基于bp神經(jīng)網(wǎng)絡(luò)的快速路小時(shí)交通量預(yù)測(cè)

五邑大學(xué)本科畢業(yè)設(shè)計(jì)PAGE2PAGE33基于BP神經(jīng)網(wǎng)絡(luò)的快速路小時(shí)交通量預(yù)測(cè)摘要快速路高效運(yùn)行是解決城市交通擁堵問(wèn)題的關(guān)鍵所在，城市ITS的應(yīng)用提高了城市路網(wǎng)使用效率以及發(fā)揮環(huán)路運(yùn)營(yíng)管理的使用功效，準(zhǔn)確的快速路交通量預(yù)測(cè)數(shù)據(jù)為城市ITS提供數(shù)據(jù)基礎(chǔ)。本設(shè)計(jì)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)快速路小時(shí)交通量進(jìn)行預(yù)測(cè)，通過(guò)確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和采用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，把已知的歷史交通量數(shù)據(jù)作為輸入、輸出訓(xùn)練的樣本集，依據(jù)已知數(shù)據(jù)和實(shí)際輸出間的誤差，用學(xué)習(xí)系統(tǒng)來(lái)調(diào)節(jié)系統(tǒng)參數(shù)提高預(yù)測(cè)的精度，然后使用MATLAB對(duì)仿真程序進(jìn)行仿真得出結(jié)果，仿真結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)對(duì)交通量進(jìn)行預(yù)測(cè)效果很好。關(guān)鍵詞：快速路；交通量預(yù)測(cè)；BP神經(jīng)網(wǎng)絡(luò)；仿真AbstractTheefficiencyofexpresswayisthekeytosolvetheproblemoftheurbantrafficcongestion.Moreover,TheapplicationofITSdevelopstheefficiencyoftheurbanexpresswaynetworkandgivesscopetothepotentialoftheloop’soperationmanagement,theITSdataisbasedontheaccurateforecastfiguresofexpresswaytrafficflow.Inthisdesign,BPneuralnetworkisusedtopredictthetrafficvolumeofexpressway,bydeterminingthestructureoftheBPneuralnetworkandadoptingMATLABneuralnetworktoolboxfunctiontocreateaneuralnetworkpredictionmodel,useknownhistoricaltrafficdataasthesamplesetofinputandoutputtraining.Anduselearningsystemtoadjustthesystemparameterstoimprovethepredictionaccuracyaccordingtotheerrorbetweentheknowndataandtheactualoutput.ThenuseMATLABsimulationprogramforthesimulationresults,thesimulationresultsshowthattheBPneuralnetworktoforecastthetrafficvolumeeffectisverygood.Keywords:expressway;trafficforecast;BPneuralnetwork;simulation

目錄摘要 IAbstract II第1章緒論 11.1課題背景 11.2研究目的和意義 11.3國(guó)內(nèi)外文獻(xiàn)綜述 21.4論文的主要內(nèi)容 3第2章交通量預(yù)測(cè) 42.1交通量 42.1.1交通量概述 42.1.2交通流量特性 42.2交通流量預(yù)測(cè)研究現(xiàn)狀 52.3交通流量預(yù)測(cè)方法 62.4本章小結(jié) 6第3章BP神經(jīng)網(wǎng)絡(luò) 73.1人工神經(jīng)網(wǎng)絡(luò)基本知識(shí) 73.2BP神經(jīng)網(wǎng)絡(luò) 83.2.1BP神經(jīng)網(wǎng)絡(luò)概述 83.2.2BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法 93.2.3BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn) 113.3本章小結(jié) 11第4章基于BP神經(jīng)網(wǎng)絡(luò)的快速路小時(shí)交通量預(yù)測(cè)與仿真 134.1BP神經(jīng)網(wǎng)絡(luò)在交通信息預(yù)測(cè)中的應(yīng)用 134.2基于BP神經(jīng)網(wǎng)絡(luò)的快速路小時(shí)交通量預(yù)測(cè) 134.3仿真研究 164.3.1四輸入法仿真結(jié)果 164.3.2五輸入法仿真結(jié)果 224.4本章小結(jié) 27結(jié)論 28參考文獻(xiàn) 29致謝 30附錄 31第1章緒論1.1課題背景交通系統(tǒng)是承載城市社會(huì)經(jīng)濟(jì)活動(dòng)的基礎(chǔ)設(shè)施，隨著我國(guó)經(jīng)濟(jì)資源的迅速發(fā)展，加快了城市之間的經(jīng)濟(jì)快速流轉(zhuǎn)，在不同的城市之間物質(zhì)等各方面資源在不斷的調(diào)動(dòng)。改革開放以來(lái)城鎮(zhèn)化的快速發(fā)展，機(jī)動(dòng)車保有量激增使得城市交通需求快速增長(zhǎng)，發(fā)展帶來(lái)巨大財(cái)富的同時(shí)城市交通的供需矛盾日趨激化，這直接導(dǎo)致在我國(guó)多數(shù)城市引發(fā)一系列交通問(wèn)題如道路擁堵、環(huán)境嚴(yán)重污染、交通事故頻發(fā)等，嚴(yán)重影響著社會(huì)及經(jīng)濟(jì)的正常發(fā)展，研究新的交通管理系統(tǒng)和改善基礎(chǔ)交通設(shè)施刻不容緩。世界各國(guó)都投入大量的人力物力去開發(fā)新的交通管理系統(tǒng)和不斷改善各種對(duì)交通的控制管理。相繼研發(fā)出了許多不同的交通控制手段和系統(tǒng)，智能交通運(yùn)輸系統(tǒng)(IntelligentTransportationSystem，簡(jiǎn)稱ITS)的提出為解決交通問(wèn)題、緩解交通擁擠和減少交通事故發(fā)揮了巨大的作用?？焖俾纷鳛檫B接城市與城市、城市與地區(qū)的紐帶，是交通的大動(dòng)脈，為促進(jìn)城鄉(xiāng)經(jīng)濟(jì)的發(fā)展起著重要的橋梁作用?？焖俾返慕ǔ?，的確暫時(shí)地緩和了擁擠的交通，引起沿線地區(qū)經(jīng)濟(jì)再次加速發(fā)展。但與此同時(shí)，汽車擁有量及貨物運(yùn)輸量不斷增加，源源不斷的交通問(wèn)題又困擾了人們。要從根本上解決交通問(wèn)題，實(shí)現(xiàn)最大限度使用快速路，在擴(kuò)建和完善公路網(wǎng)絡(luò)的基礎(chǔ)上，不斷提高現(xiàn)有交通系統(tǒng)的現(xiàn)代化管理水平，使用科學(xué)技術(shù)的智能優(yōu)勢(shì)來(lái)管理現(xiàn)有的道路網(wǎng)絡(luò)，進(jìn)而得到最高效率的使用?？焖俾沸r(shí)交通量預(yù)測(cè)對(duì)現(xiàn)有交通系統(tǒng)的控制與管理起著非常重要的作用，精確交通流量預(yù)測(cè)對(duì)交通控制、交通流分配、車流疏導(dǎo)及確保道路安全暢通具有很大作用，并關(guān)乎到ITS能否得以實(shí)現(xiàn)其職能。交通量是一個(gè)隨機(jī)數(shù)，具有時(shí)變性、非線性的特點(diǎn)，常規(guī)的線性預(yù)測(cè)模型與方法對(duì)城市交通量的預(yù)測(cè)在準(zhǔn)確度方面明顯不足，基于交通流量對(duì)交通控制管理的重要性，種種交通信息預(yù)測(cè)理論方法應(yīng)時(shí)而生，如模糊理論預(yù)測(cè)模型、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型等，對(duì)交通量的預(yù)測(cè)有很好的效果，本設(shè)計(jì)采用的BP神經(jīng)網(wǎng)絡(luò)便是神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的其中一種。1.2研究目的和意義基于BP神經(jīng)網(wǎng)絡(luò)的快速路小時(shí)交通量預(yù)測(cè)相對(duì)目前廣泛應(yīng)用于交通量預(yù)測(cè)的其他方法（如：四階段法等）來(lái)說(shuō)，其并行處理功能、容錯(cuò)性及非線性等有很大的優(yōu)越性，特別是BP神經(jīng)網(wǎng)絡(luò)誤差反向傳播以此修正誤差的特性極大提高預(yù)測(cè)的精度，進(jìn)而得到更精確的交通量預(yù)測(cè)數(shù)據(jù)，為交通控制、管理措施提供基礎(chǔ)數(shù)據(jù)，使城市快速路高效運(yùn)行，這便是本設(shè)計(jì)研究的目的所在。為保障城市快速路在運(yùn)營(yíng)期間的日常管理、提高城市快速路路網(wǎng)運(yùn)行的效率，對(duì)快速路交通量進(jìn)行預(yù)測(cè)是至關(guān)重要的，預(yù)測(cè)準(zhǔn)不準(zhǔn)確對(duì)城市快速路的規(guī)劃、設(shè)計(jì)及管理有巨大、深刻而長(zhǎng)遠(yuǎn)的影響。