高速公路道路交通智能預(yù)測(cè)的分析與設(shè)計(jì)

摘要本文對(duì)交通流預(yù)測(cè)的歷史、背景、意義、發(fā)展現(xiàn)狀以及路段交通流預(yù)測(cè)的基本框架、模型作了比較進(jìn)一步的探討，通過(guò)對(duì)現(xiàn)有高速公路交通流預(yù)測(cè)模型和高速公路交通流特性分析的基礎(chǔ)上，先對(duì)江門市目的路段進(jìn)行了交通調(diào)查，采用神經(jīng)網(wǎng)絡(luò)的方法解決高速公路道路交通交通流量預(yù)測(cè)問(wèn)題。論文一方面介紹道路交通流量預(yù)測(cè)方法和BP神經(jīng)網(wǎng)絡(luò)的原理，然后建立交通流量智能預(yù)測(cè)模型，再用MATLAB軟件對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練，在用訓(xùn)練好的模型對(duì)交通流量進(jìn)行預(yù)測(cè)并對(duì)結(jié)果進(jìn)行分析。實(shí)驗(yàn)表白，此種預(yù)測(cè)方法為路段短時(shí)交通流預(yù)測(cè)提供了一種有效的途徑，對(duì)高速公路交通流量的預(yù)測(cè)具有積極的意義。 關(guān)鍵詞:高速公路；交通流；BP神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)Abstract.Trafficflowprediction,thehistory,background,significance,developingstatusquoandbasicframeworkofroadtrafficflowprediction,modelaremadeain-depthdiscussioninthispaper.Basedontheexistinghighwaytrafficflowpredictionmodelandbasedontheanalysisofhighwaytrafficflowcharacteristics,thefirsttargetsectionsofjiangmencitytrafficsurveywascarriedout,usingtheneuralnetworkmethodtosolvetheproblemofhighwayroadtrafficflowprediction.ItintroducesroadtrafficflowpredictionmethodandtheprincipleofBPneuralnetwork,andthenestablishtrafficflowintelligentpredictionmodel,thenuseMATLABsoftwaretotrainingsampledata,inusingthetrainedmodeltoforecastthetrafficflowandanalyzetheresults.Experimentsshowthatthepredictionmethodofshort-termtrafficflowprediction,providesaneffectivewayforthehighwaytrafficflowforecasthasthepositivesignificance.KeywordsthehighwayTrafficflowTheBPneuralnetworkprediction目錄摘要 IAbstract II第1章緒論 11.1課題背景 11.2研究目的和意義 11.3國(guó)內(nèi)外文獻(xiàn)綜述 21.4本論文重要內(nèi)容 2第2章交通流預(yù)測(cè)模型 32.1交通流理論基礎(chǔ) 32.2高速公路交通流模型 62.2.1引言 62.2.2宏觀穩(wěn)態(tài)交通模型 72.2.3動(dòng)態(tài)交通模型 72.2.4交通流預(yù)測(cè)的特點(diǎn) 82.2.5短時(shí)交通流預(yù)測(cè)系統(tǒng)的基本原理 92.3交通流預(yù)測(cè)模型 102.4本章小結(jié) 10第3章神經(jīng)網(wǎng)絡(luò) 113.1概述 113.2.1人工神經(jīng)元模型 113.2.2神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模型 123.2.3神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 133.2.4神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式 133.3本章小結(jié) 14第4章短時(shí)交通流BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的仿真 154.1BP神經(jīng)網(wǎng)絡(luò) 154.1.1BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 154.1.2BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程 154.1.3BP神經(jīng)網(wǎng)絡(luò)的初始化 174.2BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的仿真 184.2.1仿真的背景 184.2.2樣本數(shù)據(jù)的選擇 184.2.3BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)建與訓(xùn)練 184.2.4仿真程序及結(jié)果 204.3本章小結(jié) 22結(jié)論 23參考文獻(xiàn) 24致謝 25第1章緒論1.1課題背景近年來(lái)，世界各個(gè)國(guó)家都會(huì)面臨交通擁堵問(wèn)題，特別是那些發(fā)達(dá)國(guó)家，比如歐美、日本等。為了解決交通擁堵問(wèn)題，國(guó)內(nèi)外很多專家學(xué)者都付出了很多時(shí)間與精力。交通擁堵形成的因素比較復(fù)雜，例如，城市規(guī)劃、道路建設(shè)、道路交通環(huán)境、交通信號(hào)系統(tǒng)協(xié)調(diào)度、以及交通參與者素質(zhì)等因素。智能交通系統(tǒng)是通過(guò)實(shí)時(shí)的信息更新，以及便捷的通信技術(shù)為解決這些交通擁堵問(wèn)題提供了很好的途徑。近年來(lái)，隨著ITS的發(fā)展，智能交通控制和車輛疏導(dǎo)系統(tǒng)為ITS研究的熱門領(lǐng)域。