基于BP神经网络的短时交通流组合预测模型.pdf

发布时间：2022-05-30 发布人：admin 分类：说明书资料大小：0.32M 资料格式：pdf 举报版权申诉

weixin_38665490-12095982-16359647370659448195.pdf-第1页.png

第1页 / 共7页

weixin_38665490-12095982-16359647370659448195.pdf-第2页.png

第2页 / 共7页

weixin_38665490-12095982-16359647370659448195.pdf-第3页.png

第3页 / 共7页

weixin_38665490-12095982-16359647370659448195.pdf-第4页.png

第4页 / 共7页

weixin_38665490-12095982-16359647370659448195.pdf-第5页.png

第5页 / 共7页

weixin_38665490-12095982-16359647370659448195.pdf-第6页.png

第6页 / 共7页

weixin_38665490-12095982-16359647370659448195.pdf-第7页.png

第7页 / 共7页

文本预览

5 10 15 20 25 30 35 40 中国科技论文在线基于 BP 神经网络的短时交通流组合预测 http://www.paper.edu.cn 模型# 杜文斌，程铁信，陈敬柱** （天津工业大学管理学院，天津 300387）摘要：短时交通流预测一直是交通预测的重点与难点，针对短时交通流数据复杂的时空特性，充分考虑了短时交通流数据的连续时点和连续日期间数据的规律性波动，提出了基于 BP 神经网络的交通流组合预测模型。该模型利用神经网络的自适应学习和处理非线性问题的优势，并考虑连续时点和连续日期间的数据相关性，对基于同一日期连续时点和同一时点连续日期的单一预测模型进行组合分析，从而达到提高预测精度的目的。通过对实际短时交通流数据样本进行预测分析，结果表明组合预测模型比基于连续时点或者连续日期的单一预测模型具有更高的精度。关键词：城市交通；交通流；短时预测；BP 神经网络中图分类号：U491 A Short-term Combination Forecasting Model for Traffic Flow Based on the BP Neural Network DU Wenbin, CHENG Tiexin, CHEN Jingzhu (School of Management,Tianjin Polytechnic University, TianJin 300387) Abstract: The forecasting for short-term traffic flow has always been one important and difficult research focus in the traffic forecasting areas. Based on the BP neural network, which was applied to nonlinear problems, the independent short-term forecasting models for the different traffic flow of the continuous time point series in one day and the constant date series at same time point were set up respectively, then, a short-term combination forecasting model, in which the regular fluctuations in the traffic flow data of the continuous time point series in one day and the constant date series at same time point were fully considered, for traffic flow was established, which can be applied to the complex spatio-temporal features of short-term traffic flow. With the sample traffic flow dada, the forecasting results of the different models showed that the combination forecasting model provided a better forecast accuracy than the independent models. Keywords: urban traffic; traffic flow; short-term forecasting; BP neural network 0 引言交通流预测是智能交通系统中路径诱导和交通流控制的必要条件，交通流预测信息的实时性和可靠性直接影响着动态交通控制的效果，所以短时交通流预测对于交通管理意义重大。当前，短时交通流预测的方法和模型众多，其中有简单移动平均模型，随机漫步模型[1]， ARIMA 模型[2]，支持向量机[3]，小波分析理论[4]，贝叶斯网络[5-7]，混沌理论[8]以及神经网络 [9, 10]和遗传算法[11, 12]等。但是每个模型各有独特的适用范围，简单移动平均模型建模简单，但是精度不高，ARIMA 模型，贝叶斯网络，混沌理论和小波分析理论预测精度较高，但是手段繁琐，模型复杂。以神经网络和遗传算法为代表的人工智能手段，则有较好的处理非线性关系的能力，同时预测精度较高，处理不完整信息能力强，具有自适应性，但是计算量较大，收敛速度慢。所以对于短期交通流的预测，依据现实问题，选择有效数据，建立合理的基金项目：教育部人文社科青年基金项目(项目编号：10YJC630031，11YJC630017) 作者简介：杜文斌，（1988-），男，硕士研究生，主要研究方向：城市交通组织。通信联系人：程铁信，（1973-），男，教授，主要研究方向：城市交通组织，项目管理。E-mail: tiexincheng@vip.sina.com - 1 -