如果預(yù)測(cè)過(guò)大則必定會(huì)造成在規(guī)劃設(shè)計(jì)時(shí)過(guò)早投入大量資金的同時(shí)造成土地等資源浪費(fèi)，而修建的快速路系統(tǒng)交通流分布不合理；如果交通量預(yù)測(cè)過(guò)小，則規(guī)劃設(shè)計(jì)并花費(fèi)巨大投入資金、土地資源和勞動(dòng)力建設(shè)的快速路在投入使用后會(huì)因?qū)嶋H交通量激增而過(guò)早造成交通飽和，進(jìn)而使該快速路車輛擁堵、運(yùn)行效率低、交通事故頻繁等后果。本研究的意義是利用BP神經(jīng)網(wǎng)絡(luò)對(duì)高速路小時(shí)交通量實(shí)現(xiàn)較高精度的預(yù)測(cè)，從而使城市高速路運(yùn)輸系統(tǒng)得到更高的運(yùn)行效率，使人們出行更安全，時(shí)間更短，能耗更低，更好地解決當(dāng)下的交通問(wèn)題，服務(wù)人民。1.3國(guó)內(nèi)外文獻(xiàn)綜述文獻(xiàn)1參閱此書的目的是對(duì)完成本課題首先要對(duì)交通工程的基本概念、理論及方法尤其是關(guān)于交通量知識(shí)加以了解，除此之外這本書還提到世界各國(guó)的研究新動(dòng)態(tài)。文獻(xiàn)2對(duì)世界各地有關(guān)交通工程學(xué)的理論和最新研究成果進(jìn)行闡述，介紹了交通流量的定義與特性。文獻(xiàn)3對(duì)ITS進(jìn)行介紹，并對(duì)ITS的在實(shí)際運(yùn)用中的關(guān)鍵加以說(shuō)明。文獻(xiàn)4全面介紹ITS的產(chǎn)生、發(fā)展、基本理論、基本技術(shù)、體系結(jié)構(gòu)及應(yīng)用研究，內(nèi)容豐富、取材新穎、編寫嚴(yán)謹(jǐn)規(guī)范，參閱這本書主要是對(duì)ITS有一個(gè)更深入的了解。文獻(xiàn)5針對(duì)現(xiàn)今道路交通狀態(tài)短時(shí)預(yù)測(cè)問(wèn)題，介紹了多種預(yù)測(cè)方法和模型的基本原理，分別以時(shí)間序列、線性、非線性和人工智能預(yù)測(cè)系統(tǒng)為基礎(chǔ)，建立多斷面的交通狀態(tài)預(yù)測(cè)模型，并用這些方法解決給出相應(yīng)算法應(yīng)用案例。文獻(xiàn)6以城市快速路為研究對(duì)象，實(shí)時(shí)的而城市交通流數(shù)據(jù)作為基礎(chǔ)，利用微觀仿真對(duì)城市快速路交通流進(jìn)行預(yù)測(cè)，并得出較好的預(yù)測(cè)結(jié)果證明這種預(yù)測(cè)方法的可行性。文獻(xiàn)7從交通信息獲取、可預(yù)測(cè)性分析、預(yù)測(cè)建模及預(yù)測(cè)系統(tǒng)設(shè)計(jì)等方面，建立了較為完善的智能交通信息預(yù)測(cè)體系框架，重點(diǎn)介紹了灰色系統(tǒng)理論、卡爾曼濾波理論、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)及組合預(yù)測(cè)理論在交通信息預(yù)測(cè)方面的新應(yīng)用和新成果。文獻(xiàn)8主要介紹通過(guò)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)高速路交通量進(jìn)行預(yù)測(cè)，MATLAB建模通過(guò)對(duì)高速路的收費(fèi)預(yù)測(cè)得出該高速公路的交通量預(yù)測(cè)數(shù)據(jù)。文獻(xiàn)9與MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的神經(jīng)網(wǎng)絡(luò)模型緊密結(jié)合，列舉出多種模型并對(duì)相應(yīng)結(jié)構(gòu)、原理和有關(guān)算法、MATLAB中神經(jīng)網(wǎng)絡(luò)對(duì)象及對(duì)象屬性加以闡述，以實(shí)例說(shuō)明了各種神經(jīng)網(wǎng)絡(luò)模型的MATLAB仿真程序設(shè)計(jì)方法。文獻(xiàn)10本書詳細(xì)介紹了MATLABR2007b的基本功能和使用方法，并按照由淺入深的順序安排章節(jié)，依次介紹了MATLABR2007b的應(yīng)用、數(shù)學(xué)計(jì)算功能及更高級(jí)應(yīng)用如編程功能、繪圖、GUI設(shè)計(jì)及Simulink建模等。1.4論文的主要內(nèi)容第1章緒論闡明課題研究的背景、研究目的和意義，以及對(duì)國(guó)內(nèi)外交通控制的研究狀況進(jìn)行綜述。第2章交通量預(yù)測(cè)簡(jiǎn)要介紹交通量、交通量特性，交通量預(yù)測(cè)研究現(xiàn)狀，并列舉多種目前使用的交通信息預(yù)測(cè)方法。第3章BP神經(jīng)網(wǎng)絡(luò)對(duì)人工神經(jīng)網(wǎng)絡(luò)概述，重點(diǎn)對(duì)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、原理及學(xué)習(xí)算法作出相應(yīng)介紹，并淺談如何改進(jìn)BP網(wǎng)絡(luò)。第4章基于BP神經(jīng)網(wǎng)絡(luò)的快速路小時(shí)交通量預(yù)測(cè)與仿真使用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)交通量，原始數(shù)據(jù)處理、建立預(yù)測(cè)模型、仿真程序編寫訓(xùn)練并用四輸入和五輸入法進(jìn)行仿真，最后對(duì)得出的仿真結(jié)果交通量預(yù)測(cè)值和實(shí)際值加以分析。

第2章交通量預(yù)測(cè)2.1交通量2.1.1交通量概述1.交通量的含義交通量是指在選定的時(shí)間段內(nèi)，通過(guò)道路某一斷面、某一地點(diǎn)或某一條車道交通體的數(shù)量，它是描述交通流特性最重要的三個(gè)參數(shù)的其中一個(gè)，分為機(jī)動(dòng)車、非機(jī)動(dòng)車和行人交通量，對(duì)不加說(shuō)明材料則交通量是指且指來(lái)往兩個(gè)方向的車輛數(shù)。2.常規(guī)交通量分類常用的交通量表達(dá)方式有以下幾種：（1）平均日交通量，根據(jù)觀測(cè)總天數(shù)的不同有多種分類詳見表2-1。表2-1平均日交通量（ADT）所得觀測(cè)期內(nèi)統(tǒng)計(jì)交通量的總和與觀測(cè)總天數(shù)的比值年平均日交通量（AADT）一年內(nèi)觀測(cè)的交通量總和與一年的總天數(shù)（365）的比值月平均日交通量（MADT）一月內(nèi)觀測(cè)的交通量總和與一月總天數(shù)的比值周平均日交通量（WADT）一周內(nèi)觀測(cè)的交通量總和與一周總天數(shù)（7）的比值（2）小時(shí)交通量：一小時(shí)內(nèi)通過(guò)觀測(cè)斷面的車輛數(shù)（輛/h）。（3）高峰小時(shí)交通量：一天內(nèi)的高峰期間連續(xù)1小時(shí)的最大交通量(輛/h)。（4）第30小時(shí)交通量：一年中8760個(gè)小時(shí)交通量按大小次序排列，從打到小序號(hào)第30的那個(gè)小時(shí)交通量。2.1.2交通流量特性眾所周知交通量每時(shí)每刻都在變化，每小時(shí)、每天、每個(gè)月、每年的交通量都不盡相同，其大小還與人民生活水平、人口分布、社會(huì)經(jīng)濟(jì)發(fā)展的速度等很多方面因素有關(guān)，所以在相同的時(shí)間或相似條件下隨地域、路線、車道等情況的差異而有所不同，城市中路網(wǎng)比較復(fù)雜，隨機(jī)因素更大。對(duì)城市交通的研究不是僅僅停留的交通量研究上的，而是結(jié)合城市交通流的交通量、速度和密度。交通流量具有網(wǎng)狀特性、時(shí)空特性、隨機(jī)性、時(shí)變特性、不確定性、不可預(yù)知性、內(nèi)在相關(guān)性、內(nèi)在約定性、長(zhǎng)程相關(guān)性、自組織特性以及速度——密度關(guān)系特性，所以交通流是一個(gè)隨機(jī)的相互聯(lián)系、相互影響的不斷變化的復(fù)雜的整體，交通流量任何的變化都并不是偶然存在的一種現(xiàn)象而是其各方面因素相互作用的必然結(jié)果，同樣每一個(gè)因素發(fā)生的變化都將作用于接下來(lái)的短時(shí)交通流量，使其發(fā)生變化。短時(shí)交通流量存在的自相似性使得交通流量具有可預(yù)測(cè)性，而它的隨機(jī)性、時(shí)空性、不可預(yù)知性、不確定性等特性更加表明交通流量呈現(xiàn)出的錯(cuò)綜復(fù)雜的特性，導(dǎo)致交通流量信號(hào)中的頻率成分繁雜，為精確進(jìn)行交通流量預(yù)測(cè)造成了巨大的障礙和困難。人工智能對(duì)解決不確定性問(wèn)題、弱結(jié)構(gòu)化問(wèn)題的優(yōu)勢(shì)尤為明顯，因此強(qiáng)化ITS的交通流預(yù)測(cè)智能化成為世界研究的重要課題之一。2.2交通流量預(yù)測(cè)研究現(xiàn)狀綜合交通量的特性，可以這么說(shuō)，城市交通系統(tǒng)有人參與、時(shí)變且復(fù)雜，交通預(yù)測(cè)之所以遇到極大困難主要原因主要是其高度不確定性和非線性這兩個(gè)特點(diǎn)，隨機(jī)因素對(duì)短時(shí)交通量預(yù)測(cè)的影響是很明顯的。短期交通量預(yù)測(cè)時(shí)變性、不確定性更強(qiáng)，較中期和長(zhǎng)期預(yù)測(cè)其預(yù)測(cè)難度大，但也是短期交通量預(yù)測(cè)的優(yōu)越性所在，我們都知道隨著時(shí)間間隔的增大，不可預(yù)知的突發(fā)性偶然事件發(fā)生的概率會(huì)增大，在這一點(diǎn)短時(shí)交通量預(yù)測(cè)比長(zhǎng)期預(yù)測(cè)的精度更高。