城市主干道交通狀態(tài)預(yù)測方案的設(shè)計(jì)

城市主干道交通狀態(tài)預(yù)測方案的設(shè)計(jì)資料內(nèi)容僅供參考，如有不當(dāng)或者侵權(quán)，請聯(lián)系本人改正或者刪除。ADDINCNKISM.UserStyle摘要本文在參考國內(nèi)外研究的基礎(chǔ)上,針對城市主干道交通的非線性和時(shí)變特性給出了擁堵的定義,成因,分類和特征,對經(jīng)典擁堵算法和常見交通流預(yù)測模型進(jìn)行分析闡述,重點(diǎn)對算法和模型的原理使用條件進(jìn)行探討,分析交通流預(yù)測與擁堵識(shí)別之間的關(guān)系。另外,在闡述主干道定義,特點(diǎn)和速度和流量變化的基礎(chǔ)上,建立基于交通流量的主干道交通預(yù)測模型,重點(diǎn)對模型的形式進(jìn)行研究分析。最后,用MATLAB軟件進(jìn)行系統(tǒng)仿真,經(jīng)過仿真表明基于交通流量的預(yù)測方案能夠?qū)Τ鞘兄鞲傻澜煌顟B(tài)進(jìn)行有效地預(yù)測分析。關(guān)鍵詞交通擁堵預(yù)測速度系統(tǒng)仿真 AbstractThisstudybasedonthereferencetodomesticandforeign,accordingtothedefinitionofthemaincityroadtraffic,nonlinearandtime-varyingcharacteristicsgivencongestioncauses,classificationandcharacteristicoftheclassicalalgorithm,congestionandtrafficflowpredictionmodelwereanalyzed,withemphasisonthealgorithmandmodelprincipleusingconditionswerestudied,therelationshipbetweentrafficanalysisflowpredictionandcongestionidentification.Inaddition,themaindefinition,basiccharacteristicsandvelocityandflowratechanges,establishmentoftrunkroadtrafficpredictionmodelbasedontrafficflow,keyformofmodelanalysis.Finally,thesystemsimulationwithMATLABsoftware,thesimulationshowsthatthetrafficflowpredictionschemecaneffectivelyforecastandanalysisoftrafficstatebasedonthecityroads.Keywords:trafficcongestionpredictionspeedsystemsimulation目錄HYPERLINK摘要 IHYPERLINKAbstract IIHYPERLINK第一章緒論 1HYPERLINK1.1課題的背景及理論 1HYPERLINK1.2研究的實(shí)際意義 1HYPERLINK1.3城市交通信息預(yù)測理論的發(fā)展和研究現(xiàn)狀 1HYPERLINK1.4主要研究內(nèi)容 2HYPERLINK1.5本文內(nèi)容安排 2HYPERLINK1.6本章小結(jié) 2HYPERLINK第二章交通流的相關(guān)理論及預(yù)測 3HYPERLINK2.1交通流的定義 3HYPERLINK2.2交通流理論發(fā)展 3HYPERLINK2.3交通數(shù)據(jù)的采集及說明 3HYPERLINK2.4交通流參數(shù)間的對應(yīng)關(guān)系 4HYPERLINK2.4.1密度和速度的關(guān)系 4HYPERLINK2.4.2密度和流量的關(guān)系 5HYPERLINK2.4.3速度和流量的關(guān)系 5HYPERLINK2.5本章小結(jié) 5HYPERLINK第三章神經(jīng)網(wǎng)絡(luò)理論 6HYPERLINK3.1神經(jīng)網(wǎng)絡(luò)的概述 6HYPERLINK3.2人工神經(jīng)元模型 6HYPERLINK3.2.1神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)描述 6HYPERLINK3.2.2神經(jīng)元狀態(tài)轉(zhuǎn)移函數(shù)類型 7HYPERLINK3.3神經(jīng)網(wǎng)絡(luò)模型 8HYPERLINK3.3.1前向網(wǎng)絡(luò) 8HYPERLINK3.3.2反饋網(wǎng)絡(luò) 9HYPERLINK3.3.3自組織網(wǎng)絡(luò) 9HYPERLINK3.4神經(jīng)網(wǎng)絡(luò)的特點(diǎn)及其應(yīng)用 9HYPERLINK3.4.1神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 9HYPERLINK3.4.2神經(jīng)網(wǎng)絡(luò)的應(yīng)用 9HYPERLINK3.5神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí) 10HYPERLINK3.5.1學(xué)習(xí)方式 10HYPERLINK3.5.2學(xué)習(xí)算法 10HYPERLINK3.6本章小結(jié) 11HYPERLINK第四章基于Elman神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測的仿真 12HYPERLINK4.1Elman神經(jīng)網(wǎng)絡(luò) 12HYPERLINK4.1.1概述 12HYPERLINK4.1.2Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及原理 12HYPERLINK4.1.3Elman神經(jīng)網(wǎng)絡(luò)的創(chuàng)立 13HYPERLINK4.1.4Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 13HYPERLINK4.2Elman回歸神經(jīng)網(wǎng)絡(luò)預(yù)測的仿真 14HYPERLINK4.2.1仿真背景 14HYPERLINK4.2.2樣本數(shù)據(jù)選擇 14HYPERLINK4.2.3神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)的歸一化處理 14HYPERLINK4.2.4Elman回歸神經(jīng)網(wǎng)絡(luò)的創(chuàng)立及訓(xùn)練 15HYPERLINK4.2.5仿真程序及結(jié)果 16HYPERLINK4.3本章小結(jié) 21HYPERLINK結(jié)論 22HYPERLINK參考文獻(xiàn) 23HYPERLINK致謝 24第一章緒論1.1課題的背景及理論隨著現(xiàn)今社會(huì)城市化的加劇,城市交通擁擠以及突發(fā)性的交通事故正嚴(yán)重地困擾著世界各國的大中城市,解決這些問題的社會(huì)意義、經(jīng)濟(jì)意義已成為全球的共識(shí)。