资源描述：
《基于rbf神经网络的短时交通流量预测》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、基于RBF神经网络的短时交通流量预测张九跃1,焦玉栋2(1.淄博天为市政工程设计有限公司,山东淄博255000;2.淄博市土木建筑学会,山东淄博255000)摘要:城市交通网络是个复杂的系统,不同时段的交通流量之间有着非线性关系。神经网络具有识别复杂非线性系统的特性。利用RBF神经网络构建了短时交通流量动态预测模型,对某城市道路的短时交通流量进行预测,取得了较好的结果。关键词:非线性系统;短时交通流量;RBF神经网络文章编号::1672-0032(2008)03-0032-05中图分类号:V491.1文献标识码:A近年来,随着智能交通系统(ITS
2、)的发展,智能交通控制和车辆诱导系统成为ITS研究的核心课题。但这些系统得以实现的前提和关键是实时准确的短时交通流量预测,短时交通流量预测的精度将直接关系到交通控制和车辆诱导的效果,因此短时交通流量预测越来越受到重视。短时交通流量预测是动态交通控制和诱导的前提,要在控制决策的时刻对下一决策时刻乃至以后若干时刻的交通流量做出实时短期预测,预测方法的优劣和准确度的高低直接关系到控制与诱导的实际效果。短时交通流量预测大致分为2类,一类是基于数学模型的方法;另一类是无数学模型的方法。文献[1]对具有数学模型的方法做了综述,指出了这类方法的缺陷是无法反映短
3、时交通流量的非平稳性、随机性和非线性特性。无数学模型的方法是短时交通流量预测的发展方向,其中用神经网络预测交通流量是一种比较好的方法。人工神经网络是由大量简单的被称为神经元的处理单元以某种拓扑结构相互连接而成的非线性系统,具有如下特点:1)并行分布处理。人工神经网络具有较好的耐故障能力和较快的总体处理能力,因此特别适合动态控制和实时控制,这对动态交通控制和诱导尤其重要;2)非线性映射。神经网络具有固有的非线性特性,这源于近似任意非线性映射能力;3)通过训练进行学习。神经网络是通过记录过去的数据进行学习的。一个经过适当训练的神经网络具有归纳全部数据
4、的能力,因此,神经网络能够解决那些由数学模型或者描述规则难以处理的控制过程问题,因此在无法用数学模型刻画的交通流量的预测领域,神经网络具有不可替代的作用;4)适应和集成。神经网络能够适应在线运行,并可以同时进行定量和定性操作,能够输入大量不同的控制信号,实现信息的集成和融合处理,这些特征特别适合于复杂、大规模和多变量系统的控制。神经网络是一种新兴的数学建模方法,具有识别复杂非线性系统的特性,因此比较适用于交通流量的预测。1短时交通流量预测的原理路段上的现时交通流量与前几个时段的交通流量有着必然的联系,同时路段是路网中的一个部分,路段的交通状况必然
5、受到上下游路段的交通状况的影响,所以路段上的交通流量势必与相连的路收稿日期:2008-05-28作者简介:张九跃(1977—),男,安徽阜阳人,淄博天为市政工程设计有限公司工程师,主要从事城市道路设计与研究.第3期张九跃等:基于RBF神经网络的短时交通流量预测33段上的前几个时段的交通流量有着内在的联系。这样就可以利用路段前几个时段的交通流量数据列去预测未来时段的交通流量,也可以利用上下游路段前几个时段的交通流量预测路段未来时段的交通流量。设ui()为路段i上的时刻的交通流量向量,ui(-1)为路段i上的量。令-1时刻的交通流量向U(=[u1()
6、,u2(),),ud()],式中d为所考虑的路段的总数,若只考虑研究路段的交通流量,则d=1。考虑到路段的长度和交通流的特征,采用当前时间段和前s个时段的交通流量对未来时间段的交通流量进行预测。这样将U(),U(-1),输出值。,U(-s)作为第个输入样本,U(+1)作为第个样本2RBF网络及其学习算法2.1网络结构RBF网络是一类前向网络,其应用的领域主要是时间序列的预测、模式分类、图像处理[2-3],其拓扑结构如图1所示,它由输入层、隐层和输出层组成,其中各层节点数分别为n,k和m,由于输入层与隐层连接权值为1,故输入向量无改变地送到每一个隐
7、节点,每个隐层节点的激励函数均为径向基函数,每个隐节点输出值为ui=Φ(‖Xk-Ci‖/σi),i=1,2,,n,式中Φ为神经元的传递函数;Xk为第k个输入节点;ki为该节点的“中心向量”;σi为规划因子,输出层节点通常是简单的线性函数。2.2RBF网络的算法一般来说,RBF网络的学习过程可分为2个阶段[4]:确定径向基函数的参数,即RBF中心的Ci调整;隐层和输出层权值W的学习。1)基函数参数的确定采用K(均值)聚类算法确定基函数的参数,步骤为:①网络初始化给定隐单元i的初始中心Ci(0),i=1,2,②计算距离,k。图1RBF网络拓朴结构图=
8、‖X(t)-Ci(t-1)‖.dr(t)③求最小距离dr(t)=min(di(t)).④调整中心+β[X(t)(i=r),Xr(t)=C