現(xiàn)在，交通流預(yù)測(cè)理論體系還沒(méi)統(tǒng)一，正處在逐步發(fā)展階段，每個(gè)模型都有自身的缺陷和局限性，預(yù)測(cè)的精度也存在差異。因此預(yù)測(cè)出來(lái)的結(jié)果也存在差異。本文在分析現(xiàn)有交通流預(yù)測(cè)模型的優(yōu)缺陷基礎(chǔ)上，充足吸取國(guó)內(nèi)外專家學(xué)者的研究成果，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度高的優(yōu)點(diǎn)，提出了基于BP神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)模型，從而解決交通流預(yù)測(cè)問(wèn)題。1.2研究目的和意義交通流預(yù)測(cè)是智能交通系統(tǒng)研究中非常重要的環(huán)節(jié)，為實(shí)現(xiàn)智能交通提供了理論基礎(chǔ)和數(shù)據(jù)支持。一方面，運(yùn)用先進(jìn)的交通管理技術(shù)對(duì)道路上交通情況的監(jiān)控和采集，從而獲取相應(yīng)的實(shí)時(shí)交通信息，然后為出行者提供交通流信息；另一方面，出行者可以根據(jù)接受到的交通信息和結(jié)合自身的情況，對(duì)出行前和出行中的途徑，出發(fā)時(shí)間，交通工具做出對(duì)的的選擇。本課題研究的目的：通過(guò)對(duì)高速公路交通流進(jìn)行探討，建立交通流BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法，有效地防止交通事故的頻繁發(fā)生和避免交通堵塞，從而實(shí)現(xiàn)道路網(wǎng)暢通、高效運(yùn)營(yíng)的目的。本課題研究還具有重要的實(shí)際意義，近年來(lái)，交通不暢帶來(lái)諸多不便和巨大損失，解決此類問(wèn)題最實(shí)際的方法就是先對(duì)道路上的交通情況進(jìn)行預(yù)測(cè)，特別是對(duì)道路的短時(shí)交通流進(jìn)行預(yù)測(cè)。隨著智能控制理論的發(fā)展，越來(lái)越多的研究者開(kāi)始使用智能預(yù)測(cè)方法，本課題研究的交通流預(yù)測(cè)方法就是其中之一。另一方面，本課題的研究能促進(jìn)城市交通的發(fā)展，對(duì)道路交通產(chǎn)生積極的影響。1.3國(guó)內(nèi)外文獻(xiàn)綜述交通流量是一個(gè)不斷變化的，容易受外部隨機(jī)因素干擾而變化的因素。在現(xiàn)代社會(huì)發(fā)展的基礎(chǔ)上，對(duì)預(yù)測(cè)領(lǐng)域的規(guī)定越來(lái)越高，傳統(tǒng)的預(yù)測(cè)技術(shù)已經(jīng)不能滿足越來(lái)越高的精度規(guī)定，因此要借助高新科技的力量去嘗試新的方法進(jìn)行預(yù)測(cè)。文獻(xiàn)[1][2]從人工智能及信息融合的角度研究了目前交通個(gè)信息領(lǐng)域的熱點(diǎn)問(wèn)題，也介紹了智能交通系統(tǒng)的發(fā)展情況、理論基礎(chǔ)及應(yīng)用方法，分析了高速公路入口匝道控制的先進(jìn)智能算法，讓我們對(duì)高速公路的智能交通控制有了進(jìn)一步的了解。文獻(xiàn)[3]介紹了神經(jīng)網(wǎng)絡(luò)理論的發(fā)展情況、基本原理和模型，并在此基礎(chǔ)上探討了神經(jīng)網(wǎng)絡(luò)的分類和學(xué)習(xí)規(guī)則。文獻(xiàn)[4]根據(jù)交通流的特性，結(jié)合Matlab工具，采用BP神經(jīng)網(wǎng)絡(luò)對(duì)交通流量預(yù)測(cè)進(jìn)行設(shè)計(jì)。文獻(xiàn)[5]分析論述了建立智能預(yù)測(cè)模型的方法。一方面對(duì)高速公路入口匝道控制作了簡(jiǎn)要介紹，并對(duì)其基本原理做了分析與研究，對(duì)其作用做了評(píng)估，文獻(xiàn)[6]介紹了BP網(wǎng)絡(luò)的構(gòu)建過(guò)程以及如何運(yùn)用Matlab仿真和訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。文獻(xiàn)[7]分析了高速公路交通流數(shù)學(xué)模型，并用神經(jīng)網(wǎng)絡(luò)建立了交通流模型，最后進(jìn)行了仿真訓(xùn)練研究。文獻(xiàn)[8]分析了高速公路交通流模型。結(jié)合交通調(diào)查的數(shù)據(jù)和BP神經(jīng)網(wǎng)絡(luò)理論，運(yùn)用MATLAB工具對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而獲得比較準(zhǔn)確的描述交通流真實(shí)行為的模型。文獻(xiàn)[9]介紹了BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和學(xué)習(xí)過(guò)程，BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)、應(yīng)用及其MATLAB實(shí)現(xiàn)。文獻(xiàn)[10]介紹了交通流短時(shí)預(yù)測(cè)的相關(guān)概念和基礎(chǔ)知識(shí)。1.4本論文重要內(nèi)容本文一共四章，章節(jié)布置如下：第1章緒論。先介紹課題背景，接著描述本課題的研究目的與意義，再總結(jié)了交通流預(yù)測(cè)研究現(xiàn)狀。第2章交通流預(yù)測(cè)模型。對(duì)交通流預(yù)測(cè)作出綜述，再描述交通流預(yù)測(cè)及其預(yù)測(cè)模型。第3章神經(jīng)網(wǎng)絡(luò)。介紹神經(jīng)網(wǎng)絡(luò)的理論，結(jié)構(gòu)模型，特點(diǎn)和學(xué)習(xí)方式等。第4章短時(shí)交通流BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的仿真。介紹了BP神經(jīng)網(wǎng)絡(luò)的相關(guān)理論知識(shí)，如何創(chuàng)建和訓(xùn)練模型，然后運(yùn)用MATLAB得出最后的仿真結(jié)果。