從近幾年世界各國的發(fā)展趨勢來看,本課題研究的重點(diǎn)是為了解決交通基礎(chǔ)設(shè)施供應(yīng)不足、交通混亂和交通效率低下這些方面的問題。經(jīng)過交通規(guī)則和交通控制能夠解決交通基礎(chǔ)設(shè)施供應(yīng)不足、交通混亂造成的問題,而交通流誘導(dǎo)則是當(dāng)前公認(rèn)的解決交通效率和提高機(jī)動(dòng)性的最佳途徑。在沒有誘導(dǎo)的時(shí)候,駕駛員只能靠經(jīng)驗(yàn)選擇路線,這樣,一旦在某個(gè)路段發(fā)生交通意外或者車輛多過就會(huì)導(dǎo)致交通受到干擾,從而使城市交通網(wǎng)的使用效率降低。交通擁擠大大減慢了人們的出行效率,浪費(fèi)時(shí)間的同時(shí)機(jī)動(dòng)車尾氣的排放量大大增加,燃料消耗嚴(yán)重,給居民健康造成風(fēng)險(xiǎn)的同時(shí)也嚴(yán)重浪費(fèi)了全球的石油資源,造成重大的污染,甚至給環(huán)境的治理都提高了不少難度。有報(bào)告顯示,北京的交通擁擠使北京市每年要損失其GDP的7.5%即1056億元。另外,交通擁擠所帶來的種種環(huán)境問題也是不容忽視的。噪聲污染,溫室效應(yīng),城市熱島效應(yīng)和臭氧空洞種種都與交通擁擠所排放出的廢棄物有重大的關(guān)系,而政府每年花在治理這些問題上的支出也是令人瞠目結(jié)舌的,因此,有一個(gè)好的交通控制系統(tǒng),對城市的發(fā)展和人們的生活都有重大的影響,是政府及每個(gè)人都應(yīng)重視的問題。1.2研究的實(shí)際意義城市道路交通系統(tǒng)是一個(gè)復(fù)雜的大系統(tǒng),包括道路、汽車、人與環(huán)境的組成部分,因而具有強(qiáng)大的非線性、隨機(jī)性、多變性以及不確定性。傳統(tǒng)的理論和方法在面對如此大的系統(tǒng)問題,往往是無能為力。影響交通流量和道路交通時(shí)間的因素具有高度的非線性和隨時(shí)間變化的特點(diǎn),很難給出精確的解析表示式和相應(yīng)的校準(zhǔn)。人工神經(jīng)網(wǎng)絡(luò)具有非線性、大規(guī)模并行分布處理、善于處理多個(gè)變量的系統(tǒng)以及方便硬件實(shí)現(xiàn)等特點(diǎn),適合用于大系統(tǒng)非線性時(shí)間變化大的模擬以及在線控制,相對適合于交通流量和道路交通時(shí)間的預(yù)測。1.3城市交通信息預(yù)測理論的發(fā)展和研究現(xiàn)狀城市交通狀態(tài)的最主要的信息是交通流量和道路交通時(shí)間,動(dòng)態(tài)交通分配的核心內(nèi)容對交通流量和道路交通時(shí)間的預(yù)測,也是交通流誘導(dǎo)系統(tǒng)以及ITS中其它系統(tǒng)的最重要的基礎(chǔ)應(yīng)用之一,因此,很多研究人員在研究此技術(shù)。美、日、德等比較發(fā)達(dá)的國家起步較早,并取得了一些具有影響力的成果。當(dāng)前,城市道路交通狀態(tài)預(yù)測的方法主要有三種:1．基于歷史數(shù)據(jù)法,即建立預(yù)測模型時(shí)用的是實(shí)時(shí)的交通流量數(shù)據(jù)和歷史數(shù)據(jù);2．時(shí)間序列法,是統(tǒng)計(jì)方法的一種,在已知過去的某些時(shí)間段的交通流量,以此為基礎(chǔ)上建立模型預(yù)測未來流量,常見的有ARIMA模型、MA模型等。3．人工智能方法,即使用神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù),輸入量為當(dāng)前實(shí)際測量的交通流量、歷史交通流量、車輛行駛平均速度等對為了某時(shí)刻的交通流量進(jìn)行預(yù)測。與前兩種方法向相比較,第三種方法沒有時(shí)間延遲,動(dòng)態(tài)特性相對較好?？墒瞧渚W(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)和算法缺乏好的理論指導(dǎo)依據(jù),可使用性不強(qiáng)。1.4主要研究內(nèi)容路段上的實(shí)時(shí)交通狀態(tài)與歷史時(shí)間上的交通狀態(tài)是有著必然的聯(lián)系,同時(shí)每個(gè)路段都只是路網(wǎng)的一部分,每個(gè)路段的交通狀態(tài)都會(huì)受到上下游各路段的交通狀態(tài)的影響,因此每個(gè)路段的交通狀況必定會(huì)和相連路段過去的時(shí)段的交通狀況有著密不可分的內(nèi)在聯(lián)系。這些交通狀況的信息量就能夠用來預(yù)測路段未來的某個(gè)時(shí)間段的交通狀態(tài)。根據(jù)以上的原理,本課題研究的內(nèi)容主要有:運(yùn)用神經(jīng)網(wǎng)絡(luò)結(jié)合短時(shí)交通流量的理論基礎(chǔ)來建立城市主干道交通狀態(tài)預(yù)測模型,找出符合城市交通時(shí)變性要求的算法。使用Elman神經(jīng)網(wǎng)絡(luò)技術(shù)來設(shè)計(jì)城市主干道交通狀態(tài)實(shí)時(shí)、動(dòng)態(tài)的預(yù)測方法。1.5本文內(nèi)容安排全文共分成四章,各章內(nèi)容安排如下:緒論。重在說明本課題的研究背景、目的和意義,以及國內(nèi)外交通控制系統(tǒng)研究狀況的綜述。第二章交通流的相關(guān)理論及研究。運(yùn)用數(shù)學(xué)和力學(xué)定律,研究道路交通流運(yùn)行規(guī)律的理論,具體為概論論,排隊(duì)論,車流波動(dòng)理論的研究。第三章神經(jīng)網(wǎng)絡(luò)。本章描述了神經(jīng)網(wǎng)絡(luò)的組成部分,及其算法和學(xué)習(xí)方式。第四章Elman神經(jīng)網(wǎng)絡(luò)預(yù)測的仿真。本章主要介紹了Elman神經(jīng)網(wǎng)絡(luò)的原理,創(chuàng)立及訓(xùn)練方式,然后利用原先所測交通流數(shù)據(jù)進(jìn)行仿真,并將仿真數(shù)據(jù)與實(shí)際對比。1.6本章小結(jié)本章首先介紹了課題的學(xué)術(shù)背景及理論與實(shí)際意義,接著描述了城市交通信息預(yù)測理論的發(fā)展和研究現(xiàn)狀,然后闡述了課題的主要研究內(nèi)容,最后介紹了本文的內(nèi)容章節(jié)安排。第二章交通流的相關(guān)理論及預(yù)測2.1交通流的定義研究在一定環(huán)境條件下交通流隨時(shí)間和空間變化規(guī)律的模型和方法體系稱為交通流理論體系。交通流是研究道路上行人和機(jī)動(dòng)車在成列和個(gè)別行動(dòng)中的規(guī)律,經(jīng)過研究車流流量、車流速度和密度之間的關(guān)系,使道路交通設(shè)施的利用率得到提高,以減少事故發(fā)生和出行時(shí)間的延誤。