基于过程神经元网络与遗传算法的交通流预测.pdfVIP

18 交通信息与安全 2010年第 5期 第 28卷 总 157期 基于过程神经元网络与遗传算法的交通流预测 负天鹂 李淑庆 高 为 (重庆交通大学交通运输学 院 重庆 400074) 摘 要 高速公路变通量预测对于高速公路建设和管理具有重要 的指导作用 。针对传统预测方法准 确性低、预测时间长等 问题 ，建立了遗传过程神经元网络优化模型，该模型既利用遗传算法全局搜索、 快速收敛 的优点，又利用过程神经元网络非线性描述 、自学 习 自适应的优点，并 以实 际道路为例进行 计算机仿真 ，实证分析的结果表 明，该方法能够有效提高交通量 的预测精度。 关键词 交通量预测 ；高速公路 ；过程神经元 网络 ；遗传算法 中图分类号 ：U491 文献标志码 ：A DOI：10．3963／j．ISSN 1674—4861．2O1O．05．005 交通系统是一个集宏观与微观于一体 的、有 线性 函数、Sigmoid函数、Gauss型函数等。 人参与的、时变的、非线性的复杂巨系统 ，其显著 (f) ： 特点是具有不确定性 ，这种不确定性给交通流预 ● 测带来很大困难 ，尤其是短时交通流预测。目前 ， (f) ： 有关短时交通流预测研究都采用静态数据环境的 ● 建模方法和预测技术来处理实时、动态 的交通数 ，， “) 图 1 过程神经兀模型 据流场景，不能很好地满足交通流预测要求 。预 测交通流大致可分为 3类 ：基于传统统计理论 的 PNN的输入、连接权和输出都可以为时变 函 方法～胡；以神经网络为代表的人工智能方法 ； 数 ，由于连接权函数形式的任意性 ，需要对函数类 基于动态交通分配的交通模拟方法I 。 别进行一定的限制 ，本文将权 函数展开成 由一组 检测得到的交通系统中的数据具有明显的实 基表示的形式 ，选取一组基函数 b，(f)，此时 时、动态特征 ，本文研究 了基于过程神经元 网络 j， 7．22(￡)一 u，b，(t) (1) (processneuralnetwork，PNN)技术的实时短时 f— l 交通流预测模型 。在预测模型 中，过程神经元 网 式中：叫 为权函数 (￡)对基函数 b(￡)的展开系 络很好地捕获了交通流的过程特征 ，同时利用遗 数。考虑空间算子为求和算子，时间算子为积分 传算法训练神经网络 ，保证了预测的实 时性和 自 算子，取 K(·)为 l，将积分号移人，过程神经元 适应性 。试验结果表 明，本文所提出的方法较传 模型展开为 统方法有长足进步。 L Y一／lL∑『∑叫}b)z(t)dt一0](2) i一1 1 ” J 1 模型建立 式中：为过程神经元模型的输 出；0为