一種基于神經(jīng)網(wǎng)絡(luò)組合模型的短時(shí)交通流量預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種短時(shí)交通流量預(yù)測方法，利用神經(jīng)網(wǎng)絡(luò)組合模型來提升短時(shí)交通 流量的預(yù)測精度，降低訓(xùn)練數(shù)據(jù)中噪聲對(duì)預(yù)測精度的影響，屬于交通流量和神經(jīng)網(wǎng)絡(luò)的交 叉技術(shù)應(yīng)用領(lǐng)域。
【背景技術(shù)】
[0002] 智能交通系統(tǒng)是一種能實(shí)時(shí)、準(zhǔn)確、高效運(yùn)行的交通運(yùn)輸管理系統(tǒng)，其有效地融合 了先進(jìn)的信息技術(shù)、數(shù)據(jù)通信技術(shù)、電子控制技術(shù)W及計(jì)算機(jī)處理技術(shù)。智能交通系統(tǒng)的核 屯、技術(shù)一一交通控制技術(shù)與交通誘導(dǎo)技術(shù)是解決城市的交通擁堵和提高路網(wǎng)通行效率最 有效的方式，是近年來的研究熱點(diǎn)。而實(shí)現(xiàn)交通控制和交通誘導(dǎo)的基礎(chǔ)則是實(shí)時(shí)、準(zhǔn)確的短 時(shí)交通流預(yù)測。
[0003] 交通流量預(yù)測按照預(yù)測時(shí)間長短，可分為長期流量預(yù)測和短時(shí)流量預(yù)測。長期流 量預(yù)測提供數(shù)月甚至數(shù)年的交通流量預(yù)測，主要用于構(gòu)建交通運(yùn)輸系統(tǒng)的長期規(guī)劃。短時(shí) 流量預(yù)測著重于預(yù)測交通流量短期內(nèi)的變化，一般預(yù)測未來5分鐘的流量。短時(shí)交通流量具 有高度的非線性、時(shí)變性和不確定性，運(yùn)種不確定性可能來自環(huán)境因素，如路面狀況、天氣 變化等，也可能來自突發(fā)狀況，如交通事故、大型集會(huì)等，運(yùn)些因素導(dǎo)致對(duì)短時(shí)交通流量準(zhǔn) 確預(yù)測較為困難。
[0004] 針對(duì)短時(shí)交通流量的預(yù)測，研究者們已經(jīng)提出了多種模型。早期的預(yù)測模型，如指 數(shù)平滑模型、時(shí)間序列模型和歷史平均模型主要是W微積分和數(shù)理統(tǒng)計(jì)等為基礎(chǔ)的，具有 歷史數(shù)據(jù)需求量大、預(yù)測精度不高等問題。之后，一些現(xiàn)代科學(xué)技術(shù)和方法逐漸被引入到了 預(yù)測中，出現(xiàn)了一些預(yù)測效果更好地模型，如卡爾曼濾波模型、非參數(shù)回歸模型、灰色系統(tǒng) 預(yù)測模型W及神經(jīng)網(wǎng)絡(luò)模型等等。
[0005] 人工神經(jīng)網(wǎng)絡(luò)是一個(gè)具有高度非線性的動(dòng)力學(xué)系統(tǒng)，它具有強(qiáng)大的非線性擬合能 力，因此用于交通流預(yù)測有特定的優(yōu)勢(shì)。反向傳播神經(jīng)網(wǎng)絡(luò)(B巧巾經(jīng)網(wǎng)絡(luò))模型是交通流預(yù) 測方面應(yīng)用最為廣泛的預(yù)測模型之一，具有一個(gè)隱含層的反向傳播神經(jīng)網(wǎng)絡(luò)能夠W任意精 度逼近任意一個(gè)連續(xù)函數(shù)。然而，反向傳播神經(jīng)網(wǎng)絡(luò)預(yù)測模型也有不少缺點(diǎn)，例如收斂速 度慢、易陷入局部極小值W及預(yù)測精度受其結(jié)構(gòu)影響等等。因此，反向傳播神經(jīng)網(wǎng)絡(luò)預(yù)測模 型在預(yù)測精度方面還有待于提高。為了進(jìn)一步提升神經(jīng)網(wǎng)絡(luò)的預(yù)測能力，研究者們將其與 其它智能方法或統(tǒng)計(jì)方法相結(jié)合，構(gòu)建出組合預(yù)測模型。運(yùn)些組合模型相對(duì)于單一模型往 往具有更好的預(yù)測精度。
