基于RBF网络的道路交通能力预测.pdfVIP

基于 RBF网络的道路交通能力预测 袁立行，王玲芝 (西安邮电学院 自动化学院，陕西 西安 710121) 摘要：交通系统是一个复杂的非线性不确定动态系统，难以利用精确的数学模型来表达。针对此问题提 出一种径 向基函数(RadialBasisFunction，RBF)网络方法，对交通运输量进行预测研究。分别取当地生产总值 GDp、工业 总产值及铁路运输线路长度等8项指标作为货运量的影响因子，以货运总量、铁路货运量和公路货运量作为货运 量的输出因子，即网络的输出。仿真结果显示，基于RBF网络测试的道路交通能力测试误差较小，预测精度较高， 说明RBF网络在货运量预测方面具有有效性。 关键词 ：径向基 网络 ；交通系统；能力预测 中图分类号：TP391．4 文献标识码 ：A 文章编号：1007—3264(2011)02—0042一O4 人工神经网络作为一门新兴学科在非线性系统 来实现RBF网络算法，进一步通过修改网络中的重 的建模与辨识中得到了广泛的应用。目前应用最广 要的参数，来完成对实际问题的模拟预测。 泛、直观、易理解的是基于误差反向传播的多层前向 1 基于 RBF网络 的道路交通能力 神经网络(ErrorBackPropagation，EBP)[1．z]，但该 预测 网络存在着收敛速度慢，易陷人局部小及隐含层节 点个数不易确定等缺陷。近年来备受关注的另一种 准确的道路交通预测是智能交通控制的可靠保 前向神经网络——径向基函数 (RadialBasisFunc— 障。分析交通问题的原因，大多是由于交通需求大 tion，RBF)神经网络有效的解决了上述问题 。 于交通供给能力造成，因此预测道路交通能力成为 RBF神经网络是一种性能 良好的前向神经网 解决问题的关键。特别是在规划和设计阶段及时发 络，已被证明它具有全局逼近的性质 ，且不存在局部 现问题所在 ，进行相应的方案调整，就能够在很大程 最小问题E引。RBF网络不仅具有 良好的泛化能力， 度上避免一些问题的发生和发展。 而且计算量小，学习速度也比其它一般算法快得多， 1．1 RBF网络结构 已广泛应用于系统辨识和参数估计。RBF网络是 图1所示为一典型 RBF网络结构图。其中输 由PowellM．J．D于 1985年提出的，是以函数逼近 入层有7／个神经元，该层节点只传递输入信号到隐 理论为基础构造的一类前 向网络。它是一个只有一 层。隐层有k个神经元，输出层有m个神经元输出层 个隐含层的三层前馈神经网络 ，在中间层对 以局部 节点，计算由隐节点给出的基函数的线性组合。现已 相应的高斯函数代替传统的全局相应的激发函数。 有理论证明，对于任意一个给定的非线性函数，RBF 由于局部相应的特性，它对函数的逼近时最优的，而 网络可以任意精度逼近这个函数[。 且训练过程很短 。 隐层作用函数 (基函数)通常为径向基对称函 实际的交通系统是一个非线性，不确定的复杂 数，如高斯函数，其 中 系统，难以采取精确模型来表达的问题，本文通过建 R一xprL 厶≠ J] (1) 立一个实际的模型预测实例，交通运输能力的预测 式中G—— 隐层 C单元的径向基的中心，一1，2， 归一化到区间[O，1]中，需要注意的是，对于已经位 c2『—— 标准化函数； 于区间[0，1]中的数据 ，无需进行归一化处理 。样本 l