資源描述：
《基于bp神經(jīng)網(wǎng)絡的高速公路短時交通流預測》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。
1、基于BP神經(jīng)網(wǎng)絡的高速公路短時交通流預測 摘要：以高速公路交通流預測為研究對象，簡化了高速公路宏觀動態(tài)交通流模型，利用Matlab神經(jīng)網(wǎng)絡工具建立模型并進行網(wǎng)絡訓練與預測。對嘉興站附近高速公路交通流數(shù)據(jù)進行了采集、建模和預測。從預測結(jié)果中得知，基于BP神經(jīng)網(wǎng)絡交通流預測模型具有很高的可靠度，該簡化的交通流模型更為簡練，預測結(jié)果亦可以點帶面地面描述該站點一定空間及時間范圍內(nèi)的交通流情況?！ ￡P(guān)鍵詞：高速公路；交通流預測；BP神經(jīng)網(wǎng)絡 中圖分類號：TP393.0文獻標識碼：A文章編號：2095-2163（2015）04- HighwayDynamicTrafficFlowPrediction
2、basedonBPNeuralNetwork DAIHongbo，ZENGXianhui ?。–ollegeofInformationScienceandTechnology，DonghuaUniversity，Shanghai201620，China） Abstract：ThispapertakeshighwaytrafficfIowpredictionasobjectofstudy，simplifiesthehighwaymacroscopicdynamictrafficflowmodelandestablishesaBPneuralnetworkmodeltotrainandpred
3、ictbasedonMatlabneuralnetworktoolbox.ItmodelsandpredictsrealdatacollectionfromtrafficflownearbyJiaXing10station.Fromthepredictedresults，thisBPneuralnetworkmodelisprovedtobehighlyreliable.Itcarriesoutthatthesimplifiedmodeloftrafficflowismoreconcise，predictionscanalsodescribeacertainspaceandtimeofthes
4、ite’strafficsituationthroughapointtoanarea. Keywords：Highway；TrafficFlowPrediction；BPNeuralNetwork 0引言 隨著社會經(jīng)濟的發(fā)展和私家車保有量的逐年遞增，出行車輛日漸增多，隨之而來的交通擁堵，交通事故等問題即已成為困擾社情民生的重大事件。智能交通系統(tǒng)作為這一狀況的有效解決手段，也已吸引了時下眾多專家的關(guān)注和重視[1]，其中的短時交通流則是交通控制、車輛導航等領(lǐng)域亟待解決的熱點課題。近些年，鑒于神經(jīng)網(wǎng)絡具有的表示任意非線性關(guān)系和學習的能力，為此展開了基于人工神經(jīng)網(wǎng)絡預測模型的大量研究，且均已取得
5、了令人滿意的預測效果[2]。通過對各個模型的分析，指出了神經(jīng)網(wǎng)絡在智能交通領(lǐng)域的工具性應用潛力，而且在實時交通預測中，神經(jīng)網(wǎng)絡要比其它方法更具不可比擬的優(yōu)越性。 1建立流量預測模型 短時段交通流預測是指預測尺度不超過十五分鐘的交通流[3]。交通流是由數(shù)以萬計的出行者群體行為生成的，具有高度的時變性、非線性和不確定性。但就道路上某一特定觀測點來說，對于短時段交通流，隨著觀測尺度的縮短，交通流受隨機因素影響較大，其統(tǒng)計行為不是定常、周期或準周期的，多是表現(xiàn)為純隨機行為。10 在交通流量預測研究中，MarkosPapageorgiou提出了一個比較有代表性的高速公路交通流宏觀流體模型[4-5]
6、，其中主要描述了高速公路的交通流量、速度以及交通密度之間的相互關(guān)系，以此來反應交通流隨道路空間的分布以及隨時間變化的規(guī)律，從而準確描述短時間內(nèi)的交通流的真實行為?！ ∫越煌骱暧^流體模型為基礎，本文提出了一個簡化的交通流預測模型，如圖1所示。該模型參考了對短時間交通流預測的思想，實現(xiàn)對高速公路站點短時間交通流預測。 圖1交通流預測模型 Fig.1Trafficflowforecastingmodel 在對高速交通網(wǎng)絡中的站點進行實時預測時，路網(wǎng)中當前和過去若干時段內(nèi)的交通流信息是實時預測的數(shù)據(jù)基礎。因此首先必須采集實時交通數(shù)據(jù)，建立得到動態(tài)的交通數(shù)據(jù)庫。在數(shù)據(jù)處理分析時，結(jié)合上述交通流模
7、型，通過一定的數(shù)據(jù)挖掘方法分析得到有效的數(shù)據(jù)。如模型中指出，站點上的交通流量與本站點前后若干個時段的交通流量有著必然的關(guān)聯(lián)，同時在預測站點路段的交通情況時，該站點上下游路段交通情況也是一個關(guān)鍵因素。這樣便可以利用預測站點前幾個時段的交通流量數(shù)據(jù)以及上下游站點交通流量數(shù)據(jù)來預測特定站點交通流量，上述簡化的交通流預測模型所要闡述的基本概念就在這。 設站點（代號為15，下同）為要預測的路段，為預測路段