第2章交通流預(yù)測(cè)模型2.1交通流理論基礎(chǔ)交通流理論是研究交通問(wèn)題中基礎(chǔ)學(xué)科，分析基礎(chǔ)的交通狀況，描述常見(jiàn)的交通問(wèn)題，讓人們更容易去了解交通問(wèn)題，為道路的規(guī)劃和運(yùn)營(yíng)管理提供了理論基礎(chǔ)。(1)交通流的基本參數(shù)交通量、行車速度、車流密度，為三個(gè)基本的參數(shù)。a交通量在相對(duì)規(guī)定的時(shí)間段內(nèi)，通過(guò)某一車道的車輛數(shù)目，是個(gè)隨機(jī)變化數(shù)。它們之間的關(guān)系可表達(dá)如下：(2-1)式中為各規(guī)定期間段內(nèi)的交通量，為規(guī)定的時(shí)間段的段數(shù)。b車流密度車流密度是指某一瞬間內(nèi)單位道路長(zhǎng)度上的車輛數(shù)目。(2-2)式中為車輛數(shù)()，為路段長(zhǎng)度()。c行車速度行車速度又稱區(qū)間平均速度。是指在某一特定瞬間，行駛于道路某一特定長(zhǎng)度內(nèi)所有車輛車速分布的平均值。(2-3)式中為第輛車的行駛時(shí)間，為車輛行駛于路段長(zhǎng)度的次數(shù)，為第輛車行駛速度，為區(qū)間平均速度。(2)交通流參數(shù)的關(guān)系各個(gè)參數(shù)之間存在一定的關(guān)系，其關(guān)系式為：(2-4)式中為平均流量()，v為區(qū)間平均速度()，為平均密度()。流量、密度、速度三者之間的關(guān)系可由圖2-1表達(dá)。圖2-1,,關(guān)系曲線a速度與密度的關(guān)系它們之間的關(guān)系式為：(2-5)(2-6)如圖2-2所示，當(dāng)時(shí)，，暢行。當(dāng)時(shí)，，擁堵。由于，所以流量等于圖中所示陰影部分面積。圖2-2速度-密度關(guān)系曲線當(dāng)交通密度很大時(shí)()，采用Grenberg的對(duì)數(shù)模型：(2-7)當(dāng)交通密度很小時(shí)()，采用安特伍德的指數(shù)模型：(2-8)b流量與密度的關(guān)系交通流的最基本關(guān)系是流量-密度關(guān)系，如下：(2-9)圖2-3為流量-密度關(guān)系曲線。圖中點(diǎn)C代表通行能力或最大流量。以原點(diǎn)A起點(diǎn)，曲線上點(diǎn)B、C和D為終點(diǎn)做矢徑，這些矢徑的斜率表達(dá)速度。通過(guò)點(diǎn)A與曲線相切的矢徑，其斜率為暢行速度。在流量-密度曲線上，位于C點(diǎn)左側(cè)的點(diǎn)()表達(dá)交通不擁擠；位于C點(diǎn)右側(cè)的點(diǎn)()表達(dá)交通擁擠。圖2-3流量-密度關(guān)系曲線c流量與速度的關(guān)系流量與速度的關(guān)系為：(2-10)圖2-4為流量與速度的關(guān)系，從圖中得，曲線在擁擠部份時(shí)，流量和速度都減少。圖2-4流量-速度關(guān)系曲線2.2高速公路交通流模型2.2.1引言交通流理論的不斷發(fā)展為人們追求更精確的交通流模型發(fā)明了理論基礎(chǔ)。從最初的簡(jiǎn)樸的去描述速度，密度和流量之間的關(guān)系，到追求穩(wěn)定，精確，快速的交通流模型。由于道路交通流的高度復(fù)雜性，非線性。這些影響到了建模的準(zhǔn)確性。因此，根據(jù)實(shí)時(shí)的道路交通情況，如何去建立準(zhǔn)確的交通流模型是當(dāng)前重要的任務(wù)之一。從而對(duì)建立的模型的準(zhǔn)確性提出了更高的規(guī)定。隨著流體力學(xué)理論和車輛跟馳理論的不斷發(fā)展成熟，常用的兩種模型分別是宏觀模型和微觀模型。微觀模型重要是自身模型的復(fù)雜性和較長(zhǎng)的計(jì)算時(shí)間，不適合實(shí)時(shí)性。宏觀模型能較好描述交通流空間與時(shí)間不同的變化規(guī)律，反映真實(shí)的交通流情況。在交通控制不斷發(fā)展的過(guò)程中，這兩種模型在交通流建模發(fā)展中有著重要的地位。2.2.2宏觀穩(wěn)態(tài)交通模型假如高速公路按實(shí)際幾何分布情況以及實(shí)時(shí)交通狀況劃分為N個(gè)路段，每段車道數(shù)維持不變，最多包含一個(gè)入口匝道和一個(gè)出口匝道，每段內(nèi)的交通狀況可認(rèn)為是均勻分派的，則可知：(2-11)式中表達(dá)第i路段入口匝道的交通量，表達(dá)路段的入口匝道進(jìn)入的車輛中到達(dá)路段i的比例。式(2-11)也可寫成向量形式：(2-12)式中,，為一下三角陣，稱為起始-到達(dá)矩陣。交通模型的作用是探討不同的參數(shù)對(duì)車流運(yùn)動(dòng)的影響，是通過(guò)運(yùn)用數(shù)學(xué)和物理方法模擬路網(wǎng)上車流的運(yùn)動(dòng)狀況實(shí)現(xiàn)的。其中車輛在信號(hào)燈控制下的等待時(shí)間和預(yù)報(bào)車輛的到達(dá)率是配時(shí)參數(shù)優(yōu)化過(guò)程中的重要依據(jù)。2.2.3動(dòng)態(tài)交通模型高速公路沒(méi)有平面交叉口，它交通流是連續(xù)的。下面重要介紹MACK高速公路交通模型。設(shè)每個(gè)路段的長(zhǎng)度為。該模型屬于擬定性宏觀模型，它由一組守恒方程及相應(yīng)的動(dòng)態(tài)速度-密度方程組成。其入口和出口匝道流量分別記為、，采樣周期為T，第i路段交通流量、交通密度和平均速度分別記為、、。根據(jù)車輛守恒關(guān)系有：(2-13)平均速度v(x,t)不也許瞬時(shí)地跟隨ρ(x,t)而變化，根據(jù)關(guān)系式(2-1)，q(x,t)也是如此。所以，在動(dòng)態(tài)條件下，穩(wěn)態(tài)關(guān)系不能照搬使用。事實(shí)上，Δx處的密度的變化要比車速的變化提前一個(gè)時(shí)間。即(2-14)把上式的左邊對(duì)、右邊對(duì)Δx進(jìn)行Taylor展開(kāi)，略去高階項(xiàng)，得：(2-15)通過(guò)對(duì)微觀交通的研究和觀測(cè)發(fā)現(xiàn)，取Δx為車頭距的一半為宜，即Δx=1/(2ρ)；再把近似地看作常數(shù)，定義，并運(yùn)用全導(dǎo)數(shù)：(2-16)代入式(3-13)，得到：(2-17)對(duì)式(3-15)作空間離散化和時(shí)間離散化解決，得：(2-18)2.2.4交通流預(yù)測(cè)的特點(diǎn)在交通流的預(yù)測(cè)工作中，準(zhǔn)確的交通流預(yù)測(cè)是我們所追求的。但交通流的高度非線性，復(fù)雜性，不擬定性給我們的預(yù)測(cè)工作帶來(lái)了一定的難度。