[0006] 聚類是一個(gè)把數(shù)據(jù)對(duì)象集劃分成子集的過程，每個(gè)子集為一個(gè)簇，使得簇中的對(duì) 象彼此相似，但與其它簇中的對(duì)象不相似。聚類方法大致可分為四類:劃分方法、層次方法、 基于密度的方法和基于網(wǎng)格的方法。k均值就是一種典型的劃分方法，需要事先指定簇的個(gè) 數(shù)，并且簇的劃分是互斥的。然而并非所有對(duì)象都確定屬于一個(gè)簇，也可W同屬于幾個(gè)簇， 于是可W把模糊集概念用于聚類上，運(yùn)就誕生了模糊聚類方法。模糊C均值就是一種典型的 模糊聚類方法，每個(gè)對(duì)象W-定的隸屬度屬于不同的簇，其同樣也是基于劃分的方法，需要 指定簇的個(gè)數(shù)。
[0007] 田口方法是一種低成本、高效益的質(zhì)量工程方法，它強(qiáng)調(diào)產(chǎn)品質(zhì)量的提高不是通 過檢驗(yàn)，而是通過設(shè)計(jì)。其思想主要是在產(chǎn)品最初的開發(fā)設(shè)計(jì)階段，通過圍繞所設(shè)置的目標(biāo) 值選擇設(shè)計(jì)參數(shù)，并經(jīng)過試驗(yàn)最低限度減少變異，從而把質(zhì)量構(gòu)建到產(chǎn)品中，使所生產(chǎn)的全 部產(chǎn)品具有相同的、穩(wěn)定的質(zhì)量，極大地減少成本和損失。在質(zhì)量控制領(lǐng)域，田口方法已經(jīng) 被成功應(yīng)用于W低成本設(shè)計(jì)可靠且高質(zhì)量的產(chǎn)品，例如汽車和消費(fèi)類電子產(chǎn)品。

【發(fā)明內(nèi)容】

[0008] 技術(shù)問題:本發(fā)明的目的是提供一種基于神經(jīng)網(wǎng)絡(luò)組合模型的短時(shí)交通流量預(yù)測 方法，該方法解決短時(shí)交通流量的預(yù)測精度低、訓(xùn)練數(shù)據(jù)中噪聲對(duì)預(yù)測精度的影響大、運(yùn)行 時(shí)間不合理等問題。
[0009] 技術(shù)方案:本發(fā)明將構(gòu)建一種反向傳播神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型，并且在反向傳播 神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型的基礎(chǔ)上，提出了短時(shí)交通流量預(yù)測算法TFBCM，首先針對(duì)交通流的 特性，使用模糊C均值聚類算法對(duì)交通流量進(jìn)行聚類，對(duì)聚類生成的每個(gè)簇構(gòu)建一個(gè)反向傳 播神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并根據(jù)隸屬度求各預(yù)測模型預(yù)測結(jié)果的加權(quán)和作為最終預(yù)測結(jié)果。 為了進(jìn)一步提升預(yù)測精度，采用田口方法進(jìn)行試驗(yàn)設(shè)計(jì)來測試不同結(jié)構(gòu)參數(shù)對(duì)預(yù)測模型預(yù) 測精度的影響，并使用最佳結(jié)構(gòu)參數(shù)作為預(yù)測模型的初始結(jié)構(gòu)。
[0010] 本發(fā)明所述的基于神經(jīng)網(wǎng)絡(luò)組合模型的短時(shí)交通流量預(yù)測方法，該方法構(gòu)建一種 神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型，利用交通流的特性，用模糊C均值聚類算法將交通流量劃分為少量 模式，并對(duì)每種流量模式建立一個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)測模型。
[0011] 基于神經(jīng)網(wǎng)絡(luò)組合模型的短時(shí)交通流量預(yù)測方法包括W下步驟：
