基于RBF神经网络的短时交通流量预测

基于 神经网络的短时交通流量预测 FRB 1 2 张九跃 焦玉栋, 山东 淄博 淄博 淄博市土木建筑学会 淄博天为市政工程设计有限公司 山东 255000 ( 1. ,255000; 2. , )摘要 城市交通网络是个复杂的系统 不同时段的交通流量之间有着非线性关系 。神经网络具有识别复杂非线 ,:性系统的特性 。利用 神经网络构建了短时交通流量动态预测模型 对某城市道路的短时交通流量进行预 ,RB F测 取得了较好的结果 。 ,关 键 词 非线性系统 短时交通流量 神经网络 F:;; RB 文章编号 ( ) 文献标识码中图分类号 03- 0032- 05 2: : 1672- 0032 008 : A 1 : V491. ( )的发展 智能交通控制和车辆诱导系统成为 研究的核心课题 。近年来 随着智能交通系统 TSITS, I, 但这些系统得以实现的前提和关键是实时准确的短时交通流量预测 短时交通流量预测的精度将直接关 ,系到交通控制和车辆诱导的效果 因此短时交通流量预测越来越受到重视 。 , 短时交通流量预测是动态交通控制和诱导的前提 要在控制决策的时刻对下一决策时刻乃至以后 , 若干时刻的交通流量做出实时短期预测 预测方法的优劣和准确度的高低直接关系到控制与诱导的实 , 际效果 。短时交通流量预测大致分为 类 一类是基于数学模型的方法 另一类是无数学模型的方法 。 ; 2 , 文献 对具有数学模型的方法做了综述 指出了这类方法的缺陷是无法反映短时交通流量的非平稳 , [ 1 ]性 、随机性和非线性特性 。无数学模型的方法是短时交通流量预测的发展方向 其中用神经网络预测交 , 通流量是一种比较好的方法 。 人工神经网络是由大量简单的被称为神经元的处理单元以某种拓扑结构相互连接而成的非线性系 统 具有如下特点 : , 并行分布处理 。人工神经网络具有较好的耐故障能力和较快的总体处理能力 因此特别适合动态 ),1控制和实时控制 这对动态交通控制和诱导尤其重要 ; ,非线性映射 。神经网络具有固有的非线性特性 这源于近似任意非线性映射能力 ); ,2 通过训练进行学习 。神经网络是通过记录过去的数据进行学习的 。一个经过适当训练的神经网 )3 络具有归纳全部数据的能力 因此 神经网络能够解决那些由数学模型或者描述规则难以处理的控制过 ,,程问题 因此在无法用数学模型刻画的交通流量的预测领域 神经网络具有不可替代的作用 ; ,,适应和集成 。神经网络能够适应在线运行 并可以同时进行定量和定性操作 能够输入大量不同 ),,4 的控制信号 实现信息的集成和融合处理 这些特征特别适合于复杂 、大规模和多变量系统的控制 。 ,,神经网络是一种新兴的数学建模方法 具有识别复杂非线性系统的特性 因此比较适用于交通流量 ,,的预测 。 短时交通流量预测的原理 1 路段上的现时交通流量与前 几 个时 段的 交 通流 量有 着 必然 的联 系 同时 路 段是 路网 中 的一 个部 , 分 路段的交通状况必然受到上下游路段的交通状况的影响 所以路段上的交通流量势必与相连的路 ,, 收稿日期 : 2008- 05- 28 作者简介 张九跃 —男 安徽阜阳人 淄博天为市政工程设计有限公司工程师 主要从事城市道路设计与研究. ,,,) ,1977 ( : 期 第张九跃等 基于 神经网络的短时交通流量预测 FRB 3 :33 段上的前几个时段的交通流量有着内在的联系 。这样就可以利用路段前几个时段的交通流量数据列 去预测未来时段的交通流量 也可以利用上下游路段前几个时段的交通流量预测路段未来时段的交通 ,流量 。 设 时 刻 的 交 通 流 量 向的 上 的上 的 时 刻 交 通流 量向 量 为路 段为路段 u 1 - 1 - ( ) ( ) i, i u ii量 。令 = ) ( ) ( ) ( U u[ u,( ) ] u, ,, 2 1 d 式中为所考虑的路段的总数 若只考虑研究路段的交通流量 则 。 = 1d , d ,考虑到路段的长度和交通流的特征 采用当前时间段和前 个时段的交通流量对未来时间段的交 s, 通流量进行预测 。这样将 ( ) ( ) 1 - 作为第 个输入样本 作为第 个样本,, U U ))( ( + 1 - , U , sU 。输出值 网络及其学习算法 RBF 2 网络结构 1 . 2[ 2 - 3 ] 其拓扑 、图像处理 网络是一类前向网络 其应用的领域主要是时间序列的预测 、模式分类,RB F,结构如图 所示 它由输入层 、隐层和输出层组成 其中各层节点数分别为 和 由于输入层与隐层 ,1, m ,n, k连接权值为 故输入向量无改变地送到每一个隐节点 每个隐层节点的激励函数均为径向基函数 每个 1 , ,,隐节点输出值为 σΦ , ‖‖ n,( ) - , == 12 /X, u, i Ci k i i Φ 为神经元的传递函数式中 σ; X为规划因子 输出层 为该节点的“中心向量 ”为第 个输入节点 ; k;,ki k i 节点通常是简单的线性函数 。 网络的算法 F22 RB . 一般来说 网络的学习过程可分为 个阶段 [ 4 ] 2 , RB F 确定径向基:函数的参数 即 中心的 F,RB C调整 隐层和输出层权值 的学习 。 W ; i 基函数参数的确定 1 )采用 均值 聚类算法确定基函数的参数 步骤为 : (),K ①网络初始化 给定隐单元 的初始中心 Ci。 , ,2 0 = 1 )( i k, , 图 网络拓朴结构图 1 FRB i ②计算距离‖‖1 - - = ( ) )( t t.CX d )( i tr③求最小距离 ( ) ( ) in = m.tdd ( t) ir ④调整中心 β+- = = )( tX [ ]) ( ,C rX Ci 1 r - rt 1 rtt - )( ) (( ) ≠ ) ( = ,riCC )r( t r ( t) - 1 ββ 。 式中 为学习速度 1<0 <, ⑤ 判别 如果 C≠ 则终止迭代 否则转 ②。 , = 12 ,= )( k , r, i , ,i C ( ) )( 1 - rrtt 权值 的有监督学习 2 )W 利用最小二乘法 算法进行权值 的有监督学习 。 S)M L(W 设有 组输入样本 ( 定义误差函数XN , 2= 1) ,n ,, d, i , p p 2 1 ∑∑‖‖ - = = ,E yEd p p p 2 2 p p 山东交通学院学报 年 月 第