高速公路道路交通智能預(yù)測的分析與設(shè)計(jì)

摘要本文對(duì)交通流預(yù)測的歷史、背景、意義、發(fā)展現(xiàn)狀以及路段交通流預(yù)測的基本框架、模型作了比較進(jìn)一步的探討，通過對(duì)現(xiàn)有高速公路交通流預(yù)測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)測問題。論文一方面介紹道路交通流量預(yù)測方法和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)測并對(duì)結(jié)果進(jìn)行分析。實(shí)驗(yàn)表白，此種預(yù)測方法為路段短時(shí)交通流預(yù)測提供了一種有效的途徑，對(duì)高速公路交通流量的預(yù)測具有積極的意義。 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)測的特點(diǎn) 82.2.5短時(shí)交通流預(yù)測系統(tǒng)的基本原理 92.3交通流預(yù)測模型 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，世界各個(gè)國家都會(huì)面臨交通擁堵問題，特別是那些發(fā)達(dá)國家，比如歐美、日本等。為了解決交通擁堵問題，國內(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題提供了很好的途徑。近年來，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?，F(xiàn)在，交通流預(yù)測理論體系還沒統(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)測的精度也存在差異。因此預(yù)測出來的結(jié)果也存在差異。本文在分析現(xiàn)有交通流預(yù)測模型的優(yōu)缺陷基礎(chǔ)上，充足吸取國內(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)測模型，從而解決交通流預(yù)測問題。1.2研究目的和意義交通流預(yù)測是智能交通系統(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)營的目的。本課題研究還具有重要的實(shí)際意義，近年來，交通不暢帶來諸多不便和巨大損失，解決此類問題最實(shí)際的方法就是先對(duì)道路上的交通情況進(jìn)行預(yù)測，特別是對(duì)道路的短時(shí)交通流進(jìn)行預(yù)測。隨著智能控制理論的發(fā)展，越來越多的研究者開始使用智能預(yù)測方法，本課題研究的交通流預(yù)測方法就是其中之一。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)測領(lǐng)域的規(guī)定越來越高，傳統(tǒng)的預(yù)測技術(shù)已經(jīng)不能滿足越來越高的精度規(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。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)測進(jìn)行設(shè)計(jì)。文獻(xiàn)[5]分析論述了建立智能預(yù)測模型的方法。一方面對(duì)高速公路入口匝道控制作了簡要介紹，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)測研究現(xiàn)狀。第2章交通流預(yù)測模型。對(duì)交通流預(yù)測作出綜述，再描述交通流預(yù)測及其預(yù)測模型。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)測模型2.1交通流理論基礎(chǔ)交通流理論是研究交通問題中基礎(chǔ)學(xué)科，分析基礎(chǔ)的交通狀況，描述常見的交通問題，讓人們更容易去了解交通問題，為道路的規(guī)劃和運(yùn)營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)單位道路長度上的車輛數(shù)目。(2-2)式中為車輛數(shù)()，為路段長度()。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)化過程中的重要依據(jù)。2.2.3動(dòng)態(tài)交通模型高速公路沒有平面交叉口，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，略去高階項(xiàng)，得：(2-15)通過對(duì)微觀交通的研究和觀測發(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)測的特點(diǎn)在交通流的預(yù)測工作中，準(zhǔn)確的交通流預(yù)測是我們所追求的。但交通流的高度非線性，復(fù)雜性，不擬定性給我們的預(yù)測工作帶來了一定的難度。(1)當(dāng)前，運(yùn)用單一的方法對(duì)交通流預(yù)測的研究都沒有取得很好的效果。每一種方法的預(yù)測環(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)測工作變得困難?？臻g和時(shí)間等不同環(huán)境下的預(yù)測，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)測應(yīng)當(dāng)采用的方法。(2)預(yù)測模型的結(jié)構(gòu)建立的是實(shí)際預(yù)測中的準(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)確的反映交通流過程的特性。(3)短時(shí)交通流的預(yù)測對(duì)實(shí)時(shí)性的規(guī)定較高。預(yù)測工作能在規(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、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)果來看，暫時(shí)還沒出現(xiàn)有一種交通流的預(yù)測方法能比其它預(yù)測方法預(yù)測具有絕對(duì)的優(yōu)勢，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)測系統(tǒng)的基本原理預(yù)測系統(tǒng)的基本流程如圖2-5所示。1．預(yù)測模型的選擇在當(dāng)前的交通狀況和以往預(yù)測的效果基礎(chǔ)上，從系統(tǒng)已有的數(shù)據(jù)庫中選取需要的模型。