(1)當(dāng)前，運(yùn)用單一的方法對(duì)交通流預(yù)測(cè)的研究都沒(méi)有取得很好的效果。每一種方法的預(yù)測(cè)環(huán)境都不同的，交通流自身的高度非線性，復(fù)雜性，不擬定性使得預(yù)測(cè)工作變得困難?？臻g和時(shí)間等不同環(huán)境下的預(yù)測(cè)，效果的差異也是很大的。因此，采用多種方法，互相補(bǔ)充是交通流預(yù)測(cè)應(yīng)當(dāng)采用的方法。(2)預(yù)測(cè)模型的結(jié)構(gòu)建立的是實(shí)際預(yù)測(cè)中的準(zhǔn)備工作。由于交通流的高度非線性，不擬定性，模型結(jié)構(gòu)不是一成不變的，要根據(jù)不同環(huán)境條件進(jìn)行修改，修改到模型能準(zhǔn)確的反映交通流過(guò)程的特性。(3)短時(shí)交通流的預(yù)測(cè)對(duì)實(shí)時(shí)性的規(guī)定較高。預(yù)測(cè)工作能在規(guī)定的最短周期內(nèi)完畢一系列的工作，同時(shí)數(shù)據(jù)檢測(cè)、傳輸也是在線實(shí)時(shí)完畢的，并及時(shí)的對(duì)下一時(shí)刻和周期的交通流進(jìn)行準(zhǔn)確的估計(jì)。綜合目前的研究結(jié)果來(lái)看，暫時(shí)還沒(méi)出現(xiàn)有一種交通流的預(yù)測(cè)方法能比其它預(yù)測(cè)方法預(yù)測(cè)具有絕對(duì)的優(yōu)勢(shì)，而完全可以替代另一種。實(shí)踐表白了，每一種方法和模型的應(yīng)用都有它的適應(yīng)范圍和應(yīng)用的條件，但也有相應(yīng)的局限性與缺陷。2.2.5短時(shí)交通流預(yù)測(cè)系統(tǒng)的基本原理預(yù)測(cè)系統(tǒng)的基本流程如圖2-5所示。1．預(yù)測(cè)模型的選擇在當(dāng)前的交通狀況和以往預(yù)測(cè)的效果基礎(chǔ)上，從系統(tǒng)已有的數(shù)據(jù)庫(kù)中選取需要的模型。而有關(guān)預(yù)測(cè)模型的描述性知識(shí)和有關(guān)模型預(yù)測(cè)性能的評(píng)價(jià)型知識(shí)是該數(shù)據(jù)庫(kù)中存貯的兩大類知識(shí)。智智能交通控制與誘導(dǎo)系統(tǒng)數(shù)據(jù)庫(kù)數(shù)據(jù)庫(kù)預(yù)測(cè)模型選擇外部數(shù)據(jù)接口預(yù)測(cè)結(jié)果解決數(shù)據(jù)采集圖2-5交通流預(yù)測(cè)系統(tǒng)2．模型參數(shù)的擬定參數(shù)生成的方法參數(shù)少時(shí)，可以運(yùn)用已有的歷史數(shù)據(jù)和當(dāng)前的數(shù)據(jù)去擬定參數(shù)。參數(shù)選擇的方法根據(jù)預(yù)測(cè)當(dāng)時(shí)的情況，運(yùn)用相關(guān)的歷史數(shù)據(jù)擬定不同條件下模型的參數(shù)，再選擇需要的模型去預(yù)測(cè)。2.3交通流預(yù)測(cè)模型人們對(duì)未來(lái)事物的發(fā)展和變化表現(xiàn)出越來(lái)越濃厚的愛(ài)好，即喜歡對(duì)未來(lái)事物進(jìn)行預(yù)測(cè)，從而使預(yù)測(cè)領(lǐng)域的不斷擴(kuò)大，其中有氣象預(yù)測(cè)，軍事預(yù)測(cè)，經(jīng)濟(jì)預(yù)測(cè)，交通信息的預(yù)測(cè)等。隨著計(jì)算機(jī)技術(shù)和人工智能技術(shù)不斷發(fā)展，為信息獲取，信息解決，信息存儲(chǔ)與信息預(yù)測(cè)提供了基礎(chǔ)，使現(xiàn)代預(yù)測(cè)領(lǐng)域朝智能化的方向發(fā)展。隨著預(yù)測(cè)領(lǐng)域的不斷發(fā)展，在交通信息的預(yù)測(cè)理論方法也不斷完善。有兩類重要的預(yù)測(cè)方法，其中一類是以傳統(tǒng)數(shù)學(xué)和物理方法為基礎(chǔ)建立的預(yù)測(cè)模型。一類是注重對(duì)真實(shí)交通流現(xiàn)象的擬合，不追求復(fù)雜的數(shù)學(xué)計(jì)算，該預(yù)測(cè)模型是建立在現(xiàn)代科學(xué)技術(shù)方法的基礎(chǔ)上。各種預(yù)測(cè)模型簡(jiǎn)樸介紹如下；1．歷史平均模型：算法環(huán)節(jié)簡(jiǎn)樸，速度快，該模型在途徑誘導(dǎo)系統(tǒng)中有重要的應(yīng)用。2．卡爾曼濾波模型：該模型重要描述了預(yù)測(cè)時(shí)間間隔的變化對(duì)該模型的預(yù)測(cè)精度的影響不大。該模型在預(yù)測(cè)過(guò)程中，每次計(jì)算都要對(duì)權(quán)值進(jìn)行調(diào)整。該工作量較為復(fù)雜，也許出現(xiàn)時(shí)間延誤。但卡爾曼濾波預(yù)測(cè)因子的自身優(yōu)點(diǎn)，使得在預(yù)測(cè)領(lǐng)域中有著較為廣泛的應(yīng)用。3．非參數(shù)回歸模型：該模型回歸形式單一，動(dòng)態(tài)變化能力較差，是興起的一種建模方法。需要足夠的歷史數(shù)據(jù)才干進(jìn)行實(shí)現(xiàn)“進(jìn)鄰”的預(yù)測(cè)。模型性能的變化與交通流隨機(jī)變化有關(guān)。擬合的效果也不同。4．神經(jīng)網(wǎng)絡(luò)模型：神經(jīng)網(wǎng)絡(luò)居于自身的特性，不局限于建立精確的數(shù)學(xué)模型。自適應(yīng)性與自學(xué)習(xí)的優(yōu)勢(shì)，在交通流的預(yù)測(cè)中有著廣泛的應(yīng)用。重要有這幾種模型，BP神經(jīng)網(wǎng)絡(luò)-誤差反傳神經(jīng)網(wǎng)絡(luò)模型，模糊神經(jīng)網(wǎng)絡(luò)模型等。當(dāng)前，各種交通流的預(yù)測(cè)方法都是有缺陷的，每種方法都有自己的適應(yīng)條件。而交通流自身的高度非線性，不擬定性，使預(yù)測(cè)的工作變得更加復(fù)雜。采用多種方法，互相補(bǔ)充的手段是此后重要的預(yù)測(cè)方向。當(dāng)在綜合應(yīng)用多種預(yù)測(cè)模型城市道路進(jìn)行交通流預(yù)測(cè)時(shí)，一方面需要擬定這些模型的參數(shù)，要根據(jù)各個(gè)方面的需要和經(jīng)驗(yàn)來(lái)擬定模型的各個(gè)待定參數(shù),完整交通流預(yù)測(cè)模型的結(jié)構(gòu)。