交通流量的神经网络预测研究摘要 交通流量预测问题是交通信息预测的核心问题，进行交通流量预测理论体系的研究，对于改善我国交通拥堵问题具有十分重要的学术价值和现实意义。本文在总结国内外研究成果的基础上，对已有的交通流预测方法进行了分类分析和介绍，并利用神经网络的方法来对交通流量进行预测分析。基于交通流量的集中分布特点并结合实际交通流量观测数据，我们采用了分区间段进行数据整理，将BP神经网络应用于交通流量预测的过程，通过对比预测结果，验证了BP 神经网络具有良好的预测效果。关键词 交通信息 交通流 预测 BP神经网络 Research on neural network predictionof traffic flowAbstract Traffic flow forecastingis the core problem oftraffic information prediction,theorysystemin the prediction of traffic flow,is very important forimproving our countrytraffic congestionhasacademic value and practical significance. This paperbased on summarizingthe domestic and foreign research results,analyzesandintroducesthe existingtraffic flow forecasting methods,andanalysis to predict thetraffic flowby neuralnetwork. based on centralizeddistribution of traffic flowand combined with the actualtraffic flowdata. We use theinter partitionofdata processingduring the process of BP neural network can be used totrafficflow prediction by comparing the predicted results ,proves that BPneural network has thegood forecast effect.Keywords Traffic Information Traffic flow Prediction BP neural network目录1 引言11.1研究背景11.2 交通流量预测及必要性11.3 交通流量预测的研究现状21.4本文的研究内容及意义22 交通流预测方法研究32.1 交通流预测综述32.1.1交通流预测的研究内容32.1.2 交通流预测流程32.1.3 研究方法分类42.2 典型方法介绍52.2.1 常规预测方法52.2.2 智能预测方法53 人工神经网络介绍6 3.1 人工神经网络发展阶段及特点63.1.1人工神经网络国内外研究背景63.1.2人工神经网络特点73.2 人工神经网络基本原理83.2.1 人工神经元模型83.2.2激活函数83.3 BP神经网络94 基于BP神经网络的交通流量预测104.1预测实例描述11 4.1.1小时交通流量预测分析114.1.2日交通流量预测分析135 本章小结17致谢语18参考文献191 引言1.1 研究背景随着国民经济的发展和城市化步伐的迅速加快，机动车保有量迅速增加。而在这迅速增加的机动车中，私车的比例也越来越高，这是导致交通拥堵问题越来越严重的原因之一。国内各城市呈现的交通拥堵、交通安全多隐患、交通信息缺乏不仅给出行者的出行带来延误，更重要的是对整个区域经济的进一步发展产生阻力，从而影响整体国民经济的发展。因此，交通拥堵、交通事故所产生的出行延误已经成为许多先进国家所面临的主要交通问题，自前美国、欧洲等国家由于交通延误引起的经济损失己经高达GDP的2%。据有关资料介绍，我国城市交通拥堵问题日趋严重，从1978年到1995年我国城市机动车保有量的增长速度是道路增长速度的80倍，高峰小时机动车的平均时速低至10km/h，极大地妨碍居民的出行速度和效率。进入二十一世纪以来，我国机动车的保有量更是迅速增加。而由于政策的支持、产业经济发展的需要、逐步富裕起来的人们追求更加方便舒适的生活，机动车的不断增加是一个长期趋势。交通供需矛盾的长期性、城市空间和建设资金的有限性等严峻形势，决定了不能单一地通过增加交通基础设施来改善城市机动车辆出行的交通状况问题。 1.2交通流量预测及必要性交通流量是指在选定的时间段内，通过道路某一断面或某一车道的交通实体数，按交通类型分:有机动车交通量、非机动车交通量和行人交通量。交通量随时间和空间的变换而变化，具有时空分布特性。交通规划及设计方案比较与经济分析需要准确的掌握未来交通量变化的趋势;城市交通控制系统在进行主干线协调控制、区域协调控制时，必须提前预测进入下游交叉口的交通量;对出行车辆进行交通诱导要以实时准确的交通量预测为前提。因此，研究或观察交通量的变化规律，并对未来时刻交通量或发展趋势进行科学合理地预测，对于进行交通规划、交通诱导、交通管理、交通控制与安全等，均具有重要的意义;基于BP神经网络的城市交通流量预测与路口分析，己成为交通工程领域重点研究课题1。