一种基于蝙蝠算法的交通流预测方法、装置及系统与流程

本发明实施例涉及道路交通技术领域，特别是涉及一种基于蝙蝠算法的交通流预测方法、装置及系统。

背景技术：

在对道路的交通流进行预测时，通常会受到诸如路况、时间点、天气变化等因素的影响，从而导致道路交通流数据具有高度不确定性，并且规律不明显。现有技术中，在对道路的交通流进行预测时采用传统的小波神经网络方法来训练小波神经网络的网络参数，但是，由于采用传统小波神经网络训练网络参数时采用的方法是与基本bp神经网络相同的梯度下降法，并且梯度下降法具有单向性，且随机生成相关的网络参数，使网络参数在优化的过程中极其容易陷入局部极小值，从而使交通流的预测速度和预测精度降低。

因此，如何提供一种解决上述技术问题的基于蝙蝠算法的交通流预测方法、装置及系统成为本领域的技术人员目前需要解决的问题。

技术实现要素：

本发明实施例的目的是提供一种基于蝙蝠算法的交通流预测方法、装置及系统，在使用过程中在一定程度上提高了预测速度和预测精度。

为解决上述技术问题，本发明实施例提供了一种基于蝙蝠算法的交通流预测方法，所述方法包括：

获取交通流数据；

采用预先建立的小波神经网络交通流预测模型对所述交通流数据进行处理得到交通流预测结果；其中，所述小波神经网络交通流预测模型是基于蝙蝠算法训练而成的，其训练过程为：

依据历史数据以及蝙蝠算法计算出初始化小波神经网络参数；

采用小波神经网络以及所述历史数据对所述初始化小波神经网络参数进行训练得到所述小波神经网络交通流预测模型。

可选的，所述依据历史数据以及蝙蝠算法计算出初始化小波神经网络参数的过程具体为：

依据历史数据对每个蝙蝠的位置进行编码，每个所述蝙蝠的位置与与网络参数一一对应；

对预设控制参数进行初始化，并依据所述初始化的控制参数以及相应的搜索方法从蝙蝠种群中找到超级蝙蝠；

获取所述超级蝙蝠的位置，并将所述位置进行解码得到初始化小波神经网络参数。

可选的，所述预设控制参数包括蝙蝠种群的大小、最大迭代次数、每个蝙蝠的最大脉冲发射频度、每个蝙蝠的最大脉冲响度、每个蝙蝠的最大脉冲频率及最小脉冲频率；

所述依据初始化的控制参数以及相应的搜索方法从蝙蝠种群中找到超级蝙蝠的过程具体为：

s2121：计算所述蝙蝠种群中的各个蝙蝠对应的适应度值，并从各个适应度值中筛选出最优适应度值以及最优蝙蝠位置；

s2122：利用第一计算关系式、第二计算关系式以及第三计算关系式产生当前蝙蝠的第一新飞行速度与第一新位置，并将所述第一新位置作为所述当前蝙蝠的新位置；所述第一计算关系式为fi＝fmin+(fmin-fmax)β；所述第二计算关系式为所述第三计算关系式为所述为所述第一新飞行速度，所述为所述第一新位置；其中：

所述i为正整数，且i∈(0,p]，所述p为所述蝙蝠种群的大小，所述fi表示所述当前蝙蝠的脉冲频率，所述fmin表示所述当前蝙蝠的最小脉冲频率，所述fmax表示所述当前蝙蝠的最大脉冲频率，所述表示所述当前蝙蝠在t时刻的飞行速度，所述表示所述当前蝙蝠在t时刻的位置，所述x^*表示所述最优蝙蝠位置；

s2123：判断所述当前蝙蝠的当前脉冲发射频度是否大于第一随机数，如果是，则进入步骤s2124；否则，进入步骤s2125；

s2124：利用第四计算关系式产生第二新位置，将所述第二新位置覆盖所述第一新位置，将所述第二新位置作为所述当前蝙蝠的新位置；进入步骤s2125，

所述第一随机数的取值范围为[0,1]，所述第四计算关系式为其中，所述表示所述第二新位置，所述x^old表示从当前蝙蝠种群中随机找出的一个蝙蝠对应的位置，表示t时刻所述当前蝙蝠种群中所有蝙蝠的脉冲响度的平均值；ε表示一个d维随机向量，且ε∈[0,1]；

s2125：计算所述当前蝙蝠在所述新位置时对应的新适应度值，并判断所述新适应度值是否大于所述当前蝙蝠的历史最优适应度值，且第二随机数是否小于t时刻所述当前蝙蝠的脉冲响度，如果是，则依据第五计算关系式以及第六计算关系式更新所述当前蝙蝠的脉冲发射频度及其脉冲响度；否则，直接进入s16；其中：