中国科技论文在线预测模型就显得格外重要。 1 短时交通流预测 http://www.paper.edu.cn 预测模型的建立很大程度上依赖于交通流数据的特性分析，而短时交通流数据往往具有随机性和连续性，同时模型中多需要对交通流数据的某些特性进行取舍，并对于交通流数据间的联系进行人为界定。但是，交通流数据间的内在联系往往比人们对于交通流数据的趋势判断要复杂很多。这就导致了诸多预测模型放大了交通流数据某一方面的特性和联系，而忽略了其他方面的属性和关系，从而导致交通流数据的预测偏差。所以，当前的诸多预测模型以同一天中的连续时点为基准进行数据特性的选择和时间序列的判断，在很大程度上忽视了同一时点上，连续日期间交通流数据的平稳性或规律性波动。如图 1 所示，该图是对交通流数据进行基于一天中的连续时点和连续日期间的同一时点的时间序列分析所生成的三维网格图。从该图中，我们可以发现，和一天中连续时点的时间序列趋势所表现出的波动性相比，连续日期间同一时点的时间序列趋势体现了更加明显的平稳特性，而这种平稳特性的凸显则为交通流数据预测模型建立提供了新的思路。 Fig.1 3-D mesh surface diagram of the short term traffic flow data 图 1 交通流数据三维网格图针对短时交通流预测的中的数据特点，国内外诸多学者提出了不同的处理方法。姚琛[13] 等人提出对数据进行粗糙集处理，然后进行神经网络预测。Chen[14]等人通过对数据的时空特点分析，建立了多维时间序列并应用自组织特征映射网络进行预测。Jabari[15]等人对交通数据中的随机性和噪声重新进行了定义并建模分析。但是当前的诸多预测模型对于预测精度提高的手段多局限于模型组合或者基于一天中时点的连续性进行预测，结合其他模型可以在一定程度上提高预测精度，但是同时进行两个甚至多个模型的建立和数据处理，不仅繁琐复杂，而且运算量可能出现指数增长，难以满足短时交通预测的时间要求。基于一天中的时点连续性进行建模预测，可以更好地反应出交通连续性的特点，但在一定程度上割裂了人们依据往日交通感受所做出的出行方式以及路径的改变，从而忽视了每个人的交通独立性。本文依据神经网络基本原理，在同一天中对不同时点进行连续时点预测，保证交通流的连续性，同时充分考虑人在交通中的作用，对同一时点上的不同日期进行连续日期预测，通过对连续时点和连续日期预测方式的组合，建立神经网络组合预测模型，对交通流进行短时 - 2 - 45 50 55 60 65 70

中国科技论文在线预测。 2 短时交通流的 BP 组合预测模型 2.1 神经网络 BP 模型 http://www.paper.edu.cn BP（Back Propagation）神经网络是由 Rumelhart 和 McClelland 于 1985 年提出，是一种按误差逆传播算法训练的多次前馈网络，是目前应用最广泛的神经网络模型之一。BP 神经网络是一种非线性网络，在实际应用中，大部分神经网络模型均采用 BP 网络以及它的变化形式。它的学习规则是采用最速下降法，通过反向传播误差来不断调整网络的权值和阈值，使网络的误差平方和最小。BP 神经网络模型拓扑结构包括输入层（input）、隐含层(hide layer) 和输出层(output layer)。以下均采用三层 BP 神经网络进行预测。图 2 是 BP 神经网络模型，包括输入层，隐含层，输出层，以及误差反馈。 75 80 1x 2x 1Nx 1y 2y 1z 2z 1Δ 2Δ ihω hjω 2Ny 3Nz 3NΔ 图 2 神经网络模型 Fig.2 The BP neural network model 1T 2T 3NT 85 对于每个神经元，需要具有激活函数： f ( ) 其中 a 为输出， x 为输入， ω为权值，b 为偏差。 BP 神经网络采用的是有导师的学习，设 BP 神经网络有 K 层，每层有 = ω +× bx a 神经元，给定 N 个样本 ( m YX , m ) ，则每个训练样本的网络训练误差为： 90 E k = 1 2 K nk ∑∑ i 1 = j 1 = ( y ij − y ij 2 ) 其中为 ijy 期望输出值， ijy 为实际输出。总误差为： E = 1 N 2 N ∑ k 1 = kE (1) ( nn L 个 kn ) , , 2 1 (2) (3) 反向传播误差就是通过不断修正权值，使误差降低到可以接受的程度。通过如下公式修正权值： 95 E ∂ k ηωω n ω ∂ ij =+1 − n ij n ij (4) 其中，η为学习速率。该模型为 BP 神经网络的一般理论模型，以下将以此为基础，根据实际问题，进行模型 - 3 -

