城市主干道交通狀態(tài)預(yù)測方案的設(shè)計(jì)

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(shí)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(diǎn)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(diǎn)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(diǎn)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目錄摘要 IAbstract II第一章緒論 11.1課題的背景及理論 11.2研究的實(shí)際意義 11.3城市交通信息預(yù)測理論的發(fā)展和研究現(xiàn)狀 11.4主要研究內(nèi)容 21.5本文內(nèi)容安排 21.6本章小結(jié) 2第二章交通流的相關(guān)理論及預(yù)測 32.1交通流的定義 32.2交通流理論發(fā)展 32.3交通數(shù)據(jù)的采集及說明 32.4交通流參數(shù)間的對應(yīng)關(guān)系 42.4.1密度和速度的關(guān)系 42.4.2密度和流量的關(guān)系 52.4.3速度和流量的關(guān)系 52.5本章小結(jié) 5第三章神經(jīng)網(wǎng)絡(luò)理論 63.1神經(jīng)網(wǎng)絡(luò)的概述 63.2人工神經(jīng)元模型 63.2.1神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)描述 63.2.2神經(jīng)元狀態(tài)轉(zhuǎn)移函數(shù)類型 73.3神經(jīng)網(wǎng)絡(luò)模型 83.3.1前向網(wǎng)絡(luò) 83.3.2反饋網(wǎng)絡(luò) 93.3.3自組織網(wǎng)絡(luò) 93.4神經(jīng)網(wǎng)絡(luò)的特點(diǎn)及其應(yīng)用 93.4.1神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 93.4.2神經(jīng)網(wǎng)絡(luò)的應(yīng)用 93.5神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí) 103.5.1學(xué)習(xí)方式 103.5.2學(xué)習(xí)算法 103.6本章小結(jié) 11第四章基于Elman神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測的仿真 124.1Elman神經(jīng)網(wǎng)絡(luò) 124.1.1概述 124.1.2Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及原理 124.1.3Elman神經(jīng)網(wǎng)絡(luò)的創(chuàng)建 134.1.4Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 134.2Elman回歸神經(jīng)網(wǎng)絡(luò)預(yù)測的仿真 144.2.1仿真背景 144.2.2樣本數(shù)據(jù)選擇 144.2.3神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)的歸一化處理 144.2.4Elman回歸神經(jīng)網(wǎng)絡(luò)的創(chuàng)建及訓(xùn)練 154.2.5仿真程序及結(jié)果 164.3本章小結(jié) 21結(jié)論 22參考文獻(xiàn) 23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(diǎn)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。通過交通規(guī)則和交通控制可以解決交通基礎(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)則是目前公認(rèn)的解決交通效率和提高機(jī)動(dòng)性的最佳途徑。在沒有誘導(dǎo)的時(shí)候，駕駛員只能靠經(jīng)驗(yàn)選擇路線，這樣，一旦在某個(gè)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(fèi)時(shí)間的同時(shí)機(jī)動(dòng)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(xiǎn)的同時(shí)也嚴(yán)重浪費(fèi)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(bào)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(gè)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(gè)人都應(yīng)重視的問題。1.2研究的實(shí)際意義城市道路交通系統(tǒng)是一個(gè)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(shí)間的因素具有高度的非線性和隨時(shí)間變化的特點(diǎn)，很難給出精確的解析表達(dá)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(gè)變量的系統(tǒng)以及方便硬件實(shí)現(xiàn)等特點(diǎn)，適合用于大系統(tǒng)非線性時(shí)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(shí)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(shí)間，動(dòng)態(tài)交通分配的核心內(nèi)容對交通流量和道路交通時(shí)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。目前，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(shí)用的是實(shí)時(shí)的交通流量數(shù)據(jù)和歷史數(shù)據(jù)；2．