文献类型：期刊文章

作　　者：张兴辉[1,3] 樊秀梅[1] 阿喜达[1,4] 樊书嘉[2] 武文瑜[1]

ZHANG Xing-hui;FAN Xiu-mei;SHAN Axida;FAN Shu-jia;WU Wen-yu(Department of Automation and Information Engineering,Xi’an University of Technology,Xi’an,Shaanxi 710048,China;Department of Computer Science and Technology,Tsinghua University,Beijing 100084,China;College of Electronics and Information Engineering,Ankang University,Ankang,Shaanxi 725000,China;School of Information Science and Technology,Baotou Teachers’College,Baotou,Inner Mongolia 014030,China)

机构地区：[1]西安理工大学自动化与信息工程学院,陕西西安710048 [2]清华大学计算机科学与技术系,北京100084 [3]安康学院电子与信息工程学院,陕西安康725000 [4]包头师范学院信息科学与技术学院,内蒙古包头014030

出　　处：《电子学报》

基　　金：国家自然科学基金(No.61272509);陕西省“百人计划”、陕西省重点研发计划一般项目(No.2017ZDCXL-GY-05-01)。

年　　份：2021

卷　　号：49

期　　号：5

起止页码：879-886

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：本文针对灰狼优化(Grey Wolf Optimizer,GWO)算法平衡全局探索和局部搜索能力的不足,提出了一种基于反向改进的灰狼算法(Opposition Learning Grey Wolf Optimizer,OLGWO),来优化预测模型的超参数,以提高其用于交通流预测的精度与鲁棒性.本算法在迭代过程中采用了反向学习策略,并引入了等级相关概念,主要通过计算普通狼与目标狼的Spearman相关系数,并根据其值来选择性地更新狼种群.实验先对12个标准测试函数对比了四种算法OLGWO、TGWO(Transformed Grey Wolf Optimizer)、GWO、PSO(Particle Swarm Optimization),得到了寻优均值和标准差,验证了OLGWO算法具有突出的性能优势;然后采用美国加州公路交通流数据,在不同缺失率下比较了四种算法优化的反向传播(Back Propagation,BP)网络模型,结果显示,OLGWO-BP模型预测精度比其它三种模型最高分别有1.95%、3.98%和11.07%的提升,同时表现出更好的稳定性.

关 键 词：智能交通 交通流预测 灰狼优化(GWO)  BP神经网络 反向学习(OL)  

分 类 号：U491.1[物流管理与工程类]