基于WPD-PSO-ESN的城市交通感应信号控制系统设计

传统城市交通感应信号控制系统缺少对交通车流量的预测,导致信号控制效果较差;为此,设计基于WPD-PSO-ESN的城市交通感应信号控制系统;在系统硬件设计中,将PC作为上位机,PLC作为下位机;使用S7-226型号PLC控制器连接EM221数字输入模块与EM223组合输入/继电器,移除I/O终端;选择AT89S51型号采集器,将其接收到的指令向S7-226PLC控制器发送数据信息;安装单环自愈RS-485多机通信接收发送器,自动修复单回路;在软件设计中,设计手动、闪光控制模块子程序流程,实现信号控制系统状态检测;建立WPD-PSO-ESN交通流量预测模型,结合PSO算法优化参数,以交通流量预测结果为依据,分析交叉口的通行能力,确定不同信号相位绿灯时间,设计感应信号控制流程;由实验结果可知,该系统车流量共计为310,与交叉口历史平均交通流量统计结果一致,说明系统信号感应较为精准,对实现实时交通控制具有现实意义。

基于WPD-PSO-ESN的短期交通流预测

为了提高短期交通流的预测精度,提出了一种基于小波包分解(wavelet packet decomposition,WPD)、粒子群优化(particle swarm optimization,PSO)算法和回声状态网(echo state network,ESN)的短期交通流预测方法。该方法命名为WPD-PSO-ESN。首先,在数据预处理阶段,采用小波包分解将交通流数据分解为不同频段的子序列,并将各子序列送入回声状态网预测模型;然后,在建立预测模型阶段,利用粒子群优化算法在线优化回声状态网的参数,以提高回声状态网的泛化能力和预测精度;进一步,针对粒子群优化算法存在的早熟收敛和易陷入局部最优的缺陷,通过检测粒子飞行过程中的状态信息,设计了惯性权重自适应调整策略,以期提高粒子群优化算法的寻优能力;最后,在结果输出阶段,采用加权平均法融合各子序列的预测值以得到模型的最终预测结果。试验结果表明:通过小波包分解和单支重构可以更加容易地抓住原始信号中的动态信息,更适合用于回声状态网的时间序列建模;带有自适应惯性权重调整策略的粒子群优化算法具备更强的跳出局部最优的能力,优化后的回声状态网模型精度更高;对于短期交通流预测,与前馈型误差反传神经网络、反馈型Elman神经网络和传统回声状态网等预测方法相比,WPD-PSO-ESN预测方法具有更高的预测精度,能够满足智能交通系统对预测精度的需求,对实现实时交通控制和建设智能交通系统具有重要意义。