短期交通流预测的神经网络方法探讨.pdfVIP

I 交通瀛宴涮数据(∞分 时问 交通流(辆) 时问 交通濉(辆) 时间 交通滤(辆) 7}00 7二加 8：20 7 10 7}50 8：30 7t20 8：00 8=们 7·30 8 10 8：卯 田1“I作日4交通流翦据统计曲线圈 i叫 3神经网络模型结构 (I)BP模型简介 人工神经网络是一门新兴交叉科学。本文采用多层前 馈神经网络阱算法，是目前工程上使用最广泛的呵络…。 BP神经网络一般由三层结构组成，包括输入层、隐含层、 输出层 输出层．各层阃实现全连接(见图2)。 BP算法主要包含两个过程：一是正向传播过程。由学 习样本、同络权值(W)从输入层一隐舍层一输出层运敬 盈 计算出各层节点的输出；二是反向传播过程。反过来由实 际输出与期望输出偏差构出的误差函散E(ⅣI)．采用梯度 下降法调节阿络权值，使误差函数减小。实际上，当误差达 输入层 到^们所希望的要求时．网络就结柬学习。学习后即可得 到稳定的阿络结构和确定的连接权值Ⅳ。网络学习训练结 束后．将特计算样本作为输入向量代^阿络，利用已得到 圈2B【算法单隐层月络结构 的稳定网络结构和连接权值对该样本进行计算。HP算法的计算公式比较复杂．读者可参阅参考文献…。 (2)BP预测模型数据结构 为充分利用统计数据．提高交通流预测结果的精度，本文用于BP硬测模型的所有鼓据(包括4输入 值”和“输出值”)均为。交通流差值舻”，而不是“交通流实澍值”。“交通流差值”AF定义为： AF=R—S 式中，R为“交通流实测值气S为。交通流统计模型值”。交通流差值△，数据格式见表2。 (3)BP模型结构优化 作者对用于。短期交通流预测”的盱P神经网络的模型进行了大量的模拟试验工作．得到了相对优化 的BP模型结构为：4×20×I。 t一10min时段的交通流差值△F，t时段的交通流差值△F； ②设一个隐层，其节点数取20，是经过大量试算得到的； ③输入层元素取l。为：t+10min时段的交通流差值衄。 BP神经网络中有很多参数，经过大量试算，本文采用的参数值为：阈值0=0；激活函数取 1 ．厂(石)=·二=；动量项系数口=0．7；学习速率77=0．9；学习误差取g=o．15。 表2 交通流差值△F数据表 交通流 交通流 心 时间 实测值R 统计模型值S =R—S (1) (2) (3) (4) 7：00 220 222 -2 7：10 25l 233 18 7：20 226 244 ．18 7：30 246 255 ．9 7：40 293 266