python交通流预测算法_一种高速公路交通流预测方法与流程

本发明涉及智能交通领域，更具体地，涉及一种高速公路交通流预测方法。

背景技术：

随着社会经济的不断增长，国内汽车的拥有量越来越多，高速公路车流量急剧上升，从而导致高速公路上车辆拥堵愈发严重。现有方法采用径向基函数神经网络训练网络参数的算法，在粗略搜索过程中容易陷入局部极小值。因此如何提高径向基函数(RBF)神经网络对高速公路交通流预测的稳定性是问题的关键。

申请号为201710039355.5的专利申请“一种基于萤火虫算法与RBF神经网络的交通流预测方法”初始化萤火虫算法参数，利用随机方法初始化萤火虫种群，并对种群中每个个体进行编码；利用萤火虫算法训练RBF神经网络，得到种群最优个体；对种群最优个体进行解码，得到训练好的RBF神经网络；利用训练好的RBF神经网络对交通流数据样本进行预测，这种方法具有很好的预测能力以及泛化能力，但是其在训练效率以及预测精度上依旧存在一定的不足。

技术实现要素：

本发明为克服上述现有技术所述的训练效率以及预测精度的不足，提供一种高速公路交通流预测方法。

为解决上述技术问题，本发明的技术方案如下：一种高速公路交通流预测方法包括以下步骤：

S1：获取历史高速公路交通流数据集，并将数据集的数据进行分类和归一化处理；

S2：建立基于径向基函数神经网络高速公路交通流预测模型；

S3：利用改进的萤火虫算法训练径向基函数神经网络得到最优参数，建立萤火虫-径向基函数神经网络模型；

其利用改进的萤火虫算法训练径向基函数神经网络得到最优参数的步骤包括对径向基函数神经网络参数进行编码，确定径向基函数神经网络的损失函数，对萤火虫算法中的荧光素值进行更新，计算萤火虫移动方向的概率值并更新萤火虫位置，迭代若干次后找到荧光素值最高的个体进行解码，得到径向基函数神经网络的最优参数；

S4：利用归一化处理后的数据训练萤火虫-径向基函数神经网络模型并迭代若干次，得到损失函数最小的径向基函数神经网络；

S5：利用得