BP算法在交通流量预测中应用.docVIP

BP算法在交通流量预测中应用 　　摘要:研究了BP算法在交通流量预测中的应用。针对日益紧张的交通拥挤问题,利用梯度搜索技术,按照代价函数最小准则递归地求解网络权值,使得误差信号最小,提高了实际交通效益,实现交通畅通;仿真结果验证了该方法的有效性、合理性。 　　关键词: 算法;交通流量预测 　　 　　1 引言 　　 　　实时动态交通流量预测方法现正逐步运用于交通运输各领域,在建设智能化交通,提高交通运输效率,实现人、车、路的和谐统一中起到举足轻重的作用。因此,实现对道路交通流量的实时掌握以及准确预测成为发展智能运输系统的一个很重要的基础。较早期的预测方法主要有自回归滑动平均模型(ARMA)、自回归模型(AR)、滑动平均模型(MA)和历史平均模型(HA)等等。这些线性预测模型考虑因素都较为简单,参数一般都用最小二乘法(LS)在线估计,具有(相对而言)计算简便,易于实时更新数据,大规模应用的优点。随着研究的深入,人们又提出了一批更复杂的、精度更高的预测方法。从表现形式上分,有基于确定的数学模型和无模型算法两大类。前者包括多元回归模型、Kalman滤波模型、基准函数-指数平滑模型等;后者包括非参数回归、小波网络、神经网络相关的复合预测模型等。在这种情况下,利用人工神经网络[1,2]建立的预测模型更显示出独特的优越性。人工神经网络利用输入数据和输出数据进行建模,是一种并行的计算模型,具有高速运算能力,有很好的非线性映射能力和很强的自学习、自适应能力及高度的灵活性。在各种形式的人工神经网络中,又以误差逆传播(BP)网络应用最为广泛,它已成为前向网络的核心部分,并体现了人工神经网络最精华的部分。目前,在人工神经网络的实际应用中,绝大部分的神经网络模型都采用BP网络和它的变化形式。本文就对建立在BP神经网络基础上的交通流预测模型进行仿真分析。 　　 　　2 神经网络 　　 　　BP神经网络[3](Back Propagation Neural Network)是最具有代表性的一种神经网络模型是当前最流行的神经网络模型之一,并获得了广泛的应用。BP神经网络是一种多层前向型、采用误差反向传播学习算法的神经网络,其结构如图1所示。它除了输入层和输出层之外,中间还有一层或多层隐层。在BP神经网络中同层节点间无任何连接,相邻两层神经元之间形成全连接。由于同层节点间无任何耦合,因此,每一层的神经元只接受前一层神经元的输入,每一层神经元的输出只影响下一层神经元的输出。 　　网络的输入数据X=(x1,x2,…,xn)从输入层依次经过各隐层节点,然后到达输出层节点,从而得到输出数据y=(y1,y2,…,ym)。可以把BP神经网络看成是一个从输入到输出高度非线性映射,即 ,。 　　将神经网络应用于模式识别问题包含两个不同的阶段:第一个阶段或称为学习阶段,即网络训练阶段,调整神经网络权值以表现问题域;第二个阶段或称为工作阶段,权值固定不变,把实际数据或实验数据输入到神经网络,网络能对其进行模式分类。 　　具有自学习能力是神经网络的最重要特征之一,也是利用它来解决实际问题的最重要依据之一。BP神经网络通过对样本进行学习,调整BP神经网络中的连接权值,就可以实现非线性分类等问题。 　　 　　3 BP学习算法 　　 　　3.1 BP算法的基本思想 　　神经网络的学习算法[4]又称为误差反向传播算法或BP算法。误差反向传播法是最小均方算法的一种广义形式,BP算法使用梯度搜索技术,按代价函数最小的准则递归地求解网络的权值,代价函数为网络的实际输出和期待输出的均方误差。网络训练开始时,权值初始化为一组随机值,节点输出的期待值是预先规定的,当输入训练数据后,网络的代价函数可以计算出来,通过BP算法,误差逐层向输入层方向逆向传播,使网络不断自适应地修改网络权值,以减小代价函数值。 　　网络的学习过程由输入数据的正向传播和误差反向传播两部分组成:在正向传播过程中,每一层神经元的状态只影响下一层神经元网络,如果输出层不能得到期望输出,就是实际输出值与期望输出值之间有误差,那么转入反向传播过程。反向传播过程将误差信号沿原来的连接通路返回,通过修改各层神经元的权值,逐次地向输入层传播去进行计算,再经过正向传播过程。这两个过程地反复运用,使得误差信号最小,当误差达到人们所希望的要求时,网络的学习过程就结束。 　　3.2算法的实现 　　根据以上的分析可以给出以城市交通流量为例,采用带动量的特征因子变步长改进BP算法,其具体化的学习过程按以下步骤进行: 　　(1)输入N个学习实例 ; 　　(2)建立BP网络结构。由学习实例输入向量xk的长度n确定网络输入层节点数为n,由学习实例输出向量yk*的长度m确定网络输出层节点数为m。确定网络层数L?叟3和