基于遗传算法及广义回归神经网络的交通仿真校正方法

摘要

本发明涉及一种基于遗传算法及广义回归神经网络的交通仿真校正方法，其包括如下步骤：a、选取车辆的平均行程时间作为评价指标，并确定参数校正的目标；b、采集所需的交通数据，以建立交通仿真模型，确定所需的待校正的参数以及对应的取值范围；c、利用遗传算法对上述确定的待校正参数的取值进行寻优计算，并利用广义回归神经网络对遗传算法迭代之后的校正参数组合进行预测；当经过遗传算法迭代后的校正参数组合匹配参数校正目标时，输出相应的校正参数组合，否则，利用遗传算法继续进行迭代，直至迭代后的校正参数组合经广义回归神经网络测试后匹配参数校正目标。本发明实现参数标定校正的高效化，保证参数校正的准确性，适应范围广，安全可靠。

主权项

一种基于遗传算法及广义回归神经网络的交通仿真校正方法，其特征是，所述交通仿真校正方法包括如下步骤：(a)、选取车辆的平均行程时间作为评价指标，并确定参数校正的目标；(b)、采集所需的交通数据，以建立交通仿真模型；根据所述建立的交通仿真模型，确定所需的待校正的参数以及对应的取值范围；(c)、利用遗传算法对上述确定的待校正参数进行校正运算，并将经遗传算法迭代得到的校正参数组合作为广义回归神经网络的输入值，以利用广义回归神经网络来预测VISSIM的输出值，然后根据步骤(a)中的参数校正目标判断遗传算法迭代的校正参数组合是否满足参数校正目标；当预测VISSIM的输出值匹配参数校正目标时，输出遗传算法迭代后的校正参数组合，否则，利用遗传算法继续进行迭代，直至迭代后的校正参数组合经广义回归神经网络预测后得到的VISSIM输出值匹配参数校正目标；广义回归神经网络训练过程为：1)、对数据进行归一化处理；2)、之后将数据集分成两组，分别为训练数据集合验证数据集，训练数据集用来对神经网络进行训练，验证数据集用来对训练好的神经网络进行测试；3)、设定网络光滑因子，训练数据确定以后，广义回归神经网络的结构随之确定，因此对网络的训练实质上是对光滑因子σ的训练过程，且使用K‑fold交叉验证的方法来寻找最优的训练、验证集以及光滑因子σ。