基于bp神經(jīng)網(wǎng)絡(luò)的快速路小時交通量預(yù)測

五邑大學(xué)本科畢業(yè)設(shè)計PAGE2PAGE33基于BP神經(jīng)網(wǎng)絡(luò)的快速路小時交通量預(yù)測摘要快速路高效運行是解決城市交通擁堵問題的關(guān)鍵所在，城市ITS的應(yīng)用提高了城市路網(wǎng)使用效率以及發(fā)揮環(huán)路運營管理的使用功效，準(zhǔn)確的快速路交通量預(yù)測數(shù)據(jù)為城市ITS提供數(shù)據(jù)基礎(chǔ)。本設(shè)計應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對快速路小時交通量進行預(yù)測，通過確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和采用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型，把已知的歷史交通量數(shù)據(jù)作為輸入、輸出訓(xùn)練的樣本集，依據(jù)已知數(shù)據(jù)和實際輸出間的誤差，用學(xué)習(xí)系統(tǒng)來調(diào)節(jié)系統(tǒng)參數(shù)提高預(yù)測的精度，然后使用MATLAB對仿真程序進行仿真得出結(jié)果，仿真結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)對交通量進行預(yù)測效果很好。關(guān)鍵詞：快速路；交通量預(yù)測；BP神經(jīng)網(wǎng)絡(luò)；仿真AbstractTheefficiencyofexpresswayisthekeytosolvetheproblemoftheurbantrafficcongestion.Moreover,TheapplicationofITSdevelopstheefficiencyoftheurbanexpresswaynetworkandgivesscopetothepotentialoftheloop’soperationmanagement,theITSdataisbasedontheaccurateforecastfiguresofexpresswaytrafficflow.Inthisdesign,BPneuralnetworkisusedtopredictthetrafficvolumeofexpressway,bydeterminingthestructureoftheBPneuralnetworkandadoptingMATLABneuralnetworktoolboxfunctiontocreateaneuralnetworkpredictionmodel,useknownhistoricaltrafficdataasthesamplesetofinputandoutputtraining.Anduselearningsystemtoadjustthesystemparameterstoimprovethepredictionaccuracyaccordingtotheerrorbetweentheknowndataandtheactualoutput.ThenuseMATLABsimulationprogramforthesimulationresults,thesimulationresultsshowthattheBPneuralnetworktoforecastthetrafficvolumeeffectisverygood.Keywords:expressway;trafficforecast;BPneuralnetwork;simulation

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)外文獻綜述 21.4論文的主要內(nèi)容 3第2章交通量預(yù)測 42.1交通量 42.1.1交通量概述 42.1.2交通流量特性 42.2交通流量預(yù)測研究現(xiàn)狀 52.3交通流量預(yù)測方法 62.4本章小結(jié) 6第3章BP神經(jīng)網(wǎng)絡(luò) 73.1人工神經(jīng)網(wǎng)絡(luò)基本知識 73.2BP神經(jīng)網(wǎng)絡(luò) 83.2.1BP神經(jīng)網(wǎng)絡(luò)概述 83.2.2BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法 93.2.3BP神經(jīng)網(wǎng)絡(luò)算法改進 113.3本章小結(jié) 11第4章基于BP神經(jīng)網(wǎng)絡(luò)的快速路小時交通量預(yù)測與仿真 134.1BP神經(jīng)網(wǎng)絡(luò)在交通信息預(yù)測中的應(yīng)用 134.2基于BP神經(jīng)網(wǎng)絡(luò)的快速路小時交通量預(yù)測 134.3仿真研究 164.3.1四輸入法仿真結(jié)果 164.3.2五輸入法仿真結(jié)果 224.4本章小結(jié) 27結(jié)論 28參考文獻 29致謝 30附錄 31第1章緒論1.1課題背景交通系統(tǒng)是承載城市社會經(jīng)濟活動的基礎(chǔ)設(shè)施，隨著我國經(jīng)濟資源的迅速發(fā)展，加快了城市之間的經(jīng)濟快速流轉(zhuǎn)，在不同的城市之間物質(zhì)等各方面資源在不斷的調(diào)動。改革開放以來城鎮(zhèn)化的快速發(fā)展，機動車保有量激增使得城市交通需求快速增長，發(fā)展帶來巨大財富的同時城市交通的供需矛盾日趨激化，這直接導(dǎo)致在我國多數(shù)城市引發(fā)一系列交通問題如道路擁堵、環(huán)境嚴(yán)重污染、交通事故頻發(fā)等，嚴(yán)重影響著社會及經(jīng)濟的正常發(fā)展，研究新的交通管理系統(tǒng)和改善基礎(chǔ)交通設(shè)施刻不容緩。世界各國都投入大量的人力物力去開發(fā)新的交通管理系統(tǒng)和不斷改善各種對交通的控制管理。相繼研發(fā)出了許多不同的交通控制手段和系統(tǒng)，智能交通運輸系統(tǒng)(IntelligentTransportationSystem，簡稱ITS)的提出為解決交通問題、緩解交通擁擠和減少交通事故發(fā)揮了巨大的作用?？焖俾纷鳛檫B接城市與城市、城市與地區(qū)的紐帶，是交通的大動脈，為促進城鄉(xiāng)經(jīng)濟的發(fā)展起著重要的橋梁作用。