反向学习的灰狼算法优化及其在交通流预测中的应用

作     者：张兴辉 樊秀梅 阿喜达 樊书嘉 武文瑜 ZHANG Xing-hui;FAN Xiu-mei;SHAN Axida;FAN Shu-jia;WU Wen-yu

作者机构：西安理工大学自动化与信息工程学院陕西西安710048 安康学院电子与信息工程学院陕西安康725000 西安理工大学自动化与信息工程学院陕西西安710048 西安理工大学自动化与信息工程学院陕西西安710048 包头师范学院信息科学与技术学院内蒙古包头014030 清华大学计算机科学与技术系北京100084 

出 版 物：《电子学报》 (Acta Electronica Sinica)

年 卷 期：2021年第49卷第5期

页      面：879-886页

核心收录：

学科分类：0711[理学-系统科学] 07[理学] 08[工学] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 071102[理学-系统分析与集成] 081103[工学-系统工程] 

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

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.