基于BP神经网络和模糊推理系统的短时交通流预测.docVIP

基于BP神经网络和模糊推理系统的短时交通流预测 　　摘 要：本文研究短时交通流预测。短时交通流预测是智能交通系统研究和实践的必要基础。本文提出和建立了一个短时交通流量预测模型，该模型利用一个基于规则的模糊系统，非线性地组合BP 神经网络模型和自适应卡尔曼滤波模型的交通流量预测结果，使得短时交通流量的预测结果更加准确可靠。该模型将传统方法和人工智能方法有机结合，一方面，利用人工神经网络强大的动态非线性映射能力，从而提高预测精度；另一方面，充分发挥卡尔曼滤波的静态线性稳定性，解决了单独使用BP神经网络进行预测时识别率不理想和可信度不高的问题。实验结果表明，本文提出的短时交通流预测模型具有较高的准确度和可靠度。 　　关键词 ： 短时交通流预测；BP神经网络；模糊推理系统；卡尔曼滤波 　　中图法分类号： TP39 文献标识码： A 文章编号：2095-2163（2015-）02- 　　Short-term Traffic Flow Prediction based on BP Neural Network and Fuzzy Inference System 　　XIONG Weiqing1， YAN Xiaobo2， JIANG Shouxu1， LI Zhijun1 　　（1 School of Computer Science and Technology， Harbin Institute of Technology， Harbin 150001， China； 　　2 College of Computer Science and Technology， Jilin University， Changchun 130012， China） 　　Abstract： For the research and practice of modern intelligent transportation systems， short-term traffic flow prediction is an essential element. The main content of this paper is to establish a traffic prediction model for short-term traffic flow forecasting ， using a rule-based fuzzy system， nonlinearly combine traffic flow forecasts resulting from an adaptive Kalman filter （KF） and BP neural network model， which is referred as KBF model . Organic combination of traditional methods and artificial intelligence methods， on one hand， makes use of the powerful dynamic nonlinear mapping ability of artificial neural network， so as to improve the prediction accuracy； On the other hand， takes full advantages of the static linear stability of the Kalman filter to solve the problem that the forecasts recognition rate is not satisfactory and the credibility is not high while using a BP neural network only. Verified by experiments， this model is useful for traffic flow forecasting with high accuracy and high reliability. 　　Key words： Short-term Traffic Flow Prediction； BP Neural Network； Fuzzy Inference System； Kalman Filter 　　0 引 言 　　随着经济的快速发展，现代化进程的不断推进，私人汽车大规模普及，致使城市交通压力日渐增加，交通拥堵、交通安全以及由交通引发的环境污染、能源紧缺等问题也随之加重与突出，相当程度上影响了人民群众的日常生活和城市的上限发展