快速路的建成，的確暫時地緩和了擁擠的交通，引起沿線地區(qū)經(jīng)濟再次加速發(fā)展。但與此同時，汽車擁有量及貨物運輸量不斷增加，源源不斷的交通問題又困擾了人們。要從根本上解決交通問題，實現(xiàn)最大限度使用快速路，在擴建和完善公路網(wǎng)絡(luò)的基礎(chǔ)上，不斷提高現(xiàn)有交通系統(tǒng)的現(xiàn)代化管理水平，使用科學(xué)技術(shù)的智能優(yōu)勢來管理現(xiàn)有的道路網(wǎng)絡(luò)，進而得到最高效率的使用。快速路小時交通量預(yù)測對現(xiàn)有交通系統(tǒng)的控制與管理起著非常重要的作用，精確交通流量預(yù)測對交通控制、交通流分配、車流疏導(dǎo)及確保道路安全暢通具有很大作用，并關(guān)乎到ITS能否得以實現(xiàn)其職能。交通量是一個隨機數(shù)，具有時變性、非線性的特點，常規(guī)的線性預(yù)測模型與方法對城市交通量的預(yù)測在準(zhǔn)確度方面明顯不足，基于交通流量對交通控制管理的重要性，種種交通信息預(yù)測理論方法應(yīng)時而生，如模糊理論預(yù)測模型、神經(jīng)網(wǎng)絡(luò)預(yù)測模型等，對交通量的預(yù)測有很好的效果，本設(shè)計采用的BP神經(jīng)網(wǎng)絡(luò)便是神經(jīng)網(wǎng)絡(luò)預(yù)測模型的其中一種。1.2研究目的和意義基于BP神經(jīng)網(wǎng)絡(luò)的快速路小時交通量預(yù)測相對目前廣泛應(yīng)用于交通量預(yù)測的其他方法（如：四階段法等）來說，其并行處理功能、容錯性及非線性等有很大的優(yōu)越性，特別是BP神經(jīng)網(wǎng)絡(luò)誤差反向傳播以此修正誤差的特性極大提高預(yù)測的精度，進而得到更精確的交通量預(yù)測數(shù)據(jù)，為交通控制、管理措施提供基礎(chǔ)數(shù)據(jù)，使城市快速路高效運行，這便是本設(shè)計研究的目的所在。為保障城市快速路在運營期間的日常管理、提高城市快速路路網(wǎng)運行的效率，對快速路交通量進行預(yù)測是至關(guān)重要的，預(yù)測準(zhǔn)不準(zhǔn)確對城市快速路的規(guī)劃、設(shè)計及管理有巨大、深刻而長遠的影響。如果預(yù)測過大則必定會造成在規(guī)劃設(shè)計時過早投入大量資金的同時造成土地等資源浪費，而修建的快速路系統(tǒng)交通流分布不合理；如果交通量預(yù)測過小，則規(guī)劃設(shè)計并花費巨大投入資金、土地資源和勞動力建設(shè)的快速路在投入使用后會因?qū)嶋H交通量激增而過早造成交通飽和，進而使該快速路車輛擁堵、運行效率低、交通事故頻繁等后果。本研究的意義是利用BP神經(jīng)網(wǎng)絡(luò)對高速路小時交通量實現(xiàn)較高精度的預(yù)測，從而使城市高速路運輸系統(tǒng)得到更高的運行效率，使人們出行更安全，時間更短，能耗更低，更好地解決當(dāng)下的交通問題，服務(wù)人民。1.3國內(nèi)外文獻綜述文獻1參閱此書的目的是對完成本課題首先要對交通工程的基本概念、理論及方法尤其是關(guān)于交通量知識加以了解，除此之外這本書還提到世界各國的研究新動態(tài)。文獻2對世界各地有關(guān)交通工程學(xué)的理論和最新研究成果進行闡述，介紹了交通流量的定義與特性。文獻3對ITS進行介紹，并對ITS的在實際運用中的關(guān)鍵加以說明。文獻4全面介紹ITS的產(chǎn)生、發(fā)展、基本理論、基本技術(shù)、體系結(jié)構(gòu)及應(yīng)用研究，內(nèi)容豐富、取材新穎、編寫嚴(yán)謹規(guī)范，參閱這本書主要是對ITS有一個更深入的了解。文獻5針對現(xiàn)今道路交通狀態(tài)短時預(yù)測問題，介紹了多種預(yù)測方法和模型的基本原理，分別以時間序列、線性、非線性和人工智能預(yù)測系統(tǒng)為基礎(chǔ)，建立多斷面的交通狀態(tài)預(yù)測模型，并用這些方法解決給出相應(yīng)算法應(yīng)用案例。文獻6以城市快速路為研究對象，實時的而城市交通流數(shù)據(jù)作為基礎(chǔ)，利用微觀仿真對城市快速路交通流進行預(yù)測，并得出較好的預(yù)測結(jié)果證明這種預(yù)測方法的可行性。文獻7從交通信息獲取、可預(yù)測性分析、預(yù)測建模及預(yù)測系統(tǒng)設(shè)計等方面，建立了較為完善的智能交通信息預(yù)測體系框架，重點介紹了灰色系統(tǒng)理論、卡爾曼濾波理論、BP神經(jīng)網(wǎng)絡(luò)、支持向量機及組合預(yù)測理論在交通信息預(yù)測方面的新應(yīng)用和新成果。文獻8主要介紹通過應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對高速路交通量進行預(yù)測，MATLAB建模通過對高速路的收費預(yù)測得出該高速公路的交通量預(yù)測數(shù)據(jù)。文獻9與MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的神經(jīng)網(wǎng)絡(luò)模型緊密結(jié)合，列舉出多種模型并對相應(yīng)結(jié)構(gòu)、原理和有關(guān)算法、MATLAB中神經(jīng)網(wǎng)絡(luò)對象及對象屬性加以闡述，以實例說明了各種神經(jīng)網(wǎng)絡(luò)模型的MATLAB仿真程序設(shè)計方法。文獻10本書詳細介紹了MATLABR2007b的基本功能和使用方法，并按照由淺入深的順序安排章節(jié)，依次介紹了MATLABR2007b的應(yīng)用、數(shù)學(xué)計算功能及更高級應(yīng)用如編程功能、繪圖、GUI設(shè)計及Simulink建模等。1.4論文的主要內(nèi)容第1章緒論闡明課題研究的背景、研究目的和意義，以及對國內(nèi)外交通控制的研究狀況進行綜述。第2章交通量預(yù)測簡要介紹交通量、交通量特性，交通量預(yù)測研究現(xiàn)狀，并列舉多種目前使用的交通信息預(yù)測方法。第3章BP神經(jīng)網(wǎng)絡(luò)對人工神經(jīng)網(wǎng)絡(luò)概述，重點對BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、原理及學(xué)習(xí)算法作出相應(yīng)介紹，并淺談如何改進BP網(wǎng)絡(luò)。第4章基于BP神經(jīng)網(wǎng)絡(luò)的快速路小時交通量預(yù)測與仿真使用BP神經(jīng)網(wǎng)絡(luò)預(yù)測交通量，原始數(shù)據(jù)處理、建立預(yù)測模型、仿真程序編寫訓(xùn)練并用四輸入和五輸入法進行仿真，最后對得出的仿真結(jié)果交通量預(yù)測值和實際值加以分析。

