基于小波神經(jīng)網(wǎng)絡的交通流量預測

摘 要：文章將小波神經(jīng)網(wǎng)絡技術研究與交通信息預測研究緊密結合，以Matlab為平臺，結合實際數(shù)據(jù)，對交通流量預測。

關鍵詞：智能交通系統(tǒng)；交通信

1 概述

近年來，隨著人們生活水平的不斷提高，車輛的數(shù)量急劇增加，城市擁堵現(xiàn)象越來越嚴重。目前，已經(jīng)成為了嚴重影響人們的生產(chǎn)和生活的主要問題之一。城市交通擁堵智能交通系統(tǒng)（Intelligent Transportation System）就在這種大環(huán)境下應運而生，所謂的ITS是指在傳統(tǒng)的理論模型研究基礎上，融合先進的傳感器、信息通信、智能控制、計算機處理等技術，從而建立起的一種的應用范圍廣的實時、高效的綜合交通管理系統(tǒng)[1]。

智能交通系統(tǒng)的主要目的是為了最大限度的發(fā)揮整個交通運輸系統(tǒng)的運輸和管理效率。目前，使用智能方法對交通信息進行預測（交通信息的智能預測）已然成為近年來實現(xiàn)智能交通系統(tǒng)的主要方法之一。

2 交通流預測

交通信息的預測是智能交通系統(tǒng)的重要組成部分，通過交通信息的預測可以提前預知道路的狀況，從而對預測擁堵路段進行實時誘導，最大限度的發(fā)揮現(xiàn)有交通的運送效率[2]。其中，交通流預測是交通信息預測的重要組成部分，主要針對交通流量（簡稱交通量）、密度、速度、占有率等參數(shù)進行預測[3]。其實質(zhì)是采用一定的方法和手段，在前一時段及現(xiàn)有時段的交通狀況的基礎上，預測未來時段的交通狀態(tài)，如果交通流信息預測的方法選擇合適，預測狀態(tài)會十分逼近實際交通流狀態(tài)。

縱觀智能交通預測史，時間序列模型、濾波理論是最早應用于交通流預測的方法；之后，濾波理論、小波分析法、人工神經(jīng)網(wǎng)絡也廣泛的應用于交通流的預測，除此之外，支持向量機理論和混沌理論等也是交通流預測的重要方法。

3 小波神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡（Artificial Neural Network）是利用一定的技術手段，來模擬人類大腦神經(jīng)系統(tǒng)的結構及功能的一種方法。因此，神經(jīng)網(wǎng)絡具備了與人類大腦一樣的一些特點，比如：分布式信息存儲、并行信息處理、自適應非線性等。

目前，人工神經(jīng)網(wǎng)絡己廣泛的應用于模式識別、目標跟蹤、信號處理、模式識別、預測分析及智能化控制等相關領域；其中預測分析可以運用于股票價格預測、地震預報等多個方面，且實驗證明，預測效果很不錯。1993年，城市道路的交通狀態(tài)的預測首次采用了神經(jīng)網(wǎng)絡的方法，這也是首次神經(jīng)網(wǎng)絡被運用于智能交通預測領域。

1992年，法國著名的信息科學研究機構IRLSA的ZhangQinghu等人首次提出小波神經(jīng)網(wǎng)絡的概念。小波神經(jīng)網(wǎng)絡是一種基于小波變換的神經(jīng)網(wǎng)絡模型，其實質(zhì)為用小波基來取代傳統(tǒng)的神經(jīng)元非線性激勵函數(shù)，把神經(jīng)網(wǎng)絡和小波變換有效的結合起來，且充分融合了兩者的優(yōu)點。

4 交通車流量預測實例

文章數(shù)據(jù)是以鄭堯高速公路某隧道的交通量觀測數(shù)據(jù)。數(shù)據(jù)分析采用的是2015年6月到12月的月交通量數(shù)據(jù)，2015年11月2日到11月8日一周的交通量數(shù)據(jù)和2015年11月7日周六的日交通量數(shù)據(jù)。觀測尺度為1小時的交通車流量，共236個數(shù)據(jù)。

