基于遺傳bp神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測

《基于遺傳bp神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測摘要：為了預(yù)測未來一段時間的短時交通流，提出了一種利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測的方法。將歷史時刻的車流量作為網(wǎng)絡(luò)輸入，未來短時流量作為輸出，采用單步預(yù)測。為了縮短收斂時間，避免陷入局部極小值，用遺傳算法優(yōu)化網(wǎng)絡(luò)初始權(quán)值和閾值。對未優(yōu)化與優(yōu)化后的網(wǎng)絡(luò)進(jìn)行測試。實驗證明，未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度較低，且收斂時間較長；而遺傳優(yōu)化算法使預(yù)測精度及收斂速度得到極大改善，但樣本的數(shù)量及質(zhì)量是影響預(yù)測精度的關(guān)鍵要素。關(guān)鍵詞：短時交通流；BP神經(jīng)網(wǎng)絡(luò)；遺傳算法優(yōu)化；局部極小值中圖分類號：TP183目前，短時交通流預(yù)測已經(jīng)成為智能交通的熱門研究方向。傳統(tǒng)的預(yù)測方法都是基于數(shù)理

2、統(tǒng)計的，如歷史平均法、時間序列法、卡爾曼濾波法、回歸分析法等[1]。但這些傳統(tǒng)模型預(yù)測精度不能滿足實際要求，且其不具備自適應(yīng)學(xué)習(xí)能力，預(yù)測系統(tǒng)魯棒性得不到保障。10隨著人工智能的發(fā)展，出現(xiàn)了神經(jīng)網(wǎng)絡(luò)預(yù)測法。由于神經(jīng)網(wǎng)絡(luò)能夠通過學(xué)習(xí)逼近任意非線性映射，在非線性系統(tǒng)的建模與辨識中，可以不受非線性模型的限制，其學(xué)習(xí)算法在工程上易于實現(xiàn)。而BP神經(jīng)網(wǎng)絡(luò)是比較經(jīng)典、有效的預(yù)測方法，但由于其初始值是隨機(jī)分配的，容易陷入局部極小值，收斂時間較長，預(yù)測精度受初始值影響極大。為了克服此類缺點，可以利用遺傳算法的全局搜索能力，優(yōu)化網(wǎng)絡(luò)初始權(quán)值和閾值[2]，提高預(yù)測精度及收斂速度。遺傳算法是對參數(shù)的編碼進(jìn)行操作，它

3、從多點開始并行操作，而非局限于某一點，在搜索過程中以一定的概率進(jìn)行尋優(yōu)，因而可以有效地防止收斂于局部最優(yōu)解。正是這種高效啟發(fā)式的搜索，避免了因盲目地窮舉而浪費時間，以及完全隨機(jī)搜索帶來的不確定性。1神經(jīng)網(wǎng)絡(luò)預(yù)測1.1BP神經(jīng)網(wǎng)絡(luò)原理BP神經(jīng)網(wǎng)絡(luò)屬于模式正向傳播，誤差反向傳播，是一種前饋網(wǎng)絡(luò)[3]。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層構(gòu)成，每層由一個或多個神經(jīng)元構(gòu)成，三層之間多采用全連接，每一層的權(quán)值可以通過學(xué)習(xí)算法靈活調(diào)整。當(dāng)誤差函數(shù)達(dá)到精度要求時，該網(wǎng)絡(luò)所有權(quán)值就得以確定，訓(xùn)練結(jié)束，生成所需網(wǎng)絡(luò)。1.2BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法BP神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)武漢長江大橋漢陽往武昌方向下班高峰期交通流的歷史數(shù)

