基于小波神经网络的短时交通流量预测

《基于小波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，更多相关内容在应用文档-天天文库。

1、基于小波神经网络的短时交通流量预测赵道利谷伟豪冯亚平西安理工大学水利水电学院短时交通流量预测对于改善交通拥堵、减少环境污染具有重大的现实意义。传统神经网络进行短时交通流量预测难度大，精度低。为了提高预测精度，采用一种小波神经网络模型，小波神经网络具有小波分析和神经网络两者的优点，非线性拟合能力强，收敛速度快，训练精度高，可以对短时交通流量预测进行局部分析，非常适合非线性预测。文中建立了小波神经网络模型，构造了交通流量样木集，对样木数据训练至收敛，然后选取一定数量的样木数据进行测试。测试结果表明，采用小波神经网络进行短时交通流量的预测不仅预

2、测精度高，而且收敛速度快，实时性好，具有一定的应用价值。关键词：短时交通流量;小波分析;神经网络;。ShorttimetrafficflowpredictionbasedonwaveletneuralnetworkZhaoDaoliGuWeihaoFengYapingCollegeofWaterResourcesandElectricPower,Xi’anUniversityofTechnology:Abstract：Shorttimetrafficflowforecastingisofgreatsignificanceforimprov

3、ingtrafficcongestionandreducingenvironmentalpollution.Traditionalneuralnetworkisverydifficulttopredictshorttimetrafficflowandhaslowprecision.Inordertoimprovethepredictionaccuracy,awaveletneuralnetworkmodelisadopted.Waveletneuralnetworkhastheadvantagesofbothwaveletanalysis

4、andneuralnetwork,withstrongnonlinearfittingability,fastconvergencespeedandhighprecisionoftraining,whichisverysuitablefornonlinearprediction.Sopartialanalysisofshort-termtrafficflowforecastingcanbecarriedout.Thewaveletneuralnetworkmodelisestablishedinthispaper，atrafficflow

5、samplesetisconstructed.Thesampledataistrainedtoconvergence,andthenacertainnumberofsampledataareselectedfortesting.Thetestresultsshowthatthewaveletneuralnetworkforshorttimetrafficflowpredictionnotonlyhashighpredictionaccuracy,butalsotheconvergencespeedisfast,thereal-timepe

6、rformanceisverygood,andhascertainapplicationvalue.Keyword：shorttimetrafficflow;waveletanalysis;neuralnetwork;0引言随着我国城市化进程的大力发展，机动车数量剧增，导致城市道路拥堵、交通事故以及环境污染等一系列的问题。因此，城市交通问题已是网扰着民生的大问题。为了冇效控制和管理城市交通，冇必要对交通流量进行实吋准确的预测，然后交通部门可以采取有效的控制策略来对交通流量进行疏导和控制，保障机动车的畅通无阻，改善交通拥堵状况。目前短时交通

7、预测方法主耍有两类:一类是时间序列预测，例如参数回归模型预测、卞•尔曼滤波模型等，这类预测方法原理简单，考虑的影响因素少，因此预测精度不高，无法考虑突发性因素的影响;另外一类是非线性预测模型，例如神经网络、支持向量机、小波祌经网络等方法，这类模型的非线性逼近能力好，而短时交通流量具有高度复杂性、不确定性，非线性预测模型可根据这个特点进行建模预测。文献［1］根据道路交通流量的复杂性和不确定性，提出一种改进K近邻非参数回归预测算法，取得了良好的预测结果。文献［2］提出改进的BP神经网络模型，与传统的BP神经网络预测相比，精度更高。文献［3］采

8、用小波支持向量机进行预测,先将交通流量进行小波分解，得到高频部分和低频部分，再分别利用支持向量机进行预测。文献［4］针对RBF神经网络预测中收敛速度慢和泛化能力差等问题，提出将粒子群算法应用到