一种基于捕猎算法优化径向基神经网络的多源车速融合方法

1.本发明涉及交通信息与控制领域，尤其涉及一种基于捕猎算法优化径向基神经网络的多源车速融合方法。


背景技术：

2.随着经济的发展，城市居民机动车保有量稳定增加，城市道路交通控制变得日益复杂，而获取准确的交通数据是进行城市交通管控的基础。车辆速度包括地点车速、行驶车速、行程车速等，其中地点车速表征目标路段的拥堵程度，与此同时车速的变化预示着路段未来交通流量与密度等参数的变化，因此获取准确的地点车速对预估目标路段的交通状况、调整交通信号配时具有重要意义。当前，越来越多的新技术应用到地点车速的测量中，如人工测量法、道路检测器法、雷达测速法与电光管测量法等，智能网联车的兴起也使得直接获取单车的地点车速更为便捷，由于每一种测量方式获取的车速具有一定误差同时智能网联车采集到的车速数据仅能覆盖一部分车辆，因此如何将各种来源的车速进行融合得到一个更为准确的车速测量结果是亟待解决的问题。
3.经典进化寻优算法具有较强的寻优能力，如：蚁群算法、粒子群算法等。但在计算过程中容易出现陷入局部最优的问题，同时在中间迭代过程中部分参与运算的粒子在几轮迭代后倾向于保持当前状态，从而降低运算速度，造成计算资源的浪费，捕猎算法可以有效解决这一问题。径向基神经网络作为神经网络的一种，与传统的bp神经网络等深大神经网络相比仅有一层中间层，中间层包含数个神经元结构，神经元核函数为不同形态的径向基函数，神经元核函数只对特定范围的刺激作出反应，因此径向基神经网络可以逼近任意精度的非线性函数，适合用来做多源数据融合，同时因为只有一层中间神经元，径向基神经网络的收敛速度更快。但是在进行神经网络训练的过程中，各个神经元的参数(中心位置与宽度)的确定，每个神经元输出的权重的确定都是需要解决的问题。针对这一问题，采用粒子群算法优化径向基神经网络以确定神经网络参数，同时将这一方法用于对不同传感器获取的地点车速进行融合，提高数据准确度。


技术实现要素：

4.有鉴于现有技术的上述缺陷，本发明的目的在于提供一种基于捕猎算法优化径向基神经网络的多源车速融合方法。利用捕猎算法对用于多源车速融合的径向基神经网络中的参数进行求解。
5.本发明的上述技术目的通过以下技术方案得以实现：
6.为达到上述目的，本发明提供如下技术方案：
7.一种基于捕猎算法优化径向基神经网络的多源车速融合方法，其包括：
8.(s1)通过至少三种地点车速采集方式获取目标路段某断面的地点车速，将多种方式获取的地点车速分为融合组以及对照组，其中融合组包括至少两种方式获取的地点车速，对照组包括至少一种方式获取的地点车速；
9.(s2)采用k-means聚类对融合组进行聚类，并通过elbow method确定最佳聚类中心数k；获取最佳聚类中心数k下各聚类中心的坐标，将最佳聚类中心数k作为径向基神经网络的神经元个数；
10.(s3)根据步骤s2得到的神经元个数，采用高斯函数作为核函数构建径向基神经网络，并确定径向基神经网络需优化的参数数目；
11.(s4)以融合组作为所述径向基神经网络的输入，将所述径向基神经网络的输出与相应的对照组进行对比，以对比结果作为适应度函数；
12.(s5)采用捕猎算法，根据步骤s4得到的适应度函数对步骤s3确定的径向基神经网络的参数进行优化以得到径向基神经网络的各参数，并利用该径向基神经网络进行多源车速融合。
13.本发明的进一步改进在于，数据输入至所述径向基神经网络之前，对输入数据进行归一化处理。
14.本发明的进一步改进在于，得到所述径向基神经网络的输出数据后，根据相应输入数据进行反归一化。
15.本发明的进一步改进在于，步骤s2中通过elbow method确定最佳聚类中心数k以及各聚类中心的坐标具体包括：
16.(s21)根据聚类中心数目，对融合组进行k-means聚类，记录该聚类中心数目下各样本到最近聚类中心之间距离之和ck；
17.(s22)在聚类中心数目的范围内从小到大对聚类中心数目依次递增，并对每个聚类中心数目执行步骤s21以获得相应的ck；绘制聚类中心数目与ck之间的曲线，将曲线拐点处的聚类中心数目作为最佳聚类中心数k。