時(shí)間序列法，是統(tǒng)計(jì)方法的一種，在已知過去的某些時(shí)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(shí)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(shí)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(shí)間延遲，動(dòng)態(tài)特性相對較好。但是其網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)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(shí)時(shí)交通狀態(tài)與歷史時(shí)間上的交通狀態(tài)是有著必然的聯(lián)系，同時(shí)每個(gè)路段都只是路網(wǎng)的一部分，每個(gè)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(gè)路段的交通狀況必定會和相連路段過去的時(shí)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可以用來預(yù)測路段未來的某個(gè)時(shí)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(yùn)用神經(jīng)網(wǎng)絡(luò)結(jié)合短時(shí)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(shí)變性要求的算法。使用Elman神經(jīng)網(wǎng)絡(luò)技術(shù)來設(shè)計(jì)城市主干道交通狀態(tài)實(shí)時(shí)、動(dòng)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(yùn)用數(shù)學(xué)和力學(xué)定律，研究道路交通流運(yùn)行規(guī)律的理論，具體為概論論，排隊(duì)論，車流波動(dòng)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)建及訓(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(shí)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(shí)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(shí)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(dòng)車在成列和個(gè)別行動(dòng)中的規(guī)律，通過研究車流流量、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(shí)間的延誤。2.2交通流理論發(fā)展從時(shí)間順序上來講，大致可從三個(gè)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(jì)分布理論這一時(shí)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(jì)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(dòng)力學(xué)仿真與車輛跟馳模型這一時(shí)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(yùn)用動(dòng)力學(xué)方法研究車輛隊(duì)列在無法超車的單一車道上的行駛時(shí)后車跟隨前車的行駛狀態(tài)，并用動(dòng)力學(xué)模型表達(dá)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(shí)間，很多時(shí)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，通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)，目前主要是利用環(huán)形線圈檢測工具進(jìn)行交通數(shù)據(jù)的采集。可得到的交通數(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(shí)間間隙（h），在T內(nèi)通過檢測工具的車輛數(shù)（輛）。2．車速：地點(diǎn)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(shí)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(gè)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(shí)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(shí)間間隙T內(nèi)測得的通過檢測工具的車輛數(shù)（輛），時(shí)間間隙（h），對應(yīng)車輛引起的檢測工具閉環(huán)時(shí)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(shí)，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(shí)，其對應(yīng)的密度稱阻塞密度，當(dāng)時(shí)，，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(shí)，，交通流狀態(tài)為擁擠；當(dāng)時(shí)，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，用它可以模擬人的大腦的許多基本功能和簡單的思維方式，此外，它還有學(xué)習(xí)功能，通過學(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，但它可以解決計(jì)算機(jī)不易處理的難題，特別是組合優(yōu)化計(jì)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(jì)算的問題。