1.3 交通流量预测的研究现状何伟在模糊神经网络在交通流量预测中的应用研究中，在混沌相空间重构理论基础上,研究了自适应神经模糊推理系统(Adaptive Neural Fuzzy Inference System, ANFIS)和基于神经网络集成的T-S(Takagi-Sugeno)系统这两种模糊神经网络,随后将其应用于交通流量预测实例分析2；李存军在基于集成神经网络的城市道路交通流量隔合预测研究中，以城市道路交叉口为例，对基于集成神经网络的融合交通流量预测的模型、方法和具体实现途径进行了研究3；冯明发在粒子群优化RBF神经网络的短时交通流量预测中，提出基于粒子群(PSO)优化RBF神经网络的交通流量预测方法4；韩超在基于时间序列分析的短时交通流量实时自适应预测中，基于采用AR(p)模型结构的时间序列分析方法，提出一种短时交通流实时自适应预测算法5。兰云在短时交通流预测研究提出用小波(Wavelet)将短时交通流数据分解到不同尺度(频率)空间，再在各尺度空间分别进行预测，将预测的结构综合得到原流量序列的预测值的方法6。1.4本文的研究内容及意义本文将神经网络技术研究与交通信息预测研究紧密结合，在总结国内外研究成果的基础上，对已有的交通流预测方法进行了分类分析，并对每种研究的基本方法进行了具体介绍；再次，重点研究了智能预测中的人工神经网络理论，介绍了神经网络的发展、特点、结构以及学习理论，分析了 BP神经网络的具体步骤，为交通流预测的实现奠定了理论基础；最后，结合实际交通流量观测数据，将BP神经网络应用于交通流量预测的过程，通过对比预测结果，验证了BP 神经网络具有良好的预测效果。本课题的研究有着一定的理论和应用价值。2交通流预测方法研究2.1交通流预测综述2.1.1交通流预测的研究内容常见的交通流预测是对交通流三大宏观参数，也就是流量、密度和速度进行预测，在之前多人的研究中，选用流量作为预测变量的比较多。Dougherty 和 Cobbet 用三个不同模型对城市道路的三大宏观交通参数进行预测，得出结论：对交通量和密度的预测结果比较理想，对速度的预测效果较差7。Levin 和 T sao 通过研究，认为交通量的预测比占有率的预测更稳定，效果更好8。21.2交通流预测流程（1）确定预测目的，制定科学预测计划从实际需要出发，确定预测要解决的问题。根据预测的对象制订科学的预测计划，包括预测的目的、对象、范畴界定、预测方法、时间和资金安排等。（2）收集、审核和整理资料准确和详尽的统计资料是交通信息预测的基础，资料的准确与否直接影响到预测的精度。得到需要的资料后，首先应对其进行审核与整理。资料的审核主要是审核来源是否可靠、准确齐备，资料是否具有可比性。资料的整理包括对不准确或个别异常的资料进行查证核实；对不可比的资料调整为可比；对短缺的资料进行估计推算并做标记；对总体资料进行必要的分类组合。（3）数据资料分析数据资料分析是预测方法和预测模型选取的前提，它是整个预测过程中的技术重点，数据资料分析的质量将对最终的预测质量产生影响。数据资料分析的内容包括：预测对象的可预测性分析、预测对象影响因素间的线性或非线性相关性分析等。（4）选取预测方法并建立预测模型预测方法的选取和预测模型的建立以科学的数据资料分析结论为前提。在掌握的基础数据不完整、不准确的情况下，一般考虑定性的预测方法；对于统计间隔较长的交通信息，应选取恰当的宏观交通信息预测方法；对于具有不同动力学特性的微观交通信息，应分别选取确定性、混沌、随机性的微观交通信息预测方法。针对选定的预测模型，还应根据历史数据进行模型参数估计。（5）分析预测误差，评价预测效果利用建立的预测模型，生成从已有数据时间点到未来时间点的预测值，通过和已有数据进行预测对比，分析预测模型的误差及其来源。对于微观交通信息，还应结合预测对象的可预测性质对预测效果进行评价。确定性微观交通信息本质上具备相对较长的预测期，混沌微观交通信息本质上只能被短期预测，随机性微观交通信息则根据其统计特性，具备一定的短期可预测性。（6）改进预测模型一方面，针对预测精度不符合交通信息可预测性质的模型，应根据预测效果评价结论，从预测机理、预测模型结构、模型参数选择与标定、数据预处理等方面进行改进型研究。另一方面，预测过程中随着时间的推移，信息数据不断涌现，当原来的预测模型已不能够如实反映实际交通情况的需要，就应采取滚动的预测方法：更新原始数据，多用最新的数据，去掉老的数据，以利于预测质量的提高9。2.1.3研究方法分类预测方法的分类如果按获取的数据来说可以分为时间序列预测方法和时空结合方法。前者对某一观测点的历史和当前数据来预测未来状况，后者将本观测点和上下游观测点的数据综合预测，考虑上下游对其的影响;如果按有无数学模型可分为基于模型预测和无模型预测算法;还可分为参数预测方法和非参数预测方法。较早期的交通流量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(MA)和历史平均(HA)等。这些线性预测模型考虑因素较简单，参数一般采用最小二乘法(LS)在线估计。相对而言，计算简单，易于实时更新数据，便于大规模应用，但这些模型未能反映交通流的不确定性和非线性，无法克服随机因素对交通流量的影响，所以随着时间间隔的减少，模型的预测精度就会变差。随着研究的深入，人们又提出了一批更复杂和更高精度的交通流量预测方法。其中有自回归综合移动平均(ARIMA)模型、自适应权重联合模型、卡尔曼滤波模型、指数平滑模型、各种神经网络模型、非参数回归模型、基于分形的方法等以及这些模型构成的多种组合预测模型。2.2典型方法介绍2.2.1 常规预测方法(1)移动平均法移动平均法是根据时间序列资料计算固定项