所述第五计算关系式为所述第六计算关系式为所述第二随机数的取值范围为[0,1]；其中，为所述当前蝙蝠在t+1时刻的脉冲发射频度；γ为脉冲发射频度的增加因子，且γ>0；α为脉冲音强的衰减因子，且α∈[0,1]；

s2126：判断所述当前蝙蝠在所述新位置时对应的新适应度值是否大于所述蝙蝠种群的最优适应度值，如果是，则将所述蝙蝠种群的最优适应度值更新为所述新适应度值，得到更新后的最优适应度值，否则，直接进入s17；

s2127：判断当前的迭代次数是否达到所述最大迭代次数，如果是，则将所述更新后的最优适应度值作为全局最优适应度值，且将所述全局最优适应度值对应的蝙蝠作为所述超级蝙蝠；否则，返回s2122，以进行下一次迭代。

可选的，所述依据初始化的控制参数以及相应的搜索方法从蝙蝠群中找到超级蝙蝠的过程中，在s2126和s2127之间具体还包括：

则，所述判断所述当前蝙蝠在所述新位置时对应的新适应度值是否大于所述蝙蝠种群的最优适应度值的过程具体为：

当所述当前蝙蝠在所述新位置时对应的新适应度值小于所述蝙蝠种群的最优适应度值时，进入s2128；

s2128：判断蝙蝠算法是否处于过早收敛状态，如果是，则进入s19，否则，返回s2122，以进行下一次迭代；

s2129：从所述蝙蝠种群中随机选出一个蝙蝠，并通过混沌优化策略对所述蝙蝠的位置进行混沌扰动，将扰动之后的位置更新所述蝙蝠原来的位置，并返回s2122，以进行下一次迭代。

可选的，所述判断蝙蝠算法是否处于过早收敛状态的过程具体为：

判断当前蝙蝠种群的适应度均方差是否预设均方差，如果是，则所述蝙蝠算法处于过早收敛状态；其中：

依据第七计算关系式得出所述蝙蝠种群的适应度均方差，所述第七计算关系式为其中，所述fitnessi表示第i个蝙蝠的适应度值，所述表示所述当前蝙蝠种群的平均适应度值，所述σ表示种群的适应度方差，所述autofit表示适应度评价值；所述autofit依据第八计算关系式得到，所述第八计算关系式为

可选的，所述通过混沌优化策略对所述蝙蝠的位置进行混沌扰动的过程具体为：

依据第九计算关系式以及第十计算关系式对所述蝙蝠的位置进行混沌扰动，其中：

所述第九计算关系式为所述第十计算关系式为χ′＝(1-δ)χ^*+δχn；其中，所述为迭代次数为k+1时第i只蝙蝠的位置，所示μ为混沌状态控制系数，所述的取值范围为所述χ^*为最优值映射到[0,1]后形成的相应向量，所述χ′为施加随机扰动后x1,x2,…,xp相对应的混沌向量，所述χn为迭代k次后的混沌向量，所述δ依据第十一计算关系式进行确定，且δ∈[0,1]，所述第十一计算关系式为：

