基于改进天牛须算法优化的确定性跳跃循环状态网络的交通流预测

梁秀霞， 李万通， 杨 凡， 张 燕

(河北工业大学人工智能与数据科学学院， 天津 300132)

短时交通流预测作为智能交通的重要组成部分，以收集的历史交通数据对未来的交通状态进行预测，是实现交通控制和诱导的关键。当前，已有多种模型对交通流进行预测，如以线性理论为基础的时间序列模型[1]、卡尔曼滤波模型[2]，以非线性理论为基础的非参数回归模型[3]、支持向量机模型[4]、神经网络模型[5]等。神经网络模型由于在处理非平稳、非线性时间序列中表现出来的强大优势，成为了近年来的研究趋势。

在研究中学者们发现，交通流序列具有一定的混沌特性，其复杂的演化规律使得仅仅通过神经网络无法达到预期的预测效果。Han等[6]提出了状态重构方法对混沌时间序列进行特征分析；李巧茹等[7]以相空间重构(phase space reconstruction，PSR)的方法对交通流序列进行处理，提升了预测的精度；冯霞等[8]对客流量序列进行重构，说明了对混沌时间序列进行相空间重构的有益性。

近年来，在以神经网络对交通流的预测中涌现了大量模型，如BP神经网络、卷积神经网络、长短期记忆神经网络等[9]。回声状态网络(echo state network, ESN)由于其能够高效地处理一维时间序列而得到了广泛应用[10]。ESN由于其特殊的储备池结构使之能够拟合任何所需输入信号，Rodan等[11]提出了确定性跳跃循环状态网络(cycle reservoir with regular jumps，CRJ)对ESN的储备池结构进行优化；Sheta等[12]对比发现，CRJ的预测能力和故障识别能力相比于ESN得到了提高。CRJ网络同样存在初始参数的确定问题。……