根據(jù)短時(shí)交通流量預(yù)測(cè)的這個(gè)特點(diǎn)，用于交通流量預(yù)測(cè)的模型應(yīng)具備實(shí)時(shí)性、準(zhǔn)確性及可靠性（抗干擾能力）這些特性。交通流狀態(tài)每時(shí)每刻都在變化著，對(duì)交通流的每一次誘導(dǎo)都會(huì)實(shí)時(shí)影響其下一個(gè)運(yùn)行狀態(tài)，由此可見，在作出誘導(dǎo)決策之前，對(duì)誘導(dǎo)指令作用路段的下一個(gè)時(shí)段的交通流情況有一定了解，作出的誘導(dǎo)就會(huì)更有實(shí)用價(jià)值，因此及時(shí)、準(zhǔn)確地對(duì)未來(lái)交通流狀態(tài)進(jìn)行預(yù)測(cè)成為了交通控制與誘導(dǎo)研究中無(wú)法避免的先決工作。作為交通流的三個(gè)基本參數(shù)的其中之一的交通量，其預(yù)測(cè)是基于動(dòng)態(tài)獲取的道路斷面或交叉口等路段的交通量數(shù)據(jù)的短期歷史記錄來(lái)推測(cè)未來(lái)某時(shí)段的交通量。近幾年我國(guó)道路上交通信息數(shù)據(jù)采集設(shè)備經(jīng)過(guò)不斷完善，通過(guò)信息采集、數(shù)據(jù)處理與數(shù)據(jù)分析，使得提供實(shí)時(shí)動(dòng)態(tài)信息給道路使用對(duì)象已經(jīng)成為可能。短時(shí)交通流量預(yù)測(cè)的研究受到廣泛關(guān)注，時(shí)至今日，已經(jīng)有許多理論和方法用于這方面。比較具有代表性的，如歷史趨勢(shì)法、時(shí)間序列法等等。但是這些模型因自身不足難以反映交通流量的不確定與非線性這些特性，且對(duì)干擾沒有較較好的抵抗能力，缺陷同樣是出發(fā)點(diǎn)，一個(gè)正確的研究方向展示在人們面前。針對(duì)交通流量的非線性，近年來(lái)神經(jīng)網(wǎng)絡(luò)等非線性理論被應(yīng)用于交通狀態(tài)預(yù)測(cè)這個(gè)方面，使得交通信息的預(yù)測(cè)精確性有了很大提高，其中模糊推理主要應(yīng)用于駕駛員的跟馳和超車的微觀行為判斷；神經(jīng)網(wǎng)絡(luò)模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能，能對(duì)復(fù)雜的信息進(jìn)行高速傳遞和處理，具有學(xué)習(xí)、記憶、處理實(shí)際數(shù)據(jù)等能力，并且有抗干擾能力較強(qiáng)等等，總結(jié)交通信息預(yù)測(cè)方面的成果，可以說(shuō)我國(guó)已經(jīng)形成了由數(shù)學(xué)界、物理學(xué)界、力學(xué)界、交通流理論學(xué)界以及系統(tǒng)科學(xué)與信息學(xué)界聯(lián)合攻關(guān)的可喜局面。然而預(yù)測(cè)方法理論還有很多不足的地方，這是關(guān)系到我國(guó)交通科學(xué)的研究原始創(chuàng)新、ITS進(jìn)一步發(fā)展的重要問(wèn)題。2.3交通流量預(yù)測(cè)方法經(jīng)過(guò)幾十年的不斷發(fā)展，預(yù)測(cè)科學(xué)種類已是一個(gè)可觀的數(shù)量而其中可用于交通預(yù)測(cè)的方法模型不少，根據(jù)分類方式的不同大概可分為以下幾種：1.根據(jù)周期的長(zhǎng)短的不同，預(yù)測(cè)分為長(zhǎng)期、中期和短期預(yù)測(cè)三類，預(yù)測(cè)需求不同，預(yù)測(cè)的周期是可以是年、月、日、時(shí)甚至可以是分。其中相對(duì)長(zhǎng)期預(yù)測(cè)而言短期預(yù)測(cè)精度會(huì)更高。2.根據(jù)預(yù)測(cè)性質(zhì)不同分類，主要包括定性預(yù)測(cè)和定量預(yù)測(cè)方法。如果系統(tǒng)中沒有或量化信息比較少，沒法量化描述對(duì)預(yù)測(cè)對(duì)象，未來(lái)情況只能以專家經(jīng)驗(yàn)等定性信息為依據(jù)作定性估計(jì)，那就采用定性預(yù)測(cè)，比如調(diào)查法、類推法和主觀概率法等等；所謂定量預(yù)測(cè)自然便是將獲得的信息量化為數(shù)字形式，然后建立描述目標(biāo)和因素之間相互關(guān)系的數(shù)學(xué)模型，根據(jù)模型和規(guī)律推斷出預(yù)測(cè)結(jié)果，其針對(duì)對(duì)象是可表征為一系列數(shù)據(jù)指標(biāo)的交通信息，比如回歸法、時(shí)間序列法等等。3.根據(jù)預(yù)測(cè)模型數(shù)量差異來(lái)分，主要是單項(xiàng)預(yù)測(cè)和組合預(yù)測(cè)，前者在整個(gè)預(yù)測(cè)過(guò)程中只涉及到一種預(yù)測(cè)模型；而后者則與之相反，使用多個(gè)預(yù)測(cè)模型，利用模型之間互補(bǔ)的特點(diǎn)進(jìn)行信息預(yù)測(cè)，根據(jù)組合預(yù)測(cè)組合形式的不同又可將其劃分為線性和非線性兩種。4.根據(jù)預(yù)測(cè)技術(shù)手段分類，主要包括常規(guī)預(yù)測(cè)和智能預(yù)測(cè)，前者主要有回歸分析、趨勢(shì)曲線模型預(yù)測(cè)法，以及移動(dòng)分解法、季節(jié)系數(shù)、Box-Jenkins方法等時(shí)間序列預(yù)測(cè)法；后者主要包括灰色系統(tǒng)理論、混沌理論、支持向量機(jī)、卡爾曼濾波理論預(yù)測(cè)法以及神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法等等。此外還可以根據(jù)動(dòng)力學(xué)特征差異、預(yù)測(cè)時(shí)態(tài)差異和預(yù)測(cè)內(nèi)容差異劃分。分類方式的多樣化目的是不同模型針對(duì)相對(duì)應(yīng)的預(yù)測(cè)參數(shù)能使預(yù)測(cè)效率更高，結(jié)果更精確。隨著其他領(lǐng)域預(yù)測(cè)問(wèn)題的不斷研究深入與成功經(jīng)驗(yàn)的總結(jié)，越來(lái)越多越來(lái)越有效的在其他領(lǐng)域應(yīng)用成熟的預(yù)測(cè)模型被逐漸用于交通流量預(yù)測(cè)領(lǐng)域。大量實(shí)踐表明基于人工神經(jīng)網(wǎng)絡(luò)理論方法（包括基于BP神經(jīng)網(wǎng)絡(luò)的交通信息預(yù)測(cè)方法，Elman網(wǎng)絡(luò)交通信息預(yù)測(cè)方法等等）對(duì)交通信息預(yù)測(cè)效果非常好，很多交通信息預(yù)測(cè)都往偏向組合預(yù)測(cè)的方向發(fā)展，因?yàn)閷?duì)精度要求較高的預(yù)測(cè)，組合預(yù)測(cè)可以取長(zhǎng)補(bǔ)短，但相對(duì)于單項(xiàng)預(yù)測(cè)而言，組合預(yù)測(cè)一般都采用兩種以上預(yù)測(cè)模型，這無(wú)疑會(huì)使預(yù)測(cè)工作量加大。在一個(gè)預(yù)測(cè)模型能滿足預(yù)測(cè)條件的情況下，本設(shè)計(jì)采用單項(xiàng)預(yù)測(cè)中的BP神經(jīng)網(wǎng)絡(luò)交通量預(yù)測(cè)方法，詳細(xì)情況接下來(lái)介紹。2.4本章小結(jié)對(duì)交通流量及其預(yù)測(cè)的概念進(jìn)行闡述，簡(jiǎn)要分析交通流預(yù)測(cè)的現(xiàn)狀，并列出幾種交通流量預(yù)測(cè)的方法，“凡事預(yù)則立，不預(yù)則廢”說(shuō)明對(duì)事物進(jìn)行預(yù)測(cè)的重要性，根據(jù)事物特性選擇一個(gè)合適的預(yù)測(cè)方法同樣重要。

第3章BP神經(jīng)網(wǎng)絡(luò)3.1人工神經(jīng)網(wǎng)絡(luò)基本知識(shí)人工神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元聯(lián)接成的復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，主要是模擬人腦來(lái)進(jìn)行信息處理。它能根據(jù)系統(tǒng)的復(fù)雜度來(lái)自動(dòng)的調(diào)整網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)關(guān)系，進(jìn)而很好地模擬系統(tǒng)信息的傳遞情況，因此神經(jīng)網(wǎng)絡(luò)的自組織、自學(xué)習(xí)的優(yōu)越性極為明顯。另外，神經(jīng)網(wǎng)絡(luò)允許輸入信息有畸變、不完整等，因此它的容錯(cuò)性很強(qiáng)，并且有很好的魯棒性。人工神經(jīng)網(wǎng)絡(luò)本質(zhì)是神經(jīng)細(xì)胞之間聯(lián)接權(quán)重的調(diào)整，聯(lián)接權(quán)重的調(diào)整規(guī)則構(gòu)成神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，學(xué)習(xí)算法又決定了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力的高低。其處理單元一般有三個(gè)：輸入單元、輸出單元和隱含層單元。各個(gè)神經(jīng)元之間的連接強(qiáng)度反映著信息表示到信息處理的一個(gè)過(guò)程，是網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練中的關(guān)鍵所在。