一种基于萤火虫算法与RBF神经网络的交通流预测方法与流程

技术特征：

1.一种基于萤火虫算法与RBF神经网络的交通流预测方法,其特征在于，获取交通流待预测数据作为RBF神经网络的输入数据，得到输出数据，将该输出数据作为预测结果；

所述的RBF神经网络输入层神经元个数为m,输出层神经元个数为n，隐层神经元个数为h,隐层神经元的中心参数为c，隐层神经元的宽度参数为σ，隐层神经元与输出层神经元之间的权值为w；

所述的输入层神经元个数m,输出层神经元个数n通过初始化确定其中m取为3-6之间任意整数，n＝1；

所述的隐层神经元个数h、隐层神经元的中心参数c、隐层神经元的宽度参数σ、隐层神经元与输出层神经元之间的权值w均通过提取预测需要的最优个体的参数获得，所述的预测需要的最优个体通过萤火虫算法优化RBF神经网络确定，具体包括：

步骤1：获取待预测的高速公路的交通流数据作为样本数据，对样本数据作归一化处理，将处理后的样本数据作为初始的RBF神经网络的训练数据，根据划分规则在训练数据中划分多组输入数据和期望输出；

步骤2：根据公式：设得到的10个隐层神经元个数的取值范围为h₁,h₂…h_i…h₁₀，其中μ_i为1～10的任意整数，其中1≤i≤10；

步骤3：将编码规则中的h_i替换为h₁后，用替换后的编码规则对萤火虫种群D中的萤火虫个体进行编码，得到由萤火虫种群D中所有个体构成矩阵E；调用rand函数对矩阵E中所有元素进行随机赋值得到赋值后的萤火虫种群F；

步骤4：根据RBF神经网络的确定方法得到萤火虫种群F中所有萤火虫个体对应的RBF神经网络分别为R₁,R₂…R_s，其中每一个萤火虫个体对应一个RBF神经网络，其中S为种群F中的萤火虫个体数，S的取值范围为20-25；根据萤火虫个体亮度值计算方法计算萤火虫种群F中每个萤火虫个体的亮度值；

所述的RBF神经网络的确定方法为：每个萤火虫个体在矩阵中对应一个行列式，根据编码规则得到每个萤火虫个体对应的行列式中的RBF神经网络的中心参数、宽度参数以及隐层神经元与输出层神经元之间的权值所对应的数值；

步骤5：初始化萤火虫算法的光强吸收系数γ，光源处最大亮度β₀，随机步长因子α，对矩阵F进行萤火虫算法优化，得到萤火虫种群F中的最优萤火虫个体；

步骤6：依次将编码规则中的h_i替换为h₂,h₃,…h₁₀,重复执行步骤3、4、5，得到10个最优个体及每个最优个体的亮度值，比较这些最优个体的亮度值，将亮度值最高的最优个体作为预测需要的最优个体；

步骤7：根据步骤6得到的预测需要的最优个体，提取该最优个体中RBF神经网络的隐层神经元个数h；隐层神经元的中心参数c，隐层神经元的宽度参数σ，隐层神经元与输出层神经元之间的权值w。

2.如权利要求1所述的交通流预测方法，其特征在于，所述的萤火虫种群D包括的萤火虫个体为D₁,D₂…D_s，其中下标S表示萤火虫种群D中萤火虫的个体数，S的取值范围为20-25。

3.如权利要求1所述的交通流预测方法，其特征在于，所述的编码规 则为：

将萤火虫种群D中的任意一个萤火虫个体表示为包含式(1)中所有元素的集合：

其中m为输入层神经元个数，h_i为隐层神经元个数，c_i1,c_i2,…,c_im为第i个隐层神经元的m维中心参数，σ_i为第i个隐层神经元的宽度参数，w₁,…,w_i,…,为隐层神经元与输出层神经元之间的权值；

根据式(1)中的一个萤火虫个体包含的所有元素得到该萤火虫个体对应的行列式，形式如式(2)。

4.如权利要求1所述的交通流预测方法，其特征在于，所述萤火虫种群D中所有个体构成矩阵E＝|D1 D2 … DS|，其中D1,D2…DS分别表示萤火虫种群中每个个体对应的行列式；

