基于遗传BP神经网络的短时交通流预测.pdfVIP

specialstudy 本刊约稿 基于遗传BP神经网络的短时交通流预测 徐泽亚，彭宇阳 ／武汉理工大学 自动化学院 摘 要：为了预测未来一段时间的短时交通流，提出了一种利用BP神经网络进行预测的方法。将历史时刻的车流量作为 网络输入，未来短时流量作为输出，采用单步预测。为了缩短收敛时间，避免陷入局部极小值，用遗传算法优化网络 初始权值和阈值。对未优化与优化后的网络进行测试。实验证明，未优化的BP神经网络预测精度较低，且收敛时间较 长；而遗传优化算法使预测精度及收敛速度得到极大改善，但样本的数量及质量是影响预测精度的关键要素。 关键词：短时交通流；BP神经网络；遗传算法优化；局部极小值 的车流规律都不尽相同。样本时间间隔为一分钟左右，样 目前统门研计，短究的方时交向通。传流预统测的预已测经成方法为都智是能基交通于数的理热本周期 以两小时以内为宜。周期太长则数据选取过多造成 ， 如历史平均法、时间序列法、卡尔 计算量大，训练时间长，拟合难度大： (2)通过观察， 曼滤波法 、回归分析法等…。但这些传统模型预测精度不 除了发生事故造成短时堵塞时车流量极低外，每分钟车流 能满足实际要求，且其不具备 自适应学习能力 ，预测系统 量一般在40~U60之 间。而采集到偏离常规太大 的数据噪声 鲁棒性得不到保障。 往往淹没了真实信号，因此要对原始采集数据进行归一化 随着人工智能的发展，出现了神经网络预测法。由于 处理。预测值变化幅度较大，也要实施必要的归一化， 神经 网络能够通过学习逼近任意非线性映射 ，在非线性系 将数据范围限制在 _【1，l】，使输出结果更加直观、平滑； 统的建模与辨识中，可以不受非线性模型的限制，其学习 (3)本例进行交通流预测的分析周期选择4分钟，依次将 算法在工程上易于实现。而BP神经网络是比较经典、有效 连续4分钟的数据作为网络的一组输入数据，第5分钟的数 的预测方法 ，但由于其初始值是随机分配的，容易陷入局 据作为网络输出 目标数据。滚动采集数据，作为神经网络 部极小值，收敛时间较长，预测精度受初始值影响极大。 的训练样本； (4)建立3层结构的BP神经网络预测模型； 为了克服此类缺点，可以利用遗传算法 的全局搜索 (5)训练 出符合要求的BP神经网络； (6)用训练好的网 能力，优化网络初始权值和阈值 】，提高预测精度及收敛 络进行预测。 速度 。遗传算法是对参数 的编码进行操作，它从多点开始 2遗传算法优化 并行操作，而非局限于某一点，在搜索过程 中以一定的概 2．1遗传算法原理 率进行寻优 ，因而可 以有效地防止收敛于局部最优解 。正 遗传算法将需要优化的参数编码成染色体，随机产 是这种高效启发式的搜索，避免了因盲 目地穷举而浪费时 生多条染色体构成种群，根据 “优胜劣汰，适者生存 ”的 间，以及完全随机搜索带来的不确定性。 自然法则，模拟生物遗传机制淘汰适应度差的个体，保留 1神经网络预测 适应度好的最优个体。所有个体的染色体信息在不同部位 I．1BP神经网络原理 可 以同时进行数据处理 ，因此它属于并行搜索最优化方 BP神经网络属于模式正向传播，误差反 向传播，是一 法2【】。适应度函数是个体进化的评价标尺，通过选择、交 种前馈网络口]。 叉、变异对个体进行筛选，反复迭代，直到最优者胜出。 BP神经网络 由输入层、隐含层、输 出层构成 ，每层 由 2．2遗传算法优化方法 一 个或多个神经元