有必要說(shuō)明一點(diǎn)，隱含層單元主要對(duì)輸入信息進(jìn)行處理，它的構(gòu)造對(duì)網(wǎng)絡(luò)來(lái)說(shuō)非常重要，隱層越多學(xué)習(xí)算法所得結(jié)果越精確，但是算法會(huì)更繁瑣，所以要根據(jù)精度的要求來(lái)確定隱層個(gè)數(shù)，避免做無(wú)用功。神經(jīng)網(wǎng)絡(luò)能夠逼近任意非線性映射，擁有學(xué)習(xí)、泛化及高度并行實(shí)現(xiàn)能力，它能同時(shí)運(yùn)行定性和定量的數(shù)據(jù)，能被很容易地應(yīng)用于多變量系統(tǒng)，適用于復(fù)雜系統(tǒng)的建模方面的研究。圖3-1人工神經(jīng)元模型其中p=()表示神經(jīng)元輸入向量；w=()表示其他神經(jīng)元與該神經(jīng)元R個(gè)突觸的連接強(qiáng)度即權(quán)值向量；為神經(jīng)元閾值為傳輸函數(shù)，常用的靜態(tài)非線性輸出函數(shù)有以下幾種：1.閾值函數(shù)（3-1）2.分段線性函數(shù)（3-2）3.Sigmoid函數(shù)（3-3）4.雙曲正切函數(shù)（3-4）5.高斯函數(shù)；為標(biāo)準(zhǔn)化參數(shù)（RBF網(wǎng)絡(luò)）（3-5）（3-6）3.2BP神經(jīng)網(wǎng)絡(luò)3.2.1BP神經(jīng)網(wǎng)絡(luò)概述BP神經(jīng)元結(jié)構(gòu)圖如3-2所示，b表示閾值向量；n表示輸出單元數(shù)；f表示神經(jīng)元傳輸函數(shù)；輸入神經(jīng)元輸入神經(jīng)元…圖3-2BP神經(jīng)元的一般模型除了傳輸函數(shù)為非線性函數(shù)以外，BP神經(jīng)元與其他神經(jīng)元類似。其常用的函數(shù)是logsig和tansig函數(shù)，有的輸出層也采用線性函數(shù)purelin。輸出y表示為：y=tansig(Wp+b)（3-7）BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，采用誤差反向傳播算法。結(jié)構(gòu)上BP神經(jīng)網(wǎng)絡(luò)在輸入層和輸出層之間有了一層或多層隱含單元。鑒于交通量的強(qiáng)非線性，為了盡可能提高預(yù)測(cè)模型的預(yù)測(cè)精度，本設(shè)計(jì)選擇利用兩個(gè)隱層的BP神經(jīng)網(wǎng)絡(luò)建立模型，即在單隱層BP網(wǎng)絡(luò)的基礎(chǔ)上添加一個(gè)隱層。如圖3-3所示為含兩個(gè)隱層的BP神經(jīng)網(wǎng)絡(luò)，相鄰層實(shí)現(xiàn)全聯(lián)接，每個(gè)隱層內(nèi)部神經(jīng)元之間不聯(lián)接。輸出輸出輸入層隱層隱層輸出層輸入圖3-3BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖數(shù)據(jù)處理器構(gòu)成的樣本的維數(shù)確定了輸入層單元數(shù)，輸出層含神經(jīng)元一個(gè)，訓(xùn)練用輸出值由數(shù)據(jù)處理器提供。當(dāng)輸出的結(jié)果與目標(biāo)不一致時(shí)，通過(guò)對(duì)權(quán)值與閾值的調(diào)整，使其達(dá)到誤差要求進(jìn)而得到輸出結(jié)果。3.2.2BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法BP算法的基本思想是：給定用于BP網(wǎng)絡(luò)訓(xùn)練的樣本輸入與期望輸出，通過(guò)前向逐層計(jì)算，然后的到網(wǎng)絡(luò)的實(shí)際輸出，若該實(shí)際輸出與期望輸出存在偏差，就將偏差沿網(wǎng)絡(luò)反向傳播，通過(guò)反向逐層修改聯(lián)接權(quán)值和閾值，使其滿足誤差要求從而獲得滿足期望輸出的網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程以下這兩步所組成：Step1模式正向傳播設(shè)定所有權(quán)值和閾值的初始值，權(quán)值可置為任意小的隨機(jī)數(shù)，從輸入層開始，輸入向量為，，對(duì)應(yīng)輸出層輸出為，，為訓(xùn)練樣本個(gè)數(shù)用，為輸入層單元個(gè)數(shù)，為輸出層單元數(shù)。令隱層單元數(shù)為，輸入層至隱層、隱層至輸出層的連接權(quán)值分別為、，隱層單元、輸出層單元閾值分別為、,則隱層單元的輸入可為：，，（3-8）Sigmoid函數(shù)：，（3-9）隱層的輸出為：，（3-10）輸出單元的輸入為：，，（3-11）輸出單元輸出為：，。（3-12）Step2誤差反向傳播：（3-13）全局總誤差為：（3-14）根據(jù)誤差不斷調(diào)節(jié)權(quán)值，調(diào)節(jié)權(quán)值的目的就是使誤差不斷的減少，通常采用誤差梯度下降算法調(diào)整權(quán)值：（3-15）上式中，方向與次訓(xùn)練中誤差函數(shù)梯度變化方向相反。根據(jù)推出調(diào)整量為：（3-16）上式中,為學(xué)習(xí)率且，。。隱層權(quán)值調(diào)整量為：（3-17）隱層閾值調(diào)整量為：（3-18）上式中，。根據(jù)以上得出的對(duì)應(yīng)調(diào)整值對(duì)隱層和輸出層的權(quán)值和閾值作出相應(yīng)調(diào)整，到這一步整個(gè)模型算是完成一個(gè)正向、反向傳播過(guò)程，也就是以此完整的學(xué)習(xí)過(guò)程，如果誤差依舊不能滿足精度條件，重新返回Step1開始計(jì)算，直到誤差在滿足要求或者達(dá)到預(yù)先設(shè)定的訓(xùn)練步數(shù)為止方可利用此網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。3.2.3BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)變化形式在神經(jīng)網(wǎng)絡(luò)中應(yīng)用比例占半數(shù)以上，之所以有如此大的影響力，最主要的便是有很多神經(jīng)網(wǎng)絡(luò)研究方面的專家針對(duì)其缺限進(jìn)行不斷改進(jìn)從而出現(xiàn)改進(jìn)型的BP神經(jīng)網(wǎng)絡(luò)算法。1.針對(duì)學(xué)習(xí)率與穩(wěn)定性的矛盾及缺乏有效選擇學(xué)習(xí)率的方法這一問(wèn)題，加快其收斂速度是首當(dāng)其沖的，對(duì)此，有以下幾種方法：（1）可以選擇通過(guò)學(xué)習(xí)率漸小法{，（是大于0的常數(shù)）}、自適應(yīng)調(diào)節(jié)以及基于符號(hào)變化的自適應(yīng)法改變學(xué)習(xí)率進(jìn)而加快收斂速度；（2）引進(jìn)動(dòng)量因子把上一次權(quán)重調(diào)整時(shí)產(chǎn)生的誤差附加到本次調(diào)整中，新的權(quán)重調(diào)整公式為：（3-19）其中：。（3）本章上節(jié)提到傳統(tǒng)BP算法同上采用Sigmoid函數(shù)作為激勵(lì)函數(shù)，其函數(shù)特性將誤差修正率限制在以內(nèi)，一定程度上影響了收斂速度，用下面這一函數(shù)取代原激勵(lì)函數(shù)：，（3-20）其中：為較小正數(shù)。2.為避免訓(xùn)練過(guò)程中陷入局部極小，只能通過(guò)改變算法來(lái)解決，在實(shí)際應(yīng)用中，可以采取模擬退火法，通過(guò)改變其初始值，并經(jīng)過(guò)多次訓(xùn)練，以達(dá)到理想效果，但學(xué)習(xí)速度比較慢。3.建模時(shí)因?yàn)闆]有確定隱層節(jié)點(diǎn)數(shù)的有效方法，過(guò)多過(guò)少的隱層節(jié)點(diǎn)都會(huì)對(duì)訓(xùn)練產(chǎn)生影響，所以應(yīng)合理確定網(wǎng)絡(luò)結(jié)構(gòu)。3.3本章小結(jié)本章先對(duì)人工神經(jīng)網(wǎng)絡(luò)定義、感知器及BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)作出簡(jiǎn)單介紹，著重闡述BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，誤差的沿原來(lái)的連接通路返回隨后修改聯(lián)接權(quán)值然后正向傳播，這樣的反復(fù)計(jì)算對(duì)減小預(yù)測(cè)誤差作用是很明顯的。