2.2交通流理論發(fā)展從時(shí)間順序上來講,大致可從三個(gè)階段論述交通流理論:1．20世紀(jì)30~40年代,自由車流的統(tǒng)計(jì)分布理論這一時(shí)期車輛保有量低,大部分公路上行駛的車輛相互干擾較少,能夠相對自由的前行。由于發(fā)達(dá)國家汽車產(chǎn)業(yè)的發(fā)展和道路建設(shè),道路交通狀態(tài)的規(guī)律需要摸索并進(jìn)行科學(xué)管理,道路交通所產(chǎn)生的交通流量需要有人去研究。因此此階段主要是利用概率與數(shù)理統(tǒng)計(jì)的方法建立的模型描述交通流量和速度之間的關(guān)系,研究各類型路口交通狀態(tài)。2．20世紀(jì)50~60年代,動(dòng)力學(xué)仿真與車輛跟馳模型這一時(shí)期發(fā)達(dá)國家的道路和汽車保有量快速增長,道路線程急劇增加,交通規(guī)劃和控制得到越來越多的關(guān)注。因此,要發(fā)展交通流理論來保障規(guī)劃和控制得更好、更科學(xué)。車輛數(shù)目的明顯增長,車輛之間相互影響嚴(yán)重,自由流的情況較少出現(xiàn),大多數(shù)的車輛都是處于跟隨行駛的狀態(tài)中。因此此階段的研究開始運(yùn)用動(dòng)力學(xué)方法研究車輛隊(duì)列在無法超車的單一車道上的行駛時(shí)后車跟隨前車的行駛狀態(tài),并用動(dòng)力學(xué)模型表示及進(jìn)行數(shù)學(xué)分析。3．20世紀(jì)60年代后,交通波理論由于汽車普及到廣大老百姓家中,該階段交通問題在世界各國大中城市中尤顯嚴(yán)重,大大地制約的城市的發(fā)展,因此,需要發(fā)展交通波理論來解決城市交通問題。此階段城市車輛已經(jīng)迅速猛增,交通狀態(tài)已經(jīng)嚴(yán)重影響人們的出行時(shí)間,很多時(shí)候交通都是處于擁擠狀態(tài)。因此這階段應(yīng)用流體力學(xué)的基礎(chǔ)原理,模擬流體的連續(xù)性方程,建立車流的聯(lián)系方程,用水波而抽象的車流波來比喻車流密度的稀疏變化,經(jīng)過對車流波的傳播速度的認(rèn)真分析,尋找車流流量,車速與密度之間的關(guān)系。2.3交通數(shù)據(jù)的采集及說明 交通數(shù)據(jù)是交通狀態(tài)和交通流誘導(dǎo)的基礎(chǔ),當(dāng)前主要是利用環(huán)形線圈檢測工具進(jìn)行交通數(shù)據(jù)的采集?？傻玫降慕煌〝?shù)據(jù)有:車速、車流量和道路占有率。1．車流量Q:(2-1)其中:Q、T、N分別指車流量(輛/h),時(shí)間間隙(h),在T內(nèi)經(jīng)過檢測工具的車輛數(shù)(輛)。2．車速:地點(diǎn)車速V和區(qū)間平均車速。(2-2)其中:(1)檢測工具對單一車輛閉環(huán)時(shí)間(h)用表示;(2)有效檢測工具長度跟車的均長之和(km)用表示。另一個(gè)V的公式為:(2-3)區(qū)間平均車速:(2-4)其中:、l、、n、分別指為區(qū)間平均車速(m/s),道路長度(m),第i輛車的行駛時(shí)間(s),車輛行駛于路段長度l的次數(shù),第i輛車的行駛速度(m/s)。3．道路占有率:(2-5)其中:、N、T、分別指道路占有率,在時(shí)間間隙T內(nèi)測得的經(jīng)過檢測工具的車輛數(shù)(輛),時(shí)間間隙(h),對應(yīng)車輛引起的檢測工具閉環(huán)時(shí)間(h)2.4交通流參數(shù)間的對應(yīng)關(guān)系2.4.1密度和速度的關(guān)系速度和密度模型有不少,用得最多的是線性模型),即:(2-6)根據(jù)上式有:(1)當(dāng)密度k趨向于0時(shí),速度v接近自由流車速,則;(2)當(dāng)密度大到車輛沒法行駛時(shí),其對應(yīng)的密度稱阻塞密度,當(dāng)時(shí),,得,將a和b代入上式,得速度—密度關(guān)系式:(2-7)2.4.2密度和流量的關(guān)系由式2-7和得,得流量—密度模型:(2-8)即q和k成二次函數(shù)關(guān)系,因此最大流量對應(yīng)最佳密度(臨界密度),即:令得,即,代入式(2-8)得:(2-9)2.4.3速度和流量的關(guān)系由式得并代入到中,得流量—車速模型:(2-10)由此可知,自由車速的為臨界車速,即。當(dāng)時(shí),,交通流狀態(tài)為擁擠;當(dāng)時(shí),交通流狀態(tài)是自由流。2.5本章小結(jié)本章簡單介紹了交通流的概念及其基本模型,并分析研究了交通流參數(shù)之間相互的關(guān)系。第三章神經(jīng)網(wǎng)絡(luò)理論3.1神經(jīng)網(wǎng)絡(luò)的概述人工神經(jīng)網(wǎng)絡(luò)(ANN)是智能控制領(lǐng)域研究歷史上相對比較長但發(fā)展歷經(jīng)曲折的交叉學(xué)科。其網(wǎng)絡(luò)是由大量處理單元(神經(jīng)元Neurons)廣泛互連而成的,是對人腦的抽象、簡化和模擬,反映人腦的基本特征,用它能夠模擬人的大腦的許多基本功能和簡單的思維方式,另外,它還有學(xué)習(xí)功能,經(jīng)過學(xué)習(xí)來獲取外部的知識(shí)并將其存儲(chǔ)在網(wǎng)絡(luò)內(nèi),盡管無法與人腦的完美無缺相媲美,但它能夠解決計(jì)算機(jī)不易處理的難題,特別是組合優(yōu)化計(jì)算,智能控制,語音和圖像的理解、識(shí)別和知識(shí)的處理等一系列本質(zhì)上為非計(jì)算的問題。另外,它是一種多輸入,單輸出的非線性元件。從連接方式上看可分成相互結(jié)合型和前向型神經(jīng)網(wǎng)絡(luò)兩類。其中,由輸入層、中間層和輸出層組成的為前向神經(jīng)網(wǎng)絡(luò)。中間層中各層的神經(jīng)元只接收前一層神經(jīng)元的輸出。而相互結(jié)合型網(wǎng)絡(luò)中任意兩個(gè)神經(jīng)元間都有可能連接,因此輸入信號(hào)需在神經(jīng)元間傳來傳去,開始于某一初態(tài),變化多次,慢慢達(dá)到某一穩(wěn)態(tài)或者周期振蕩等狀態(tài)。基于人工神經(jīng)網(wǎng)絡(luò)的控制,神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力,容錯(cuò)能力,魯棒性和非線性映射能力都極強(qiáng),倘若將其這些特性很好地應(yīng)用到控制領(lǐng)域,那么控制系統(tǒng)智能化必然會(huì)得到很大的發(fā)展。系統(tǒng)能適應(yīng)不確定性、時(shí)變的對象與環(huán)境等功能在人們心目中越來越重要。另外,控制系統(tǒng)自身復(fù)雜性的增強(qiáng),使得基于精確模型的傳統(tǒng)控制難以于之相媲美。因此,具有這些優(yōu)點(diǎn)的神經(jīng)網(wǎng)絡(luò)讓人們不得不重視它。