與其它的預(yù)測(cè)相比，短時(shí)交通流的預(yù)測(cè)是實(shí)時(shí)的，嚴(yán)格規(guī)定其對(duì)交通流的預(yù)測(cè)數(shù)據(jù)的實(shí)時(shí)性。2.4本章小結(jié)本章一方面介紹了交通流理論基礎(chǔ)知識(shí)，接著介紹高速公路交通流模型，其中重要對(duì)宏觀穩(wěn)態(tài)交通模型和動(dòng)態(tài)交通模型這兩類模型進(jìn)行說(shuō)明；然后對(duì)交通流預(yù)測(cè)的特點(diǎn)進(jìn)行分析，在這些基礎(chǔ)知識(shí)上對(duì)交通流預(yù)測(cè)模型進(jìn)行簡(jiǎn)樸的說(shuō)明。最后簡(jiǎn)樸的介紹了短時(shí)交通流預(yù)測(cè)系統(tǒng)的基本原理。第3章神經(jīng)網(wǎng)絡(luò)3.1概述人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)，是人們根據(jù)生物神經(jīng)網(wǎng)絡(luò)進(jìn)行信息解決的研究模擬出的一種數(shù)學(xué)模型。為了實(shí)現(xiàn)一些指定的功能，神經(jīng)網(wǎng)絡(luò)根據(jù)大腦的生理研究成果模擬了大腦的一些功能。神經(jīng)網(wǎng)絡(luò)有很強(qiáng)大的自適應(yīng)以及學(xué)習(xí)能力，同時(shí)魯棒性和容錯(cuò)能力也相稱優(yōu)秀，因此神經(jīng)網(wǎng)絡(luò)得到很廣泛應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)當(dāng)前已廣泛應(yīng)用與人工智能、模式辨認(rèn)、控制科學(xué)與理論、計(jì)算機(jī)控制基礎(chǔ)、信號(hào)解決、優(yōu)化計(jì)算等領(lǐng)域。神經(jīng)元是其最基本的單位，也是大腦傳遞、解決、收發(fā)信息的重要環(huán)節(jié)。人們通過(guò)長(zhǎng)期的研究總結(jié)出生物神經(jīng)元的重要功能與特性，這些重要的功能和特性涉及時(shí)空整合功能，興奮與克制特性，不應(yīng)期特性，記憶與學(xué)習(xí)功能，遺忘與疲勞特性，輸入與輸出。并在這些基礎(chǔ)上建立了人工神經(jīng)元模型。3.2神經(jīng)網(wǎng)絡(luò)理論3.2.1人工神經(jīng)元模型神經(jīng)元是神經(jīng)系統(tǒng)的基本組成單位。神經(jīng)元的樹(shù)突非常豐富，它能充足接受其他神經(jīng)元傳來(lái)的興奮。而軸突很長(zhǎng)為興奮的傳導(dǎo)奠定基礎(chǔ)，軸突末梢也非常多，能把興奮傳至其他神經(jīng)元，樹(shù)突作為輸入端，接受信息，然后通過(guò)突觸傳遞出去，神經(jīng)元與神經(jīng)元之間的連接是靠突觸實(shí)現(xiàn)的[3]。它的結(jié)構(gòu)如圖3-1所示：圖3-1生物神經(jīng)元人工神經(jīng)元可以視為生物神經(jīng)元的簡(jiǎn)化以及模擬，它作為網(wǎng)絡(luò)中的基礎(chǔ)級(jí)別的解決單元。其輸入輸出關(guān)系可以描述為：(3-1)(3-2)3.2.2人工神經(jīng)網(wǎng)絡(luò)是一種對(duì)生物神經(jīng)的簡(jiǎn)樸化和模擬的系統(tǒng)。該系統(tǒng)是用工程技術(shù)方法對(duì)人腦神經(jīng)元進(jìn)行模擬的。前饋型神經(jīng)網(wǎng)絡(luò)前饋型神經(jīng)網(wǎng)絡(luò)，又稱前向網(wǎng)絡(luò)。如圖3-1所示，神經(jīng)元的輸入方向具有單向性，并且排列方式為分層。圖3-2前饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)從不同的角度去看，前饋網(wǎng)絡(luò)所表現(xiàn)出的學(xué)習(xí)行為是不同的，典型的前饋網(wǎng)絡(luò)有感知器網(wǎng)絡(luò)、BP網(wǎng)絡(luò)等。從學(xué)習(xí)的觀點(diǎn)來(lái)看，前饋網(wǎng)絡(luò)在分類解決能力和模式辨認(rèn)能力中，都好于反饋網(wǎng)絡(luò)。在學(xué)習(xí)上，編程容易和結(jié)構(gòu)簡(jiǎn)樸，表現(xiàn)出較強(qiáng)的學(xué)習(xí)能力。在計(jì)算上，乏化性較差，學(xué)習(xí)行為單一，不能解決復(fù)雜的計(jì)算。但在非線性解決單元復(fù)合映射的基礎(chǔ)上，會(huì)表現(xiàn)出非線性解決能力。反饋型神經(jīng)網(wǎng)絡(luò)通常，反饋型神經(jīng)網(wǎng)絡(luò)的一般結(jié)構(gòu)如圖3-2所示。設(shè)總節(jié)點(diǎn)數(shù)為N，所有的節(jié)點(diǎn)都可以互相連接，從圖中可看出，有N個(gè)輸入與一個(gè)輸出對(duì)每個(gè)節(jié)點(diǎn)都合用。圖3-3反饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Hopfield神經(jīng)網(wǎng)絡(luò)是一種結(jié)構(gòu)簡(jiǎn)樸，聯(lián)想記憶能力強(qiáng)，在反饋動(dòng)力系統(tǒng)中有著較普遍的應(yīng)用。3.2.3神經(jīng)網(wǎng)絡(luò)的重要特點(diǎn)是：(1)分布存貯和容錯(cuò)性信息在眾多神經(jīng)元中是按內(nèi)容的形式存貯。神經(jīng)元之所以具有容錯(cuò)性和聯(lián)想記憶特性，是由于網(wǎng)絡(luò)具有較強(qiáng)大的聯(lián)想記憶功能，神經(jīng)元中存儲(chǔ)著各類不同的信息，對(duì)信息的存儲(chǔ)具有相同的作用，(2)并行解決性網(wǎng)絡(luò)的大規(guī)模并行解決能力使它能快速完畢復(fù)雜的計(jì)算，傳統(tǒng)數(shù)字計(jì)算機(jī)則是信息解決算法串行的。人工神經(jīng)元是對(duì)生物神經(jīng)元的簡(jiǎn)樸化和模擬，而信息在神經(jīng)元中傳遞的速度要計(jì)算機(jī)慢很多。網(wǎng)絡(luò)進(jìn)行信息解決是對(duì)同類的信息進(jìn)行類似的解決。與傳記錄算機(jī)對(duì)信息開(kāi)始采集到解決的時(shí)間相比，比人類要快速的多。(3)層次性不同感覺(jué)信息的加工過(guò)程也不同，信息在不同層次神經(jīng)回路的加工和解決是逐步逐級(jí)的。3.2.4有監(jiān)督學(xué)習(xí)在有監(jiān)督學(xué)習(xí)方式中，網(wǎng)絡(luò)的連接權(quán)值的調(diào)整是根據(jù)我們給出的δ規(guī)則，并且對(duì)比一定的樣本標(biāo)準(zhǔn)進(jìn)行的，它的原理如圖3-3所示，