[0012] 步驟1)設(shè)置短時(shí)交通流量預(yù)測的結(jié)構(gòu)參數(shù)，具體步驟如下：
[0013] 步驟1.1)將聚類個(gè)數(shù)作為因子A，使因子A表示交通流量的分類，設(shè)置因子A的水 準(zhǔn)，將因子A的最低的水準(zhǔn)取為3,最高的水準(zhǔn)取為5,中間的水準(zhǔn)取為4。所述水準(zhǔn)代表指每 個(gè)因子所取的用量或所處的狀態(tài)值。
[0014] 步驟1.2)將輸入節(jié)點(diǎn)數(shù)作為因子B，設(shè)置因子B =個(gè)水準(zhǔn)分別為1、3、5,運(yùn)=個(gè)水準(zhǔn) 依次表示節(jié)點(diǎn)較少、一般、較多=種情況；
[001引步驟1.3)將隱含層節(jié)點(diǎn)數(shù)作為因子C，因子抽經(jīng)驗(yàn)公式/ =本《確定，所述1 為隱含層節(jié)點(diǎn)數(shù)，設(shè)置n為因子B，即n為輸入節(jié)點(diǎn)數(shù)，設(shè)置m為輸出節(jié)點(diǎn)數(shù)，S是取值在巧IJlO 之間的常數(shù)。因子C的=個(gè)水準(zhǔn)設(shè)置為2、3和7。
[0016] 步驟1.4)將學(xué)習(xí)率作為因子D，因子D取值在0.01到0.1之間，其=個(gè)水準(zhǔn)設(shè)置為 0.02、0.04和0.07。
[0017] 步驟1.5)使用田口方法進(jìn)行試驗(yàn)，獲得因子A、因子B、因子C、因子D在效應(yīng)值最高 值時(shí)的水準(zhǔn)，將運(yùn)些水準(zhǔn)作為結(jié)構(gòu)參數(shù)的初始數(shù)值。在田口方法中，使用 口 = -10xl〇gw(；^與皿/k)來評(píng)估每個(gè)設(shè)計(jì)因子的效應(yīng)值，所述k為每組試驗(yàn)執(zhí)行的次數(shù)，6MRE .擴(kuò)1 \ N §{T)-0{T) 是平均相對(duì)誤差，=丄t…t ，如H為交通流量的預(yù)測值，0(T)為用戶輸入的交 論 N 0{T) 通流量的實(shí)際值，T為某一預(yù)測時(shí)間點(diǎn)，N為預(yù)測時(shí)間點(diǎn)的總數(shù)，P和q均為變量。所述田口方 法是一種質(zhì)量工程方法，該方法通過圍繞所設(shè)置的目標(biāo)值選擇設(shè)計(jì)參數(shù)，并經(jīng)過試驗(yàn)最低 限度減少變異，使所生產(chǎn)的全部產(chǎn)品具有相同的、穩(wěn)定的質(zhì)量。
[0018] 步驟2)對(duì)交通流量進(jìn)行聚類。用戶輸入由數(shù)據(jù)對(duì)象組成的數(shù)據(jù)集X=Ui, X2, ...XnK閥值e和最大迭代次數(shù)maxt;設(shè)定有分類組成的聚類中屯、為V={vi，V2, . . .VcKiiij 是表示第j個(gè)數(shù)據(jù)對(duì)象Xj屬于第i個(gè)分類Vi的隸屬度，所有UU組成隸屬度矩陣U，設(shè)定目標(biāo)函 數(shù)J為隸屬度加權(quán)的距離平方和，n為數(shù)據(jù)總數(shù)，C為聚類個(gè)數(shù)，m為不小于1的加權(quán)參數(shù)，山^為 對(duì)象Xj與聚類中屯、Vi之間的距離，i和j均為變量，設(shè)置迭代步數(shù)t。步驟2)的具體步驟如下：
[0019] 步驟2.1)將C設(shè)定為步驟1)獲得的因子A的水準(zhǔn)，用戶輸入m，用0到1之間的隨機(jī)數(shù) 賦值給UU，所有1^組成初始的隸屬度矩陣U，使其滿足= 1S將迭代步數(shù)t設(shè)置為0。 ?2=1 n 村
[0020] 步驟2.2)使用廣^2>;.廣計(jì)算聚類中屯、V當(dāng)前每個(gè)元素值，所述相是 74 7=1. UiJ在第t次迭代時(shí)的取值，<