3.2人工神經(jīng)元模型3.2.1神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)描述生物神經(jīng)元的簡單化和模擬構(gòu)成了人工神經(jīng)元,它是人工神經(jīng)網(wǎng)絡(luò)處理基本信息的單元,是人工神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的基礎(chǔ)。圖3-1表示神經(jīng)元結(jié)構(gòu),它是一個(gè)多輸入單輸出的非線性元件,其輸入輸出關(guān)系可描為(3-1)(3-2)其中,從其它細(xì)胞傳來的輸入信號(hào)用(=1,2,…..,n)表示,閾值用表示,自神經(jīng)元到神經(jīng)元的連接權(quán)值用表示,為作用函數(shù)。圖3-1人工神經(jīng)元模型圖由以上分析可得出,人工神經(jīng)元反映了生物神經(jīng)元的基本功能。作用函數(shù)又叫做變換函數(shù),神經(jīng)元的輸出由它決定。作用函數(shù)一般為階躍函數(shù)或S狀曲線那樣的非線性函數(shù),但有時(shí)候也能夠?yàn)榫€性函數(shù)。3.2.2神經(jīng)元狀態(tài)轉(zhuǎn)移函數(shù)類型在神經(jīng)元沒有內(nèi)部狀態(tài)的時(shí)候,可令.常見的神經(jīng)元狀態(tài)轉(zhuǎn)移函數(shù)如下:1．階躍函數(shù)(1)自變量<0時(shí),輸出為0;(2)自變量時(shí),輸出為1。(3-3)2．分段線性函數(shù)函數(shù)在(-1,+1)內(nèi)的放大系數(shù)相同 (3-4)3．S型函數(shù)實(shí)數(shù)域R到[0,1]的非連續(xù)函數(shù),且其函數(shù)本身及其倒數(shù)都是連續(xù)的,其函數(shù)定義如下: (3-5)4.雙曲正切函數(shù)函數(shù)定義如下: (3-6)3.3神經(jīng)網(wǎng)絡(luò)模型當(dāng)前已存在的神經(jīng)網(wǎng)模型雖然有數(shù)十種之多,但已有的神經(jīng)網(wǎng)絡(luò)大致能夠分為三大類,即前向網(wǎng)絡(luò)(FreedforwardNNs)、反饋網(wǎng)絡(luò)(FeedbackNNs)、和自組織網(wǎng)絡(luò)(Self-organizingNNs)。3.3.1前向網(wǎng)絡(luò)前向型神經(jīng)網(wǎng)絡(luò),在計(jì)算輸出值的過程中,輸入值從輸入層單元向前逐層傳播經(jīng)過中間層最后到達(dá)輸出層得到輸出。前向網(wǎng)絡(luò)第一層的單元與第二層所有單元相連,第二層又與其上一層單元相連,同一層中的各單元之間沒有連接。前向網(wǎng)絡(luò)中神經(jīng)元的激發(fā)函數(shù),可采用線性硬閥值函數(shù)或單元上升的非線性函數(shù)等來表示。根據(jù)連接方式不同,神經(jīng)網(wǎng)絡(luò)可分為兩大類:沒有反饋的前向網(wǎng)絡(luò)和相互結(jié)合型網(wǎng)絡(luò)。1．前向網(wǎng)絡(luò):其組成為輸入、輸出層和中間層,中間層可有若干層,也能夠沒有,任何一層的神經(jīng)元都只接收其前一層的輸出,如圖3-2所示。輸入層隱含層輸出層圖3-2無反饋前向網(wǎng)絡(luò)2．相互結(jié)合型網(wǎng)絡(luò):任意神經(jīng)元間都有可能連接,因此輸入信號(hào)需在神經(jīng)元間傳來傳去,開始于某一初態(tài),變化多次,慢慢達(dá)到某一穩(wěn)態(tài)或者周期振蕩等狀態(tài),如圖3-3所示。圖3-3相互結(jié)合型網(wǎng)絡(luò)3.3.2反饋網(wǎng)絡(luò)反饋網(wǎng)絡(luò)又稱動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)或回歸網(wǎng)絡(luò),與其它網(wǎng)絡(luò)所不同的是,反饋網(wǎng)絡(luò)的輸出不但和當(dāng)前網(wǎng)絡(luò)的輸入有關(guān),也和網(wǎng)絡(luò)以前的輸出、輸入有關(guān)。它的輸入包含有延遲的輸入或者輸出數(shù)據(jù)的反饋。反饋網(wǎng)絡(luò)以回饋的形式來看,有兩種:一種是輸入有延遲的實(shí)踐延遲回饋網(wǎng)絡(luò),另一種是輸入有延遲,輸出有回饋的層回饋網(wǎng)絡(luò)。反饋網(wǎng)絡(luò)中,系統(tǒng)的初始狀態(tài)由輸入信號(hào)決定,隨后經(jīng)過一系列狀態(tài)轉(zhuǎn)移達(dá)到最后的平衡狀態(tài)即計(jì)算后的輸出結(jié)果。由此可見,穩(wěn)定性在反饋網(wǎng)絡(luò)中有舉足輕重的地位。倘若能找到網(wǎng)絡(luò)之Lyapunov數(shù),則能保證網(wǎng)絡(luò)從任一初始狀態(tài)都可收斂至局部最小點(diǎn)。Elman神經(jīng)網(wǎng)絡(luò)是反饋網(wǎng)絡(luò)中最有代表性的例子。3.3.3自組織網(wǎng)絡(luò)自組織神經(jīng)網(wǎng)絡(luò)以無教師教學(xué)的方式進(jìn)行網(wǎng)絡(luò)訓(xùn)練,具有自組織特性,它是模擬人類根據(jù)過去經(jīng)驗(yàn)自動(dòng)適應(yīng)無法預(yù)測的環(huán)境變化。它無需期望輸出,只是根據(jù)數(shù)據(jù)樣本進(jìn)行學(xué)習(xí),并調(diào)整自身的權(quán)重以達(dá)到訓(xùn)練目的,其學(xué)習(xí)規(guī)則大都采用競爭型的學(xué)習(xí)規(guī)則,主要思想是網(wǎng)絡(luò)競爭層中的各神經(jīng)元經(jīng)過競爭來獲取對輸入模式的響應(yīng)機(jī)會(huì),最后僅剩一個(gè)輸出最大的神經(jīng)元成為競爭的勝利者,并對那些與獲勝神經(jīng)元有關(guān)的各連接權(quán)值朝著更有利于它競爭的方向調(diào)整。3.4神經(jīng)網(wǎng)絡(luò)的特點(diǎn)及其應(yīng)用3.4.1神經(jīng)網(wǎng)絡(luò)的特點(diǎn)神經(jīng)網(wǎng)絡(luò)有如下特點(diǎn):1．并行分布式處理神經(jīng)網(wǎng)絡(luò)不但有高度并行結(jié)構(gòu),還有很強(qiáng)的并行實(shí)現(xiàn)能力,網(wǎng)絡(luò)的各單元能夠同時(shí)進(jìn)行類似的處理過程,整個(gè)網(wǎng)絡(luò)的信息處理方式是大規(guī)模并行的。2．具有自學(xué)習(xí)功能從歷史數(shù)據(jù)中學(xué)習(xí),培養(yǎng)出特定的具有歸納全部數(shù)據(jù)能力的神經(jīng)網(wǎng)絡(luò)。對預(yù)測來說,自學(xué)習(xí)功能有著極其重要的意義。3．