城市主干道交通狀態(tài)預(yù)測方案的設(shè)計

城市主干道交通狀態(tài)預(yù)測方案的設(shè)計資料內(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)測與擁堵識別之間的關(guān)系。另外,在闡述主干道定義,特點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)的特點及其應(yīng)用 9HYPERLINK3.4.1神經(jīng)網(wǎng)絡(luò)的特點 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意義、經(jīng)濟(jì)意義已成為全球的共識。從近幾年世界各國的發(fā)展趨勢來看,本課題研究的重點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)動性的最佳途徑。在沒有誘導(dǎo)的時候,駕駛員只能靠經(jīng)驗選擇路線,這樣,一旦在某個路段發(fā)生交通意外或者車輛多過就會導(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,浪費時間的同時機(jī)動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)險的同時也嚴(yán)重浪費了全球的石油資源,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,是政府及每個人都應(yīng)重視的問題。1.2研究的實際意義城市道路交通系統(tǒng)是一個復(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間的因素具有高度的非線性和隨時間變化的特點,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、善于處理多個變量的系統(tǒng)以及方便硬件實現(xiàn)等特點,適合用于大系統(tǒng)非線性時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間,動態(tài)交通分配的核心內(nèi)容對交通流量和道路交通時間的預(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)測模型時用的是實時的交通流量數(shù)據(jù)和歷史數(shù)據(jù);2．時間序列法,是統(tǒng)計方法的一種,在已知過去的某些時間段的交通流量,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,第三種方法沒有時間延遲,動態(tài)特性相對較好?？墒瞧渚W(wǎng)絡(luò)結(jié)構(gòu)設(shè)計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)容路段上的實時交通狀態(tài)與歷史時間上的交通狀態(tài)是有著必然的聯(lián)系,同時每個路段都只是路網(wǎng)的一部分,每個路段的交通狀態(tài)都會受到上下游各路段的交通狀態(tài)的影響,因此每個路段的交通狀況必定會和相連路段過去的時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)測路段未來的某個時間段的交通狀態(tài)。根據(jù)以上的原理,本課題研究的內(nèi)容主要有:運用神經(jīng)網(wǎng)絡(luò)結(jié)合短時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變性要求的算法。使用Elman神經(jīng)網(wǎng)絡(luò)技術(shù)來設(shè)計城市主干道交通狀態(tài)實時、動態(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。運用數(shù)學(xué)和力學(xué)定律,研究道路交通流運行規(guī)律的理論,具體為概論論,排隊論,車流波動理論的研究。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)動車在成列和個別行動中的規(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)生和出行時間的延誤。2.2交通流理論發(fā)展從時間順序上來講,大致可從三個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)計分布理論這一時期車輛保有量低,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,動力學(xué)仿真與車輛跟馳模型這一時期發(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用動力學(xué)方法研究車輛隊列在無法超車的單一車道上的行駛時后車跟隨前車的行駛狀態(tài),并用動力學(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間,很多時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,在時間間隙T內(nèi)測得的經(jīng)過檢測工具的車輛數(shù)(輛),時間間隙(h),對應(yīng)車輛引起的檢測工具閉環(huán)時間(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,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,其對應(yīng)的密度稱阻塞密度,當(dāng)時,,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,,交通流狀態(tài)為擁擠;當(dāng)時,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)來獲取外部的知識并將其存儲在網(wǎng)絡(luò)內(nèi),盡管無法與人腦的完美無缺相媲美,但它能夠解決計算機(jī)不易處理的難題,特別是組合優(yōu)化計算,智能控制,語音和圖像的理解、識別和知識的處理等一系列本質(zhì)上為非計算的問題。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)中任意兩個神經(jīng)元間都有可能連接,因此輸入信號需在神經(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)?；谌斯ど窠?jīng)網(wǎng)絡(luò)的控制,神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力,容錯能力,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)智能化必然會得到很大的發(fā)展。系統(tǒng)能適應(yīng)不確定性、時變的對象與環(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)計的基礎(chǔ)。圖3-1表示神經(jīng)元結(jié)構(gòu),它是一個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),但有時候也能夠為線性函數(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,輸出為0;(2)自變量時,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。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)驗自動適應(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,最后僅剩一個輸出最大的神經(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)的特點及其應(yīng)用3.4.1神經(jīng)網(wǎng)絡(luò)的特點神經(jīng)網(wǎng)絡(luò)有如下特點: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)的并行實現(xiàn)能力,網(wǎng)絡(luò)的各單元能夠同時進(jìn)行類似的處理過程,整個網(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)的硬件實現(xiàn)超大規(guī)模集成電路(VLSI)硬件的實現(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:語言識別、圖像識別與理解、智能機(jī)器人故障檢測、市場分析、決策優(yōu)化、物資調(diào)運、智能控制、交通預(yù)測等2．軍用:雷達(dá)、聲吶的多目標(biāo)識別與跟蹤、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)的方向變化到實際輸出減去期望輸出在允許范圍之內(nèi)為止。