1.一种基于稀疏bp神经网络的实时交通预测方法,其特征为,包括:
根据预设的第一规则生成稀疏神经网络;
利用遗传编程对所述稀疏神经网络进行网络结构优化,得到遗传编程优化后的稀疏神经网络;
利用pso优化所述遗传编程优化后的稀疏神经网络的网络权值,得到网络权值优化后的稀疏神经网络;
将有效交通数据样本导入所述网络权值优化后的稀疏神经网络中进行测试,若测试结果在预期范围内,则保留所述网络权值优化后的稀疏神经网络;若测试结果不在预期范围内,则重新根据预设的第一规则生成稀疏神经网络。
2.根据权利要求1所述的一种基于稀疏bp神经网络的实时交通预测方法,其特征为,所述有效交通数据样本的具体获取步骤包括:
从预设的数据库中采集实验交通数据样本;
根据预设的第二规则对所述实验交通数据样本进行筛选,获得有效实验交通数据样本;
对所述有效实验交通数据样本进行预处理,获得有效交通数据样本。
3.根据权利要求1所述的一种基于稀疏bp神经网络的实时交通预测方法,其特征为,“根据预设的第一规则生成稀疏神经网络”具体包括:
定义神经网络产生规则,根据所述神经网络产生规则确定输入层节点集合;
初始化参数并按照所述神经网络产生规则生成隐层节点;
判断所述隐层节点是否超过最大深度,若是,则重新生成隐层节点;若否,则根据所述隐层节点生成神经网络。
4.根据权利要求1所述的一种基于稀疏bp神经网络的实时交通预测方法,其特征为,“利用遗传编程对所述稀疏神经网络进行网络结构优化”具体包括:
任意选择两个所述稀疏神经网络并计算随机产生个体的交叉概率、变异概率;
当所述交叉概率大于预设的交叉概率时,对所述两个稀疏神经网络进行交叉;
当所述变异概率大于预设的变异概率时,对所述两个稀疏神经网络进行变异。
5.根据权利要求1所述的一种基于稀疏bp神经网络的实时交通预测方法,其特征为,“利用pso优化所述遗传编程优化后的稀疏神经网络的网络权值”具体包括:
初始化粒子群规模、粒子位置和粒子速度,确定粒子维数;
根据所述稀疏神经网络调整所述粒子速度、粒子位置的数值,保留调整后的权值。
6.一种基于稀疏bp神经网络的实时交通预测装置,其特征为,包括:
生成模块:根据预设的第一规则生成稀疏神经网络;
第一处理模块:利用遗传编程对所述稀疏神经网络进行网络结构优化,得到遗传编程优化后的稀疏神经网络;
第二处理模块:利用pso优化所述遗传编程优化后的稀疏神经网络的网络权值,得到网络权值优化后的稀疏神经网络;
判断模块:将有效交通数据样本导入所述网络权值优化后的稀疏神经网络中进行测试,若测试结果在预期范围内,则保留所述稀疏神经网络;若测试结果不在预期范围内,则重新根据预设的第一规则生成稀疏神经网络。
7.根据权利要求6所述的一种基于稀疏bp神经网络的实时交通预测装置,其特征为,所述有效交通数据样本的具体获取步骤包括:
从预设的数据库中采集实验交通数据样本;
根据预设的第二规则对所述实验交通数据样本进行筛选,获得有效实验交通数据样本;
对所述有效实验交通数据样本进行预处理,获得有效交通数据样本。
8.根据权利要求6所述的一种基于稀疏bp神经网络的实时交通预测装置,其特征为,“根据预设的第一规则生成稀疏神经网络”具体包括:
定义神经网络产生规则,根据所述神经网络产生规则确定输入层节点集合;
初始化参数并按照所述神经网络产生规则生成隐层节点;
判断所述隐层节点是否超过最大深度,若是,则重新生成隐层节点;若否,则根据所述隐层节点生成神经网络。
9.根据权利要求6所述的一种基于稀疏bp神经网络的实时交通预测装置,其特征为,“利用遗传编程对所述稀疏神经网络进行网络结构优化”具体包括:
任意选择两个所述稀疏神经网络并计算随机产生个体的交叉概率、变异概率;
当所述交叉概率大于预设的交叉概率时,对所述两个稀疏神经网络进行交叉;
当所述变异概率大于预设的变异概率时,对所述两个稀疏神经网络进行变异。
10.根据权利要求6所述的一种基于稀疏bp神经网络的实时交通预测装置,其特征为,“利用pso优化所述遗传编程优化后的稀疏神经网络的网络权值”具体包括:
初始化粒子群规模、粒子位置和粒子速度,确定粒子维数;
根据所述稀疏神经网络调整所述粒子速度、粒子位置的数值,保留调整后的权值。