为解决上述技术问题，本发明实施例提供了一种基于蝙蝠算法的交通流预测装置，所述装置包括：

获取模块，用于获取交通流数据；

预测模块，用于采用预先建立的小波神经网络交通流预测模型对所述交通流数据进行处理得到交通流预测结果；其中，所述小波神经网络交通流预测模型包括：

计算模块，用于依据历史数据以及蝙蝠算法计算出初始化小波神经网络参数；

训练模块，用于采用小波神经网络以及所述历史数据对所述初始化小波神经网络参数进行训练得到所述小波神经网络交通流预测模型。

可选的，所述依据历史数据以及蝙蝠算法计算出初始化小波神经网络参数的过程具体为：

编码单元，用于依据历史数据对每个蝙蝠的位置进行编码，每个所述蝙蝠的位置与与网络参数一一对应；

搜索单元，用于对预设控制参数进行初始化，并依据所述初始化的控制参数以及相应的搜索方法从蝙蝠群中找到超级蝙蝠；

解码单元，用于获取所述超级蝙蝠的位置，并将所述位置进行解码得到初始化小波神经网络参数。

为解决上述技术问题，本发明实施例提供了一种基于蝙蝠算法的交通流预测系统，包括如上述所述的基于蝙蝠算法的交通流预测装置。

本发明实施例提供了一种基于蝙蝠算法的交通流预测方法、装置及系统，包括：获取交通流数据；采用预先建立的小波神经网络交通流预测模型对交通流数据进行处理得到交通流预测结果；其中，小波神经网络交通流预测模型是基于蝙蝠算法训练而成的，其训练过程为依据历史数据以及蝙蝠算法计算出初始化小波神经网络参数；采用小波神经网络以及历史数据对初始化小波神经网络参数进行训练得到小波神经网络交通流预测模型。

可见，本发明实施例在对交通流进行预测时采用的小波神经网络交通流预测模型的初始化小波神经网络参数是依据历史数据以及蝙蝠算法计算得到的，由于蝙蝠算法具有搜索能力强、搜索范围广的特点，因此在很大程度上能收敛于全局最优解，故利用基于蝙蝠算法得到的初始化小波神经网络参数训练出的小波神经网络交通流预测模型在对交通流进行预测时，在一定程度上提高了预测速度和预测精度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于蝙蝠算法的交通流预测方法的流程示意图；

图2为采用本发明实施例所提供的基于蝙蝠算法的交通流预测方法的高速公路交通流预测仿真示意图；

图3为采用现有技术中的小波神经网络的交通流预测方法的高速公路交通流预测仿真示意图；

图4为本发明实施例提供的一种基于蝙蝠算法的交通流预测装置的结构示意图；

图5为本发明实施例提供的一种小波神经网络交通流预测模型的结构示意图。

具体实施方式

本发明实施例提供了一种基于蝙蝠算法的交通流预测方法、装置及系统，在使用过程中在一定程度上提高了预测速度和预测精度。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参照图1，图1为本发明实施例提供的一种基于蝙蝠算法的交通流预测方法的流程示意图。该方法包括：

s11：获取交通流数据；

s12：采用预先建立的小波神经网络交通流预测模型对交通流数据进行处理得到交通流预测结果；其中，小波神经网络交通流预测模型是基于蝙蝠算法训练而成的，其训练过程为：

s21：依据历史数据以及蝙蝠算法计算出初始化小波神经网络参数；

s22：采用小波神经网络以及历史数据对初始化小波神经网络参数进行训练得到小波神经网络交通流预测模型。

具体的，获取相应道路的交通流数据(例如高速公路的交通流数据)，依据这些交通流数据通过预先建立好的小波神经网络交通流预测模型对未来的交通状态进行交通流预测。本发明实施例中用来训练小波神经网络交通流预测模型的初始化小波神经网络参数(例如，小波神经网络连接权值以及阈值参数等)是通过蝙蝠算法计算得出的。

例如，可以预先从交通数据控制中心获取历史数据(也就是历史交通流数据)，采用蝙蝠算法进行计算处理，从而得到初始化小波神经网络参数，再将历史数据及初始化小波神经网络参数输入至小波神经网络中进行训练，从而可以得到小波神经网络交通流预测模型。