此外，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(gè)神經(jīng)元間都有可能連接，所以輸入信號需在神經(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)。基于人工神經(jīng)網(wǎng)絡(luò)的控制，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，容錯(cuò)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(shí)變的對象與環(huán)境等功能在人們心目中越來越重要。此外，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(diǎn)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(diǎn)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(jì)的基礎(chǔ)。圖3-1表示神經(jīng)元結(jié)構(gòu)，它是一個(gè)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，從其他細(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)通常為階躍函數(shù)或S狀曲線那樣的非線性函數(shù)，但有時(shí)候也可以為線性函數(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(shí)候，可令.常用的神經(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(shí)，輸出為0；(2)自變量時(shí)，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(shí)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)模型目前已存在的神經(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)大致可以分為三大類，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(jì)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，也可以沒有，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，所以輸入信號需在神經(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(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)或回歸網(wǎng)絡(luò)，與其他網(wǎng)絡(luò)所不同的是，反饋網(wǎng)絡(luò)的輸出不僅和當(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(shí)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(jì)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(diǎn)。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(yàn)自動(dòng)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)元通過競爭來獲取對輸入模式的響應(yīng)機(jī)會，最后僅剩一個(gè)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(diǎn)及其應(yīng)用3.4.1神經(jīng)網(wǎng)絡(luò)的特點(diǎn)神經(jīng)網(wǎng)絡(luò)有如下特點(diǎn)：1．并行分布式處理神經(jīng)網(wǎng)絡(luò)不僅有高度并行結(jié)構(gòu)，還有很強(qiáng)的并行實(shí)現(xiàn)能力，網(wǎng)絡(luò)的各單元可以同時(shí)進(jìn)行類似的處理過程，整個(gè)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(shí)現(xiàn)超大規(guī)模集成電路（VLSI)硬件的實(shí)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(yùn)、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(lì)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)值反復(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)，再通過比較網(wǎng)絡(luò)的實(shí)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(shí)際輸出減去期望輸出在允許范圍之內(nèi)為止。3．再勵(lì)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)改善自身性能靠強(qiáng)化受獎(jiǎng)勵(lì)的動(dòng)作來實(shí)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)則可以推演出其他人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則。其計(jì)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(gè)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(gè)樣本里所有的第i和j個(gè)元素決定,即越多，越大。