中国科技论文在线 http://www.paper.edu.cn 的设计和改进，对于训练次数，误差范围以及学习函数等进行选择。 2.2 连续时点交通流的 BP 预测模型 100 105 基于连续时点的神经网络预测模型是根据每天连续时点的数据进行下一时点的预测，是在同一天中，对于现在时点和前一时点的有效数据，对下一时点进行数据预测。该预测模型假设同一天的数据是连续而且有内在联系，而不同日期间的数据是不相关，并在此基础上进行数据的处理，从而建立基于连续时点的预测模型。图 3 是该模型的结构，其中 1−tV 表示前一时点的车流量， tV 表示当前时点的车流量， 1+tV 表示下一时点的车流量，其中 t 表示当前时点。 1−tV tV t 1+tV Fig.3 The independent forecasting model for traffic flow of the continuous time point series in one day based on 图 3 基于连续时点的神经网络预测模型 BP neural network 110 2.3 连续日期交通流的 BP 预测模型基于连续日期的神经网络预测是根据同一时点的连续多天的数据，采用前两天的同一时点的交通数据对当前日期该时点的数据进行预测。该模型假设同一天中各个时点之间没有相 115 关性，而同一时点的连续不同日期间有内在联系，从而进行基于连续日期的神经网络预测。图 4 是该模型的结构，其中 1−dV 和 dV 分别表示前两天的某个时点的车流量， 1+dV 表示当前日期同一时点的车流量， d 表示当前日期。 1−dV dV d 1+dV Fig.4 The independent forecasting model for traffic flow of the constant date series at same time point based on BP 图 4 基于连续日期的神经网络预测模型 neural network 120 2.4 短时交通流的 BP 预测组合模型神经网络组合预测模型是在基于连续时点预测与连续日期预测的基础上，根据对同一时点进行两种模型预测所获取的预测数据和期望数据进行重新组合，作为神经网络组合预测的训练样本，进行组合预测。如图 5 所示， 1+tV 表示对当前时点进行连续时点预测所获取的预 125 - 4 -

中国科技论文在线 http://www.paper.edu.cn 测数据， 1+dV 表示对当前时点进行连续日期预测所获取的预测数据， cV 表示对同一时点分别进行单一预测所得到的结果进行神经网络再次修正所获得的最终预测结果。 1−tV tV t 1−dV dV d 1+tV 1+dV cV Fig.5 The short-term combination forecasting model based on BP neural network 图 5 神经网络组合预测模型 3 应用实例本文使用 MATLAB 软件以及内置函数和工具箱进行建模和数据处理，数据采用美国纽约市部分车道下午 6：01-6：47 每 1 分钟的交通量，调查时间为 2008 年 3 月 7 日至 3 月 18 日，共获得每分钟的交通量样本 564 个。该数据包括时间和每分钟的车流量等信息，能有效反映交通状况。为验证神经网络组合模型预测的有效性，以 3 月 7 日到 3 月 17 日的数据为训练样本，帮助网络学习，以最后 1 天的数据为测试样本，对模型预测的精确度进行检验。在此，以神经网络中的均方误差（MSE）为模型预测精度的检验标准，对不同预测方法的预测效果进行分析判断。对采集的短时交通流数据进行特性和关联度分析，应用三维网格图描述所采集的数据，如图 6 所示，发现同一时点的连续日期间数据表现出了一定的平稳性和较有序的波动性，同时该特性相比于同一天内的连续时点的波动，有更明显的规律性。基于以上分析，该数据适合于本文提出的基于连续时点以及连续日期的组合神经网络模型预测。图 6 样本车流量趋势图 Fig.6 The traffic flow trend diagram of the sample data 分别根据基于连续时点的神经网络预测模型（以下简称 H 预测）和基于连续日期的神经网络预测模型（以下简称 P 预测）进行数据整理，网络训练和预测。设定神经网络的隐层 - 5 - 130 135 140 145

中国科技论文在线 http://www.paper.edu.cn 150 均为 6，迭代次数为 6000，学习误差均为 0.01%，学习速率为 0.01，并训练网络以进行数据仿真。通过对两种预测模型的训练，可以分别确定两个模型的权值，完成了基础模型的建立，从而为神经网络组合预测提供条件。以原始训练样本进行输入和输出变量的设计，对组合模型进行训练，并确定组合模型的所有权值。选取 3 月 18 日的 6：26-6：35 分钟的 10 组数据进行仿真，同时，分别应用基于连续时点的神经网络预测模型和基于连续日期的神经网络预测模型进行相同数据的仿真，并分析不同预测模型的预测结果（表 1）。 155 时间（分） H 预测（辆） P 预测（辆）组合预测（辆）实际值（辆） 26 895 391 360 285 表 1 不同模型预测结果表 Tab.1 The forecasting results of the different models 32 895 937 894 820 27 895 1444 1510 1409 28 1591 1543 1463 1546 30 895 1350 1384 1118 31 895 1002 963 941 29 1294 528 762 1007 33 895 1645 1784 1994 34 713 1492 1775 1779 35 1294 1472 1588 1757 160 图 7 所示为两种单一预测模型和组合预测模型的预测结果曲线图和不同预测模型的均方误差，由图可以发现，不同的预测模型对数据不同特性的处理以及预测各有侧重，而组合预测模型在一定程度上提高了预测的精度。预测模型均方误差 442.8086 H 预测 195.4221 P 预测组合预测 124.9448 165 170 175 图 7 不同模型预测结果比较曲线和预测误差 Fig.7 The forecasting lines and variances of the different models 基于连续时点的神经网络预测模型能很好地反映出数据间平稳变化的连续性，而基于连续日期的预测模型对于连续数据中的波动性有更好的预测效果。组合预测模型通过对不同预测结果的修正，既体现了连续数据中的平稳变化，又能更精确地反映数据中的波动性。均方误差作为衡量预测模型精度的一个重要标准，本文通过比较不同预测模型对于交通数据的预测结果和实际值的均方误差，说明组合预测模型相比于单一预测模型有较高的预测精度。同时，连续日期间的数据相关性对于交通流量的预测有很大影响。 4 结论本文提出了一种 BP 神经网络组合预测模型，通过分别对一天中连续多个时点和连续多天内同一时点进行相关性假设，分别进行基于连续时点和连续日期的神经网络预测，并依据单一预测的结果进行 BP 神经网络组合预测，从而达到减小预测误差，提高预测精度的目的。通过实际数据分析，从预测结果和均方误差可以发现，组合预测模型与单一预测模型（基于 - 6 -