第4章基于BP神經(jīng)網(wǎng)絡(luò)的快速路小時(shí)交通量預(yù)測(cè)與仿真4.1BP神經(jīng)網(wǎng)絡(luò)在交通信息預(yù)測(cè)中的應(yīng)用第2章已經(jīng)提到城市交通流量雖然隨機(jī)性比較強(qiáng)，但是并不能說(shuō)明它的不可預(yù)測(cè)，事實(shí)上，在一個(gè)短的時(shí)間內(nèi)，每條道的流量、路口總流量和交通控制網(wǎng)絡(luò)流量的變化都具有豐富的內(nèi)部層次有序結(jié)構(gòu)，它介于隨機(jī)性和確定性之間，有很強(qiáng)的規(guī)律可尋?；诮煌烤哂袕?qiáng)非線性這一顯著特點(diǎn)，BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中的一種，具有擬合任意非線性函數(shù)的功能，所以我們可以利用BP神經(jīng)網(wǎng)絡(luò)來(lái)代替復(fù)雜的非線性數(shù)學(xué)關(guān)系式，實(shí)現(xiàn)對(duì)現(xiàn)實(shí)交通系統(tǒng)的較準(zhǔn)確刻畫，當(dāng)然BP神經(jīng)網(wǎng)絡(luò)多樣本訓(xùn)練要求很高，而且所需要的樣本規(guī)模較大，最常用于城市道路及高速路斷面的交通量等微觀交通信息預(yù)測(cè)，也就是說(shuō)，采取BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通量預(yù)測(cè)在理論上是可行的。文利用BP圣經(jīng)網(wǎng)絡(luò)對(duì)城市快速路交通量進(jìn)行預(yù)測(cè)便以此作為基本出發(fā)點(diǎn)。應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行交通量預(yù)測(cè)算法大致步驟如下：Step1原始數(shù)據(jù)采集及預(yù)處理；Step2設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)，確定網(wǎng)絡(luò)層數(shù)、輸入層神經(jīng)元個(gè)數(shù)、隱層層神經(jīng)元個(gè)數(shù)、輸出層神經(jīng)元個(gè)數(shù)；Step3利用原始數(shù)據(jù)構(gòu)造訓(xùn)練樣本對(duì)；Step4設(shè)計(jì)學(xué)習(xí)計(jì)算訓(xùn)練神經(jīng)網(wǎng)絡(luò)；Step5用檢驗(yàn)樣本對(duì)結(jié)合預(yù)設(shè)誤差評(píng)價(jià)網(wǎng)絡(luò)性能，若訓(xùn)練出來(lái)的網(wǎng)絡(luò)達(dá)到誤差要求，則網(wǎng)絡(luò)構(gòu)造成功，否則，調(diào)整學(xué)習(xí)算法對(duì)網(wǎng)絡(luò)重新進(jìn)行訓(xùn)練，直到達(dá)到期望標(biāo)準(zhǔn)為止；Step6對(duì)于經(jīng)訓(xùn)練滿足要求的BP神經(jīng)網(wǎng)絡(luò)，輸入一組已知數(shù)據(jù)得到相應(yīng)的交通量預(yù)測(cè)值。4.2基于BP神經(jīng)網(wǎng)絡(luò)的快速路小時(shí)交通量預(yù)測(cè)本設(shè)計(jì)借用梁新榮教授的實(shí)驗(yàn)數(shù)據(jù)，選取廣州某快速路段2008年六月和八月共六十多天的實(shí)際交通量。1.原始數(shù)據(jù)采集作為輸入數(shù)據(jù)樣本,并對(duì)樣本進(jìn)行規(guī)范化處理，隨機(jī)產(chǎn)生輸入樣本和檢驗(yàn)樣本。城市快速路的性質(zhì)決定了運(yùn)行車輛種類的不一致性，一般來(lái)說(shuō)除了小型汽車之外還有大型客車、大型貨車等很多不同的車型，而車型之間的不同對(duì)道路交通的運(yùn)行壓力也是不一樣的，所以在進(jìn)行交通量有關(guān)研究的時(shí)候必須考慮這個(gè)因素。鑒于道路交通的這一特點(diǎn)，在對(duì)快速路小時(shí)交通量交通量進(jìn)行預(yù)測(cè)之前，要對(duì)交通量調(diào)查數(shù)據(jù)加以處理，換算成統(tǒng)一標(biāo)準(zhǔn)車型。在本設(shè)計(jì)中，調(diào)查的交通量數(shù)據(jù)是依據(jù)交通部的統(tǒng)一規(guī)定采用小汽車為標(biāo)準(zhǔn)車型進(jìn)行換算，折算系數(shù)表如表4-1所示：表4-1交通調(diào)查車型分類及車輛折算系數(shù)表車型折算系數(shù)額載及功率備注機(jī)動(dòng)車汽車小客車1額定座位19座大客車1.5額定座位>19座小型貨車1載重2噸中型貨車1.52噸<載重7噸含吊車大型貨車27噸<載重14噸特大型貨車3載重>14噸拖掛車3集裝箱車3通過(guò)折算后的交通量實(shí)際值8月30號(hào)和31號(hào)交通量實(shí)際值表如表4-2所示：表4-28月30號(hào)和31號(hào)交通量實(shí)際值表日期時(shí)間段30號(hào)31號(hào)日期時(shí)間段30號(hào)31號(hào)第1小時(shí)797771第13小時(shí)18531950第2小時(shí)668644第14小時(shí)21382309第3小時(shí)566536第15小時(shí)27802809第4小時(shí)479459第16小時(shí)31683027第5小時(shí)453453第17小時(shí)22612644第6小時(shí)489474第18小時(shí)31112860第7小時(shí)669714第19小時(shí)23112439第8小時(shí)10021070第20小時(shí)18061786第9小時(shí)13341571第21小時(shí)19612106第10小時(shí)24122139第22小時(shí)18491827第11小時(shí)26382507第23小時(shí)13611438第12小時(shí)26462403第24小時(shí)10011070通過(guò)折算后的交通量實(shí)際值8月22至29號(hào)所有工作日交通量實(shí)際值表如表4-3所示：表4-38月22至29號(hào)工作日交通量實(shí)際值表日期時(shí)間段22號(hào)25號(hào)26號(hào)27號(hào)28號(hào)29號(hào)第1小時(shí)659742740892741695第2小時(shí)526610591740547526第3小時(shí)495515513553484495第4小時(shí)410449509512431410第5小時(shí)506481483485474506第6小時(shí)428459477492488428第7小時(shí)616936733865570616第8小時(shí)934141311091065855934第9小時(shí)181121742107238818051811第10小時(shí)251627202899288927832516第11小時(shí)293527873206255631312935第12小時(shí)265425152714283228612654第13小時(shí)190420362081228719341904第14小時(shí)230422252527252621782304第15小時(shí)287025982789285927782870第16小時(shí)323025703003303129833230第17小時(shí)285624282971281728852856第18小時(shí)335826612806286532013358第19小時(shí)257420412452243624532574第20小時(shí)182013491647168117221820第21小時(shí)218217141900164020972182第22小時(shí)186115781924190718541861第23小時(shí)133012701553131913971330第24小時(shí)96893211699709149682.設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)選取圖3-3的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)含輸入層、中間層和輸出層，其中中間層由兩個(gè)隱層。采用四輸入和五輸入兩種方法的輸入層神經(jīng)元個(gè)數(shù)分別為4個(gè)和5個(gè)。3.利用通過(guò)換算后的數(shù)據(jù)構(gòu)造訓(xùn)練樣本對(duì)。4.設(shè)計(jì)學(xué)習(xí)計(jì)算訓(xùn)練神經(jīng)網(wǎng)絡(luò)，用MATLAB語(yǔ)言編寫應(yīng)用程序，用檢驗(yàn)樣本對(duì)結(jié)合預(yù)設(shè)誤差評(píng)價(jià)網(wǎng)絡(luò)性能，適時(shí)調(diào)整學(xué)習(xí)算法，直到訓(xùn)練出來(lái)的網(wǎng)絡(luò)達(dá)到誤差要求為止。5.利用訓(xùn)練好的BP網(wǎng)絡(luò)，利用訓(xùn)練好的BP網(wǎng)絡(luò)，對(duì)MATLAB語(yǔ)言編制程序M文件進(jìn)行仿真，輸入一組參數(shù)得到相應(yīng)的交通量預(yù)測(cè)值。本文使用MATLAB經(jīng)過(guò)大量的仿真實(shí)驗(yàn)得出，采用四輸入和五輸入兩種輸入對(duì)交通流量進(jìn)行預(yù)測(cè)效果最好，所以采用四輸入和五輸入兩種輸入對(duì)交通量進(jìn)行預(yù)測(cè)，并對(duì)著兩種不同的輸入方式進(jìn)行對(duì)比。