換種說法來說，兩個(gè)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(shí)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(gè)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(gè)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(shí)，是使趨向輸入的值，所以是內(nèi)星學(xué)習(xí)規(guī)則。當(dāng)神經(jīng)元的輸出為時(shí)，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(diǎn)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(gè)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(shí)變特性的能力。因此，它實(shí)現(xiàn)的是動(dòng)態(tài)映射，比前向網(wǎng)絡(luò)更適于解決動(dòng)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)通常分為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(shí)刻的輸出值并返回給輸入。它通過存儲內(nèi)部狀態(tài)使其具備映射動(dòng)態(tài)特征的功能，從而使系統(tǒng)具有適應(yīng)時(shí)變特性的能力，它能夠更生動(dòng)、更直接地反映系統(tǒng)的動(dòng)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(diǎn)是中間層的輸出通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(shí)，網(wǎng)絡(luò)本身處理動(dòng)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(dòng)態(tài)建模的目的。此外，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(shí)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(shí)刻的輸出值，可通過反向傳播算法來訓(xùn)練它。訓(xùn)練完后，k時(shí)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(gè)訓(xùn)練k+1時(shí)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)空間表達(dá)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?yàn)?，上式能繼續(xù)展開。說明了與過去不同時(shí)刻的連接權(quán)（，…）有關(guān),也就是說是一個(gè)動(dòng)態(tài)遞推過程。對應(yīng)的，動(dòng)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)建指令格式為net=newelm(PR,[S1S2……SN1],{TF1TF2……TFN1},BTF,BLF,PF)參數(shù)意義：PR—R個(gè)輸入元素的范圍矩陣。Si—第i層的神經(jīng)元個(gè)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)，可以是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)，可以是learngd,learngdm缺省值為“l(fā)earngdm”。PF—性能分析函數(shù)，可以是mse,msereg缺省值為“mse”。執(zhí)行結(jié)果：創(chuàng)建一個(gè)Elman神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)具有N1個(gè)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)可以選擇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(jì)算網(wǎng)絡(luò)輸出與期望輸出的誤差。2．計(jì)算該誤差對權(quán)值和閾值的梯度，進(jìn)行反向傳播。由于通過延時(shí)反饋，權(quán)值和閾值對誤差的影響被忽略了，所以得的梯度實(shí)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(gè)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(shí)間等等。但在某個(gè)特定的時(shí)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(diǎn)，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(gè)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(shí)際要求。但是實(shí)際應(yīng)用中，樣本數(shù)量不可能無限增加，這就使得樣本選取時(shí)不僅要考慮到系統(tǒng)平衡的普遍性，還要兼顧系統(tǒng)突變時(shí)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(gè)注重了樣本規(guī)模的同時(shí)又注重了樣本質(zhì)量的訓(xùn)練樣本集才算得上一個(gè)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(gè)特定程度時(shí)，網(wǎng)絡(luò)的精度也很難提高多少。此外，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(gè)經(jīng)驗(yàn)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，所以樣本的選取一定要富有代表性。