18.本发明的进一步改进在于，步骤s3中高斯函数的表达式为本发明的进一步改进在于，步骤s3中高斯函数的表达式为每一个神经元i的核函数的坐标记作wi，宽度bi，每个神经元i还具有相应的权重wi；坐标记作wi以及宽度bi的维度n与融合组的数据维度相同。
19.本发明的进一步改进在于，步骤s5具体包括：
20.确定捕猎算法中的粒子坐标的维度，坐标维度为步骤s3中径向基神经网络的参数数目加1，即给每个粒子i增设一个维度，记作ki，ki每轮迭代中都设置为[0,1]之间的随机数；
[0021]
进行若干次迭代，在每次迭代过程中根据s4中的适应度函数掌握本次迭代各个粒子位置的优劣；在t轮迭代时的某粒子i个体最优位置记作p
it-best
，全部粒子中最优的位置记作p
gt-best
，最终得到全局最优位置pg即为最优解；再根据捕猎算法公式更新每个粒子的速度和位置坐标；紧接着检验各粒子的更新后的速度；
[0022]
若速度小于某个速度阈值e，就开始检查粒子i的参数ki的值，设置阈值k1，当ki《k1时，对粒子启动“捕猎”；若该粒子被捕捉，则删除该粒子；若该粒子逃脱捕捉，则对该粒子进行自我更新，更新过程中该粒子重置自身速度，该速度设为随机数、位置随机变为该粒子的迭代历史中某个体最优位置p
it-be
；
[0023]
设置阈值k2用于判断“捕猎”过程中粒子是否被捕捉，当ki《k2时，该粒子被成果捕捉；否则，该粒子逃脱捕捉并启动自我更新；
[0024]
每过若干轮迭代，当被删除粒子积累到第一阈值时，随机生成与被删除粒子数量
一致的新粒子，以补充粒子群数量，保证计算效率。
[0025]
本发明的有益效果在于：本发明结合一般多源数据融合的理论框架，利用路段上既有数据并采用捕猎算法求解径向基神经网络的最优化参数，这种方式可以使神经网络尽可能地拟合出目标路段车速的特有规律，实现了各种采集数据到准确数据之间的全面而非线性的映射，避免了复杂的公式推导及计算量大的问题。
[0026]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0027]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
[0028]
图1为本发明流程图.
[0029]
图2为径向基神经网络结构图。
[0030]
图3为捕猎算法流程图.
具体实施方式
[0031]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0032]
在本发明中，首先，使用“elbow method”和“k-means”聚类确定径向基神经网络中间层参数，不同样本的数据分布特性不同，需要有针对性设置径向基神经网络神经元个数。
[0033]
然后，在训练过程中先随机生成捕猎算法中带有坐标和速度的一批粒子，将粒子的坐标带入神经网络，采用目标路段上利用方法a和方法b采集到的车速样本作为神经网络的输入，经过神经网络运算得到融合车速值，将方法c采集到的车速看作真实车速值，对比融合车速值和真实车速值，以此做为粒子坐标优劣的评价函数。这也就是粒子进化过程中的“适应度函数”。
[0034]
接着，粒子根据自身在进化过程中的历史最优和全局最优来更新粒子的位置和速度。与经典粒子群算法不同的是，在每一轮迭代环节中加入对部分粒子的管控，具体操作为：给每个粒子i增设一个维度，数值分别为ki；在遍历这一轮迭代中的全部粒子的过程中，增加对新增维度的操作，对“运行速度差粒子”予以剔除、对“运行速度较差粒子”予以重置，保证粒子群体的优良性能，这加快了收敛速度的同时，逐渐向全局最优收敛。
[0035]
最后，将优化后的神经网络应用到目标路段车辆速度的融合上。
[0036]
请参阅图1、图2、图3所示，本发明的一种基于捕猎算法优化径向基神经网络的多源车速融合方法求解方法包括以下步骤：
[0037]
s1：在道路交通的道路交通量(v)与道路通行能力(c)之比v/c较大时，通过至少三