第2章交通量預(yù)測2.1交通量2.1.1交通量概述1.交通量的含義交通量是指在選定的時間段內(nèi)，通過道路某一斷面、某一地點或某一條車道交通體的數(shù)量，它是描述交通流特性最重要的三個參數(shù)的其中一個，分為機動車、非機動車和行人交通量，對不加說明材料則交通量是指且指來往兩個方向的車輛數(shù)。2.常規(guī)交通量分類常用的交通量表達方式有以下幾種：（1）平均日交通量，根據(jù)觀測總天數(shù)的不同有多種分類詳見表2-1。表2-1平均日交通量（ADT）所得觀測期內(nèi)統(tǒng)計交通量的總和與觀測總天數(shù)的比值年平均日交通量（AADT）一年內(nèi)觀測的交通量總和與一年的總天數(shù)（365）的比值月平均日交通量（MADT）一月內(nèi)觀測的交通量總和與一月總天數(shù)的比值周平均日交通量（WADT）一周內(nèi)觀測的交通量總和與一周總天數(shù)（7）的比值（2）小時交通量：一小時內(nèi)通過觀測斷面的車輛數(shù)（輛/h）。（3）高峰小時交通量：一天內(nèi)的高峰期間連續(xù)1小時的最大交通量(輛/h)。（4）第30小時交通量：一年中8760個小時交通量按大小次序排列，從打到小序號第30的那個小時交通量。2.1.2交通流量特性眾所周知交通量每時每刻都在變化，每小時、每天、每個月、每年的交通量都不盡相同，其大小還與人民生活水平、人口分布、社會經(jīng)濟發(fā)展的速度等很多方面因素有關(guān)，所以在相同的時間或相似條件下隨地域、路線、車道等情況的差異而有所不同，城市中路網(wǎng)比較復(fù)雜，隨機因素更大。對城市交通的研究不是僅僅停留的交通量研究上的，而是結(jié)合城市交通流的交通量、速度和密度。交通流量具有網(wǎng)狀特性、時空特性、隨機性、時變特性、不確定性、不可預(yù)知性、內(nèi)在相關(guān)性、內(nèi)在約定性、長程相關(guān)性、自組織特性以及速度——密度關(guān)系特性，所以交通流是一個隨機的相互聯(lián)系、相互影響的不斷變化的復(fù)雜的整體，交通流量任何的變化都并不是偶然存在的一種現(xiàn)象而是其各方面因素相互作用的必然結(jié)果，同樣每一個因素發(fā)生的變化都將作用于接下來的短時交通流量，使其發(fā)生變化。短時交通流量存在的自相似性使得交通流量具有可預(yù)測性，而它的隨機性、時空性、不可預(yù)知性、不確定性等特性更加表明交通流量呈現(xiàn)出的錯綜復(fù)雜的特性，導(dǎo)致交通流量信號中的頻率成分繁雜，為精確進行交通流量預(yù)測造成了巨大的障礙和困難。人工智能對解決不確定性問題、弱結(jié)構(gòu)化問題的優(yōu)勢尤為明顯，因此強化ITS的交通流預(yù)測智能化成為世界研究的重要課題之一。2.2交通流量預(yù)測研究現(xiàn)狀綜合交通量的特性，可以這么說，城市交通系統(tǒng)有人參與、時變且復(fù)雜，交通預(yù)測之所以遇到極大困難主要原因主要是其高度不確定性和非線性這兩個特點，隨機因素對短時交通量預(yù)測的影響是很明顯的。短期交通量預(yù)測時變性、不確定性更強，較中期和長期預(yù)測其預(yù)測難度大，但也是短期交通量預(yù)測的優(yōu)越性所在，我們都知道隨著時間間隔的增大，不可預(yù)知的突發(fā)性偶然事件發(fā)生的概率會增大，在這一點短時交通量預(yù)測比長期預(yù)測的精度更高。根據(jù)短時交通流量預(yù)測的這個特點，用于交通流量預(yù)測的模型應(yīng)具備實時性、準(zhǔn)確性及可靠性（抗干擾能力）這些特性。交通流狀態(tài)每時每刻都在變化著，對交通流的每一次誘導(dǎo)都會實時影響其下一個運行狀態(tài)，由此可見，在作出誘導(dǎo)決策之前，對誘導(dǎo)指令作用路段的下一個時段的交通流情況有一定了解，作出的誘導(dǎo)就會更有實用價值，因此及時、準(zhǔn)確地對未來交通流狀態(tài)進行預(yù)測成為了交通控制與誘導(dǎo)研究中無法避免的先決工作。作為交通流的三個基本參數(shù)的其中之一的交通量，其預(yù)測是基于動態(tài)獲取的道路斷面或交叉口等路段的交通量數(shù)據(jù)的短期歷史記錄來推測未來某時段的交通量。近幾年我國道路上交通信息數(shù)據(jù)采集設(shè)備經(jīng)過不斷完善，通過信息采集、數(shù)據(jù)處理與數(shù)據(jù)分析，使得提供實時動態(tài)信息給道路使用對象已經(jīng)成為可能。短時交通流量預(yù)測的研究受到廣泛關(guān)注，時至今日，已經(jīng)有許多理論和方法用于這方面。比較具有代表性的，如歷史趨勢法、時間序列法等等。但是這些模型因自身不足難以反映交通流量的不確定與非線性這些特性，且對干擾沒有較較好的抵抗能力，缺陷同樣是出發(fā)點，一個正確的研究方向展示在人們面前。針對交通流量的非線性，近年來神經(jīng)網(wǎng)絡(luò)等非線性理論被應(yīng)用于交通狀態(tài)預(yù)測這個方面，使得交通信息的預(yù)測精確性有了很大提高，其中模糊推理主要應(yīng)用于駕駛員的跟馳和超車的微觀行為判斷；神經(jīng)網(wǎng)絡(luò)模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能，能對復(fù)雜的信息進行高速傳遞和處理，具有學(xué)習(xí)、記憶、處理實際數(shù)據(jù)等能力，并且有抗干擾能力較強等等，總結(jié)交通信息預(yù)測方面的成果，可以說我國已經(jīng)形成了由數(shù)學(xué)界、物理學(xué)界、力學(xué)界、交通流理論學(xué)界以及系統(tǒng)科學(xué)與信息學(xué)界聯(lián)合攻關(guān)的可喜局面。然而預(yù)測方法理論還有很多不足的地方，這是關(guān)系到我國交通科學(xué)的研究原始創(chuàng)新、ITS進一步發(fā)展的重要問題。