基于ELMAN网络的交通流量差值预测模型.pdf

48 交通信息与安全 2009年第 1期 第 27卷 总 146期 基于 ELMAN网络的交通流量差值预测模型 杨祥妹 徐 明 (江苏沪苏浙高速公路有限公司 吴江 215212) 摘 要 利用 ELMAN神经网络 ，采用相关站点历史数据逼近的方法 ，建立 了流量差值预测模型；采 用主成分分析法确定神经网络输入参数 ；运用叠加噪声法对神经网络模型进行 了泛化处理 。预测模 型能反映流量差值的变化趋势。 关键词 预测 ；流量差值 ；EIMAN网络 ；主成分分析 ；泛化 中图分类号 ：U49 文献标志码 ：A 目前 ，高速公路联网收费系统将 区域高速公 造成在该时刻该站点交通量的流人值及流出值突 路网作为 1个整体来进行统一收费，在路 网中设 变。如果用方法一预测 D站下 1d的流量差值， 置 1个收费结算 中心。由于各收费站进出流量的 这种突变的情况对神经网络的学习是不利的。而 差值每天都在变化 ，路网中心需对各个收费站历 流量差值 由于变化不大，减缓 了神经网络训练过 史流量数据进行处理，对各站进 出流量差值进行 程中的脉冲干扰。因此本文训练样本采用 D站 分析及预测 ；同时，在观察流量差值变化的基础 及临近站点流量差值历史数据。 上 ，可进一步研究整个路 网流量不均匀分布的特 1．2 利用相关站点历史数据的预测方法 性 。笔者利用 EIMAN神经网络 ，采用相关站点 相关站点是指路网中流量参数在时间上的分 历史数据逼近的方法 ，对特定站点的短期交通流 布具有较强 内在联系的各个站点。这种内在联系 差值进行预测 ，观测尺度为 “d”。 可以理解为：1个站点流量参数 (如流量差值)的 变化必然引起其相关 临近路段流量参数 (如流量 l 流量差值预测模型总体设计 差值)的变化。短时交通流量参数的变化，除了受 如图 1，A、B、C、D、E、F收费站是沪宁高速公 该站点地理位置、经济地位等主要因素影响外 ，同 路某路段相邻近的收费站，本论文运用神经 网络 时还受时间、天气 、意外事件等其它偶然因素的影 理论 ，利用 D站临近站点 A、B、C、E、F中的某几 响。文献 [1]对上述 因素进 行小波分析，得 出结 个站点历史数据，预测 D站下 1d的流量差值。 论 ：各站点流量参数 曲线的近似分量在整体形态 上具有较大相似性 ，可知 目标站点的流量参数分 布的关联性极大。 设需预测站点在 t时刻的流量差值为F()， 图 1 高速公路 A、B、C、D、E、F收费站 有 ”个相关站点 ，相关站点 i在 t时刻的流量差 1．1 训练样本的选择 值为F (t)(i一1，2，…，)，用 F ()逼近 F(￡)，逼 本文的 目标是预测 D站下 1d的流量差值。 近值为 Q()，则逼近模型可表示为 ： 实现方法有 2个 ：①利用临近站点入 口出 口交通 Q(t)一 (F1(t)，F2(t)，… ，F (￡)) (1) 流量历史数据 ，分别预测 D站下 1d交通量 的流 式中：()为映射关系。特别地，设 Q(￡)为在F(￡) 出值及流入值，再计算其差值。②利用临近站点