4.3仿真研究4.3.1四輸入法仿真結(jié)果分別采集周一到周五共四十二天的1008個(gè)數(shù)據(jù)和周末共20天的480個(gè)數(shù)據(jù)，首先采用四輸入對(duì)周末的交通量進(jìn)行預(yù)測(cè)，前18個(gè)數(shù)據(jù)作為樣本集，8月30號(hào)和31號(hào)的交通量作為測(cè)試集，得8月30號(hào)和31號(hào)的交通量預(yù)測(cè)值和誤差如表4-4所示：表4-48月30號(hào)和31號(hào)交通量預(yù)測(cè)值和相對(duì)誤差表預(yù)測(cè)值預(yù)測(cè)值的相對(duì)誤差日期時(shí)間段30號(hào)31號(hào)30號(hào)31號(hào)第1小時(shí)7867841.38021.6861第2小時(shí)6626430.89820.1553第3小時(shí)5695360.53000.0000第4小時(shí)4734581.25260.2179第5小時(shí)4574570.88300.8830第6小時(shí)4794862.04502.5316第7小時(shí)58765012.25718.9636第8小時(shí)102511242.29545.0467第9小時(shí)161915552.70431.0185第10小時(shí)236821571.82420.8415第11小時(shí)262225290.60650.8775第12小時(shí)259523971.92740.2497第13小時(shí)188119291.51111.0769第14小時(shí)212223230.74840.6063第15小時(shí)277728140.10790.1780第16小時(shí)310530541.98860.8920第17小時(shí)218827343.22873.4039第18小時(shí)307127901.28582.4476第19小時(shí)229224530.82220.5740第20小時(shí)179217910.77520.2800第21小時(shí)194619720.76496.3628第22小時(shí)186018290.59490.1095第23小時(shí)136614560.36741.2517第24小時(shí)100710500.59941.8692注：6月2號(hào)至6月30號(hào)，8月1號(hào)至8月23號(hào)的工作日也就是前三十六天的數(shù)據(jù)作為樣本集，8月22號(hào)至29號(hào)（周一至周五）六天的數(shù)據(jù)作為測(cè)試集，計(jì)算前首先對(duì)樣本進(jìn)行歸一化處理，表4-5是8月22號(hào)至29號(hào)所有工作日第一小時(shí)到第二十四小時(shí)的交通量預(yù)測(cè)值：表4-5四輸入8月22號(hào)至29號(hào)工作日交通流量預(yù)測(cè)值數(shù)據(jù)表日期時(shí)間段22號(hào)25號(hào)26號(hào)27號(hào)28號(hào)29號(hào)第1小時(shí)711746763818735690第2小時(shí)541591617686572538第3小時(shí)489494498508503502第4小時(shí)369408536520439369第5小時(shí)483475492463483483第6小時(shí)452500435519507467第7小時(shí)776834792728575783第8小時(shí)110414811153122710191114第9小時(shí)180223062135228319261831第10小時(shí)276327762853279527302726第11小時(shí)300826723020264029013067第12小時(shí)277626742613276127432774第13小時(shí)205919801940211018941865第14小時(shí)238223772453229320742344第15小時(shí)288026902771275328032806第16小時(shí)324026842722262128263209第17小時(shí)316425612797316826213101第18小時(shí)330326522673286230993338第19小時(shí)238422962155258223482410第20小時(shí)193813781754159216861931第21小時(shí)201317491944180521202076第22小時(shí)173216151896184919571732第23小時(shí)142612951422143315121429第24小時(shí)9739501053933917954四輸入法8月22號(hào)至29號(hào)工作日交通流量預(yù)測(cè)值的相對(duì)誤差如表4-6：表4-6預(yù)測(cè)值相對(duì)誤差表日期時(shí)間段22號(hào)25號(hào)26號(hào)27號(hào)28號(hào)29號(hào)第1小時(shí)2.30220.53913.10818.29600.80970.7194第2小時(shí)2.85173.11484.04727.29734.57042.2814第3小時(shí)1.21214.07772.92408.13743.92561.4141第4小時(shí)10.00009.13145.30451.56251.856110.0000第5小時(shí)4.54551.24741.86344.53611.89874.5455第6小時(shí)5.60758.93258.80505.48783.89349.1121第7小時(shí)25.974010.89748.049115.83820.877227.1104第8小時(shí)18.20134.81253.967515.211319.181319.2719第9小時(shí)0.49706.07181.32894.39706.70361.1044第10小時(shí)9.81722.05881.58683.25371.90448.3466第11小時(shí)2.48724.12635.80163.28647.34594.4974第12小時(shí)4.59686.32213.72142.50714.12444.5215第13小時(shí)8.14082.75056.77567.73942.06832.0483第14小時(shí)3.38546.83152.92849.22414.77501.7361第15小時(shí)0.34843.54120.64543.70760.89992.2300第16小時(shí)0.30964.43589.357313.52695.26320.6502第17小時(shí)10.78435.47785.856612.46019.15088.5784第18小時(shí)1.63790.33824.73980.10473.18650.5956第19小時(shí)7.381512.493912.11265.99344.28056.3714第20小時(shí)6.48352.14976.49675.29452.09066.0989第21小時(shí)7.74522.04202.315810.06101.09684.8579第22小時(shí)6.93182.34471.45533.04145.55566.9318第23小時(shí)7.21801.96858.43538.64298.23197.4436第24小時(shí)0.51651.93139.92303.81440.32821.4463四輸入8月30號(hào)和31號(hào)（周末）的實(shí)際值與預(yù)測(cè)值做圖對(duì)比如下：圖4-18月30號(hào)實(shí)際值與BP預(yù)測(cè)值對(duì)比圖圖4-28月31號(hào)實(shí)際值與BP預(yù)測(cè)值對(duì)比圖四輸入6天的預(yù)測(cè)值和實(shí)際值作圖對(duì)比如下：圖4-38月22號(hào)實(shí)際值與BP預(yù)測(cè)值對(duì)比圖圖4-48月25號(hào)實(shí)際值與BP預(yù)測(cè)值對(duì)比圖圖4-58月26號(hào)實(shí)際值與BP預(yù)測(cè)值對(duì)比圖圖4-68月27號(hào)實(shí)際值與BP預(yù)測(cè)值對(duì)比圖圖4-78月28號(hào)實(shí)際值與BP預(yù)測(cè)值對(duì)比圖圖4-88月29號(hào)實(shí)際值與BP預(yù)測(cè)值對(duì)比圖分析實(shí)際值與BP預(yù)測(cè)值對(duì)比圖不難看出，對(duì)該路段交通量進(jìn)行預(yù)測(cè)，周末交通量的預(yù)測(cè)值比工作日的預(yù)測(cè)值更接近對(duì)應(yīng)實(shí)際值。4.3.2五輸入法仿真結(jié)果用五輸入對(duì)周末的交通量進(jìn)行預(yù)測(cè)，前18個(gè)數(shù)據(jù)作為樣本集，8月30號(hào)和31號(hào)的交通量作為測(cè)試集，計(jì)算前首先對(duì)樣本進(jìn)行歸一化處理，得8月30號(hào)和31號(hào)（周末）的交通量預(yù)測(cè)值和誤差得表4-7：表4-78月30號(hào)和31號(hào)交通量預(yù)測(cè)值和相對(duì)誤差表預(yù)測(cè)值預(yù)測(cè)值的相對(duì)誤差日期時(shí)間段30號(hào)31號(hào)30號(hào)31號(hào)第1小時(shí)8057621.00381.1673第2小時(shí)6576351.64671.3975第3小時(shí)5675350.17670.1866第4小時(shí)4624412.92280.2179第5小時(shí)4544550.22080.4415第6小時(shí)4774892.45403.1646第7小時(shí)58263613.004510.9244第8小時(shí)100410210.19964.5794第9小時(shí)163915451.50241.6550第10小時(shí)229322084.93373.2258第11小時(shí)264525500.26541.7152第12小時(shí)267624201.13380.7074第13小時(shí)190419362.75230.7179第14小時(shí)218422672.15151.8190第15小時(shí)281028591.07911.7800第16小時(shí)313729890.97851.2554第17小時(shí)225525950.26541.8533第18小時(shí)293429505.68953.1469第19小時(shí)228224171.25490.9020第20小時(shí)180818150.11071.6237第21小時(shí)206521415.30341.6619第22小時(shí)184618490.16221.2042第23小時(shí)137714071.17562.1558第24小時(shí)102610512.49751.7757用五輸入對(duì)8月22號(hào)至29號(hào)（周一至周五）進(jìn)行預(yù)測(cè)，仍然6月2號(hào)至6月30號(hào)，8月1號(hào)至8月23號(hào)的工作日也就是前三十六天的數(shù)據(jù)作為樣本集，8