選擇樣本時(shí)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(shí)候就要用“平均主義”原則，使在樣本訓(xùn)練時(shí)能涵蓋網(wǎng)絡(luò)的各個(gè)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(shí)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?yàn)樘械耐悩颖緯咕W(wǎng)絡(luò)在訓(xùn)練時(shí)傾向于僅僅建立與其相對應(yīng)的映射關(guān)系，此時(shí)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(shí)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(shí)，振蕩會出現(xiàn)在網(wǎng)絡(luò)訓(xùn)練中，造成了訓(xùn)練時(shí)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(lì)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(diǎn)），這就意味著中間部分預(yù)測比兩端要精確得多。尤其是在高端預(yù)估得一般比實(shí)際值低，而在低端預(yù)估得一般比實(shí)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(shí)際范圍。為此輸出數(shù)據(jù)需被壓縮到離中心點(diǎn)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(xiàng)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(shí)，需把它變換至一個(gè)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)間的值常用以下變換式(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)建及訓(xùn)練完成網(wǎng)絡(luò)設(shè)計(jì)后，需用設(shè)計(jì)值進(jìn)行訓(xùn)練。對所有樣本正向運(yùn)行一輪并反向修改權(quán)值一次稱為一次訓(xùn)練。在訓(xùn)練過程中要反復(fù)隨機(jī)使用樣本集數(shù)據(jù)，通常需要成千上萬次訓(xùn)練才能訓(xùn)練出一個(gè)網(wǎng)絡(luò)。一個(gè)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(yàn)而不能用訓(xùn)練集的數(shù)據(jù)進(jìn)行。通常的做法是，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，所以泛化能力很差。而網(wǎng)絡(luò)實(shí)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)建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',192736547);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(gè)，隱含層神經(jīng)元數(shù)目為m個(gè)。通過net＝newelm()創(chuàng)建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)?！皌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。通過[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。通過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2004年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(shí)記錄一次，交通流實(shí)測數(shù)據(jù)192個(gè)。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(shí)間段流量時(shí)間段流量2004-9-141：004902004-9-1413：0012362004-9-142：003842004-9-1414：0014072004-9-143：002702004-9-1415：0014262004-9-144：002292004-9-1416：0015772004-9-145：002552004-9-1417：0013712004-9-146：003992004-9-1418：0013712004-9-147：009612004-9-1419：0012422004-9-148：0011422004-9-1420：0012312004-9-149：0013802004-9-1421：0013712004-9-1410：0014652004-9-1422：0012962004-9-1411：0015122004-9-1423：008772004-9-1412：0012312004-9-1424：00604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可以用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(gè)樣本，重新訓(xùn)練Elman神經(jīng)網(wǎng)絡(luò)測下一個(gè)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(gè)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(gè)，輸出層神經(jīng)元數(shù)目為1個(gè)，另外通過改變隱含層神經(jīng)元數(shù)目的個(gè)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(shí)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(shí)，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(shí),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仿真圖此外，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(shí)間P流量實(shí)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(shí)14904930．504288．9014日5時(shí)22552500．942520．6814日7時(shí)396198218．2198723．2314日11時(shí)4151215283．7715398．4314日14時(shí)51407145516．41144210．9419日10時(shí)6128612902．7412964．9819日16時(shí)7139814021．0814051．6719日12時(shí)8132113357．9713294．1319日8時(shí)91074101125．65102221．6119日5時(shí)102472501．882480．12

