浅谈BP神经网络预测模型.docVIP

 高 新 技 术  2006 NO.34 SCIENCE TECHNOLOGY INFORMATION 浅谈 BP 神经网络预测模型 肖静 邹传平 郑冬喜 （九江学院机械工程学院 332005 ）  摘 要：行程时间预测是交通流诱导系统研究的一项重要内容。本文分析了各种预测方法和几种预测途径, 给出了建立 BP 预测模型 的关键因素，总结了 BP 神经网络预测的优缺点。 关键词：交通流诱导系统 行程时间 人工神经网络 预测模型 中图分类号：TP3 文献标识码 ： A 文章编号：1672-3791(2006)12(a)-0009-01 1 引言 行程时间的预测是交通流诱导系统的主 要研究内容之一。智能运输系统的电子和通 讯技术又为行程时间的预测提供了前所未有 的高质量的交通状况数据采集技术,这为实时 行程时间预测打下了良好的基础。传统行程 时间预测模型是通过分析交通参数与通行能 力的关系而预测行程时间的,并不具有实时特 性。随着交通流诱导系统研究的深入,行程时 间预测已有不少研究。Dailey运用交叉相关技 术预测行程时间,DoH.Nam 等人建立了高速 公路行程时间模型。模型可分为两大类,一类 是综合模型,其适应性强,但所需的交通参数 较多。一类为基于路段上的时间预测模型,其 适应性弱,但模型简单而且易于标定。 2 基于BP神经网络的行程时间预测模型 路段上的行程时间与前几个时段的行程 时间有着必然的联系,路段的交通状况必然受 到上下游路段的交通状况的影响,这样我们就 可以利用路段前几个时段的行程时间数据列 来预测未来时段的行程时间,也可以利用上下 游路段几个时段的交通流量和行程时间预测 路段未来时段的行程时间，还可以通过与行 程时间有关的几个因素来预测行程时间。 设 为路段上的S时刻的交通流量向 量, 为路段上的 S 时刻前一时段的交通 流量向量。令,d 为所考 虑路段的总数, 若只考虑研究路段的交通流 量,则 。设 为路段上的 S 时刻的行 程量, 为路段 上的 S 时刻前一时段的 行程时间向量令 ，考虑 到路段的长度和交通流的特性,我们采用当前 时间段和前s个时间段的交通流量和行程时间 对未来时间段的交通流量进行预测。这样, 我们将 , , ?? 和 ， ，?? 为第个输入样本, 作为第 S 个样本输出值。由 BP 网的响 应函数的特性可知,节点输出值的区间为 (0,1) 。故我们必须对训练样本进行数值处 理, 这里采用等比变换。通过对数值的各指 标除以某个常数,使 BP 网的输入和输出值限 制在区间(0 ，1) 内, 然后再输入网络。具体 算法如下: (1)输入时间列 (2)对数据列进行处理,使之变换成 BP 网 络的输入模式对, (3)初始化 BP 网络各层的权值和阀值,让 各层的权和阀值取个随机数作为初值 , ， (4)对每个模式对进行如下循环: (5)计算 和 , (6)计算各层误差 (7)判断是否循环至样本集总数,否则返回 步骤(4), (8)计算总误差 E,E 为各样本误差总和并 判断 E 是否满足精度要求, 若 Ee 则学习停 止,否则, (9)修改权值和阀值,并转到步骤 4) (10)贮存 以备预测值的计算 (11)计算行程时间预测值: 在网络训练之后,预测的行程时间可由下 式求得: (12)对 Tt 值进行数据处理即得行程时间 的预测结果。 3 预测途径 3.1 针对路段历史数据的行程时间预测 在应用行程时间神经网络预测模型预测 路段行程时间时,我们预建立了研究路段十天 的行程时间数据库。行程时间数据是每十五 分钟一组,共有 420 个记录,其中 378 个记录 用于训练,42 个记录用于验证预测模型。本 文采用的是一个隐层、8 个隐层单元的 BP 网 进行训练,训练的输入变量有:研究路段t时刻 的行程时间、t-15 分钟时刻的行程时间、 t-30 分钟时刻的行程时间、t-45 分钟时刻 的行程时间,输出变量为 t+15 分钟时刻的行 程时间。 3.2 利用相关路段历史数据的路段行程时间预 测 路段未来时刻的通行能力不但与本路段 的现在和过去时段的交通状况有关,而且与与 之相连的路段交通状况有关,研究路段的行程 时间与该路段的前几个时段的行程时间、交 通流量和与之相连的路段交通流量有着必然 的联系, 而这种内在的关系较为复杂。神经 网络具有识别复杂非线性系统的特性.在这里 我们利用行程时间神经网络预测模型去拟合 它们之间的复杂关系,以求更准确地预测路段 行程时间。 网络训练采用的是一个隐层、14 个隐层 单元的 BP 网进行训练,训练的输入变量有:上 游三个路段和研究路段 t 时刻的交通流量、 t-15 分钟