所述的萤火虫种群F＝|D1′ D2′ … DS′|，其中D1′ D2′ … DS′分别表示每个萤火虫赋值后对应的行列式。

5.如权利要求1所述的交通流预测方法，其特征在于，所述的萤火虫个体亮度值计算方法为：

对于一个RBF神经网络R，将步骤1中的每一组的输入数据输入到该神 经网络中，得到RBF神经网络的一个实际输出，该实际输出与步骤1中划分的该组中的期望输出组成一组，得到多组RBF神经网络的期望输出和实际输出，根据公式(3)得到每个神经网络对应的目标函数R_e，

式(3)中y_k为一组RBF神经网络中的期望输出，为该组RBF神经网络的实际输出，N为RBF神经网络的期望输出和实际输出的组数，其中N取值为200-600之间任意整数；

适应度函数f_e为目标函数的倒数,即得到矩阵F中每个萤火虫个体对应的适应度函数值，将每个萤火虫个体对应的适应度函数值作为该萤火虫个体的亮度值。

6.如权利要求1所述的交通流预测方法，其特征在于，所述的步骤5具体包括：

5.1：用每一个萤火虫个体在矩阵中对应的行列式表示该萤火虫在该矩阵中的位置，对矩阵F进行萤火虫算法优化，得到矩阵F2，计算并记录矩阵F2亮度最高的萤火虫个体的亮度值；将得到矩阵F2作为新的矩阵F；

5.2:重复执行步骤5.1；直到当前得到的亮度最高的萤火虫个体的亮度值与前次循环得到的亮度值最高的萤火虫的亮度值相同，将当前的亮度值最高的萤火虫个体作为最优萤火虫个体。

7.如权利要求6所述的交通流预测方法，其特征在于，所述的步骤5.1具体包括：

5.1.1：对于每一个萤火虫个体分别计算该萤火虫个体与矩阵F中其他萤火虫个体的相对亮度，找到与该萤火虫个体相对亮度最高的萤火虫个体，该 萤火虫向与其相对亮度最高的萤火虫移动，计算该萤火虫个体移动后的位置，得到矩阵F中所有萤火虫个体移动后的位置对应的矩阵F1；

其中，萤火虫个体j被萤火虫个体i吸引而向萤火虫i移动后的位置表示为：

其中，式中α*ε为随机扰动项，α为步长因子，是[0,1]上的常数；ε_j为[0,1]上服从高斯分布的随机因子，D_j为矩阵F中萤火虫个体j移动前的位置， 为矩阵F中萤火虫个体j移动后的位置，D_i为矩阵F中萤火虫个体i的位置，β(r_ij)表示萤火虫个体i和萤火虫个体j之间的相对吸引度；

5.1.2：根据步骤5.1.1得到的矩阵F1，根据步骤4中所述的RBF神经网络的确定方法得到矩阵F1中所有萤火虫个体确定的神经网络，根据萤火虫个体亮度值计算方法得到矩阵F1中每个萤火虫个体的亮度值，找到亮度值最高的萤火虫个体并记录其亮度值；

5.1.3:对步骤5.1.2中得到的亮度值最高的萤火虫个体进行随机扰动，得到矩阵F2，计算并记录F2中亮度最高的萤火虫个体的亮度值；

所述的增加随机扰动为，通过公式(5)计算该亮度最高的萤火虫个体进行随机扰动后在矩阵F1中的位置，

x^*＝x+α*ε (5)

其中x^*为增加随机扰动项后该亮度最高的萤火虫在矩阵F1的位置，x为增加随机扰动项前该亮度最高的萤火虫的位置，α*ε为随机扰动项，α为步长因子，是[0,1]上的常数；ε为[0,1]上服从高斯分布的随机因子。

8.如权利要求1所述的交通流预测方法，其特征在于，所述的划分规 则为：得到的训练数据为[a1,a2,a3,a4,a5,a6…a(n-1),an]，将a(a(n-4),a(n-3),a(n-2),a(n-1)作为输入数据，an为输出数据，其中5≤n≤604 a(n-4),a(n-3),a(n-2),a(n-1)与an划分为一组输入数据和期望输出。