經(jīng)計(jì)算，當(dāng)隱含層m=30時(shí)，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(shí)，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(shí)，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(shí)交通流量的Elman回歸神經(jīng)網(wǎng)絡(luò)；最后運(yùn)用Matlab軟件對樣本數(shù)據(jù)進(jìn)行仿真對比，得到預(yù)測值在允許誤差范圍內(nèi)，說明了用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。結(jié)論隨著社會經(jīng)濟(jì)的發(fā)展也帶動(dòng)著交通的迅猛發(fā)展，交通工具的飛速發(fā)展，給人們帶來了極大的方便，極大地提高了人們的生活范圍，但是，隨著人們出行率的提高和私家車擁有量的飆升，很多時(shí)候讓我們對于出行是敢想而不敢為。短短的一段路，倘若塞起車來，用網(wǎng)絡(luò)流行點(diǎn)的話語來講是一塞回到解放前。一個(gè)城市的交通狀態(tài)的好與否，對于一個(gè)城市乃至一個(gè)國家的經(jīng)濟(jì)來說其效益是不可估量的。因此通過研究城市交通主干道交通狀態(tài)預(yù)測方案進(jìn)而尋找出更好的、更有效的交通控制方法來控制調(diào)節(jié)進(jìn)入城市道路上的交通流量具有深刻的現(xiàn)實(shí)意義。良好的交通控制系統(tǒng)可以節(jié)省我們的出行時(shí)間，讓我們在道路上不會耽誤那么多不必要的時(shí)間?，F(xiàn)在城市的主干道路上，一到上下班的時(shí)間，公路基本上是處于擁擠的狀態(tài)，就單單是等紅綠就讓我們感到心煩，如果能把這些在道路上浪費(fèi)的時(shí)間去做自己認(rèn)為有意義的事情上，少吸幾口廢氣，那我們的生活就可以變的更加有意義，變的更加精彩了，我們的身體也越趨健康。所以良好的交通控制關(guān)系到人們的方方面面，由此可知交通控制的重要性。本文主要研究了城市主干道交通狀態(tài)的預(yù)測方案，先闡述了交通流理論，再利用Elman神經(jīng)網(wǎng)絡(luò)，進(jìn)一步對城市主干道交通進(jìn)行模擬預(yù)測。文章重點(diǎn)闡述了基于MATLAB環(huán)境下的Elman神經(jīng)網(wǎng)絡(luò)，分析了造成主干道擁堵的各大原因并根據(jù)干道上的車流、車速、路面級別等建立模型。本文利用計(jì)算機(jī)對預(yù)測方案進(jìn)行了仿真研究，結(jié)果基本滿意。基于Elmanh回歸神經(jīng)網(wǎng)絡(luò)的智能系統(tǒng)能直接明了處理非線性系統(tǒng)，適合于含復(fù)雜性、不完全性、不確定性和不存在已知算法的情行，這點(diǎn)對實(shí)際交通的不確定性因素極為有效。美好的家園要靠大家的共同努力，只有這樣，我們才能根治城市交通的擁擠問題，讓我們的生活更加和諧。參考文獻(xiàn)[1]周開利康耀紅著神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)名清華大學(xué)出版社2005P140-254[2]李政梁新榮基于Elman神經(jīng)網(wǎng)絡(luò)的高速公路限速控制微計(jì)算機(jī)信息200723(28)P27-29[3]王繼生高寶成時(shí)良平支持向量機(jī)在交通量預(yù)測中的應(yīng)用信息技術(shù)200428(4)P8-104[4]伍世虞徐軍著動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用清華大學(xué)出版社2008P27-38[5]王殿海著交通流理論人民交通出版社2002P1-27[6]高自友任華玲著城市動(dòng)態(tài)交通流分配模型與算法人民交通出版社2005P1-35[7]殷志才著交通系統(tǒng)建模與仿真科學(xué)出版社2011P1-29[8]梁新榮等交通運(yùn)輸工程學(xué)報(bào)200622(11)[9]陳德望城市高速道路交通控制方法研究的回顧與展望信息與控制200231(4)P341-345[10]T.Bellemans,B.DeSchutter,B.DeMoor.AnticipativeModelPredictiveControlforRampMeteringinFreewayNetworks.ProceedingsoftheAmericanControlConference.Denver,Colorado.2003P4077-4082[11]JianmeiXiao,XihuaiWang.FreewayTrafficFlowModelingBasedonNeural Network.The IEEE6thInternationalConferenceonIntelligentTransportation Systems.2003,(4)P136-139致謝經(jīng)過大半個(gè)學(xué)期的努力，畢業(yè)設(shè)計(jì)總算接近尾聲，在此，首先衷心感謝我的指導(dǎo)老師李全老師，感謝您的悉心指導(dǎo)和教育，讓我在整個(gè)畢業(yè)設(shè)計(jì)的過程中有了明確的目標(biāo)，少走了許多彎路。