在实际应用中，例如对于某一段高速公路交通流的预测，可以先从该高速公路对应的交通数据控制中心的数据库中获取交通流数据，并可以将选取预测断面2016年5月份31天共2976个交通流数据作为实验用数据。为了使预测结果更加精确，还可以将获取的原始交通流数据进行数据处理包括数据降噪，异常数据识别与修复以及归一化处理后将其中一部分交通流数据(例如，将该月中前24天共2016个交通流数据)作为历史数据，将这部分历史数据通过相空间重构后作为训练样本，即对这些历史数据采用蝙蝠算法进行训练，得到初始化小波神经网络参数，将另一部分数据(即最后7天中的672个交通流数据)进行相空间重构后作为测试样本(即作为用于预测的交通流数据)。也就是，采用前24天的历史数据训练初始化小波神经网络参数构建小波神经网络交通流预测模型，再通过构件好的小波神经网络交通流预测模型对后7天的交通流量实行单点单步预测，以得到预测结果。

需要说明的是，上述只是举例说明，在实际应用中历史数据和预测数据可以采用同一组历史交通流数据，也可以是不同的历史交通流数据，具体采用哪些交通流数据作为历史数据和预测数据可以根据实际情况而定，本发明实施例对此不做特殊的限定，能实现本发明实施例的目的即可。

本发明实施例提供了一种基于蝙蝠算法的交通流预测方法，包括：获取交通流数据；采用预先建立的小波神经网络交通流预测模型对交通流数据进行处理得到交通流预测结果；其中，小波神经网络交通流预测模型是基于蝙蝠算法训练而成的，其训练过程为依据历史数据以及蝙蝠算法计算出初始化小波神经网络参数；采用小波神经网络以及历史数据对初始化小波神经网络参数进行训练得到小波神经网络交通流预测模型。

可见，本发明实施例在对交通流进行预测时采用的小波神经网络交通流预测模型的初始化小波神经网络参数是依据历史数据以及蝙蝠算法计算得到的，由于蝙蝠算法具有搜索能力强、搜索范围广的特点，因此在很大程度上能收敛于全局最优解，故利用基于蝙蝠算法得到的初始化小波神经网络参数训练出的小波神经网络交通流预测模型在对交通流进行预测时，在一定程度上提高了预测速度和预测精度。

本发明实施例公开了一种基于蝙蝠算法的交通流预测方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：

需要说明的是，在训练小波神经网络交通流预测模型之前，需要预先设置所输入的交通流数据或历史数据的长度以及模型的控制参数。例如，可以将输入长度设为tfs(正整数)，则输入长度为tfs的交通流数据(或交通流时间序列)为c＝{c(i)|i＝1,2,...,tfs}；

所设置的控制参数可以包括：input，即输入层神经元个数；hidden，即小波层神经元个数；ouput，即输出层神经元个数，其中，input≤tfs。

此外，还需要建立小波神经网络高速公路交通流预测模型：

其中，o表示小波神经网络交通流输出；wij表示连接第i个输入与第j个小波元的连接权值；(f(1),f(2),…,f(input))为所输入的交通流数据(即相空间重构交通流输入数据)；vij表示连接小波层与输出层的权值；bj表示第j个平移系数；aj表示第j个伸缩系数；l表示小波基函数，并且其中，t为时间单位秒。本发明实施例中，通过计算出初始化小波神经网络参数wij，vij，aj，bj(i＝1,2,…,input；j＝1,2,…,output)，即可进一步得到小波神经网络交通流预测模型，并用于对交通流的预测。

在上一实施例中的s21中，依据历史数据以及蝙蝠算法计算出初始化小波神经网络参数的过程具体为：

s211：依据历史数据对每个蝙蝠的位置进行编码，每个蝙蝠的位置与与网络参数一一对应；

具体的，编码蝙蝠也就是将各个网络参数wij，vij，aj，bj(i＝1,2,…,input；j＝1,2,…,output)进行编码(即位置编码)，其中，第i个d维蝙蝠的位置为xi＝(wij,vij,aj,bj)^t，即，每个蝙蝠的位置与相应的网络参数一一对应，并且d表示的是小波神经网络参数个数总和。