月22號(hào)至29號(hào)（周一至周五）六天的數(shù)據(jù)作為測(cè)試集，計(jì)算前首先對(duì)樣本進(jìn)行歸一化處理，表4-8是五輸入的8月22號(hào)至29號(hào)工作日第一小時(shí)到第二十四小時(shí)的交通量預(yù)測(cè)值：表4-8五輸入8月22號(hào)至29號(hào)交通量預(yù)測(cè)值數(shù)據(jù)表日期時(shí)間段22號(hào)25號(hào)26號(hào)27號(hào)28號(hào)29號(hào)第1小時(shí)738742705896755729第2小時(shí)528582564704560529第3小時(shí)520512503553521526第4小時(shí)422450514529441412第5小時(shí)479487474486473486第6小時(shí)453421425466427428第7小時(shí)791860721675589703第8小時(shí)80514189631239805801第9小時(shí)185922902112232217791785第10小時(shí)261726442841287927992612第11小時(shí)290827143125272830373042第12小時(shí)276126662587264327342762第13小時(shí)199620302012213718371959第14小時(shí)232324002339244321452373第15小時(shí)286426642657282327142823第16小時(shí)345327423150292628663406第17小時(shí)291626372674294128832951第18小時(shí)325826082885291132263298第19小時(shí)233121112378214724022400第20小時(shí)190514801692173117121873第21小時(shí)213517251958175620571883第22小時(shí)180716671818188119171844第23小時(shí)135512051457127813641353第24小時(shí)1003951104910279819894-9：表4-9預(yù)測(cè)值相對(duì)誤差表日期時(shí)間段22號(hào)25號(hào)26號(hào)27號(hào)28號(hào)29號(hào)第1小時(shí)6.18710.00014.72970.44841.88934.8921第2小時(shí)0.38024.59024.89044.86492.37660.5703第3小時(shí)5.05050.58251.94930.00007.64466.2626第4小時(shí)2.92680.22270.98233.32032.32020.4878第5小時(shí)5.33601.24741.86340.20620.21103.9526第6小時(shí)5.84118.278910.90155.284612.50000.0000第7小時(shí)28.40918.11971.637121.96533.333314.1234第8小時(shí)13.81160.353913.165016.33805.848014.2398第9小時(shí)2.65055.33580.23732.76381.44041.4357第10小時(shí)4.01432.79412.00070.34610.57493.8156第11小時(shí)0.91992.61932.52656.72933.00223.6457第12小時(shí)4.03176.00404.67946.67374.43904.0693第13小時(shí)4.83190.29473.31576.55885.01552.8887第14小時(shí)0.82477.86527.43973.28581.51522.9948第15小時(shí)0.20912.54044.73291.25922.30381.6376第16小時(shí)6.90406.69264.89513.46423.92225.4489第17小時(shí)2.10088.60799.99664.40180.06933.3263第18小時(shí)2.97801.99172.81541.60560.78101.7868第19小時(shí)9.44063.42973.017911.86372.07916.7599第20小時(shí)4.67039.71092.73222.97440.58072.9121第21小時(shí)2.15400.64183.05267.07321.907513.7030第22小時(shí)0.90175.64015.50941.36343.39810.9135第23小時(shí)1.87975.11816.18163.10842.36221.7293第24小時(shí)3.61572.038610.26525.87637.33042.1694五輸入8月30號(hào)和31號(hào)（周末）的實(shí)際值與預(yù)測(cè)值做圖對(duì)比如下：圖4-98月30號(hào)實(shí)際值與BP預(yù)測(cè)值對(duì)比圖圖4-108月31號(hào)實(shí)際值與BP預(yù)測(cè)值對(duì)比圖五輸入6天的預(yù)測(cè)值和實(shí)際值作圖對(duì)比如下：圖4-118月22號(hào)實(shí)際值與BP預(yù)測(cè)值對(duì)比圖圖4-128月25號(hào)實(shí)際值與BP預(yù)測(cè)值對(duì)比圖圖4-138月26號(hào)實(shí)際值與BP預(yù)測(cè)值對(duì)比圖圖4-148月27號(hào)實(shí)際值與BP預(yù)測(cè)值對(duì)比圖圖4-158月28號(hào)實(shí)際值與BP預(yù)測(cè)值對(duì)比圖圖4-168月29號(hào)實(shí)際值與BP預(yù)測(cè)值對(duì)比圖通過(guò)大量數(shù)據(jù)仿真之后，觀察上述各表中數(shù)據(jù)誤差和實(shí)際值與預(yù)測(cè)值的擬合曲線可以發(fā)現(xiàn)，采取BP神經(jīng)網(wǎng)絡(luò)方法對(duì)交通量進(jìn)行預(yù)測(cè)所得預(yù)測(cè)值與實(shí)際值很接近，且對(duì)周末的交通量預(yù)測(cè)，采用四輸入擬合曲線更接近、誤差更小預(yù)測(cè)效果更好，而對(duì)工作日（周一和周五）交通量進(jìn)行預(yù)測(cè)時(shí)，用五輸入擬合曲線更接近、誤差更小預(yù)測(cè)效果更好。4.4本章小結(jié)本章通過(guò)原始數(shù)據(jù)處理，預(yù)測(cè)模型建立并分別采用四輸入和五輸入仿真對(duì)周末及工作日交通量進(jìn)行預(yù)測(cè)，得出預(yù)測(cè)結(jié)果并作出交通量預(yù)測(cè)值與實(shí)際值對(duì)比曲線，然后比較四輸入和五輸入仿真得出的預(yù)測(cè)值與實(shí)際值之間的絕對(duì)誤差和對(duì)比曲線顯示，對(duì)周一至周五交通量進(jìn)行預(yù)測(cè)時(shí)，采用五輸入仿真的方法效果最好，而對(duì)周末的交通量進(jìn)行預(yù)測(cè)時(shí)，采用用四輸入仿真的方法預(yù)測(cè)效果效果更理想。

結(jié)論隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展和汽車的普及，現(xiàn)實(shí)生活對(duì)交通提出了重大考驗(yàn)，城市交通擁擠和交通安全問(wèn)題給人們的生活帶來(lái)了極大的不便和麻煩，作為城市中有較高車速為長(zhǎng)距離交通服務(wù)的重要道路的快速路，其發(fā)展與城市的經(jīng)濟(jì)發(fā)展緊密聯(lián)系，城市快速路發(fā)展越好，可以在很大程度上帶動(dòng)城市經(jīng)濟(jì)的發(fā)展，如何提高城市快速路的運(yùn)營(yíng)效率？這基本上得取決于道路車道的設(shè)計(jì)和日?？刂乒芾?，而實(shí)現(xiàn)二者的前提就需要一個(gè)調(diào)研也就是對(duì)城市快速路交通量進(jìn)行預(yù)測(cè)，根據(jù)預(yù)測(cè)數(shù)據(jù)實(shí)施控制管理手段，因此交通量預(yù)測(cè)在城市交通控制與管理中舉足輕重。通過(guò)對(duì)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)算法的了解，結(jié)合交通量的特性，本文采用BP神經(jīng)網(wǎng)絡(luò)對(duì)某城市快速路段的實(shí)時(shí)交通量進(jìn)行預(yù)測(cè)，并將交通量預(yù)測(cè)值與實(shí)際交通兩預(yù)測(cè)值加以比較，選取的四輸入和五輸入兩種輸入方式下的預(yù)測(cè)結(jié)果顯示，誤差均在期望范圍內(nèi)，且實(shí)際值與BP預(yù)測(cè)值二者擬合得到的對(duì)比曲線很接近，這樣的結(jié)果是令人非常滿意的。實(shí)例證明BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于快速路小時(shí)交通量預(yù)測(cè)是可行的，這種基于BP神經(jīng)網(wǎng)絡(luò)的快速路小時(shí)交通量預(yù)測(cè)方法與傳統(tǒng)預(yù)測(cè)方法相比有較好的靈活性，其數(shù)據(jù)容易得到，成本低，預(yù)測(cè)精度高，對(duì)短期交通量預(yù)測(cè)很適用。