种地点车速采集方式获取目标路段某断面的地点车速。将多种方式获取的地点车速分为融合组以及对照组，其中融合组包括至少两种方式获取的地点车速，对照组包括至少一种方式获取的地点车速。
[0038]
在本实施例中，通过三种不同的方式(方式a、方式b、方式c)获取地点车速，每次获取到的地点车速数据为一个三元数组。对各三元数组处理的过程中，将方式a、方式b获得的地点车速数据作为一个二元数组归入融合组，并将方式c获得的地点车速归入对照组。最终得到的融合组为二维点集，对照组为一维点集。
[0039]
s2：采用k-means聚类对融合组进行聚类，并通过elbow method确定最佳聚类中心数k；获取最佳聚类中心数k下各聚类中心的坐标，将最佳聚类中心数k作为径向基神经网络的神经元个数。本步骤具体包括：
[0040]
(s21)根据聚类中心数目，对融合组进行k-means聚类，记录该聚类中心数目下各样本到最近聚类中心之间距离之和ck；
[0041]
(s22)在聚类中心数目的范围内从小到大对聚类中心数目依次递增，并对每个聚类中心数目执行步骤s21以获得相应的ck；绘制聚类中心数目与ck之间的曲线，将曲线拐点处的聚类中心数目作为最佳聚类中心数k。本步骤为elbow method(肘部法则)，通过采用elbow method可使得后续的径向基神经网络对于具体的融合组数据具有更好的针对性和适应性。
[0042]
所述“k-means”聚类方法是现有技术，其具体包括：
[0043]
①
假设聚类中心个数k＝2，随机选定中心坐标；
[0044]
②
遍历每一个样本点，分别求它到这2个聚类中心的距离，将这个点归类到欧氏距离最近的那一类中，直到本轮分类完成；
[0045]
③
分好类后，求每一类中的所有样本点的横纵坐标的均值，组成新的中心点；
[0046]
④
不断重复步骤2和3，直到所有样本点距离最新聚类中心的全部距离之和不再缩小；
[0047]
所述“elbow method”方法同样是现有技术，其具体包括：
[0048]
①
假设聚类中心个数k＝2，进行“k-means”聚类操作后，记录所有样本点距离最新聚类中心的全部距离之和c2；
[0049]
②
增加假设的聚类中心个数，即设置聚类中心个数k＝3、4、5
…
，重复步骤1的操作，再记录所有样本点距离最新聚类中心的全部距离之和ck；
[0050]
③
将聚类中心个数k与每次对应的ck绘制成曲线图，曲线图明显拐点处对应的k值即为最佳k值。
[0051]
(s3)根据步骤s2得到的神经元个数，采用高斯函数作为核函数构建径向基神经网络，并确定径向基神经网络需优化的参数数目。本实施例中，径向基神经网络的结构如图2所示，高斯函数的表达式为其中，每一个神经元各自核函数i的坐标wi，宽度bi。本实施例中，i为神经元的编号；坐标wi，宽度bi的维度均与融合组中数据维度相同，本实施例中维度为2。由于每个神经元对应到输出值有自己的权重，还需要确定每个神经元的权重wi，权重wi为一维数据。神经网络需要优化的参数数目n＝k*(n 1 1)，n融合组中数据维度，本实施例中n为2。
[0052]
为了提高径向基神经网络的性能，数据输入到径向基神经网络之前，对各输入数
据(本实施例中为二维)进行归一化处理；并对径向基神经网络的输出数据结合相应输入数据进行反归一化。
[0053]
(s4)以融合组作为所述径向基神经网络的输入，将所述径向基神经网络的输出与相应的对照组进行对比，以对比结果作为适应度函数的输出。在步骤s5中，采用捕猎算法求取所述径向基神经网络的各个参数，上述适应度函数用于对捕猎算法对迭代过程进行评价。在一些实施例中，适应度函数的对比，指的是求取径向基神经网络对于某个融合组数据的输入产生的输出与该融入组数据对应的对照组数据之间的欧式距离。当径向基神经网络的输出以及对照组数据均为一维时，求取欧式距离等价于相减。
[0054]
(s5)采用捕猎算法，根据步骤s4得到的适应度函数对步骤s3确定的径向基神经网络的参数进行优化，得到最终的用于多源车速融合的径向基神经网络。下面对捕猎算法的具体过程进行介绍。
[0055]