2.3交通流量預(yù)測方法經(jīng)過幾十年的不斷發(fā)展，預(yù)測科學(xué)種類已是一個可觀的數(shù)量而其中可用于交通預(yù)測的方法模型不少，根據(jù)分類方式的不同大概可分為以下幾種：1.根據(jù)周期的長短的不同，預(yù)測分為長期、中期和短期預(yù)測三類，預(yù)測需求不同，預(yù)測的周期是可以是年、月、日、時甚至可以是分。其中相對長期預(yù)測而言短期預(yù)測精度會更高。2.根據(jù)預(yù)測性質(zhì)不同分類，主要包括定性預(yù)測和定量預(yù)測方法。如果系統(tǒng)中沒有或量化信息比較少，沒法量化描述對預(yù)測對象，未來情況只能以專家經(jīng)驗等定性信息為依據(jù)作定性估計，那就采用定性預(yù)測，比如調(diào)查法、類推法和主觀概率法等等；所謂定量預(yù)測自然便是將獲得的信息量化為數(shù)字形式，然后建立描述目標(biāo)和因素之間相互關(guān)系的數(shù)學(xué)模型，根據(jù)模型和規(guī)律推斷出預(yù)測結(jié)果，其針對對象是可表征為一系列數(shù)據(jù)指標(biāo)的交通信息，比如回歸法、時間序列法等等。3.根據(jù)預(yù)測模型數(shù)量差異來分，主要是單項預(yù)測和組合預(yù)測，前者在整個預(yù)測過程中只涉及到一種預(yù)測模型；而后者則與之相反，使用多個預(yù)測模型，利用模型之間互補的特點進行信息預(yù)測，根據(jù)組合預(yù)測組合形式的不同又可將其劃分為線性和非線性兩種。4.根據(jù)預(yù)測技術(shù)手段分類，主要包括常規(guī)預(yù)測和智能預(yù)測，前者主要有回歸分析、趨勢曲線模型預(yù)測法，以及移動分解法、季節(jié)系數(shù)、Box-Jenkins方法等時間序列預(yù)測法；后者主要包括灰色系統(tǒng)理論、混沌理論、支持向量機、卡爾曼濾波理論預(yù)測法以及神經(jīng)網(wǎng)絡(luò)預(yù)測法等等。此外還可以根據(jù)動力學(xué)特征差異、預(yù)測時態(tài)差異和預(yù)測內(nèi)容差異劃分。分類方式的多樣化目的是不同模型針對相對應(yīng)的預(yù)測參數(shù)能使預(yù)測效率更高，結(jié)果更精確。隨著其他領(lǐng)域預(yù)測問題的不斷研究深入與成功經(jīng)驗的總結(jié)，越來越多越來越有效的在其他領(lǐng)域應(yīng)用成熟的預(yù)測模型被逐漸用于交通流量預(yù)測領(lǐng)域。大量實踐表明基于人工神經(jīng)網(wǎng)絡(luò)理論方法（包括基于BP神經(jīng)網(wǎng)絡(luò)的交通信息預(yù)測方法，Elman網(wǎng)絡(luò)交通信息預(yù)測方法等等）對交通信息預(yù)測效果非常好，很多交通信息預(yù)測都往偏向組合預(yù)測的方向發(fā)展，因為對精度要求較高的預(yù)測，組合預(yù)測可以取長補短，但相對于單項預(yù)測而言，組合預(yù)測一般都采用兩種以上預(yù)測模型，這無疑會使預(yù)測工作量加大。在一個預(yù)測模型能滿足預(yù)測條件的情況下，本設(shè)計采用單項預(yù)測中的BP神經(jīng)網(wǎng)絡(luò)交通量預(yù)測方法，詳細情況接下來介紹。2.4本章小結(jié)對交通流量及其預(yù)測的概念進行闡述，簡要分析交通流預(yù)測的現(xiàn)狀，并列出幾種交通流量預(yù)測的方法，“凡事預(yù)則立，不預(yù)則廢”說明對事物進行預(yù)測的重要性，根據(jù)事物特性選擇一個合適的預(yù)測方法同樣重要。

第3章BP神經(jīng)網(wǎng)絡(luò)3.1人工神經(jīng)網(wǎng)絡(luò)基本知識人工神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元聯(lián)接成的復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，主要是模擬人腦來進行信息處理。它能根據(jù)系統(tǒng)的復(fù)雜度來自動的調(diào)整網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)關(guān)系，進而很好地模擬系統(tǒng)信息的傳遞情況，因此神經(jīng)網(wǎng)絡(luò)的自組織、自學(xué)習(xí)的優(yōu)越性極為明顯。另外，神經(jīng)網(wǎng)絡(luò)允許輸入信息有畸變、不完整等，因此它的容錯性很強，并且有很好的魯棒性。人工神經(jīng)網(wǎng)絡(luò)本質(zhì)是神經(jīng)細胞之間聯(lián)接權(quán)重的調(diào)整，聯(lián)接權(quán)重的調(diào)整規(guī)則構(gòu)成神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，學(xué)習(xí)算法又決定了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力的高低。其處理單元一般有三個：輸入單元、輸出單元和隱含層單元。各個神經(jīng)元之間的連接強度反映著信息表示到信息處理的一個過程，是網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練中的關(guān)鍵所在。有必要說明一點，隱含層單元主要對輸入信息進行處理，它的構(gòu)造對網(wǎng)絡(luò)來說非常重要，隱層越多學(xué)習(xí)算法所得結(jié)果越精確，但是算法會更繁瑣，所以要根據(jù)精度的要求來確定隱層個數(shù)，避免做無用功。神經(jīng)網(wǎng)絡(luò)能夠逼近任意非線性映射，擁有學(xué)習(xí)、泛化及高度并行實現(xiàn)能力，它能同時運行定性和定量的數(shù)據(jù)，能被很容易地應(yīng)用于多變量系統(tǒng)，適用于復(fù)雜系統(tǒng)的建模方面的研究。圖3-1人工神經(jīng)元模型其中p=()表示神經(jīng)元輸入向量；w=()表示其他神經(jīng)元與該神經(jīng)元R個突觸的連接強度即權(quán)值向量；為神經(jīng)元閾值為傳輸函數(shù)，常用的靜態(tài)非線性輸出函數(shù)有以下幾種：1.