180 185 190 195 200 205 210 中国科技论文在线 http://www.paper.edu.cn 连续时点或连续日期）相比，在短时交通流预测中有更高的精度，并且具有建模简单，计算量较小等优点。所以，此模型作为一种有效的交通流预测方法，可以为实时交通管理提供良好的支持。同时，该模型在预测精度的提高和数据间时空关系的处理方面仍有待进一步研究。 [参考文献] (References) [1] Barlovic R, Schadschneider A, Schreckenberg M. Random walk theory of jamming in a cellular automaton model for traffic flow[J]. Physica A: Statistical Mechanics and its Applications. 2001, 294(3-4): 525-538. [2] 谢军，吴伟，杨晓光. 用于短时交通流预测的多项式分布滞后模型[J]. 同济大学学报(自然科学版). 2011, 39(9): 1297-1302. [3] 赵亚萍，张和生，周卓楠, 等. 基于最小二乘支持向量机的交通流量预测模型[J]. 北京交通大学学报. 2011, 35(2): 114-136. [4] 窦慧丽，刘好德，吴志周，等. 基于小波分析和 ARIMA 模型的交通流预测方法[J]. 同济大学学报(自然科学版). 2009, 37(4): 486-494. [5] 王建，邓卫，赵金宝. 基于改进型贝叶斯组合模型的短时交通流量预测[J]. 东南大学学报(自然科学版). 2012, 42(1): 162-167. [6] Castillo E, Menéndez J M, Sánchez-Cambronero S. Predicting traffic flow using Bayesian networks[J]. Transportation Research Part B: Methodological. 2008, 42(5): 482-509. [7] Chen Y, Yang B, Meng Q. Small-time scale network traffic prediction based on flexible neural tree[J]. Applied Soft Computing. 2012, 12(1): 274-279. [8] Xue J, Shi Z. Short-Time Traffic Flow Prediction Based on Chaos Time Series Theory[J]. Journal of Transportation Systems Engineering and Information Technology. 2008, 8(5): 68-72. [9] 宋国杰，胡程，谢昆青，等. 面向实时短时交通流预测的过程神经元网络建模[J]. 交通运输工程学报. 2009, 9(5): 73-77. [10] 李小虎，杜海峰，张进华，等. 多层前向小世界神经网络的逼近与容错性能[J]. 西安交通大学学报. 2010, 44(7): 59-63. [11] 李婧瑜，李歧强，侯海燕，等. 基于遗传算法的小波神经网络交通流预测[J]. 山东大学学报(工学版). 2007, 37(2): 109-120. [12] 尹宏宾，徐建闽，周其节. 遗传算法在交通量预测中的应用[J]. 中国公路学报. 1998, 11(2): 69-73. [13] 姚琛，罗霞，汉克范少伦. 基于粗集和神经网络耦合的短时交通流预测[J]. 公路交通科技. 2010, 27(11): 104-107. [14] Chen Y, Zhang Y, Hu J. Multi-Dimensional Traffic Flow Time Series Analysis with Self-Organizing Maps[J]. Tsinghua Science & Technology. 2008, 13(2): 220-228. [15] Jabari S E, Liu H X. A stochastic model of traffic flow: Theoretical foundations[J]. Transportation Research Part B: Methodological. 2012, 46(1): 156-174. - 7 -

分享到：

赞收藏

资料库

基于BP神经网络的短时交通流组合预测模型.pdf

相关推荐

开发技术

热门标签

最新资料