基于烟花粒子群算法优化BP神经网络的轨道客流量预测

为进一步提高轨道客流量预测的精确度,提出一种基于烟花算法(fireworks algorithm, FWA)搜索机制下的FWA-PSO-BP轨道客流预测模型。粒子群算法(particle swarm optimization, PSO)通过将随机因素引入进化方程中实现,不过,由于这种随机搜索模式会导致粒子群算法的局部搜索功能减弱,很容易出现早熟收敛现象和寻优力不足的情况。为了改进这一问题,通过引入烟花算法中的爆炸火花和突变火花,对粒子的搜索范围和粒子数量进行动态调节,增强粒子群的多样性,使粒子群算法具有局部搜索能力和全局搜索能力的自我调节机制,从而改善粒子群算法的早熟收敛问题,对反向传播(back propagation, BP)神经网络的初始权值与阈值进行更好的优化。以重庆轨道客流数据进行实例验证,结果表明:FWA-PSO-BP模型的平均绝对百分比误差(mean absolute percentage error, MAPE)为2.54%,优于所有其他对比模型。