s212：对预设控制参数进行初始化，并依据初始化的控制参数以及相应的搜索方法从蝙蝠种群中找到超级蝙蝠；

需要说明的是，需要预先进行控制参数的设置，得到各个预设控制参数。预设控制参数可以包括蝙蝠种群的大小(可以设置为p)；最大迭代次数kmax，且当前的迭代次数可以用k表示；每个蝙蝠的最大脉冲发射频度、每个蝙蝠的最大脉冲响度、每个蝙蝠的最大脉冲频率及最小脉冲频率。例如，第t时刻第i只蝙蝠的脉冲发射频度其对应的最大脉冲发射频度第t时刻第i只蝙蝠的脉冲响度其对应的最大脉冲响度第i只蝙蝠的脉冲频率为fi，其最大脉冲频率为fmax其最小脉冲频率为fmin；第i只蝙蝠在t+1时刻的飞行速度为第i只蝙蝠在t时刻的飞行速度为第i只蝙蝠在t时刻的位置为x^*表示在当前蝙蝠群体中的最佳位置；i＝1,2,3,…,p。

当然，预设控制参数不仅限于包括上述几种控制参数，还可以包括蝙蝠种群中蝙蝠位置的上限及下限等，具体的本发明实施例对此不做特殊的限定，能实现本发明实施例的目的即可。

进一步的，需要对控制参数进行初始化，具体的：

首先，利用第一计算关系式xmin+rand(0,1)×(xmax-xmin)随机产生p个蝙蝠，组成蝙蝠种群；其中，xmin表示所述蝙蝠种群中蝙蝠位置的下限，表示所述蝙蝠种群中蝙蝠位置的上限，rand(0,1)表示服从从0到1的均匀分布函数；

具体的，例如对所述蝙蝠种群中的各个蝙蝠的速度进行初始化，对每个所述蝙蝠的脉冲发射频度进行初始化，对每个所述蝙蝠的脉冲响度进行初始化；

需要说明的是，可以利用rand(0,1)产生一个随机数，使随机数小于相应蝙蝠的最大脉冲发射频度，并将随机数作为相应蝙蝠的初始脉冲发射频度，以进一步对每个蝙蝠的脉冲发射频度进行初始化；另外，还可以通过将每个蝙蝠对应的最大脉冲响度作为所述蝙蝠的初始脉冲响度(即)，以对每个所述蝙蝠的脉冲响度进行初始化。

进一步的，在上述s212中，依据初始化的控制参数以及相应的搜索方法从蝙蝠种群中找到超级蝙蝠的过程，具体可以为：

s2121：计算蝙蝠种群中的各个蝙蝠对应的适应度值fitnessi＝fit(xi)，并从各个适应度值中筛选出最优适应度值fitness*以及最优蝙蝠位置x*；

具体的，可以通过计算出每个蝙蝠对应的适应度值；其中，蝙蝠种群蝙蝠位置的平均值满足式

s2122：利用第一计算关系式、第二计算关系式以及第三计算关系式产生当前蝙蝠的第一新飞行速度与第一新位置，并将第一新位置作为当前蝙蝠的新位置；第一计算关系式为fi＝fmin+(fmin-fmax)β；第二计算关系式为第三计算关系式为为第一新飞行速度，为第一新位置；其中：

i为正整数，且i∈(0,p]，p为蝙蝠种群的大小，fi表示当前蝙蝠的脉冲频率，fmin表示当前蝙蝠的最小脉冲频率，fmax表示当前蝙蝠的最大脉冲频率，表示当前蝙蝠在t时刻的飞行速度，表示当前蝙蝠在t时刻的位置，x^*表示最优蝙蝠位置；

s2123：判断当前蝙蝠的当前脉冲发射频度是否大于第一随机数rand1，且rand1∈[0,1]，如果是，则进入步骤s2124；否则，进入步骤s2125；

s2124：利用第四计算关系式产生第二新位置，将第二新位置覆盖第一新位置，将第二新位置作为当前蝙蝠的新位置；进入步骤s2125，

第一随机数的取值范围为[0,1]，第四计算关系式为其中，表示第二新位置，x^old表示从当前蝙蝠种群中随机找出的一个蝙蝠对应的位置，表示t时刻当前蝙蝠种群中所有蝙蝠的脉冲响度的平均值；ε表示一个d维随机向量，且ε∈[0,1]；

s2125：计算当前蝙蝠在新位置时对应的新适应度值，并判断新适应度值是否大于当前蝙蝠的历史最优适应度值，且第二随机数是否小于t时刻当前蝙蝠的脉冲响度，如果是，则依据第五计算关系式以及第六计算关系式更新当前蝙蝠的脉冲发射频度及其脉冲响度；否则，直接进入s2126；其中：

