基于改进花朵授粉算法的BP神经网络短时交通流预测

作者：黄艳国; 张硕^*

来源：现代电子技术, 2022, 45(05): 146-151.

DOI：10.16652/j.issn.1004-373x.2022.05.025

• 短时交通流预测
• 智能交通
• 改进花朵授粉算法
• BP神经网络
• 初始权值优化
• 阈值优化
• 模型训练

国内道路交通拥堵问题日益严重，及时和准确的短时交通流预测是实现智能交通管控、减轻道路拥堵的关键基础，因此设计了一种基于惯性权重改进花朵授粉算法（MFPA）和误差逆向传播（BP）神经网络结合的MFPA-BP短时交通流预测模型。首先通过引入惯性权重和Mantegna方法改进花朵授粉算法，形成MFPA优化算法，并将其应用到BP神经网络进行初始权值和阈值的优化，使模型的收敛速度和效率得到提升。选用实际路段处理过的交通流数据对MFPA-BP模型进行训练并预测，与BP神经网络和RBF神经网络相比平均绝对误差（MAE）分别减少了20.01%和27.89%，均方根误差（RMSE）分别减少了18.25%和21.73%，同时MFPA-BP模型可以有效地减少迭代次数，提高道路交通流量预测的准确性，更好地应用于智能交通系统中。

• 单位
  自动化学院; 江西理工大学