银川市城市道路交通流量短时预测研究.docVIP

银川市城市道路交通流量短时预测研究 　　【摘 要】城市道路交通流量短时预测是智能交通系统（ITS）的重要组成部分。本文结合银川城市道路交通量分布的空间和时间相关性，利用BP神经网络、RBF神经网络和GRNN神经网络建立3种道路交通量短时预测模型，利用银川市区道路交叉口实际观测数据，应用MATLAB对交叉口进口道交通量进行短时预测，并将预测结果与实际数据进行对比分析，指出每种预测模型的优点和不足。 　　【关键词】交通流量短时预测 BP神经网络 RBF神经网络 GRNN神经网络 　　【Abstract】Urban road short-term traffic flow prediction is an important part of intelligent transportation system（ITS）. This paper we Combining with the temporal-spatial correlation of traffic flow， Using the BP neural network， RBF neural network and GRNN neural network， to establish 3 kinds of short-time traffic flow forecasting models. Then intersection traffic flow data of Yinchuan are used in the MATLAB to predict the short-term traffic flow of the entrance lanes of the intersection. Finally， the advantages， disadvantages and the suitable condition of each models are put forward by analyses the predictive results and practical data.. 　　【Key words】short-term traffic flow prediction； BP neural network； RBF neural network； GRNN neural network 　　1 引言 　　随着人民生活水平及城市现代化建设水平的不断提高，社会对城市道路交通运输的需求日益增加，智能交通系统（ITS）作为一种有效的需求解决方案，逐渐成为交通运输系统研究焦点。交通控制和交通诱导是智能交通系统研究的重要领域，实现交通控制和诱导的关键问题之一是实时准确的短时交通量预测。神经网络模型在交通量预测领域是一种很有潜力的预测模型，利用神经网络对短时交通量进行预测往往可以取得比较理想的效果，可为智能交通系统中交通控制和交通诱导的相关研究提供较为准确的预测数据。 　　2 道路交通流量短时预测原理 　　短时交通量预测与交通流量所具有的时间、空间特性相关。时间方面指路段i在过去若干时间间隔内的交通量历史数据；空间方面指与路段i相邻的上下游路段中对其交通量有显著影响的路段i+j当前及过去时刻的交通量。据此，对交通量的短时预测是根据已知的路段i及路段i+j在过去m个时刻交通量实际值求出路段i及路段i+j在未来n个时段内的交通量估计值。 　　3 基于神经网络的交通流量短时预测 　　BP神经网络模型是一种按误差逆向传播算法训练的多层前馈网络，它能学习和存贮输入-输出模式映射关系，无需事前揭示描述这种映射关系的数学方程。RBF（径向基函数）神经网络模型在隐含层采用径向基函数作为激励函数，可以处理系统内的难以解析的规律性，学习收敛速度较快。GRNN（广义回归线性网络）网络模型的连接权值学习修正采用BP算法，隐含层结点的作用函数采用高斯函数，局部逼近能力强、学习速度快，网络中人为调节的参数只有光滑因子，网络学习全部依赖数据样本，可最大程度避免人为因素对预测结果的影响。 　　3.1 BP神经网络、RBF神经网络、GRNN神经网络模型设计 　　本文建模均运用MATLAB2009a软件神经网络工具箱。BP神经网络选用含输入层、隐含层和输出层的三层网络，隐含层神经元数目由经验公式配合试算比较确定，隐含层以及输出层传递函数均选用双极性S型函数；RBF神经网络利用newff （）函数设计和训练，用sim（）函数进行预测仿真，用mse（）函数衡量预测和实测的拟合程度；GRNN神经网络参数和结构均据学习样本自适应调整，因此选用newgrnn（）函数设计和训练网络，且GRNN神经网络连接权值的学习修正使用BP算法。 　　3.2 交通量数据说明与处理 　　本文对银川