圖3-4有監(jiān)督學(xué)習(xí)框圖無(wú)監(jiān)督學(xué)習(xí)無(wú)監(jiān)督學(xué)習(xí)可以實(shí)現(xiàn)主分量、編碼、聚類等功能。它的學(xué)習(xí)過(guò)程如下圖3-4所示。是一種自我學(xué)習(xí)的過(guò)程。即不需要請(qǐng)教外部教師，輸出的結(jié)果不需要網(wǎng)絡(luò)自身的解決，可以運(yùn)用協(xié)調(diào)、自放大、等功能實(shí)現(xiàn)。圖3-5無(wú)監(jiān)督學(xué)習(xí)框圖(3)無(wú)監(jiān)督Hebb學(xué)習(xí)該種學(xué)習(xí)方式在無(wú)監(jiān)督學(xué)習(xí)中有著重要的地位，在輸入模式的激勵(lì)中，運(yùn)用Hebb學(xué)習(xí)規(guī)則去調(diào)整網(wǎng)絡(luò)的連接權(quán)值，是自組織學(xué)習(xí)過(guò)程中有著普遍的應(yīng)用。3.3本章小結(jié)本章先描述人工神經(jīng)網(wǎng)絡(luò)的基本情況，然后對(duì)神經(jīng)元模型進(jìn)行了分析介紹，并說(shuō)明了神經(jīng)網(wǎng)絡(luò)的重要結(jié)構(gòu)和特點(diǎn)。最后闡述了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式。第4章短時(shí)交通流BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的仿真4.1BP神經(jīng)網(wǎng)絡(luò)4.1.1BP神經(jīng)網(wǎng)絡(luò)是目前人工神經(jīng)網(wǎng)絡(luò)中研究最進(jìn)一步、應(yīng)用最為廣泛的單向傳播的多層一種模型，其結(jié)構(gòu)如圖4-1所示。BP神經(jīng)網(wǎng)絡(luò)又被人們稱為誤差反向傳播（errorback-propagation）網(wǎng)絡(luò),它是一種多層的前饋網(wǎng)絡(luò)。誤差反向傳播這一思想最早由Bryson等人在1969年提出，通過(guò)多人的研究論證形成了目前最流行的反向傳播網(wǎng)絡(luò)以及它附帶產(chǎn)生的反向傳播算法。由圖4-1可見(jiàn)，BP神經(jīng)網(wǎng)絡(luò)一般是三層前饋網(wǎng)或三層感知器，涉及輸入層、中間層(隱層)和輸出層。反向傳播網(wǎng)絡(luò)有以下2個(gè)突出的特點(diǎn)：一，網(wǎng)絡(luò)中的每一個(gè)存在的神經(jīng)元模型擁有一個(gè)非線性激活函數(shù)，其中非線性是光滑的。二，網(wǎng)絡(luò)可以存在一層或存在多層的隱含層，必須說(shuō)明的是，這個(gè)層不是網(wǎng)絡(luò)的輸入或者輸出的部分。輸入數(shù)據(jù)中的有用特性會(huì)被這些隱含層慢慢地提取，學(xué)到存在于輸入和輸出中的某種關(guān)系。。圖4-1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)4.1.2BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程我們以一個(gè)三層BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)為例，介紹BP網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程及環(huán)節(jié)。在介紹之前對(duì)各類符號(hào)進(jìn)行具體說(shuō)明如下。網(wǎng)絡(luò)輸入向量網(wǎng)絡(luò)目的向量中間層單元輸入向量，輸出向量；輸出層單元輸入向量，輸出向量；輸入層至中間層的連接權(quán)，，；中間層至輸出層的連接權(quán)，，；中間層各單元的輸出閾值，；輸出層各單元的輸出閾值，；參數(shù)。(1)初始化。給每個(gè)連接權(quán)值、、閾值與賦予區(qū)間內(nèi)的隨機(jī)值[11]。(2)隨機(jī)選取一組輸入和目的樣本、提供應(yīng)網(wǎng)絡(luò)[11]。(3)用輸入樣本、連接權(quán)和閾值計(jì)算中間層各單元的輸入，然后用通過(guò)傳遞函數(shù)計(jì)算中間層各單元的輸出[11]。(4-1)(4-2)(4)運(yùn)用中間層的輸出、連接權(quán)和閾值計(jì)算輸出層各單元的輸出,然后運(yùn)用通過(guò)傳遞函數(shù)計(jì)算輸出層各單元的響應(yīng)[11]。(4-3)(4-4)(5)運(yùn)用網(wǎng)絡(luò)目的向量，網(wǎng)絡(luò)的實(shí)際輸出,計(jì)算輸出層的各單元一般化誤差。(4-5)(6)運(yùn)用連接權(quán)、輸出層的一般化誤差和中間層的輸出計(jì)算中間層的輸出計(jì)算中間層各單元的一般化誤差[11](4-6)(7)運(yùn)用輸出層各單元的一般化誤差與中間層各單元的輸出來(lái)修正連接權(quán)和閾值[11]。(4-7)(4-8)(8)運(yùn)用中間層各單元的一般化誤差,輸入層各單元的輸入來(lái)修正連接權(quán)和閾值[11]。(4-9)(4-10)(4-11)(9)隨機(jī)提供應(yīng)網(wǎng)絡(luò)下一個(gè)學(xué)習(xí)樣本向量,返回到環(huán)節(jié)(3)，直到m個(gè)訓(xùn)練樣本所有都訓(xùn)練完畢[11]。(10)重新從m個(gè)學(xué)習(xí)樣本中隨機(jī)選取一組輸入和目的樣本，返回環(huán)節(jié)(3)，直到網(wǎng)絡(luò)全局誤差E小于預(yù)先設(shè)定好的一個(gè)極小值,假如學(xué)習(xí)次數(shù)大于預(yù)先設(shè)定的值，網(wǎng)絡(luò)就無(wú)法收斂[11]。(11)學(xué)習(xí)結(jié)束?？梢钥闯?