4、據(jù)，不斷更新連接權(quán)，擬合出交通流量的變化趨勢函數(shù)，將其轉(zhuǎn)換為網(wǎng)絡(luò)特定的權(quán)值和閾值，從而對交通流未來短時變化進(jìn)行預(yù)測。10用BP神經(jīng)網(wǎng)絡(luò)對交通流進(jìn)行預(yù)測可分為訓(xùn)練和預(yù)測兩個部分：（1）通過公安交管監(jiān)控獲取訓(xùn)練樣本數(shù)據(jù)，一般選擇每天同一時段的流量作為樣本，因為每天不同時段的車流規(guī)律都不盡相同。樣本時間間隔為一分鐘左右，樣本周期以兩小時以內(nèi)為宜。周期太長則數(shù)據(jù)選取過多造成計算量大，訓(xùn)練時間長，擬合難度大；（2）通過觀察，除了發(fā)生事故造成短時堵塞時車流量極低外，每分鐘車流量一般在40到60之間。而采集到偏離常規(guī)太大的數(shù)據(jù)噪聲往往淹沒了真實信號，因此要對原始采集數(shù)據(jù)進(jìn)行歸一化處理。預(yù)測值變化幅度較大，也

5、要實施必要的歸一化，將數(shù)據(jù)范圍限制在[-1，1]，使輸出結(jié)果更加直觀、平滑；（3）本例進(jìn)行交通流預(yù)測的分析周期選擇4分鐘，依次將連續(xù)4分鐘的數(shù)據(jù)作為網(wǎng)絡(luò)的一組輸入數(shù)據(jù)，第5分鐘的數(shù)據(jù)作為網(wǎng)絡(luò)輸出目標(biāo)數(shù)據(jù)。滾動采集數(shù)據(jù)，作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；（4）建立3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型；（5）訓(xùn)練出符合要求的BP神經(jīng)網(wǎng)絡(luò)；（6）用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測。2遺傳算法優(yōu)化2.1遺傳算法原理10遺傳算法將需要優(yōu)化的參數(shù)編碼成染色體，隨機(jī)產(chǎn)生多條染色體構(gòu)成種群，根據(jù)“優(yōu)勝劣汰，適者生存”的自然法則，模擬生物遺傳機(jī)制淘汰適應(yīng)度差的個體，保留適應(yīng)度好的最優(yōu)個體。所有個體的染色體信息在不同部位可以同時進(jìn)行數(shù)據(jù)處理

6、，因此它屬于并行搜索最優(yōu)化方法[2]。適應(yīng)度函數(shù)是個體進(jìn)化的評價標(biāo)尺，通過選擇、交叉、變異對個體進(jìn)行篩選，反復(fù)迭代，直到最優(yōu)者勝出。2.2遺傳算法優(yōu)化方法種群中的每個個體都包含了輸入層到隱含層、隱含層到輸出層的權(quán)值，還有各層節(jié)點的閾值。遺傳算法挑選出適應(yīng)度值最高的最優(yōu)個體。經(jīng)解碼得到最優(yōu)網(wǎng)絡(luò)初始權(quán)值和閾值，將其賦給網(wǎng)絡(luò)，經(jīng)訓(xùn)練后預(yù)測函數(shù)輸出。由于預(yù)測函數(shù)有4個輸入?yún)?shù)，1個輸出參數(shù)，將BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置為4―12―1，即輸入層有4個節(jié)點，隱含層有12個節(jié)點，輸出層有1個節(jié)點，共有4×12+12×1=60個權(quán)值，12+1=13個閾值，所以在遺傳算法中個體編碼長度為60+13=73。將每次訓(xùn)練所

7、預(yù)測的誤差絕對值求和作為個體適應(yīng)度值，該值越小，則個體越優(yōu)。遺傳算法主函數(shù)流程為：Step1：隨機(jī)初始化種群。由于實數(shù)編碼比二進(jìn)制編碼更短，故個體編碼方法采用實數(shù)編碼。每一個體實數(shù)串分割為4個模塊，從左至右依次為輸入層到隱含層連接權(quán)值、隱含層節(jié)點閾值、隱含層到輸出層連接權(quán)值以及輸出層節(jié)點閾值。Step2：計算種群適應(yīng)度值，尋找最優(yōu)個體。10解碼個體得到BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，代入BP神經(jīng)網(wǎng)絡(luò)