非線性處理神經(jīng)網(wǎng)絡(luò)模擬人的思維跟人腦思維一樣也是非線性的,對處理非線性問題有很大的幫助。4．神經(jīng)網(wǎng)絡(luò)的硬件實(shí)現(xiàn)超大規(guī)模集成電路(VLSI)硬件的實(shí)現(xiàn),使人工神經(jīng)網(wǎng)絡(luò)能有效且快速地解決規(guī)模很大的問題。3.4.2神經(jīng)網(wǎng)絡(luò)的應(yīng)用1．民用:語言識(shí)別、圖像識(shí)別與理解、智能機(jī)器人故障檢測、市場分析、決策優(yōu)化、物資調(diào)運(yùn)、智能控制、交通預(yù)測等2．軍用:雷達(dá)、聲吶的多目標(biāo)識(shí)別與跟蹤、戰(zhàn)場管理和決策支持系統(tǒng)、軍用機(jī)器人控制、信息的快速錄取、導(dǎo)彈的智能引導(dǎo)等等。3.5神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)3.5.1學(xué)習(xí)方式神經(jīng)網(wǎng)絡(luò)分無導(dǎo)師學(xué)習(xí)、有導(dǎo)師學(xué)習(xí)和再勵(lì)學(xué)習(xí)三種學(xué)習(xí)方式。1．無導(dǎo)師學(xué)習(xí)與有導(dǎo)師學(xué)習(xí)不同的是,它僅有一批輸入數(shù)據(jù)。網(wǎng)絡(luò)初始狀態(tài)下,將均為小正數(shù)的權(quán)值重復(fù)加載后使網(wǎng)絡(luò)不斷受到刺激,直到產(chǎn)生同樣的刺激,并最終使相應(yīng)的連接權(quán)增大到接近1的某值。簡單來說就是加入了相似的或已學(xué)習(xí)過的刺激后,輸出端的輸出是按權(quán)值矩陣相應(yīng)產(chǎn)生的。2．有導(dǎo)師學(xué)習(xí)也叫監(jiān)督學(xué)習(xí),它以組織準(zhǔn)確的輸入輸出數(shù)據(jù)對為研究目的。在網(wǎng)絡(luò)輸入端加載輸入數(shù)據(jù),再經(jīng)過比較網(wǎng)絡(luò)的實(shí)際和期望輸出得到誤差,然后由誤差的情況絕大部分要修改各連接權(quán)值,使網(wǎng)絡(luò)向正確響應(yīng)的方向變化到實(shí)際輸出減去期望輸出在允許范圍之內(nèi)為止。3．再勵(lì)學(xué)習(xí)是介于對上兩種情況之間的一種方式,系統(tǒng)輸出的結(jié)果受到外部環(huán)境的影響,學(xué)習(xí)系統(tǒng)改進(jìn)自身性能靠強(qiáng)化受獎(jiǎng)勵(lì)的動(dòng)作來實(shí)現(xiàn)。3.5.2學(xué)習(xí)算法1．Hebb學(xué)習(xí)規(guī)則Heb由生理學(xué)條件反射原理,于1949年發(fā)現(xiàn)了神經(jīng)元的交接強(qiáng)度變換規(guī)則,并成為了人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)。換句話說,Hebb學(xué)習(xí)規(guī)則能夠推演出其它人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則。其計(jì)算規(guī)律為:(3-7)式中:為神經(jīng)元i到j(luò)的連接權(quán)值;S為樣本序號(hào),取值為[0,M-1];和分別為第S個(gè)樣本的第i和j神經(jīng)元的輸入由上式可知,連接權(quán)值的大小由M個(gè)樣本里所有的第i和j個(gè)元素決定,即越多,越大。換種說法來說,兩個(gè)神經(jīng)元的連接加強(qiáng)與否,決定于它們是否處于興奮狀態(tài)。2．學(xué)習(xí)規(guī)則即誤差校正規(guī)則,是在對網(wǎng)絡(luò)學(xué)習(xí)時(shí)采用已知樣本作為教師的一種學(xué)習(xí)方法。首先設(shè)置一個(gè)較小的隨機(jī)非0值作為初始權(quán)值,輸入的樣本對和輸出的樣本對也先給定;然后再算目標(biāo)函數(shù),那么神經(jīng)元以第組樣本為輸入的輸出公式為:(3-8)(3-9)(3-10)(3-11)3．Perception學(xué)習(xí)規(guī)則采用的是有導(dǎo)師學(xué)習(xí)方法。首先設(shè)置一個(gè)較小的隨機(jī)非0值作為初始權(quán)值。然后給定輸入的樣本對和輸出的樣本對。其次求出感知器的輸出。最后求出權(quán)值的調(diào)整公式:(3-12)其中,第次調(diào)整權(quán)值用表示;學(xué)習(xí)率用表示,且,用來掌控權(quán)值調(diào)整的快慢。4．內(nèi)、外星學(xué)習(xí)規(guī)則設(shè)神經(jīng)元到神經(jīng)元的連接權(quán)值是,神經(jīng)元的輸入為,則連接權(quán)值的調(diào)整公式為(3-13)此時(shí),是使趨向輸入的值,因此是內(nèi)星學(xué)習(xí)規(guī)則。當(dāng)神經(jīng)元的輸出為時(shí),采用公式3-13是使趨向輸出的值,是外星學(xué)習(xí)規(guī)則。適圖形識(shí)別等領(lǐng)域用內(nèi)星學(xué)習(xí)規(guī)則,而信號(hào)傳遞領(lǐng)域用外星學(xué)習(xí)規(guī)則會(huì)更佳。3.6本章小結(jié)本章首先對神經(jīng)網(wǎng)絡(luò)進(jìn)行了詳細(xì)的概述,然后再對其結(jié)構(gòu)模型進(jìn)行了詳細(xì)的說明,最后論述了其特點(diǎn)及學(xué)習(xí)方式、算法,使人對神經(jīng)網(wǎng)絡(luò)有初步認(rèn)知。第四章基于Elman神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測的仿真4.1Elman神經(jīng)網(wǎng)絡(luò)4.1.1概述Elman于1990年提出了Elman神經(jīng)網(wǎng)絡(luò)模型。為了達(dá)到記憶目的,該模型增加了一個(gè)承接層在前饋網(wǎng)絡(luò)的隱含層中,讓系統(tǒng)具有了適應(yīng)時(shí)變特性的能力。因此,它實(shí)現(xiàn)的是動(dòng)態(tài)映射,比前向網(wǎng)絡(luò)更適于解決動(dòng)態(tài)系統(tǒng)問題。4.1.2Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及原理Elman型回歸神經(jīng)元網(wǎng)絡(luò)一般分為4層:輸入層、輸出層、中間層和承接層。其中輸入、輸出層和隱含層有類似于前饋網(wǎng)絡(luò)的連接方式。輸入層單元和輸出層單元分別起信號(hào)傳輸作用和線性加權(quán)作用,隱含層單元用線性或非線性函數(shù)作為傳遞函數(shù),承接層即上下文層,顧名思義是用來記憶中間層單元前一時(shí)刻的輸出值并返回給輸入。