第五计算关系式为第六计算关系式为第二随机数的取值范围为[0,1]；其中，为当前蝙蝠在t+1时刻的脉冲发射频度；γ为脉冲发射频度的增加因子，且γ>0；α为脉冲音强的衰减因子，且α∈[0,1]；

s2126：判断当前蝙蝠在新位置时对应的新适应度值是否大于蝙蝠种群的最优适应度值fitness*，如果是，则将蝙蝠种群的最优适应度值更新为新适应度值，得到更新后的最优适应度值，否则，直接进入s2127；

s2127：判断当前的迭代次数k是否达到最大迭代次数kmax，如果是，则将更新后的最优适应度值作为全局最优适应度值，且将全局最优适应度值对应的蝙蝠作为超级蝙蝠；否则，令k＝k+1，返回s2122，以进行下一次迭代。

为了使搜索结果更加优化，在依据初始化的控制参数以及相应的搜索方法从蝙蝠群中找到超级蝙蝠的过程中的s2126和s2127之间具体还可以包括s2128和s2129，具体如下：

则，判断当前蝙蝠在新位置时对应的新适应度值是否大于蝙蝠种群的最优适应度值的过程具体为：

在当前蝙蝠在新位置时对应的新适应度值小于蝙蝠种群的最优适应度值时，进入s2128；

s2128：判断蝙蝠算法是否处于过早收敛状态，如果是，则进入s2129，否则，返回s2122，以进行下一次迭代；

具体的，s2128中的判断蝙蝠算法是否处于过早收敛状态的过程，具体可以为：

判断当前蝙蝠种群的适应度均方差是否预设均方差，如果是，则蝙蝠算法处于过早收敛状态；其中：

依据第七计算关系式得出蝙蝠种群的适应度均方差，第七计算关系式为其中，fitnessi表示第i个蝙蝠的适应度值，表示当前蝙蝠种群的平均适应度值，σ表示种群的适应度方差，autofit表示适应度评价值；依据第八计算关系式得到，第八计算关系式为autofit起到牵制σ大小的作用。

s2129：从蝙蝠种群中随机选出一个蝙蝠，并通过混沌优化策略对蝙蝠的位置进行混沌扰动，将扰动之后的位置更新蝙蝠原来的位置，并返回s2122，以进行下一次迭代。

需要说明的是，对于随机选择的一个蝙蝠，优选的可以要求其有较高的适应性，使其在混沌搜索过程中能够自适应地调整扰动幅度。另外，本发明实施例中不仅限于随机选出一个蝙蝠，也可以选出多个蝙蝠，并对每个蝙蝠的位置进行相应的混沌扰动，具体选出几个蝙蝠可以根据实际情况而定，本发明实施例对此不做特殊的限定，能实现本发明实施例的目的即可。

进一步的，s2129中的通过混沌优化策略对蝙蝠的位置进行混沌扰动的过程，具体可以为：

依据第九计算关系式以及第十计算关系式对蝙蝠的位置进行混沌扰动，其中：

第九计算关系式为第十计算关系式为χ′＝(1-δ)χ^*+δχn；其中，为迭代次数为k+1时第i只蝙蝠的位置，所示μ为混沌状态控制系数，的取值范围为χ^*为最优值映射到[0,1]后形成的相应向量，χ′为施加随机扰动后x1,x2,…,xp相对应的混沌向量，χn为迭代k次后的混沌向量，δ依据第十一计算关系式进行确定，且δ∈[0,1]。搜索初期希望x1,x2,…,xp的变化较大，δ使用一个较大的值，加强扰动的强度；随着混沌搜索次数增加，变量慢慢接近于最优值，δ也应当逐渐减小。其中，第十一计算关系式为：