回想起來，整個(gè)設(shè)計(jì)過程是悲喜交加的，有苦有淚，但是，經(jīng)過了自己的努力，最后終于做完了整個(gè)設(shè)計(jì)，看到自己努力的成果，內(nèi)心雖然說不上是洶涌澎湃，但是還是壓抑不住內(nèi)心的那份激動(dòng)。雖然設(shè)計(jì)整個(gè)過程都是困難重重，自己也曾經(jīng)彷徨迷惘過，但是自己最終還是堅(jiān)持了下來，在每個(gè)過程中不僅學(xué)到了以往沒有學(xué)到的知識，更重要的是也磨練了自己為人處事的那份耐性和不被困難嚇倒的氣魄，對于我們即將進(jìn)入的社會生活中有莫大的幫助。畢業(yè)設(shè)計(jì)的完成也預(yù)示著大學(xué)生涯的悄然結(jié)束，在此，首先感謝為母校默默付出著，教育我們的老師、領(lǐng)導(dǎo)們，是你們的辛勞讓我們有了美好的大學(xué)生活，讓我們的青春更加多姿多彩，讓我們在學(xué)習(xí)知識之余汲取了社會的經(jīng)驗(yàn)。其實(shí)，也要感謝五邑大學(xué)的全體同學(xué)，你們給予了我家庭般的溫暖，也讓我見證了純真的友誼，讓我的4年大學(xué)生活在五邑大學(xué)過得無悔。最后，再一次感謝李全老師，您處事的那種嚴(yán)正不阿的態(tài)度讓我學(xué)到了很多，我將來一定要做一個(gè)好好服務(wù)社會的人。

附錄資料：不需要的可以自行刪除3%水泥穩(wěn)定碎石底基層施工組織設(shè)計(jì)（K51+080~K55+760.5）工程概況本分項(xiàng)工程施工樁號為K51+080～K55+760.5，施工總長為4680.5m，其中橋與隧道長為1441.2m,路基長為3239.3m,路面結(jié)構(gòu)類型為I-73,3%水泥穩(wěn)定碎石設(shè)計(jì)厚度為30cm,分兩次施工,每次的鋪筑厚度均為15cm,工程量:78264m2。水穩(wěn)中間鋼筋網(wǎng)（Φ8R235鋼筋）的工程量：87295Kg。施工依據(jù)《龍長高速公路招標(biāo)文件技術(shù)規(guī)范補(bǔ)充要求》《龍長高速公路招標(biāo)文件補(bǔ)充技術(shù)規(guī)范》《福建省高速公路路面及交通安全設(shè)施施工標(biāo)準(zhǔn)化指南》(試行)《交通部《公路工程國內(nèi)招標(biāo)文件范本》(2003)第五篇《技術(shù)規(guī)范》《公路路面基層施工技術(shù)規(guī)范》（JTJ034-2000）《公路工程質(zhì)量檢驗(yàn)評定標(biāo)準(zhǔn)》（JTGF80/1-2004）(第一冊土建工程)《公路土工試驗(yàn)規(guī)程》（JTJ051-93）《公路工程水泥及水泥砼試驗(yàn)規(guī)程》（JTGE30-2005）《公路工程無機(jī)結(jié)合料穩(wěn)定材料試驗(yàn)規(guī)程》（JTJ057-94）10．《公路工程集料試驗(yàn)規(guī)程》（JTJE428-2005）11．《公路路基、路面現(xiàn)場測試規(guī)程》（JTJ059-95）12．《公路勘測規(guī)范》（JTJ061-99）13．《公路工程施工安全技術(shù)規(guī)程》（JTJ076-95）主要工程材料技術(shù)質(zhì)量要求1、碎石和石屑產(chǎn)地為李下坑采石場，砂產(chǎn)地為西山下砂場，各項(xiàng)指標(biāo)均符合要求，詳見下表：集料技術(shù)質(zhì)量指標(biāo)試測項(xiàng)目規(guī)定值實(shí)測值試測項(xiàng)目規(guī)定值實(shí)測值粗集料針片狀顆粒含量%(混合料)19-37.5mm≤2014.4細(xì)集料(砂)表觀密度(g/cm3)≥2.52.5969.5-19.5mm12.1集料技術(shù)質(zhì)量指標(biāo)續(xù)上表試測項(xiàng)目規(guī)定值實(shí)測值試測項(xiàng)目規(guī)定值實(shí)測值粗集料壓碎值,%19-37.5mm≤2623.5細(xì)集料(砂)含泥量,%≤3.01.89.5-19.5mm23.5表觀相對密度19-37.5mm/2.631泥塊含量,%≤-19.5mm/2.631吸水率,%19-37.5mm/0.96表觀相對密度/2.6049.5-19.5mm/1.24混合料級配范圍層位通過下列方孔篩(mm)的質(zhì)量百分率(%)37.531.526.5199.54.752.360.60.075底基層10090~100--67~9045~6829~5018~388~220~7合成級配10094．9--71．148．841．531．417．94．12、水泥采用龍巖市福龍水泥廠生產(chǎn)的“龍麟”牌普通硅酸鹽水泥，強(qiáng)度等級為32.5級，其物理力學(xué)性能指標(biāo)均符合要求，詳見下表：水泥物理力學(xué)性能試驗(yàn)結(jié)果試驗(yàn)項(xiàng)目規(guī)定值實(shí)測值物理性能細(xì)度%負(fù)壓篩析法≤105.8凝結(jié)時(shí)間初凝≥3h3.4h終凝≥4.5h4.8h安定性標(biāo)準(zhǔn)性(雷氏法)mm(C-A)≤5.02.5強(qiáng)度抗壓強(qiáng)度Mpa3d≥11.017.428d≥32.5抗折強(qiáng)度Mpa3d≥2.53.828d≥5.53、鋼筋采用采用三明鋼鐵廠生產(chǎn)的Φ8R235鋼筋，各項(xiàng)指標(biāo)均符合要求?；旌狭辖M成設(shè)計(jì)按試驗(yàn)室提供、監(jiān)理工程師同意批復(fù)的配合比?；旌狭?天（試件在25±2℃條件下濕養(yǎng)6天，浸水1天）的無側(cè)限抗壓強(qiáng)度的標(biāo)準(zhǔn)值為2Mpa。水泥穩(wěn)定碎石施工配合比原材料集料水泥水規(guī)格型號碎石(19～37.5mm)碎石(9.5～19mm)石屑(0～9.5mm)砂P.0.32.5飲用水設(shè)計(jì)比例（%）3320371036注：在拌料前，檢測各集料的含水量，確定當(dāng)天的施工配合比。水泥含量控制為3.15%。水泥穩(wěn)定碎石底基層施工方案底基層施工流程施工前準(zhǔn)備→拌合→運(yùn)輸混合料→攤鋪機(jī)的攤鋪→碾壓→自檢→養(yǎng)生底基層施工方法（1）、施工前準(zhǔn)備：①準(zhǔn)備下承層：施工前對路槽進(jìn)行檢驗(yàn)、整修，保證其表面平整、堅(jiān)實(shí)，消除作業(yè)面表面的浮土、積水，對檢查中發(fā)現(xiàn)的不合格處進(jìn)行處理，并將作業(yè)面表面灑水潤濕。