閾值函數(shù)（3-1）2.分段線性函數(shù)（3-2）3.Sigmoid函數(shù)（3-3）4.雙曲正切函數(shù)（3-4）5.高斯函數(shù)；為標(biāo)準(zhǔn)化參數(shù)（RBF網(wǎng)絡(luò)）（3-5）（3-6）3.2BP神經(jīng)網(wǎng)絡(luò)3.2.1BP神經(jīng)網(wǎng)絡(luò)概述BP神經(jīng)元結(jié)構(gòu)圖如3-2所示，b表示閾值向量；n表示輸出單元數(shù)；f表示神經(jīng)元傳輸函數(shù)；輸入神經(jīng)元輸入神經(jīng)元…圖3-2BP神經(jīng)元的一般模型除了傳輸函數(shù)為非線性函數(shù)以外，BP神經(jīng)元與其他神經(jīng)元類似。其常用的函數(shù)是logsig和tansig函數(shù)，有的輸出層也采用線性函數(shù)purelin。輸出y表示為：y=tansig(Wp+b)（3-7）BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，采用誤差反向傳播算法。結(jié)構(gòu)上BP神經(jīng)網(wǎng)絡(luò)在輸入層和輸出層之間有了一層或多層隱含單元。鑒于交通量的強非線性，為了盡可能提高預(yù)測模型的預(yù)測精度，本設(shè)計選擇利用兩個隱層的BP神經(jīng)網(wǎng)絡(luò)建立模型，即在單隱層BP網(wǎng)絡(luò)的基礎(chǔ)上添加一個隱層。如圖3-3所示為含兩個隱層的BP神經(jīng)網(wǎng)絡(luò)，相鄰層實現(xiàn)全聯(lián)接，每個隱層內(nèi)部神經(jīng)元之間不聯(lián)接。輸出輸出輸入層隱層隱層輸出層輸入圖3-3BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖數(shù)據(jù)處理器構(gòu)成的樣本的維數(shù)確定了輸入層單元數(shù)，輸出層含神經(jīng)元一個，訓(xùn)練用輸出值由數(shù)據(jù)處理器提供。當(dāng)輸出的結(jié)果與目標(biāo)不一致時，通過對權(quán)值與閾值的調(diào)整，使其達到誤差要求進而得到輸出結(jié)果。3.2.2BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法BP算法的基本思想是：給定用于BP網(wǎng)絡(luò)訓(xùn)練的樣本輸入與期望輸出，通過前向逐層計算，然后的到網(wǎng)絡(luò)的實際輸出，若該實際輸出與期望輸出存在偏差，就將偏差沿網(wǎng)絡(luò)反向傳播，通過反向逐層修改聯(lián)接權(quán)值和閾值，使其滿足誤差要求從而獲得滿足期望輸出的網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程以下這兩步所組成：Step1模式正向傳播設(shè)定所有權(quán)值和閾值的初始值，權(quán)值可置為任意小的隨機數(shù)，從輸入層開始，輸入向量為，，對應(yīng)輸出層輸出為，，為訓(xùn)練樣本個數(shù)用，為輸入層單元個數(shù)，為輸出層單元數(shù)。令隱層單元數(shù)為，輸入層至隱層、隱層至輸出層的連接權(quán)值分別為、，隱層單元、輸出層單元閾值分別為、,則隱層單元的輸入可為：，，（3-8）Sigmoid函數(shù)：，（3-9）隱層的輸出為：，（3-10）輸出單元的輸入為：，，（3-11）輸出單元輸出為：，。（3-12）Step2誤差反向傳播：（3-13）全局總誤差為：（3-14）根據(jù)誤差不斷調(diào)節(jié)權(quán)值，調(diào)節(jié)權(quán)值的目的就是使誤差不斷的減少，通常采用誤差梯度下降算法調(diào)整權(quán)值：（3-15）上式中，方向與次訓(xùn)練中誤差函數(shù)梯度變化方向相反。根據(jù)推出調(diào)整量為：（3-16）上式中,為學(xué)習(xí)率且，。。隱層權(quán)值調(diào)整量為：（3-17）隱層閾值調(diào)整量為：（3-18）上式中，。根據(jù)以上得出的對應(yīng)調(diào)整值對隱層和輸出層的權(quán)值和閾值作出相應(yīng)調(diào)整，到這一步整個模型算是完成一個正向、反向傳播過程，也就是以此完整的學(xué)習(xí)過程，如果誤差依舊不能滿足精度條件，重新返回Step1開始計算，直到誤差在滿足要求或者達到預(yù)先設(shè)定的訓(xùn)練步數(shù)為止方可利用此網(wǎng)絡(luò)進行預(yù)測。3.2.3BP神經(jīng)網(wǎng)絡(luò)算法改進BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)變化形式在神經(jīng)網(wǎng)絡(luò)中應(yīng)用比例占半數(shù)以上，之所以有如此大的影響力，最主要的便是有很多神經(jīng)網(wǎng)絡(luò)研究方面的專家針對其缺限進行不斷改進從而出現(xiàn)改進型的BP神經(jīng)網(wǎng)絡(luò)算法。1.針對學(xué)習(xí)率與穩(wěn)定性的矛盾及缺乏有效選擇學(xué)習(xí)率的方法這一問題，加快其收斂速度是首當(dāng)其沖的，對此，有以下幾種方法：（1）可以選擇通過學(xué)習(xí)率漸小法{，（是大于0的常數(shù)）}、自適應(yīng)調(diào)節(jié)以及基于符號變化的自適應(yīng)法改變學(xué)習(xí)率進而加快收斂速度；（2）引進動量因子把上一次權(quán)重調(diào)整時產(chǎn)生的誤差附加到本次調(diào)整中，新的權(quán)重調(diào)整公式為：（3-19）其中：。（3）本章上節(jié)提到傳統(tǒng)BP算法同上采用Sigmoid函數(shù)作為激勵函數(shù)，其函數(shù)特性將誤差修正率限制在以內(nèi)，一定程度上影響了收斂速度，用下面這一函數(shù)取代原激勵函數(shù)：，（3-20）其中：為較小正數(shù)。2.為避免訓(xùn)練過程中陷入局部極小，只能通過改變算法來解決，在實際應(yīng)用中，可以采取模擬退火法，通過改變其初始值，并經(jīng)過多次訓(xùn)練，以達到理想效果，但學(xué)習(xí)速度比較慢。3.建模時因為沒有確定隱層節(jié)點數(shù)的有效方法，過多過少的隱層節(jié)點都會對訓(xùn)練產(chǎn)生影響，所以應(yīng)合理確定網(wǎng)絡(luò)結(jié)構(gòu)。3.3本章小結(jié)本章先對人工神經(jīng)網(wǎng)絡(luò)定義、感知器及BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)作出簡單介紹，著重闡述BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，誤差的沿原來的連接通路返回隨后修改聯(lián)接權(quán)值然后正向傳播，這樣的反復(fù)計算對減小預(yù)測誤差作用是很明顯的。