3．再勵學(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)化受獎勵的動作來實現(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,取值為[0,M-1];和分別為第S個樣本的第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個樣本里所有的第i和j個元素決定,即越多,越大。換種說法來說,兩個神經(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,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,采用公式3-13是使趨向輸出的值,是外星學(xué)習(xí)規(guī)則。適圖形識別等領(lǐng)域用內(nèi)星學(xué)習(xí)規(guī)則,而信號傳遞領(lǐng)域用外星學(xué)習(xí)規(guī)則會更佳。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)時變特性的能力。因此,它實現(xiàn)的是動態(tài)映射,比前向網(wǎng)絡(luò)更適于解決動態(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刻的輸出值并返回給輸入。它經(jīng)過存儲內(nèi)部狀態(tài)使其具備映射動態(tài)特征的功能,從而使系統(tǒng)具有適應(yīng)時變特性的能力,它能夠更生動、更直接地反映系統(tǒng)的動態(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)的特點是中間層的輸出經(jīng)過承接層的延遲和存儲后,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,網(wǎng)絡(luò)本身處理動態(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)到了動態(tài)建模的目的。另外,承接層從中間層接受反饋信號,用它來記憶中間層單元前一時刻的輸出值。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,并保留至下一個訓(xùn)練k+1時刻。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)又因為=,上式能繼續(xù)展開。說明了與過去不同時刻的連接權(quán)(,…)有關(guān),也就是說是一個動態(tài)遞推過程。對應(yīng)的,動態(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個輸入元素的范圍矩陣。Si—第i層的神經(jīng)元個數(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Elman神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)具有N1個神經(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．計算網(wǎng)絡(luò)輸出與期望輸出的誤差。2．計算該誤差對權(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、時間等等。但在某個特定的時間段內(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,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)就不符合實際要求?？墒菍嶋H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,而一個注重了樣本規(guī)模的同時又注重了樣本質(zhì)量的訓(xùn)練樣本集才算得上一個好的樣本。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)一個特定程度時,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。一般來說我們都會參考這樣的一個經(jīng)驗規(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,選擇樣本的時候就要用”平均主義”原則,使在樣本訓(xùn)練時能涵蓋網(wǎng)絡(luò)的各個方面,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。因為太集中的同類樣本會使網(wǎng)絡(luò)在訓(xùn)練時傾向于僅僅建立與其相對應(yīng)的映射關(guān)系,此時若有另一類樣本集中輸入,權(quán)值就會向新的映射關(guān)系去調(diào)整,同時也否定前面的訓(xùn)練結(jié)果。當(dāng)輪流集中輸入各類樣本時,振蕩會出現(xiàn)在網(wǎng)絡(luò)訓(xùn)練中,造成了訓(xùn)練時間的延長。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),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)估得一般比實際值低,而在低端預(yù)估得一般比實際值高,即是說用神經(jīng)網(wǎng)絡(luò)預(yù)測出來的范圍要小于實際范圍。為此輸出數(shù)據(jù)需被壓縮到離中心點較近的范圍內(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,需把它變換至一個相對較小的范圍內(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)計后,需用設(shè)計值進(jìn)行訓(xùn)練。對所有樣本正向運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)練出一個網(wǎng)絡(luò)。一個網(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)實現(xiàn)的類似查表的功能會在過度訓(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,隱含層神經(jīng)元數(shù)目為m個。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),具體操作位每小時記錄一次,交通流實測數(shù)據(jù)192個。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)時間段流量時間段流量-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)測一個樣本,重新訓(xùn)練Elman神經(jīng)網(wǎng)絡(luò)測下一個樣本。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,輸出層神經(jīng)元數(shù)目為1個,另外經(jīng)過改變隱含層神經(jīng)元數(shù)目的個數(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,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,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)果表時間P流量實際值流量預(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14904930．504288．9014日5時22552500．942520．6814日7時396198218．2198723．2314日11時4151215283．7715398．4314日14時51407145516．41144210．9419日10時6128612902．7412964．9819日16時7139814021．0814051．6719日12時8132113357．9713294．1319日8時91074101125．65102221．6119日5時102472501．882480．12

經(jīng)計算,當(dāng)隱含層m=30時,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,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,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)測短時交通流量的Elman回歸神經(jīng)網(wǎng)絡(luò);最后運用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