②測量放樣：恢復(fù)中線，根據(jù)中線確定出結(jié)構(gòu)層的設(shè)計(jì)寬度，每10米設(shè)一樁，用紅油漆標(biāo)出該點(diǎn)設(shè)計(jì)標(biāo)高。在指示樁旁邊釘上鋼絲線支架，根據(jù)設(shè)計(jì)標(biāo)高放出標(biāo)準(zhǔn)的施工基線，以控制底基層的標(biāo)高，保證控制線的拉應(yīng)力不小于800N。（2）、混合料拌合拌和站設(shè)在K47+600右側(cè)新泉停車區(qū)內(nèi)?；旌狭习韬筒捎肳CB500型強(qiáng)制式穩(wěn)定土廠拌設(shè)備，配置四個(gè)集料倉和一個(gè)水泥倉，自動(dòng)補(bǔ)水器加水，拌和機(jī)性能良好，滿足連續(xù)施工要求，拌和能力為500t/h,并裝有電子計(jì)量系統(tǒng)，對各種材料進(jìn)行準(zhǔn)確計(jì)量（標(biāo)定證書附后），根據(jù)監(jiān)理工程師批準(zhǔn)的理論配合比進(jìn)行拌和。在拌料前，檢測各集料的含水量，以確定出當(dāng)前的施工配合比。混合料含水量的增加和控制方法：雨天含水量控制在5%左右（最佳含水量6%），正午略高于最佳含水量0.5-1%，陰天控制在最佳含水量即可。在拌和過程中，取兩次混合料試樣制備無側(cè)限抗壓強(qiáng)度試件。（3）、混合料運(yùn)輸在運(yùn)輸前，檢驗(yàn)運(yùn)輸車的完好性，裝料前應(yīng)將車廂清洗干凈。已定（山東斯太爾王自卸汽車）10臺20t自卸汽車運(yùn)輸混合料，運(yùn)距5.82Km。（4）、攤鋪我們采用2臺德國ABG423型攤鋪機(jī)并列成梯隊(duì)聯(lián)合攤鋪，靠路肩位置的攤鋪機(jī)在后，靠中央分隔帶的攤鋪機(jī)在前，前后相隔5-10m。2臺攤鋪機(jī)攤鋪速度均在2.4m/min左右，夯錘振動(dòng)頻率均設(shè)定為25Hz，振幅為6mm，松鋪系數(shù)為1.28。前臺攤鋪機(jī)路側(cè)采用鋼絲自動(dòng)感應(yīng)、路中采用橫坡度控制路面高程和厚度;后臺攤鋪機(jī)路側(cè)采用鋼絲自動(dòng)感應(yīng)、路中采用已攤鋪的混合料面控制高程和厚度。前臺攤鋪機(jī)攤鋪寬度6.5米，后臺攤鋪機(jī)寬度5.5米，前后2臺攤鋪重疊20~30cm,中縫輔以人工修整。每臺攤鋪機(jī)前設(shè)專人指揮料車卸料，并及時(shí)清走灑落在攤鋪機(jī)履帶前的混合料；攤鋪機(jī)后也設(shè)專人及時(shí)清除離析的粗細(xì)集料，在局部出現(xiàn)的粗集料窩或粗集料帶處，采用了人工鏟除并用新混合料填補(bǔ)或補(bǔ)充細(xì)混合料嵌縫的措施。質(zhì)檢員隨時(shí)用水平尺和鋼板尺檢測攤鋪機(jī)的工作高度(10cm)，并及時(shí)調(diào)整攤鋪厚度。（5）、碾壓成型混合料攤鋪后，立即在全寬范圍內(nèi)，壓路機(jī)由低側(cè)向高側(cè)進(jìn)行1/2錯(cuò)輪并呈梯形碾壓。碾壓長度設(shè)定為60m，碾壓段落層次分明，并設(shè)置明顯的分界標(biāo)志。碾壓根據(jù)先輕后重，然后再輕的原則進(jìn)行，碾壓分為初壓、復(fù)壓和終壓三部分：①初壓：用1臺英格索蘭DD-110雙鋼輪壓路機(jī)碾壓2遍，前進(jìn)靜壓，后退用小振，碾壓速度為1.5-1.7km/h。②復(fù)壓：用兩臺YZ18振動(dòng)壓路機(jī)振動(dòng)碾壓4遍，前2遍前進(jìn)后退均用小振，碾壓速度為2km/h。后2遍用大振，碾壓速度為2km/h。。③終壓：用LRS2030膠輪壓路機(jī)進(jìn)行搟光1遍，碾壓速度為3-5km/h，直到無輪跡。兩邊用1臺英格索蘭DD-110雙鋼輪壓路機(jī)多壓2遍。壓路機(jī)碾壓遍數(shù)共7遍。（6）、接縫的處理用攤鋪機(jī)攤鋪混合料時(shí)，中間盡量避免間斷，如因故中斷，時(shí)間超過2h時(shí)，及時(shí)設(shè)置橫向接縫。再次攤鋪時(shí)，將已碾壓密實(shí)且高程和平整度符合要求的末端，鏟出一橫向垂直向下的斷面，然后再攤鋪新的混合料。每日施工前的橫向接縫也按上述方法進(jìn)行處理。（7）、養(yǎng)生及交通管制碾壓完成達(dá)到密實(shí)度要求后，開始養(yǎng)生并封閉交通。用土工布覆蓋，并經(jīng)常用水車灑水，在7天之內(nèi)，使底基層保持濕潤狀態(tài)；28天之內(nèi)，經(jīng)常灑水養(yǎng)護(hù)。工程進(jìn)度計(jì)劃工程計(jì)劃于2006年9月21開工，爭取于2007年1月5日前完成。具體情況詳見計(jì)劃圖?？刂浦笜?biāo)及檢驗(yàn)頻率1、3%水泥穩(wěn)定碎石底基層質(zhì)量控制、頻率和質(zhì)量標(biāo)準(zhǔn)項(xiàng)

次檢查項(xiàng)目規(guī)定值或允許偏差檢測方法和頻率1▲壓實(shí)度（%）代表值97每Km10處，每處每車道1點(diǎn)極值93續(xù)上表項(xiàng)

次檢查項(xiàng)目規(guī)定值或允許偏差檢測方法和頻率2平整度（mm）123m直尺：每200m測2處×10尺3縱斷高程（mm）+5，-15水準(zhǔn)儀：每200m測4斷面4寬度（mm）符合設(shè)計(jì)要求尺量：每200m測4處5▲厚度（mm）代表值-10按JTGF80/1-2004附錄H檢查,每200m每車道1點(diǎn)極值-256橫坡（%）±0.3水準(zhǔn)儀：每200m測4斷面7▲強(qiáng)度（Mpa）≥2MPa按JTGF80/1-2004附錄G檢查2、鋼筋網(wǎng)質(zhì)量控制、頻率和質(zhì)量標(biāo)準(zhǔn)項(xiàng)次檢驗(yàn)項(xiàng)目規(guī)定值或允許偏差檢驗(yàn)結(jié)果檢驗(yàn)方法和頻率1網(wǎng)的長、寬（mm）±10用尺量2網(wǎng)眼尺寸（mm）±10用尺量，抽查3個(gè)網(wǎng)眼3對角線差（mm）10用尺量，抽查3個(gè)網(wǎng)眼對角線3、質(zhì)量控制的項(xiàng)目、頻率和質(zhì)量標(biāo)準(zhǔn)項(xiàng)

次檢查項(xiàng)目規(guī)定值或允許偏差檢測方法和頻率1混合料級配在規(guī)范規(guī)定范圍內(nèi)每1000m21次2水泥劑量≥3.0%每2000m21次,每次13個(gè)樣品（1次/160m）3含水量在規(guī)范規(guī)定范圍內(nèi)每天至少1次，據(jù)觀察，異常時(shí)隨時(shí)試驗(yàn)4拌和均勻性無灰條、灰團(tuán)、色澤均勻、