第4章基于BP神經(jīng)網(wǎng)絡(luò)的快速路小時交通量預(yù)測與仿真4.1BP神經(jīng)網(wǎng)絡(luò)在交通信息預(yù)測中的應(yīng)用第2章已經(jīng)提到城市交通流量雖然隨機性比較強，但是并不能說明它的不可預(yù)測，事實上，在一個短的時間內(nèi)，每條道的流量、路口總流量和交通控制網(wǎng)絡(luò)流量的變化都具有豐富的內(nèi)部層次有序結(jié)構(gòu)，它介于隨機性和確定性之間，有很強的規(guī)律可尋?；诮煌烤哂袕姺蔷€性這一顯著特點，BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中的一種，具有擬合任意非線性函數(shù)的功能，所以我們可以利用BP神經(jīng)網(wǎng)絡(luò)來代替復(fù)雜的非線性數(shù)學(xué)關(guān)系式，實現(xiàn)對現(xiàn)實交通系統(tǒng)的較準(zhǔn)確刻畫，當(dāng)然BP神經(jīng)網(wǎng)絡(luò)多樣本訓(xùn)練要求很高，而且所需要的樣本規(guī)模較大，最常用于城市道路及高速路斷面的交通量等微觀交通信息預(yù)測，也就是說，采取BP神經(jīng)網(wǎng)絡(luò)模型進行交通量預(yù)測在理論上是可行的。文利用BP圣經(jīng)網(wǎng)絡(luò)對城市快速路交通量進行預(yù)測便以此作為基本出發(fā)點。應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進行交通量預(yù)測算法大致步驟如下：Step1原始數(shù)據(jù)采集及預(yù)處理；Step2設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)，確定網(wǎng)絡(luò)層數(shù)、輸入層神經(jīng)元個數(shù)、隱層層神經(jīng)元個數(shù)、輸出層神經(jīng)元個數(shù)；Step3利用原始數(shù)據(jù)構(gòu)造訓(xùn)練樣本對；Step4設(shè)計學(xué)習(xí)計算訓(xùn)練神經(jīng)網(wǎng)絡(luò)；Step5用檢驗樣本對結(jié)合預(yù)設(shè)誤差評價網(wǎng)絡(luò)性能，若訓(xùn)練出來的網(wǎng)絡(luò)達到誤差要求，則網(wǎng)絡(luò)構(gòu)造成功，否則，調(diào)整學(xué)習(xí)算法對網(wǎng)絡(luò)重新進行訓(xùn)練，直到達到期望標(biāo)準(zhǔn)為止；Step6對于經(jīng)訓(xùn)練滿足要求的BP神經(jīng)網(wǎng)絡(luò)，輸入一組已知數(shù)據(jù)得到相應(yīng)的交通量預(yù)測值。4.2基于BP神經(jīng)網(wǎng)絡(luò)的快速路小時交通量預(yù)測本設(shè)計借用梁新榮教授的實驗數(shù)據(jù)，選取廣州某快速路段2008年六月和八月共六十多天的實際交通量。1.原始數(shù)據(jù)采集作為輸入數(shù)據(jù)樣本,并對樣本進行規(guī)范化處理，隨機產(chǎn)生輸入樣本和檢驗樣本。城市快速路的性質(zhì)決定了運行車輛種類的不一致性，一般來說除了小型汽車之外還有大型客車、大型貨車等很多不同的車型，而車型之間的不同對道路交通的運行壓力也是不一樣的，所以在進行交通量有關(guān)研究的時候必須考慮這個因素。鑒于道路交通的這一特點，在對快速路小時交通量交通量進行預(yù)測之前，要對交通量調(diào)查數(shù)據(jù)加以處理，換算成統(tǒng)一標(biāo)準(zhǔn)車型。在本設(shè)計中，調(diào)查的交通量數(shù)據(jù)是依據(jù)交通部的統(tǒng)一規(guī)定采用小汽車為標(biāo)準(zhǔn)車型進行換算，折算系數(shù)表如表4-1所示：表4-1交通調(diào)查車型分類及車輛折算系數(shù)表車型折算系數(shù)額載及功率備注機動車汽車小客車1額定座位19座大客車1.5額定座位>19座小型貨車1載重2噸中型貨車1.52噸<載重7噸含吊車大型貨車27噸<載重14噸特大型貨車3載重>14噸拖掛車3集裝箱車3通過折算后的交通量實際值8月30號和31號交通量實際值表如表4-2所示：表4-28月30號和31號交通量實際值表日期時間段30號31號日期時間段30號31號第1小時797771第13小時18531950第2小時668644第14小時21382309第3小時566536第15小時27802809第4小時479459第16小時31683027第5小時453453第17小時22612644第6小時489474第18小時31112860第7小時669714第19小時23112439第8小時10021070第20小時18061786第9小時13341571第21小時19612106第10小時24122139第22小時18491827第11小時26382507第23小時13611438第12小時26462403第24小時10011070通過折算后的交通量實際值8月22至29號所有工作日交通量實際值表如表4-3所示：表4-38月22至29號工作日交通量實際值表日期時間段22號25號26號27號28號29號第1小時659742740892741695第2小時526610591740547526第3小時495515513553484495第4小時410449509512431410第5小時506481483485474506第6小時428459477492488428第7小時616936733865570616第8小時934141311091065855934第9小時181121742107238818051