文章是以Matlab為平臺進行編程，采用小波神經(jīng)網(wǎng)絡的方法來實現(xiàn)預測的，其預測過程主要包括數(shù)據(jù)預處理、網(wǎng)絡構建、網(wǎng)絡訓練及網(wǎng)絡預測四個步驟。

4.1 數(shù)據(jù)預處理

數(shù)據(jù)的預處理是指對訓練數(shù)據(jù)和測試數(shù)據(jù)的輸入和歸一化處理，其主要目的為了保證程序運行時收斂加快。歸一化是指通過某種算法把數(shù)據(jù)限制在一定范圍內(nèi)。文章采用的是線性函數(shù)歸一化。

其表達式如下：

式中，MinValue，MaxValue分別為樣本的最小值和最大值，X，Y分別為數(shù)據(jù)的歸一化處理前、后的值。

4.2 網(wǎng)絡構建

神經(jīng)網(wǎng)絡的網(wǎng)絡構建過程主要是指根據(jù)預測情況不同，確定網(wǎng)絡層數(shù)、隱含層數(shù)。根據(jù)文章的預測需求，小波神經(jīng)網(wǎng)絡采用三層網(wǎng)絡結構，4輸入4輸出模式，所選擇隱含層的節(jié)點范圍為[4，12]。

4.3 網(wǎng)絡訓練

網(wǎng)絡訓練的主要目的是對網(wǎng)絡進行初始化，其過程主要包括確定訓練函數(shù)，以及在訓練數(shù)據(jù)的基礎上訓練網(wǎng)絡。

在進行網(wǎng)絡訓練的過程中，參數(shù)的設定對訓練的速度和效果起著非常關鍵的作用，關鍵的參數(shù)主要包括：迭代次數(shù)epochs、學習目標goal、學習率1r等。在整個的訓練過程中保持參數(shù)一直設定為：epoch5000、1r0.2、goa10.001。

小波神經(jīng)網(wǎng)絡的基礎是BP神經(jīng)網(wǎng)絡拓撲結構，而隱含層節(jié)點的傳遞函數(shù)是小波基函數(shù)。文章的網(wǎng)絡訓練采用的小波基函數(shù)是Morlet小波基函數(shù)，其表達式為：

4.4 網(wǎng)絡預測

網(wǎng)絡的預測是交通流量預測的最后一步，其主要內(nèi)容是利用訓練好的小波神經(jīng)網(wǎng)絡對測試的交通流的相關數(shù)據(jù)進行預測，并輸出結果。

小波神經(jīng)網(wǎng)絡的預測結果如圖1所示。由圖可知使用小波神經(jīng)網(wǎng)絡對交通流量進行預測的結構較好。

5 結束語

由圖1可以得出以下結論，小波神經(jīng)網(wǎng)絡能夠達到學習目標的要求，對交通流量進行預測；經(jīng)過網(wǎng)絡訓練，小波神經(jīng)網(wǎng)絡的預測結果與實際數(shù)據(jù)存在一定的誤差；對于數(shù)據(jù)急劇變化的點，網(wǎng)絡的預測誤差相對于變化平滑的點是比較大的。

參考文獻

[1]新浪網(wǎng)[EB/OL].http：//survey.news.sina.com.cn/result/65948.htm1.

[2]徐健銳.短時交通流預測中的若干問題研究[D].江蘇：江蘇大學，2010.

[3]姚智勝.基于實時數(shù)據(jù)的道路網(wǎng)短時交通流預測理論與方法研究[D].北京：北京交通大學，2007.

[4]MATLAB中文論壇.MATLAB神經(jīng)網(wǎng)絡30個案例分析[M].北京：北京航空航天大學出版社，2010，4.

作者簡介：朱小會（1982，12-），女，漢族，河南周口人，鄭州科技學院，碩士研究生，講師，研究方向：電子電氣、智能控制。

齊仁龍（1982，4-），男，漢族，河南商丘人，鄭州科技學院，本科，講師，研究方向：電子電氣、智能控制。