，(7)～(8)步為網(wǎng)絡(luò)誤差的“逆?zhèn)鞑ミ^(guò)程”，(9)～(10)步則用于完畢訓(xùn)練和收斂過(guò)程。4.1.3對(duì)于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，我們一方面要初始化系統(tǒng)，涉及對(duì)權(quán)值和閾值的初始化設(shè)立。初始化設(shè)立可以通過(guò)函數(shù)init()來(lái)實(shí)現(xiàn)，當(dāng)我們使用函數(shù)newff創(chuàng)建好神經(jīng)網(wǎng)絡(luò)時(shí)，系統(tǒng)會(huì)自動(dòng)地初始化網(wǎng)絡(luò)的權(quán)值以及閾值，初始化后的權(quán)值和閾值都為0。BP神經(jīng)網(wǎng)絡(luò)常用的初始化命令為：(4-12)函數(shù)init()的執(zhí)行過(guò)程為：一方面根據(jù)網(wǎng)絡(luò)的相關(guān)參數(shù)值設(shè)立神經(jīng)網(wǎng)絡(luò)的權(quán)值以及閾值，可以分別通過(guò)net.initFcn和net.initParam表達(dá)來(lái)實(shí)現(xiàn)，系統(tǒng)初始初始化后我們可以對(duì)神經(jīng)網(wǎng)絡(luò)中的相關(guān)訓(xùn)練參數(shù)進(jìn)行設(shè)立，可以使用BP神經(jīng)網(wǎng)絡(luò)對(duì)系統(tǒng)進(jìn)行訓(xùn)練以及仿真。4.2BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的仿真4.2.1高速公路道路交通是一個(gè)復(fù)雜的，非線性強(qiáng)，受外部各種隨機(jī)因素的干擾會(huì)隨時(shí)發(fā)生變化的一個(gè)系統(tǒng)。即使高速公路交通流量有很強(qiáng)的隨機(jī)性和非線性，但在一個(gè)相對(duì)短的時(shí)間內(nèi)（15分鐘，20分鐘，或者一個(gè)小時(shí)），道路的流量、路口總流量的變化都較強(qiáng)的規(guī)律可尋，是一種介于隨機(jī)性和擬定性之間的現(xiàn)象，這就是混沌現(xiàn)象。本節(jié)結(jié)合高速公路交通的混沌性，采用BP神經(jīng)網(wǎng)絡(luò)的交通流量進(jìn)行預(yù)測(cè)。4.2.2在創(chuàng)建網(wǎng)絡(luò)時(shí)樣本數(shù)據(jù)的選擇是至關(guān)重要的，樣本的數(shù)量太少，網(wǎng)絡(luò)波動(dòng)性大，擬合限度度差；樣本越多，擬合限度相對(duì)來(lái)說(shuō)會(huì)好些。但樣本不是越多越好，要考慮樣本的質(zhì)量，數(shù)量和代表性這三個(gè)重要的特性。同時(shí)，要考慮到系統(tǒng)外界因素的影響和突變的特性，才干兼顧系統(tǒng)穩(wěn)態(tài)時(shí)的性能。1．訓(xùn)練樣本數(shù)的擬定樣本數(shù)的適當(dāng)選取對(duì)樣本的質(zhì)量有著重要的影響，一般來(lái)說(shuō)樣本數(shù)據(jù)太少達(dá)不到訓(xùn)練的規(guī)定，太多卻增長(zhǎng)了工作的復(fù)雜性。而網(wǎng)絡(luò)的規(guī)模也影響樣本數(shù)的選取。樣本的準(zhǔn)備收集工作又受時(shí)間，空間的影響。因此樣本自身就有誤差的，樣本所含的噪聲越大，其映射關(guān)系越復(fù)雜。2．樣本的選擇和組織樣本必須具有一定的代表性，由于樣本中隱含著網(wǎng)絡(luò)訓(xùn)練的規(guī)律。樣本的選擇要盡量使各個(gè)類別的樣本數(shù)量大體相等，也就是使樣本具有一定的均衡性，同時(shí)同同樣本要考慮樣本的多樣性和均衡性。這樣樣本能使網(wǎng)絡(luò)的訓(xùn)練實(shí)用性強(qiáng)，也可以避免網(wǎng)絡(luò)對(duì)樣本數(shù)量多的類別敏感，忽略樣本數(shù)量少的類別。不同的樣本應(yīng)交叉輸入或者隨機(jī)從訓(xùn)練集中輸入。當(dāng)各類樣本輪流集中輸入時(shí)，網(wǎng)絡(luò)的訓(xùn)練會(huì)出現(xiàn)振蕩，使訓(xùn)練時(shí)間延長(zhǎng)。4.2.3設(shè)計(jì)說(shuō)明：本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)為3輸入，1輸出，使用的數(shù)據(jù)為中江高速（江門段）的交通量，使用采集的15組歷史數(shù)據(jù)，使用其中9組為正常訓(xùn)練數(shù)據(jù)，其中有3組為變量數(shù)據(jù)，此外3組為測(cè)試數(shù)據(jù)。輸入數(shù)據(jù)為P，共15組，每組3個(gè)輸入；輸出數(shù)據(jù)T，共15組，每組1個(gè)輸出，T是訓(xùn)練的目的值。（其中，正常數(shù)據(jù)，是用來(lái)正常訓(xùn)練用；變量數(shù)據(jù)，重要目的是防止訓(xùn)練中出現(xiàn)過(guò)擬合狀態(tài)；測(cè)試數(shù)據(jù)，是用來(lái)看訓(xùn)練效果的)。先創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)，然后對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最后對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真。創(chuàng)建—訓(xùn)練—仿真的過(guò)程如下：1.創(chuàng)建網(wǎng)絡(luò)：網(wǎng)絡(luò)名=newff(PR，SN，TF，BTF，BLF，PF)；PR=[輸入取值范圍]，區(qū)間形式或函數(shù)形式minmax(p)，多個(gè)變量用‘；’號(hào)分隔。SN=[每層神經(jīng)元數(shù)]，層數(shù)與傳遞函數(shù)數(shù)一致相應(yīng)。輸入元數(shù)由預(yù)測(cè)周期或影響因素?cái)M定，輸出元數(shù)由研究對(duì)象擬定。TF={‘每層傳遞函數(shù)’}，對(duì)數(shù)S形logsig，正切S形tansig，線性purelin。BTF=‘網(wǎng)絡(luò)訓(xùn)練函數(shù)’，普通訓(xùn)練traingdm：需設(shè)定學(xué)習(xí)速率、動(dòng)量系數(shù)。