它經(jīng)過存儲(chǔ)內(nèi)部狀態(tài)使其具備映射動(dòng)態(tài)特征的功能,從而使系統(tǒng)具有適應(yīng)時(shí)變特性的能力,它能夠更生動(dòng)、更直接地反映系統(tǒng)的動(dòng)態(tài)特性。Elman神經(jīng)網(wǎng)絡(luò)原理如圖4-1所示。圖4-1Elman神經(jīng)網(wǎng)絡(luò)原理Elman型神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是中間層的輸出經(jīng)過承接層的延遲和存儲(chǔ)后,自聯(lián)到中間層的輸入,此自聯(lián)方式使其敏感于歷史狀態(tài)的數(shù)據(jù)。同時(shí),網(wǎng)絡(luò)本身處理動(dòng)態(tài)信息的能力也隨內(nèi)部反饋網(wǎng)絡(luò)的加入大大增強(qiáng),最后達(dá)到了動(dòng)態(tài)建模的目的。另外,承接層從中間層接受反饋信號(hào),用它來記憶中間層單元前一時(shí)刻的輸出值。前饋網(wǎng)絡(luò)的輸入包括外部輸入值和中間層前一時(shí)刻的輸出值,可經(jīng)過反向傳播算法來訓(xùn)練它。訓(xùn)練完后,k時(shí)刻中間層的輸出值將以遞歸方式連接部分反饋到承接層單元,并保留至下一個(gè)訓(xùn)練k+1時(shí)刻。設(shè)外部輸入為,輸出為y(k),中間層的輸出為x(k),則可得到的非線性狀態(tài)空間表示式如下:(4-1)(4-2)(4-3)式中指承接層到中間層,指輸入層到中間層,指中間層到輸出層的連接權(quán)矩陣,中間層和輸出層的傳遞函數(shù)分別用f和g表示。由式(4-1)-(4-3)得:(4-4)又因?yàn)?,上式能繼續(xù)展開。說明了與過去不同時(shí)刻的連接權(quán)(,…)有關(guān),也就是說是一個(gè)動(dòng)態(tài)遞推過程。對應(yīng)的,動(dòng)態(tài)反向傳播學(xué)習(xí)算法包含了用于Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練的反向傳播算法。4.1.3Elman神經(jīng)網(wǎng)絡(luò)的創(chuàng)立指令格式為net=newelm(PR,[S1S2……SN1],{TF1TF2……TFN1},BTF,BLF,PF)參數(shù)意義:PR—R個(gè)輸入元素的范圍矩陣。Si—第i層的神經(jīng)元個(gè)數(shù)。TFi—第i層的傳遞函數(shù),缺省值為”tansig”。BTF —反向傳播網(wǎng)絡(luò)的訓(xùn)練函數(shù),能夠是traind,traingdm,traingda,traingdx等函數(shù),缺省值為”traingdx”。BLF—反向傳播權(quán)值/閾值的學(xué)習(xí)函數(shù),能夠是learngd,learngdm缺省值為”learngdm”。PF—性能分析函數(shù),能夠是mse,msereg缺省值為”mse”。執(zhí)行結(jié)果:創(chuàng)立一個(gè)Elman神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)具有N1個(gè)神經(jīng)元層,權(quán)函數(shù)為dotprod函數(shù),輸入函數(shù)為netsum函數(shù),每層權(quán)值和閾值的初始化使用initnw函數(shù)。4.1.4Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練可用train()函數(shù)和adapt()函數(shù),訓(xùn)練函數(shù)能夠選擇traingd、traingdm、traingda、traingdx,學(xué)習(xí)函數(shù)可用learngd和learngdm。訓(xùn)練過程如下:1．計(jì)算網(wǎng)絡(luò)輸出與期望輸出的誤差。2．計(jì)算該誤差對權(quán)值和閾值的梯度,進(jìn)行反向傳播。由于經(jīng)過延時(shí)反饋,權(quán)值和閾值對誤差的影響被忽略了,因此得的梯度實(shí)際上是近似值。3．如果使用train()函數(shù),就調(diào)用訓(xùn)練函數(shù)來調(diào)整權(quán)值和閾值;如果使用adapt()函數(shù),就調(diào)用學(xué)習(xí)函數(shù)來調(diào)整權(quán)值和閾值。4.2Elman回歸神經(jīng)網(wǎng)絡(luò)預(yù)測的仿真4.2.1仿真背景城市主干道交通系統(tǒng)是一個(gè)非線性的系統(tǒng),該系統(tǒng)既復(fù)雜又受諸多的外部因素所影響,如氣候、時(shí)間等等。但在某個(gè)特定的時(shí)間段內(nèi),每條干道上的車流量、車速甚至是車的類型又是有規(guī)律可循的,其具有豐富的內(nèi)部層次有序結(jié)構(gòu),是一種介于隨機(jī)性和確定性之間的現(xiàn)象。針對其以上特點(diǎn),本節(jié)采用Elman神經(jīng)網(wǎng)絡(luò)的交通流量進(jìn)行預(yù)測。4.2.2樣本數(shù)據(jù)選擇樣本數(shù)據(jù)對網(wǎng)絡(luò)泛化能力有關(guān)鍵性的影響,訓(xùn)練網(wǎng)絡(luò)所使用的樣本數(shù)據(jù)應(yīng)從樣本的質(zhì)量、數(shù)量和代表性三個(gè)方面考慮。樣本質(zhì)量高低和樣本數(shù)量的多少都影響著系統(tǒng)的準(zhǔn)確性和可行性,樣本的質(zhì)量越高,數(shù)量越多,則所得到的系統(tǒng)盼函數(shù)越準(zhǔn)確,系統(tǒng)的擬合程度越高。反之,所得的系統(tǒng)就不符合實(shí)際要求。可是實(shí)際應(yīng)用中,樣本數(shù)量不可能無限增加,這就使得樣本選取時(shí)不但要考慮到系統(tǒng)平衡的普遍性,還要兼顧系統(tǒng)突變時(shí)的特殊性,只有這兩方面都具備了才能提高網(wǎng)絡(luò)的擬合能力。訓(xùn)練用的樣本決定了網(wǎng)絡(luò)性能的好壞,而一個(gè)注重了樣本規(guī)模的同時(shí)又注重了樣本質(zhì)量的訓(xùn)練樣本集才算得上一個(gè)好的樣本。1．樣本數(shù)的確定理論上來說訓(xùn)練樣本數(shù)越多,訓(xùn)練結(jié)果越符合要求,但當(dāng)樣本數(shù)到達(dá)一個(gè)特定程度時(shí),網(wǎng)絡(luò)的精度也很難提高多少。另外,樣本收集和整理過程中往往也會(huì)受到諸多客觀因素的影響。因此,網(wǎng)絡(luò)訓(xùn)練的輸入-輸出非線性映射關(guān)系的復(fù)雜與否決定了其所需要的樣本數(shù)的多少。影射關(guān)系越復(fù)雜,則樣本噪聲就越大,所需要的樣本數(shù)也越多,因而網(wǎng)絡(luò)的規(guī)模也就越大。一般來說我們都會(huì)參考這樣的一個(gè)經(jīng)驗(yàn)規(guī)則:訓(xùn)練樣本數(shù)為網(wǎng)絡(luò)連接權(quán)總數(shù)的5到10倍。