811第10小時251627202899288927832516第11小時293527873206255631312935第12小時265425152714283228612654第13小時190420362081228719341904第14小時230422252527252621782304第15小時287025982789285927782870第16小時323025703003303129833230第17小時285624282971281728852856第18小時335826612806286532013358第19小時257420412452243624532574第20小時182013491647168117221820第21小時218217141900164020972182第22小時186115781924190718541861第23小時133012701553131913971330第24小時96893211699709149682.設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)選取圖3-3的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)含輸入層、中間層和輸出層，其中中間層由兩個隱層。采用四輸入和五輸入兩種方法的輸入層神經(jīng)元個數(shù)分別為4個和5個。3.利用通過換算后的數(shù)據(jù)構(gòu)造訓(xùn)練樣本對。4.設(shè)計學(xué)習(xí)計算訓(xùn)練神經(jīng)網(wǎng)絡(luò)，用MATLAB語言編寫應(yīng)用程序，用檢驗樣本對結(jié)合預(yù)設(shè)誤差評價網(wǎng)絡(luò)性能，適時調(diào)整學(xué)習(xí)算法，直到訓(xùn)練出來的網(wǎng)絡(luò)達到誤差要求為止。5.利用訓(xùn)練好的BP網(wǎng)絡(luò)，利用訓(xùn)練好的BP網(wǎng)絡(luò)，對MATLAB語言編制程序M文件進行仿真，輸入一組參數(shù)得到相應(yīng)的交通量預(yù)測值。本文使用MATLAB經(jīng)過大量的仿真實驗得出，采用四輸入和五輸入兩種輸入對交通流量進行預(yù)測效果最好，所以采用四輸入和五輸入兩種輸入對交通量進行預(yù)測，并對著兩種不同的輸入方式進行對比。4.3仿真研究4.3.1四輸入法仿真結(jié)果分別采集周一到周五共四十二天的1008個數(shù)據(jù)和周末共20天的480個數(shù)據(jù)，首先采用四輸入對周末的交通量進行預(yù)測，前18個數(shù)據(jù)作為樣本集，8月30號和31號的交通量作為測試集，得8月30號和31號的交通量預(yù)測值和誤差如表4-4所示：表4-48月30號和31號交通量預(yù)測值和相對誤差表預(yù)測值預(yù)測值的相對誤差日期時間段30號31號30號31號第1小時7867841.38021.6861第2小時6626430.89820.1553第3小時5695360.53000.0000第4小時4734581.25260.2179第5小時4574570.88300.8830第6小時4794862.04502.5316第7小時58765012.25718.9636第8小時102511242.29545.0467第9小時161915552.70431.0185第10小時236821571.82420.8415第11小時262225290.60650.8775第12小時259523971.92740.2497第13小時188119291.51111.0769第14小時212223230.74840.6063第15小時277728140.10790.1780第16小時310530541.98860.8920第17小時218827343.22873.4039第18小時307127901.28582.4476第19小時229224530.82220.5740第20小時179217910.77520.2800第21小時194619720.76496.3628第22小時186018290.59490.1095第23小時136614560.36741.2517第24小時100710500.59941.8692注：6月2號至6月30號，8月1號至8月23號的工作日也就是前三十六天的數(shù)據(jù)作為樣本集，8月22號至29號（周一至周五）六天的數(shù)據(jù)作為測試集，計算前首先對樣本進行歸一化處理，表4-5是8月22號至29號所有工作日第一小時到第二十四小時的交通量預(yù)測值：表4-5四輸入8月22號至29號工作日交通流量預(yù)測值數(shù)據(jù)表日期時間段22號25號26號27號28號29號第1小時711746763818735690第2小時541591617686572538第3小時489494498508503502第4小時369408536520439369第5小時483475492463483483第6小時452500435519507467第7小時776834792728575783第8小時110414811153122710191114第9小時180223062135228319261831第10小時276327762853279527302726第11小時300826723020264029013067第12小時277626742613276127432774第13小時205919801940211018941865第14小時238223772453229320742344第15小時288026902771275328032806第16小時324026842722262128263209第17小時316425612797316826213101第18小時330326522673286230993338第19小時238422962155258223482410第20小時193813781754159216861931第21小時201317491944180521202076第22小時173216151896184919571732第23小時142612951422143315121429第24小時9739501053933917954四輸入法8月22號至29號工作日交通流量預(yù)測值的相對誤差如表4-6：表4-6預(yù)測值相對誤差表日期時間段22號25號26號27號28號29號第1小時2.30220.53913.10818.29600.80970.7194第2小時2.85173.11484.04727.29