在捕猎算法中，构建一个n维的空间进行目标搜索，在这个空间中初始化生成一个由m个粒子构成的粒子群，为了提高计算效率，给粒子框定一个以k聚类中心坐标为基准的运动范围[-x
min
,x
max
](该范围是根据步骤s2中最佳聚类中心数k下各聚类中心的坐标求取的，其维度与粒子的维度相同，此处采用一维表示仅为了直观)；粒子i记为xi＝[ki,xi1,xi2,...,xin]，其速度向量记为vi＝[ki,vi1,vi2,...,vin]。
[0056]
粒子不断地更新粒子自身的位置和现有速度：每一轮迭代需要记录粒子个体最优位置，记为p
it-b
＝[ki,pi1,pi2,...,pin]，每一轮迭代也需要记录所有粒子中的最优位置，记为p
gt-best
＝[ki,gi1,gi2,...,gin]，需要注意的是，ki的数值在每一轮迭代开始时随机生成，仅作为一种标识来判别粒子在下一环节是否被捕获，这里不参与更新。
[0057]
每一次计算都将xi(除ki)代入到径向基神经网络中填充各参数，将全部融组合数据作为输入，利用输出与对照组之差计算目标函数，再根据第i个粒子的速度、坐标迭代公式按照步长t对粒子进行迭代，公式如下：
[0058]
粒子速度迭代公式：
[0059][0060]
粒子坐标更新公式：
[0061][0062]
其中，rand()的生成(0,1)之间随机数的随机数生成函数；δ取值只有0和1两种情况，
①
如果粒子i的速度大于e，δ取1，
②
如果粒子i的速度小于e，且k1《ki时，δ取1，
③
如果粒子i的速度小于e，且k2《ki《k1时，δ取0，
④
如果粒子i的速度小于e，且ki《k2时，删除粒子；代表随机数，代表该粒子某个历史最优位置p
it-best
；xi(t 1)、xi(t)示第i个粒子t 1、t时刻在空间中的位置坐标；vi(t 1)、vi(t)表示第i个粒子t 1、t时刻在空间中的速度；w为惯性权重，表示每个粒子对上一时刻运动状态的继承，取值越大全局寻优能力越强，越小则局部寻优能力越强，本文可行域较小因此w取0.1；c1、c2为群体学习速率和个体学习速率，表示粒子对上一时刻自身经过的最优化位置和群体经过的最优位置的重视程度，一般建议取0.2；r1、r2为0到1之间的随机数，增加了粒子运动过程中速度变化的随机性。
[0063]
在具体实施过程中，步骤s5包括以下步骤：
[0064]
确定捕猎算法中的粒子坐标的维度，坐标维度为步骤s3中径向基神经网络的参数数目加1，即给每个粒子i增设一个维度，记作ki，ki每轮迭代中都设置为[0,1]之间的随机数；
[0065]
进行若干次迭代，在每次迭代过程中根据s4中的适应度函数掌握本次迭代各个粒子位置的优劣；在t轮迭代时的某粒子i个体最优位置记作p
it-best
，全部粒子中最优的位置记作p
gt-best
，最终得到全局最优位置pg即为最优解；再根据捕猎算法公式更新每个粒子的速度和位置坐标；紧接着检验各粒子的更新后的速度；
[0066]
若速度小于某个速度阈值e，就开始检查粒子i的参数ki的值，设置阈值k1，当ki《k1时，对粒子启动“捕猎”；若该粒子被捕捉，则删除该粒子；若该粒子逃脱捕捉，则对该粒子进行自我更新，更新过程中该粒子重置自身速度，该速度设为随机数、位置随机变为该粒子的迭代历史中某个体最优位置p
it-be
；
[0067]
设置阈值k2用于判断“捕猎”过程中粒子是否被捕捉，当ki《k2时，该粒子被成果捕捉；否则，该粒子逃脱捕捉并启动自我更新；
[0068]
每过几轮迭代，当被删除粒子积累到第一阈值时，粒子群总数变少，需要再随机生成与被删除粒子数量一致的新粒子，以补充粒子群数量，保证计算效率。
[0069]
通过上述过程可以得到径向基神经网络的各个参数的最优解，将最优解代入到径向基神经网络中即可得到用于多源车速融合的径向基神经网络。本实施例中，将待融合的两种地点车速输入到径向基神经网络的之前，需要对其进行归一化；径向基神经网络的输出进行相应的反归一化后得到多源车速融合的结果，该结果可用以对交通管控的指导。
[0070]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。