2．樣本的選擇與組織樣本能表現(xiàn)出網(wǎng)絡(luò)訓(xùn)練的規(guī)律,因此樣本的選取一定要富有代表性。選擇樣本時(shí)要注意均衡類別,盡量使各類別的樣本數(shù)近乎相等。即使同一類樣本也要照顧其多樣性和均勻性。換句話說,選擇樣本的時(shí)候就要用”平均主義”原則,使在樣本訓(xùn)練時(shí)能涵蓋網(wǎng)絡(luò)的各個(gè)方面,避免網(wǎng)絡(luò)重視了樣本數(shù)多的類別而忽略了樣本數(shù)少的類別。組織樣本的時(shí)候要注意交叉輸入不同類別的樣本,或隨機(jī)選擇輸入訓(xùn)練集中的樣本。因?yàn)樘械耐悩颖緯?huì)使網(wǎng)絡(luò)在訓(xùn)練時(shí)傾向于僅僅建立與其相對應(yīng)的映射關(guān)系,此時(shí)若有另一類樣本集中輸入,權(quán)值就會(huì)向新的映射關(guān)系去調(diào)整,同時(shí)也否定前面的訓(xùn)練結(jié)果。當(dāng)輪流集中輸入各類樣本時(shí),振蕩會(huì)出現(xiàn)在網(wǎng)絡(luò)訓(xùn)練中,造成了訓(xùn)練時(shí)間的延長。4.2.3神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)的歸一化處理本文使用S型的激勵(lì)函數(shù)作為神經(jīng)網(wǎng)絡(luò)預(yù)測模型,該函數(shù)敏感于中間輸出部分對輸入的變化,而兩端的輸出部分對輸入的變化較為遲鈍(詳細(xì)可見3.3.2第(3)點(diǎn)),這就意味著中間部分預(yù)測比兩端要精確得多。特別是在高端預(yù)估得一般比實(shí)際值低,而在低端預(yù)估得一般比實(shí)際值高,即是說用神經(jīng)網(wǎng)絡(luò)預(yù)測出來的范圍要小于實(shí)際范圍。為此輸出數(shù)據(jù)需被壓縮到離中心點(diǎn)較近的范圍內(nèi),就像對于對數(shù)函數(shù)的輸出,需縮放至0.1～0.9間甚至是0.2～0.8間。為了使每項(xiàng)輸入在網(wǎng)絡(luò)訓(xùn)練中能受到同等待遇,我們在處理網(wǎng)絡(luò)輸入數(shù)據(jù)時(shí),需把它變換至一個(gè)相對較小的范圍內(nèi),如在0～1間。將輸入輸出數(shù)據(jù)變換為[-1,1]區(qū)間的值常見以下變換式(4-5)(4-6)其中,輸入或輸出數(shù)據(jù)用X表示;數(shù)據(jù)變化范圍的最小值用Xmin表示;數(shù)據(jù)變化范圍的最大值用表示。4.2.4Elman回歸神經(jīng)網(wǎng)絡(luò)的創(chuàng)立及訓(xùn)練完成網(wǎng)絡(luò)設(shè)計(jì)后,需用設(shè)計(jì)值進(jìn)行訓(xùn)練。對所有樣本正向運(yùn)行一輪并反向修改權(quán)值一次稱為一次訓(xùn)練。在訓(xùn)練過程中要重復(fù)隨機(jī)使用樣本集數(shù)據(jù),一般需要成千上萬次訓(xùn)練才能訓(xùn)練出一個(gè)網(wǎng)絡(luò)。一個(gè)網(wǎng)絡(luò)的泛化能力的好壞決定著其性能的優(yōu)劣,而測試其泛化能力要用訓(xùn)練集以外的測試數(shù)據(jù)來進(jìn)行檢驗(yàn)而不能用訓(xùn)練集的數(shù)據(jù)進(jìn)行。一般的做法是,將收集到的可用樣本隨機(jī)地分為兩部分:一部分作為訓(xùn)練集;另一部分作為測試集。倘若網(wǎng)絡(luò)對訓(xùn)練集樣本的誤差很小,而對測試集樣本的誤差很大,說明網(wǎng)絡(luò)已經(jīng)被訓(xùn)練得過度吻合,因此泛化能力很差。而網(wǎng)絡(luò)實(shí)現(xiàn)的類似查表的功能會(huì)在過度訓(xùn)練的極端情況下顯示。先創(chuàng)立Elman回歸神經(jīng)網(wǎng)絡(luò);然后對回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練;最后對回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真。編寫Matlab程序如下:net=newelm(minmax(p),[m,1],{'tansig','purelin'},'trainlm');net.trainParam.show=n;net.trainParam.epochs=N;net.trainParam.goal=2e-3;randn('seed',);net=init(net);[net,tr]=train(net,p,t);an=sim(net,p);回歸神經(jīng)網(wǎng)絡(luò)的輸出層神經(jīng)元數(shù)目為1個(gè),隱含層神經(jīng)元數(shù)目為m個(gè)。經(jīng)過net＝newelm()創(chuàng)立Elman回歸神經(jīng)網(wǎng)絡(luò),隱含層采用tansig傳遞函數(shù),輸出層采用purelin線性傳遞函數(shù),其中tansig為S型正切函數(shù),purelin為純線性函數(shù)?！眛rainlm”訓(xùn)練的輸出向量與期望向量更為接近,網(wǎng)絡(luò)訓(xùn)練過程中,誤差曲線下降速度快,訓(xùn)練步數(shù)比”traindx”或”triangda”更少,因此采用”trainlm”作為訓(xùn)練方法。經(jīng)過[net,tr]=train(net,p,t)函數(shù)對回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。經(jīng)過an=sim(net,p)函數(shù)對回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真。根據(jù)從廣州市交警的SCATS系統(tǒng)采集上來的4月14日和19日兩天中山解放路的交通流量數(shù)據(jù),具體操作位每小時(shí)記錄一次,交通流實(shí)測數(shù)據(jù)192個(gè)。表4-1中山解放路某路口東西直行的部分交通流量數(shù)據(jù)時(shí)間段流量時(shí)間段流量-9-141:00490-9-1413:001236-9-142:00384-9-1414:001407-9-143:00270-9-1415:001426-9-144:00229-9-1416:001577-9-145:00255-9-1417:001371-9-146:00399-9-1418:001371-9-147:00961-9-1419:001242-9-148:001142-9-1420:001231-9-149:001380-9-1421:001371-9-1410:001465-9-1422:001296-9-1411:001512-9-1423:00877-9-1412:001231-9-1424:00604對以上兩路口的交通流數(shù)據(jù)的分析得,其交通流存在混沌性能夠用Elman回歸神經(jīng)網(wǎng)絡(luò)對它進(jìn)行訓(xùn)練和預(yù)測,應(yīng)用MATLAB語言編制m文件程序來進(jìn)行仿真。