參考文獻(xiàn)1任福田.交通工程學(xué).北京:人民交通出版社,2008:40-472王煒,過(guò)秀成.道路交通工程學(xué).南京:東南大學(xué)出版社,2011:83-903HuiHu,DaweiHu.StudyontheapplicationofITSandkeytechnologiesinlogisticsoperation.2009InternationalConferenceonInformationManagement,InnovationManagementandIndustrialEngineering,Xi’an,China:IEEE,2009:263-2664楊兆升.智能運(yùn)輸系統(tǒng)概論.北京:人民交通出版社,20035邵福春,熊志華,姚志勝.道路網(wǎng)短時(shí)交通量需求預(yù)測(cè)理論方法及應(yīng)用.北京:清華大學(xué)出版社,2011:167-1726馬云龍,王堅(jiān),任子暉.基于微觀仿真的快速路短時(shí)交通流預(yù)測(cè)研究.系統(tǒng)仿真學(xué)報(bào),2009,21(14):4501-45037許倫輝,傅惠.交通信息智能預(yù)測(cè)理論與方法.北京:科學(xué)出版社,2009:97-1098王碩.BP神經(jīng)網(wǎng)絡(luò)在高速公路交通量預(yù)測(cè)中的應(yīng)用.中國(guó)科技信息,2010(8):248-2519周開利,康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì).北京:清華大學(xué)出版社,2005:69-9010劉慧穎.MATLABR2007基礎(chǔ)教程.北京:清華大學(xué)出版社,2008:136-176

致謝本課題的設(shè)計(jì)與成功離不開指導(dǎo)老師梁新榮教授的悉心指導(dǎo)和耐心教育。衷心感謝梁新榮教授對(duì)我畢業(yè)設(shè)計(jì)給予的指導(dǎo)和幫助！梁新榮教授不僅教授了我很多分析問(wèn)題、解決問(wèn)題的辦法與思路，而且他認(rèn)真負(fù)責(zé)的態(tài)度和嚴(yán)謹(jǐn)?shù)闹螌W(xué)精神也使我受益匪淺，再次感謝梁教授對(duì)我畢業(yè)設(shè)計(jì)得以順利完成給予的莫大幫助，使我對(duì)自己的大學(xué)四年提交一份滿意的答卷！畢業(yè)設(shè)計(jì)的結(jié)束也就意味著大學(xué)生涯即將結(jié)束。在此，我還要感謝所有母校辛勤耕耘的老師，感謝你們教育了專業(yè)知識(shí)，以及給了我良好的學(xué)習(xí)環(huán)境；感謝信息學(xué)院的老師在這四年來(lái)對(duì)我們的悉心栽培，感謝班導(dǎo)師徐穎老師對(duì)我的關(guān)心和指導(dǎo)；感謝我親愛的同學(xué)們和朋友一直以來(lái)對(duì)我的默默關(guān)心與支持。感謝五邑大學(xué)給我一個(gè)大學(xué)四年學(xué)習(xí)知識(shí)和做人的平臺(tái)，以及對(duì)我各個(gè)方面的培養(yǎng)！感謝參與論文評(píng)審和答辯的各位老師，能在百忙之中抽出您寶貴的時(shí)間對(duì)我的論文進(jìn)行評(píng)閱，老師您辛苦了！附錄周末第1小時(shí)的交通量預(yù)測(cè)四輸入M-file文件程序，如下所示：clc;clearallcloseall;AA=[7646175814664695748681083173024152678268919942227287332612040263321741538160114941188875681567485411438567878120017792278250513261751143925652803268327962428154717231695134310177606205474644335357601050170023522771274419022202294232541924264421971478152815511155818667569469388415515770114217462299256923221776206625412751250326102397167717371702136399478868657450147060485910961777250427032712200622742972332220682673222915861562147711609006815554614464255541002130618552328268124111965219026142883278327972474164217631722139910288287305854774725928991157179523792856281019642265293432072052274021891569171215451262947747639515458484617942126017502261255723681855201922412426254427332460187719041871154811197436145764754496828551026166323812688268320092335287831962045269322941532157215561228905784589511412447598981125517532397254923541883211126292782267327202381156217081680132898971166057246544946267298915462330271527241952220828983216188826202113148715861495118589371559052642144947881011401643222024582341183121342507264525372701242416671819173314651056785671593521499546848104517352482293328981933228930013251205928142256153317021564123896476857558146550656188812061783245425902513189521672692285126102825251516481841179014061054797668566479453489669100216642412263826461853213827803168226131112311180619611849136110017716445364594534747141070157121392507240319502309280930272644286024391786210618271438107079766856647945348966910021664241226382646185321382780316822613111231118061961184913611001771644536459453474714107015712139250724031950230928093027264428602439178621061827143810707976685664794534896691002166424122638264618532138278031682261311123111806196118491361100177164453645945347471410701571213925072403195023092809302726442860243917862106182714381070];day=zeros(2,1);error=zeros(2,1);%fori=1:1:24i=6;p11=AA(:,i);m=length(p11);%p1=max(p11);p1=700;b=zeros(4,14);c=zeros(1,14);forj=1:1:14a=p11(j:j+3)';b(:,j)=a;d=p11(j+4);c(1,j)=d;endp=(1/p1)*b;%t1=max(c);t1=700;t=(1/t1)*c;net=newff(p,t,12,{'tansig','purelin'},'trainlm');net.trainParam.show=50;net.trainParam.epochs=2000;net.trainParam.goal=0.0001;randn('seed',192736547);net=init(net);[net,tr]=train(net,p,t);p2=zeros(4,2);t2=zeros(1,2);forh=1:1:2h1=p11(h+14:h+17);p2(:,h)=h1;e=p11(h+18);t2(1,h)=e;endp2=(1/700)*p2;t2;p3=sim(net,p2);p4=p3*700;day(:,1)=p4;p4forw=1:1:2PAE=abs(t2(w)-ceil(p4(w)))/t2(w)*100;error(w,1)=PAEend%endceil(day)周末第一小時(shí)四輸入法交通量預(yù)測(cè)值與實(shí)際值對(duì)比圖仿真程序，如下所示：clc;clearallclearall;aa=[79766856647945348966910021664241226382646185321382780316822613111231118061961184913611001];bb=[78666256947345747958710251619236826222595188121222777310521883071229217921946186013661007];fori=1:2ifi==1y(:,i)=aa;plot(y);endifi==2y(:,i)=bb;plot(y);xlabel('時(shí)間（小時(shí)）');ylabel('仿真輸出結(jié)果');title('BP方法訓(xùn)練結(jié)果');endend目錄TOC\o"1-2"\h\z\u1. 總論 11.1 項(xiàng)目概況 11.2 項(xiàng)目建設(shè)的必要性 21.3 可行性研究工作依據(jù) 61.4 可行性研究報(bào)告的編制原則 61.5 可行性研究報(bào)告內(nèi)容概要 71.6 建議引進(jìn)設(shè)備清單 151.7 結(jié)論及建議 151.8 項(xiàng)目主要技術(shù)經(jīng)濟(jì)指標(biāo)匯總 162. 市場(chǎng)需求預(yù)測(cè)與競(jìng)爭(zhēng)能力分析 192.1 概述 192.2 廣西區(qū)內(nèi)市場(chǎng) 192.3 主要目標(biāo)市場(chǎng)分析 222.4 廣東省水泥市場(chǎng)分析