快速訓(xùn)練trainlm：默認(rèn)，網(wǎng)絡(luò)訓(xùn)練的收斂速度較快。BLF=‘網(wǎng)絡(luò)權(quán)值閾值函數(shù)’，PF=‘網(wǎng)絡(luò)性能函數(shù)’，默認(rèn)mse，網(wǎng)絡(luò)輸出和目的輸出的均方誤差。2.訓(xùn)練網(wǎng)絡(luò)設(shè)立參數(shù)：網(wǎng)絡(luò)名=init(網(wǎng)絡(luò)名)；初始化網(wǎng)絡(luò)權(quán)值和閾值（可不設(shè)定)網(wǎng)絡(luò)名.trainparam.show=訓(xùn)練狀態(tài)的顯示幅度；（默認(rèn)25）網(wǎng)絡(luò)名.trainparam.lr=學(xué)習(xí)速率；（權(quán)值閾值的調(diào)整幅度）網(wǎng)絡(luò)名.trainparam.mc=動(dòng)量系數(shù)；（權(quán)閾值改變的反復(fù)度）網(wǎng)絡(luò)名.trainparam.epochs=訓(xùn)練次數(shù)；（默認(rèn)100）網(wǎng)絡(luò)名.trainparam.goal=誤差精度；（默認(rèn)0）網(wǎng)絡(luò)名.trainparam.time=訓(xùn)練秒數(shù)；（可不選）網(wǎng)絡(luò)名=train(網(wǎng)絡(luò)名,輸入變量名,目的變量名)；此過(guò)程反復(fù)調(diào)整權(quán)值和閾值，以減小性能函數(shù)的值，直到達(dá)成預(yù)先設(shè)定的誤差精度。模擬輸出：sim(網(wǎng)絡(luò)名,輸入樣本名)圖形輸出：plot(橫坐標(biāo)，縱坐標(biāo)，‘參數(shù)’)查看參數(shù)：權(quán)值：網(wǎng)絡(luò)名.iw{層序號(hào)}閾值：網(wǎng)絡(luò)名.b{層序號(hào)}調(diào)整參數(shù)：學(xué)習(xí)速率、動(dòng)量系數(shù)、訓(xùn)練次數(shù)、誤差精度等。3.仿真預(yù)測(cè)：網(wǎng)絡(luò)固定，輸入新的樣本集，模擬輸出。2023年4月11號(hào)，這一天對(duì)中江高速（江門段）的出口處的交通流量進(jìn)行人工調(diào)查，每20分鐘記錄一次數(shù)據(jù)，1小時(shí)需記錄3次數(shù)據(jù)。（記錄時(shí)間早上7:00到晚上21:00）一共45個(gè)數(shù)據(jù)，表4—1已列出，流量單位為PCU/h。表4-1交通流量數(shù)據(jù)表時(shí)間段流量2023-4-117:004933785272023-4-118:003724296682023-4-119:004455618412023-4-1110:003724296682023-4-1111:004455618412023-4-1112:001766515262023-4-1113:004455618412023-4-1114:001766515262023-4-1115:002354674802023-4-1116:001766515262023-4-1117:002354674802023-4-1118:003785275672023-4-1119:002354674802023-4-1120:003785275672023-4-1121:004296686854.2.4仿真在MATLAB上實(shí)現(xiàn)的程序：day=7:21%高速公路流量預(yù)測(cè)%輸入數(shù)據(jù)，共15組，每組3個(gè)輸入，p=[493372445372445176445176235176235378235378429;...378429561429561651561651467651467527467527668;...527668841668841526841526480526480567480567685];%輸出數(shù)據(jù)，共15組，每組1個(gè)輸出t=[176235378429561651467527668841526480567685507];%對(duì)原始數(shù)據(jù)進(jìn)行規(guī)范化解決[pn,meanp,stdp,tn,meant,stdt]=prestd(p,t);%建立相應(yīng)的BP網(wǎng)絡(luò)net=newff(minmax(pn),[7,1],{'tansig''purelin'},'trainlm');%設(shè)立訓(xùn)練參數(shù)net.trainParam.epochs=1000;%設(shè)定循環(huán)次數(shù)net.trainParam.goal=0.0001;%訓(xùn)練網(wǎng)絡(luò)net=train(net,pn,tn);%對(duì)訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行仿真an=sim(net,pn);a=poststd(an,meant,stdt);%繪制仿真后圖像figureplot(day,t,'b-o',day,a,'r:x');title('仿真后的圖像，其中o為真實(shí)值，*為預(yù)測(cè)值')xlabel('小時(shí)');ylabel('中江高速公路（江門段）交通量（輛次/小時(shí)）')在MATLAB上實(shí)現(xiàn)的結(jié)果如下：圖4-2網(wǎng)絡(luò)訓(xùn)練圖圖4-3數(shù)據(jù)擬合圖結(jié)果分析：實(shí)驗(yàn)結(jié)果表白，在1000循環(huán)訓(xùn)練之后BP神經(jīng)網(wǎng)絡(luò)就基本上保持穩(wěn)定，準(zhǔn)確性沒(méi)有發(fā)生太大變化，但是訓(xùn)練的時(shí)間與循環(huán)次數(shù)成正比例增長(zhǎng)。本次實(shí)驗(yàn)的預(yù)測(cè)準(zhǔn)確度達(dá)成了80％以上，能達(dá)成輔助指揮交通和優(yōu)化信號(hào)配時(shí)方案的效果，本次實(shí)驗(yàn)運(yùn)用BP神經(jīng)網(wǎng)絡(luò)充足分析了高速公路交通流量的預(yù)測(cè)問(wèn)題，創(chuàng)建了一種基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)高速公路短時(shí)交通流量的模型，由于考慮到路口其他非預(yù)測(cè)方向和交通信號(hào)配時(shí)方案對(duì)交通流量預(yù)測(cè)的影響，實(shí)驗(yàn)結(jié)果或