而有關(guān)預(yù)測模型的描述性知識(shí)和有關(guān)模型預(yù)測性能的評(píng)價(jià)型知識(shí)是該數(shù)據(jù)庫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)庫數(shù)據(jù)庫預(yù)測模型選擇外部數(shù)據(jù)接口預(yù)測結(jié)果解決數(shù)據(jù)采集圖2-5交通流預(yù)測系統(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。2.3交通流預(yù)測模型人們對(duì)未來事物的發(fā)展和變化表現(xiàn)出越來越濃厚的愛好，即喜歡對(duì)未來事物進(jìn)行預(yù)測，從而使預(yù)測領(lǐng)域的不斷擴(kuò)大，其中有氣象預(yù)測，軍事預(yù)測，經(jīng)濟(jì)預(yù)測，交通信息的預(yù)測等。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)測提供了基礎(chǔ)，使現(xiàn)代預(yù)測領(lǐng)域朝智能化的方向發(fā)展。隨著預(yù)測領(lǐng)域的不斷發(fā)展，在交通信息的預(yù)測理論方法也不斷完善。有兩類重要的預(yù)測方法，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)測模型簡樸介紹如下；1．歷史平均模型：算法環(huán)節(jié)簡樸，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)測時(shí)間間隔的變化對(duì)該模型的預(yù)測精度的影響不大。該模型在預(yù)測過程中，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)測因子的自身優(yōu)點(diǎn)，使得在預(yù)測領(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。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，在交通流的預(yù)測中有著廣泛的應(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)測方向。當(dāng)在綜合應(yīng)用多種預(yù)測模型城市道路進(jìn)行交通流預(yù)測時(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)來擬定模型的各個(gè)待定參數(shù),完整交通流預(yù)測模型的結(jié)構(gòu)。與其它的預(yù)測相比，短時(shí)交通流的預(yù)測是實(shí)時(shí)的，嚴(yán)格規(guī)定其對(duì)交通流的預(yù)測數(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)行說明；然后對(duì)交通流預(yù)測的特點(diǎn)進(jìn)行分析，在這些基礎(chǔ)知識(shí)上對(duì)交通流預(yù)測模型進(jìn)行簡樸的說明。最后簡樸的介紹了短時(shí)交通流預(yù)測系統(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)。人們通過長期的研究總結(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)元的樹突非常豐富，它能充足接受其他神經(jīng)元傳來的興奮。而軸突很長為興奮的傳導(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，樹突作為輸入端，接受信息，然后通過突觸傳遞出去，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)層次性不同感覺信息的加工過程也不同，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)框圖無監(jiān)督學(xué)習(xí)無監(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)過程如下圖3-4所示。是一種自我學(xué)習(xí)的過程。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無監(jiān)督學(xué)習(xí)框圖(3)無監(jiān)督Hebb學(xué)習(xí)該種學(xué)習(xí)方式在無監(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，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)過程及環(huán)節(jié)。在介紹之前對(duì)各類符號(hào)進(jìn)行具體說明如下。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^程”，(9)～(10)步則用于完畢訓(xùn)練和收斂過程。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)立可以通過函數(shù)init()來實(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net.initFcn和net.initParam表達(dá)來實(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。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)來說會(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，一般來說樣本數(shù)據(jù)太少達(dá)不到訓(xùn)練的規(guī)定，太多卻增長了工作的復(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。4.2.3設(shè)計(jì)說明：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)過擬合狀態(tài)；測試數(shù)據(jù)，是用來看訓(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)?？焖儆?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：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%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。本次實(shí)驗(yàn)的預(yù)測準(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)測問題，創(chuàng)建了一種基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測高速公路短時(shí)交通流量的模型，由于考慮到路口其他非預(yù)測方向和交通信號(hào)配時(shí)方案對(duì)交通流量預(yù)測的影響，實(shí)驗(yàn)結(jié)果或