BP算法在交通流量预测中的应用.pdfVIP

2Q Q：丝 ChinaNew TechnologlesandProducts BP算法在交通流量预测中的应用高新技术 居金娟 (南通职业大学电子工程系，江苏 南通 2260o7) 摘 要：研究了BP算法在交通流量预测中的应用。针对 日益紧张的交通拥挤问题，利用梯度搜索技术，按照代价函数最小准则递归 地求解网络权值 ，使得误差信号最小，提高了实际交通效益，实现交通畅通；仿真结果验讧了该方法的有效性、合理性。 关键词：算法；交通流量预测 l引言 网络的输入数据 X=x( …，x从输入层依 (4)取第k个学习实例O ， 实时动态交通流量预测方法现正逐步运用 次经过各隐层节点，然后到达输出层节点，从而 x=( ， ，一·，x．D， =()矗，珐，…，) )； 于交通运输各领域 ，在建设智能化交通，提高交 得到输出数据y=by2，．．．，ya。可以把BP神经网 (5)由x边行正向传拥}计算 ； 通运输效率 ，实现人、车、路的和谐统一中起到 络看成是一个从输入到输 出高度非线性映射 ， 计算输人层各节点的输出为： 举足轻重的作用。因此，实现对道路交通流量的 即 ，： 一R，，(x)=Y。 实时掌握以及准确预测成为发展智能运输系统 将神经网络应用于模式识别问题包含两个 ： ，( )，=1，2，…，，z 的一个很重要的基础。较早期的预测方法主要 不同的阶段：第—个阶段或称为学习阶段，即网 逐层计算各层节点的输入和输出为： 有自回归滑动平均模型 fARMA)、自回归模型 络训练阶段，调整神经网络权值以表现问题域； 目) (AR)、滑动平均模型(MA】和历史平均模型H(A)等 第二个阶段或称为工作阶段，权值固定不变，把 哆=∑ ’ 等。这些线性预测模型考虑因素都较为简单。参 实际数据或实验数据输入到神经网络，网络能 i=1 数一般都用最小二乘法I《5)在线估计，具有(相 对其进行模式分类。 蠼=ftl絮 对而言)计算简便，易于实时更新数据，大规模 具有自学习能力是神经网络的最重要特征 f=2，3，…，L；J=1，2，…，，l(1) 应用的优点。随着研究的深入 ，人们又提出了一 之一，也是利用它来解决实际问题的最重要依 (6)计算输 出层(第 L层)的各输出节点误 批更复杂的、精度更高的预测方法。从表现形式 据之一。BP神经网络通过对样本进行学习，调 差为： = 上分，有基于确定的数学模型和无模型算法两 整BP神经网络中的连接权值，就可以实现非线 大类。前者包括多元回归模型、Kalman滤波模 性分类等问题。 E，}={()，一y)，=1，2，…，m 型、基准函数一指数平滑模型等；后者包括非参 3BP学习算法 数回归、小波网络、神经网络相关的复合预测模 3．1BP算法的基本思想 (7 Ij时N个学习实例的任—个实例K值 型等。在这种情况下，利用人工神经网络嚏 立 神经网络的学习算法4[1又称为误差反向传 ≤￡= 2，…，m，则学习过程结束；否则，进行 的预测模型更显示出独特的优越性。人工神经 播算法或BP算法。误差反向传播法是最小均方 误差反向传播修改连接权矩阵。 网络利用输入数据和输出数据进行建模，是一 算法的一种广义形式，BP算法使用梯度搜索技 (8)误差反向传播计算。 种并行的计算模型，具有高速运算能力，有很好 术，按代价函数最小的准则递归地求解网络的 修改第工，．1层隐层至输出层(第 L层)的连 的非线性映射能力和很强的自学习、自适应能 权值，代价函数为网络的实际输出和期待输出 擞 啦 阵： =一()，一)，