基于浑沌神经网络的动态交通量预测方法研究.pdfVIP

交通与计算机 2007年第6期 第25卷 总139期 基于浑沌神经网络的动态交通量预测方法研究* 谷远利 邵春福 谭晓雨 (北京交通大学 北京 100044) (吉林大学 长春 130025) 摘 要 介绍了目前国内外道路交通量预测的方法、特点及实际的预测效果。由于城市道路 交通的复杂性，使得一些现有交通量预测方法的预测精度不高。针对这些问题，应用混沌神经网 络，建立了城市道路交叉口出口交通量的浑沌神经网络预测模型，并与传统的BP神经网络预测结 果对比，表明此模型具有较好的预测效果。 关键词 混沌神经网络；BP神经网络；建模；交通量；预测 中图法分类号：U491 文献标识码：B 非线性，难于用精确数学模型表达复杂系统的特 0 引 言 性，且具有自适应能力，在无模型基础上，利用其 由于智能运输系统的快速发展，道路交通量 较强的学习训练特性，自动获取对象的输入输出 的动态预测成为非常重要的研究领域。国内外对 关系表达式。 于道路交通量的预测方法经历了一个较长的形成 最初建立的浑沌神经网络是一个神经元的模 和发展过程-l4j。 型(Cacaniello模型)，即 近几十年，交通量的预测方法主要是从以下2 N f 个方面进行提高和改进。一方面是单一交通量预 (f+1)一“[∑∑ (f—r)一 ](1) J一 1 r=0 测方法的发展和改进，首先是交通量预测的方法 式中：．27 (f+1)是第 个神经元在离散时间t+1 不断朝着非线性非参数的方向发展，在此过程中， 时的输出；“为单位阶跃函数；N为神经元输人 人们慢慢发现在信息预测方面，人工神经网络优 数； 是描述第 个神经元的激发经r+1个时 于卡尔曼滤波、MA以及ARIMA等模型，但是传 间单位后对第 神经元的影响的权值； (f—r) 统神经网络具有寻优速度慢、实时性差、推广能力 是描述第 个神经元在离散时间t—r时的输出。 低等缺点。为了克服这些缺点，人们对神经网络的 后来，经日本人南云和佐藤的修正，提出了南云一 结构设计和学习方法进行了大量研究[4]。Dongjoo 佐藤模型，即 Park等人利用输入层扩展的BP神经网络建立了 交通量预测模型，其性能优于常规BP神经网络及 Xi(f+1)一“[ (f)一a∑志 x(t—r)一0] r—o 卡尔曼滤波等方法。扩展输入层实质是增加输入 (2) 层与隐含层连接权的数目，从而增强信息存储能 其中，假定一个过去的激发导致的不应性影响随 力。由于交通流的复杂性，预测精度是非常重要 时间指数衰减，即 一一a志 ，志是不应性衰减率， 的。本文采用混沌理论与神经网络相结合的浑沌 0≤志≤1，a为一正的参数。A(f)是在时刻f的输入 神经网络模型来动态预测交叉口出口的交通量，