支持Elman回歸神經(jīng)網(wǎng)絡(luò)的輸入矢量為t-3h,t-2h,t-h,和t的流量,輸出為t+h流量。每預(yù)測一個(gè)樣本,重新訓(xùn)練Elman神經(jīng)網(wǎng)絡(luò)測下一個(gè)樣本。4.2.5仿真程序及結(jié)果選取原始數(shù)據(jù)中的120個(gè)作為訓(xùn)練集,其余數(shù)據(jù)用作測試集,設(shè)置回歸神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)目為5個(gè),輸出層神經(jīng)元數(shù)目為1個(gè),另外經(jīng)過改變隱含層神經(jīng)元數(shù)目的個(gè)數(shù)m=30,m=35分別進(jìn)行訓(xùn)練,然后對比仿真結(jié)果,選取與實(shí)際流量最接近的網(wǎng)絡(luò)以下為神經(jīng)網(wǎng)絡(luò)1．隱含層m=30,goal=3e-7,epochs=500時(shí),Matlab窗口顯示如下:Columns1through1060449038427022925539996111421380282280221167126125159427455469452409360278232238334729844961Columns11through2014651512123112361407142615771371137112425185134174184844324153764324289081055844803943967904776785729Columns21through24123113711296877402382384331798805705534TRAINLM,Epoch0/150,MSE1.38976/3e-007,Gradient286.44/1e-010TRAINLM,Epoch30/150,MSE0.00595474/3e-007,Gradient3.32167/1e-010TRAINLM,Epoch60/150,MSE0.0027589/3e-007,Gradient3.94323/1e-010TRAINLM,Epoch90/150,MSE4.3947e-005/3e-007,Gradient0.153728/1e-010TRAINLM,Epoch97/150,MSE2.25496e-007/3e-007,Gradient0.181501/1e-010TRAINLM,Performancegoalmet.Elapsedtimeis66.049000seconds.b=973.1005b=-13.8286b=1.0647e+003b=1.0394e+003b=1.7880e+003b=-208.5238b=1.0822e+003b=1.0276e+003b=1.0189e+003b=-103.1675圖4-2m=30仿真圖2．隱層m=35,goal=3e-7,epochs=500時(shí),Matlab窗口顯示:Columns1through1060449038427022925539996111421380282280221167126125159452409360278232238334729844961Columns11through2014651512123112361407142615771371137112425185134174184844324153764324289081055844803943967904776785729Columns21through24123113711296877402382384331798805705534TRAINLM,Epoch0/500,MSE1.50194/3e-007,Gradient297.047/1e-010TRAINLM,Epoch30/500,MSE0.00486352/3e-007,Gradient1.74115/1e-010TRAINLM,Epoch60/500,MSE0.00296701/3e-007,Gradient0.115666/1e-010TRAINLM,Epoch90/500,MSE0.00169691/3e-007,Gradient0.983852/1e-010TRAINLM,Epoch119/500,MSE1.22582e-010/3e-007,Gradient0.00395959/1e-010TRAINLM,Performancegoalmet.Elapsedtimeis170.243000seconds.b=795.1123b=-1.4599e+003b=1.2622e+003b=829.8087b=575.8378b=-1.3325e+003b=1.3431e+003b=1.0935e+003b=665.3947b=-1.6242e+003圖4-3m=35仿真圖另外,在此m文件的基礎(chǔ)上改變隱含層m值(m=30,m=35)可得到不同的仿真結(jié)果,結(jié)果如表4-2所示:表4-2部分?jǐn)?shù)據(jù)仿真結(jié)果表時(shí)間P流量實(shí)際值流量預(yù)測值m=30絕對誤差(%)m=30流量預(yù)測值m=35絕對誤差(%)m=3514日1時(shí)14904930．504288．9014日5時(shí)22552500．942520．6814日7時(shí)396198218．2198723．2314日11時(shí)4151215283．7715398．4314日14時(shí)51407145516．41144210．9419日10時(shí)6128612902．7412964．9819日16時(shí)7139814021．0814051．6719日12時(shí)8132113357．9713294．1319日8時(shí)91074101125．65102221．6119日5時(shí)102472501．882480．12

經(jīng)計(jì)算,當(dāng)隱含層m=30時(shí),10組流量預(yù)測值的絕對誤差最大為25.65%,平均值為7.92%;當(dāng)隱含層m=35,10組流量預(yù)測值的絕對誤差最大為23.23%,平均值為8.47%;當(dāng)隱含層m=30時(shí),10組流量預(yù)測值的絕對誤差最大為20.08%,平均值為6.05%,容易看出當(dāng)取隱含層m=30時(shí),可獲得最小絕對誤差的仿真結(jié)果,而且誤差在容許之內(nèi),滿足流量預(yù)測要求,故用Elman回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行短期交通流預(yù)測是可行的。4.3本章小結(jié)本章對Elman神經(jīng)網(wǎng)絡(luò)的原理和網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了介紹,然后構(gòu)建了用于預(yù)測短時(shí)交通流量的Elman回歸神經(jīng)網(wǎng)絡(luò);最后運(yùn)用Matlab軟件對樣本數(shù)據(jù)進(jìn)行仿真對比,得到預(yù)測值在允許誤