PSO-GRNN神经网络组合模型在智能交通系统中的应用

◆赵鹏 董倩

PSO-GRNN神经网络组合模型在智能交通系统中的应用

◆赵鹏 董倩

（廊坊燕京职业技术学院 河北 065200）

针对现有短时交通流预测模型的不足，本文提出了基于粒子群算法（PSO）和广义神经网络（GRNN）的组合预测模型，并利用交通数据，对模型进行了验证，实验结果表明，PSO-GRNN神经网络组合模型有一定的推广价值。

粒子群算法；广义神经网络；短时交通流；预测

短时交通流预测是建设智能交通的关键，也是交管部门疏解交通的主要依据。但是，由于交通系统的非线性和不确定性，给我们的预测工作带来了困难。近年来，随着智能算法的发展，提高了短时交通流预测的准确率，也方便了交管部门对交通措施提前规划，提高通行效率。由于短时交通流具有较强的时间性，常用的预测方法包括：时间序列预测方法和非线性预测模型。基于交通流的非线性和不稳定性，我们常用神经网络进行预测。文献[1]用粒子群算法对RBF 神经网络的参数进行优化；文献[2]在传统PSO优化BP 神经网络的基础上，引入边界变异算子、自变异算子对粒子进行双重变异以优化网络配置参数；文献[3]采用小波神经网络对交通流进行预测。

1 广义回归神经网络（,GRNN）

广义回归神经网络（GRNN）具有高度的容错性和鲁棒性，适用于解决非线性问题，还可以处理不稳定数据。GRNN神经网络也是有四层构成：输入层、模式层、求和层和输出层。

（2）

求和层使用两类神经元求和，其中的一类计算公式为：

传递函数为：

另一类计算公式为：

传递函数为：

（7）

输出层中的神经元数目等于两类函数相除，即：

2 粒子群优化算法（PSO）

PSO算法是一种群智能体算法[6]，最早由Kennedy和Eberhart在1995年提出。在可行解空间中，一个粒子代表一个解。粒子通过跟踪个体极值Pbest和群体极值Gbest来更新个体位置，每迭代一次，就计算一次适应度值，并调整自己的位置和速度，以此寻求最优解。更新公式如下：

3 基于PSO-GRNN的短时交通流预测算法

Step1：设置PSO算法相关参数，GRNN神经网络对样本进行训练；

Step2：计算个体适应度值；

Step3：优化种群速度和位置；

Step4：是否达到迭代次数，若满足条件，输出最优值，否则继续进行Step2和Step3。

采集 3天的交通流量数据，每隔 15分钟记录流量数据，前 2天数据用于训练GRNN神经网络，第3天的交通数据用来验证交通流量预测的准确性。预测结果如图1所示。

图1 预测结果

从预测结果得到，PSO优化GRNN神经网络具有一定的准确性，预测短时交通流具有很强的有效性。为了进一步验证本文算法的有效性，我们又做了对比试验，如表1：

表1 各种算法对比评价

算法平均相对误差（%）最大相对误差（%）最大迭代次数 BP 11.5315.65500 pso-BP6.3612.25300 PSO-GRNN5.4210.45150

从上表比较结果我们得到，PSO-GRNN算法要优于BP算法和PSO-BP算法，显示了本文算法的优越性。PSO-GRNN组合模型适合短时交通流预测，具有一定的推广价值。

[1]冯明发，卢锦川.粒子群优化ＲBF神经网络的短时交通流量预测[J]．计算机仿真，2010，27（12）：323-326．

[2]张军，王远强，朱新山. 改进PSO优化神经网络的短时交通流预测[J]．计算机工程与应用，2017，53（14）：227-231.

[3]王芬，马涛．基于小波神经网络的短时交通流预测[J]．宁夏师范学院学报，2012，33（6）：60-62．

[4]史明泉，崔丽珍，赫佳星. 基于PSO-GRNN神经网络的煤矿井下定位算法研究[J]．中国矿业，2020，29（2）：88-93.

[5]李瑞东，宋金玲，刘建，等. 基于PSO-GRNN模型的夜光藻密度经验算法[J]．河北科技师范学院学报，2020，34（4）：48-52.

[6]孙林燕. 一种新的改进粒子群算法[D]. 大连：大连海事大学，2008.

2021年度廊坊市科学技术研究与发展计划自筹经费项目“PSO-GRNN神经网络组合模型在智能交通系统中的应用”（项目编号：2021011054）