基于神经网络城市道路交通量预测方法研究.docVIP

基于神经网络城市道路交通量预测方法研究 　　摘要：交通量是衡量交通发展状况的重要指标，其预测的准确性直接影响路网的规划布局及建设安排，本文在综合分析影响道路交通量因素的基础上，提出了道路交通量神经网络的预测方法及其模型，结合内蒙古鄂尔多斯市道路建设的实际状况，对其道路交通量进行预测分析，结果表明，该方法相比于四阶段法有较高的预测精度。 　　关键词：城市道路；交通量；预测；神经网络 　　中图分类号：C913.32 文献标识码：A 文章编号： 　　 　　 　　1引言 　　随着我国城市化进程的高速发展，目前大多数城市道路出现交通堵塞、车速下降等现象，为适应城市建设的要求，对未来若干年的道路交通量预测是制定建设规划方案的一项重要的参考指标[1]，对城市道路网的完善、建设城市环路、放射路等交通干线和快速干道系统以及交通的调整和运营管理具有非常重要的作用，所以道路交通量的预测越来越受到重视。但由于交通量是一个受多层次、多因素影响的复杂变量，在实际工作中，由于缺少足够的信息而无法确定模型参数，给建模和预测带来了困难。传统的预测方法有：四阶段法、线性回归法、随机时间序列法、专家预测法、指数平滑法和状态空间法等[2]，这些预测方法虽然可以预测短时间内客运量变化的大致趋势，但需要事先知道许多参数以及如何根据不同的情况对这些参数进行修正。近年来出现的预测方法有：灰色系统模型法[3]、神经网络模型法[4]等。灰色系统预测本质是一种指数增长预测,要求原始时间序列是非负单调的,但是这个条件不一定能完全满足。本文在分析影响交通量各因素的基础上，针对城市道路交通特点，建立城市交通量神经网络预测模型，以鄂尔多斯市的交通量为例，通过对2007-2011年的交通量的预测，与实际结果相比较从而验证模型的精度和合理性。 　　2 交通量预测模型 　　2.1影响城市交通量的主要因素 　　影响城市交通量的因素很多，除城市社会经济现状、总体规划、人口等外，最重要的影响因素是车辆保有量及车速，影响城市机动车保有量的主要因素是生产总值GDP和人口密度的变化，目前车辆保有量大多由公安交??部门通过机动车辆的登记管理统计车辆的保有量。车速主要由安置在道边的测速仪器及装置来测量某一时段通过车辆的平均时速，从而掌握道路服务水平和拥挤程度，为路网交通分析和交通量预测建模提供数据。所以，选用城市的人口、车辆保有量、预测同时段的车速作为主要的影响因素。 　　2.2 影响因素的归一化处理 　　由于上述影响因素的量纲不同，为了研究问题的简化和统一，对原始数据进行归一化处理，转化为无量纲的表达式。其基本方法是将原始数据列通过适当的变换映射到有限区间。假设为原始数据列，归一化的序列，这里，其中和分别表示原始数据序列中的最小值和最大值,这样变换后的序列在区间[0,1]内[5]。 　　2.3对角回归神经网络滚动预测模型的建立 　　综合考虑各种影响因素，采用如图1所示的对角回归神经网络滚动预测模型[5]，前端子网络的输出作为输入层的输入，经由中间层和输出层而得到输出结果，然后将输出反馈给输入端作为网络输入的一部分进行滚动预测，同时隐层的每一神经元接受自己输出的自反馈。这种模型能实现动态映射，在此，我们针对实际问题考虑多输入单输出系统，其数学描述如下： 　　（1） 　　其中对每一个离散时刻t，是模型的第i个输入；是第j个回归元的输入和，即第个回归元的输出；为神经网络的输出；为第j个回归权；指第i个输入神经元到第j 个回归神经元之间的连接权[5]。 　　 　　令和为对象的希望和实际响应值，那么，模型的严格训练循环的误差函数为： 　　 （2） 　　为加快收敛速度，避免迭代过程出现振荡，采用加入动量因子的方法来修正学习率，保证系统稳定并达到全局最优。 　　3 鄂尔多斯市交通量预测分析 　　3.1 数据预处理 　　由鄂尔多斯市统计局、公安交警部门和交通局提供的2002年～2011年共10年的人口数、车辆保有量及每月初统计的北门处上午7:00-9:00时段的平均时速分别如表2所示[6]。对这些数据进行归一化处理后的数据如表3所示。 　　表2原始数据 　　 　　 　　 　　表3归一化数据 　　 　　 　　 　　3.2预测及结果分析 　　对交通量进行预测时，只有当那些对交通量影响较大的因素都包含在输入之内时，才有可能作出比较精确的预测。这里，以2002年～2006年的交通量数据为学习样本，以2007年～2011年五年的数据作为测试样本，采用表3所示的归一化数据作为输入，在MATLAB上进行实验。取得的实验结果如表4所示。同时用四阶段法所得如表5所示。从表中可以明显看出，对角回归神经网络滚动预测法表现出了较高的预测精度能够得到满意的预测误差（不超过3%），其