摘要
公开了一种基于SA‑PSO的短时交通流预测方法,属于数据预测领域,该方法基于背景值和初始条件是影响灰色建模精度的两个重要因素,根据车联网的短时交通流数据建立非等间距GM(1,1)模型,利用复化梯形公式对非等间距GM(1,1)模型中的背景值进行了优化,并基于新信息优先原理,对模型的初始条件进行了重构,利用相对误差平方和最小准则,对初始条件对应的最优时间参数进行求解,并利用基于模拟退火算法(SA)和粒子群优化算法(PSO)相结合的智能算法作为优化工具对模型背景值和初始条件中的自适应参数进行了优化提取,有效克服了现有非等间距GM(1,1)模型的不足,提高了非等间距GM(1,1)模型的预测精度,获得短时模拟交通流数据。