还需要说明的是，本发明实施例中的μ的取值可以为4，当μ取4时可以完全进入混沌状态。当然，在实际应用中，μ的取值不仅限于取4，也可以为其他的数值，其具体数值可以根据实际情况而定，本发明实施例对此不做特殊的限定，能实现本发明实施例的目的即可。

s213：获取超级蝙蝠的位置，并将位置进行解码得到初始化小波神经网络参数。

具体的，由于蝙蝠种群中每个蝙蝠的位置与网络参数一一对应，所以当找到超级蝙蝠后，对超级蝙蝠的位置进行解码即可得到初始化小波神经网络参数。

需要说明的是，在计算出初始化小波神经网络参数后，可以采用小波神经网络以及历史数据对初始化小波神经网络参数进行训练得到小波神经网络交通流预测模型。也即，s22的过程具体如下：

s221：根据input个输入层神经元，利用g-p算法重构交通流序列相空间(即输入input历史数据(即交通流序列)预测第input+1交通流时间序列)得到训练输入样本以及训练输出样本。

s222：建立训练目标函数其中e表示小波神经网络交通流预测期望值与网络实际输出值的均方误差函数；sp表示训练样本组数；sj表示第j个交通流期望值输出。

s223：如果|e|大于设定值，则如按照式以及更新小波神经网络参数，并返回至s222，以对小波神经网络参数进行修正；其中η为小波神经网络学习因子。

把训练好的小波神经网络参数wij，vij，aj，bj(i＝1,2,…,input；j＝1,2,…,output)代入预测小波神经网络，可以得到小波神经网络交通流预测模型，并利用获取的交通流数据以及计算关系式得到小波神经网络预测输出。

另外，请参照图2和图3，图2为采用本发明实施例所提供的基于蝙蝠算法的交通流预测方法的高速公路交通流预测仿真示意图，图3为采用现有技术中的小波神经网络的交通流预测方法的高速公路交通流预测仿真示意图。图2中的iwn-wnn表示基于蝙蝠算法的小波神经网络预测方法；图3中的wnn表示基于小波神经网络的预测方法。由图2和图3可知，本发明实施例所提供的基于蝙蝠算法的交通流预测方法的精确度更高，预测效果更好。

相应的，本发明实施例还公开了一种基于蝙蝠算法的交通流预测装置，具体请参照图4，图4为本发明实施例提供的一种基于蝙蝠算法的交通流预测装置的结构示意图。在上述实施例的基础上：

该装置包括：

获取模块1，用于获取交通流数据；

预测模块2，用于采用预先建立的小波神经网络交通流预测模型对交通流数据进行处理得到交通流预测结果；其中，小波神经网络交通流预测模型包括：

计算模块，用于依据历史数据以及蝙蝠算法计算出初始化小波神经网络参数；

训练模块，用于采用小波神经网络以及历史数据对初始化小波神经网络参数进行训练得到小波神经网络交通流预测模型。

需要说明的是，本发明实施例提供的一种基于蝙蝠算法的交通流预测系统，在使用过程中可以在一定程度上提高了预测速度和预测精度。

另外，对于本发明实施例中所涉及到的基于蝙蝠算法的交通流预测方法的具体介绍，请参照上述方法实施例，本申请在此不再赘述。

请参照图5，图5为本发明实施例提供的一种小波神经网络交通流预测模型的结构示意图。在上述实施例的基础上：

可选的，所述计算模块包括：

编码单元，用于依据历史数据对每个蝙蝠的位置进行编码，每个蝙蝠的位置与与网络参数一一对应；

搜索单元，用于对预设控制参数进行初始化，并依据初始化的控制参数以及相应的搜索方法从蝙蝠群中找到超级蝙蝠；

解码单元，用于获取超级蝙蝠的位置，并将位置进行解码得到初始化小波神经网络参数。

在上述实施例的基础上，本发明实施例提供了一种基于蝙蝠算法的交通流预测系统，包括如上述的基于蝙蝠算法的交通流预测装置。

需要说明的是，本发明实施例提供的一种基于蝙蝠算法的交通流预测系统，在使用过程中可以在一定程度上提高了预测速度和预测精度。

另外，对于本发明实施例中所涉及到的基于蝙蝠算法的交通流预测方法的具体介绍，请参照上述方法实施例，本申请在此不再赘述。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。