e no c c u r si np r a c t i c a la p p l i c a t i o n T h et r a d i t i o n a ld a t ao v e r s a m p l i n gt e c h n i q u e si n c l u d i n g r a n d o m s a m p l i n g(R AN D AM),S y n t h e t i c M i n o r i t y O v e r s a m p l i n g T e c h n i q u e(S MO T E),A d a p t i v eS y n t h e t i cS a m p l i n g(A D A S YN)a n d t h ep o p u l a r d e e p l e a r n i n g t e c h n o l o g yG e n e r a t i v eA d v e r s a r i a lN e t w o r k(GAN)a r es t u d i e d B a s e do n n o n i m a g e m a c h i n el e a r n i n gd a t a s e t sf r o mt h eU n i v e r s i t yo fC a l i f o r n i a,t h et r a d i t i o n a lo v e r s a m p l i n gt e c h n i q u e sa n d C GAN,WGAN a r ee v a l u a t e dt h r o u g hal a r g en u m b e ro fe x p e r i m e n t s T h r o u g hc o m p a r a t i v ea n a l y s i s,i ti sf o u n dt h a t WGAN c a ng e n e r a t eb e t t e r s a m p l e s a n do b t a i nb e t t e r t e s t a c c u r a c y t h a nC GANa n d t r a d i t i o n a l o v e r s a m p l i n g t e c h n i q u e sw h e nt h e t r a i n i n gs a m p l e s a r e i n s u f f i c i e n t A t t h e s a m e t i m e,i t i s f o u n d t h a t t h e i m b a l a n c e r a t eo f t r a i n i n gs a m p l e s i sa ni m p o r t a n tf a c t o ra f f e c t i n gt h eo p e r a t i o nr e s u l t so fC GANa n d WGANo v e r s a m p l i n gt e c h n i q u e s K e yw o r d s:o v e r s a m p l i n g;i m b a l a n c e dd a t a;d a t aa u g m e n t a t i o nm e t h o d s(责任编辑张娣)