734.57042.2814第3小時1.21214.07772.92408.13743.92561.4141第4小時10.00009.13145.30451.56251.856110.0000第5小時4.54551.24741.86344.53611.89874.5455第6小時5.60758.93258.80505.48783.89349.1121第7小時25.974010.89748.049115.83820.877227.1104第8小時18.20134.81253.967515.211319.181319.2719第9小時0.49706.07181.32894.39706.70361.1044第10小時9.81722.05881.58683.25371.90448.3466第11小時2.48724.12635.80163.28647.34594.4974第12小時4.59686.32213.72142.50714.12444.5215第13小時8.14082.75056.77567.73942.06832.0483第14小時3.38546.83152.92849.22414.77501.7361第15小時0.34843.54120.64543.70760.89992.2300第16小時0.30964.43589.357313.52695.26320.6502第17小時10.78435.47785.856612.46019.15088.5784第18小時1.63790.33824.73980.10473.18650.5956第19小時7.381512.493912.11265.99344.28056.3714第20小時6.48352.14976.49675.29452.09066.0989第21小時7.74522.04202.315810.06101.09684.8579第22小時6.93182.34471.45533.04145.55566.9318第23小時7.21801.96858.43538.64298.23197.4436第24小時0.51651.93139.92303.81440.32821.4463四輸入8月30號和31號（周末）的實際值與預(yù)測值做圖對比如下：圖4-18月30號實際值與BP預(yù)測值對比圖圖4-28月31號實際值與BP預(yù)測值對比圖四輸入6天的預(yù)測值和實際值作圖對比如下：圖4-38月22號實際值與BP預(yù)測值對比圖圖4-48月25號實際值與BP預(yù)測值對比圖圖4-58月26號實際值與BP預(yù)測值對比圖圖4-68月27號實際值與BP預(yù)測值對比圖圖4-78月28號實際值與BP預(yù)測值對比圖圖4-88月29號實際值與BP預(yù)測值對比圖分析實際值與BP預(yù)測值對比圖不難看出，對該路段交通量進行預(yù)測，周末交通量的預(yù)測值比工作日的預(yù)測值更接近對應(yīng)實際值。4.3.2五輸入法仿真結(jié)果用五輸入對周末的交通量進行預(yù)測，前18個數(shù)據(jù)作為樣本集，8月30號和31號的交通量作為測試集，計算前首先對樣本進行歸一化處理，得8月30號和31號（周末）的交通量預(yù)測值和誤差得表4-7：表4-78月30號和31號交通量預(yù)測值和相對誤差表預(yù)測值預(yù)測值的相對誤差日期時間段30號31號30號31號第1小時8057621.00381.1673第2小時6576351.64671.3975第3小時5675350.17670.1866第4小時4624412.92280.2179第5小時4544550.22080.4415第6小時4774892.45403.1646第7小時58263613.004510.9244第8小時100410210.19964.5794第9小時163915451.50241.6550第10小時229322084.93373.2258第11小時264525500.26541.7152第12小時267624201.13380.7074第13小時190419362.75230.7179第14小時218422672.15151.8190第15小時281028591.07911.7800第16小時313729890.97851.2554第17小時225525950.26541.8533第18小時293429505.68953.1469第19小時228224171.25490.9020第20小時180818150.11071.6237第21小時206521415.30341.6619第22小時184618490.16221.2042第23小時137714071.17562.1558第24小時102610512.49751.7757用五輸入對8月22號至29號（周一至周五）進行預(yù)測，仍然6月2號至6月30號，8月1號至8月23號的工作日也就是前三十六天的數(shù)據(jù)作為樣本集，8月22號至29號（周一至周五）六天的數(shù)據(jù)作為測試集，計算前首先對樣本進行歸一化處理，表4-8是五輸入的8月22號至29號工作日第一小時到第二十四小時的交通量預(yù)測值：表4-8五輸入8月22號至29號交通量預(yù)測值數(shù)據(jù)表日期時間段22號25號26號27號28號29號第1小時738742705896755729第2小時528582564704560529第3小時520512503553521526第4小時422450514529441412第5小時479487474486473486第6小時453421425466427428第7小時791860721675589703第8小時80514189631239805801第9小時185922902112232217791785第10小時261726442841287927992612第11小時290827143125272830373042第12小時276126662587264327342762第13小時199620302012213718371959第14小時232324002339244321452373第15小時286426642657282327142823第16小時345327423150292628663406第17小時291626372674294128832951第18小時325826082885291132263298第19小時233121112378214724022400第20小時190514801692173117121873第21小時213517251958175620571883第22小時180716671818188119171844第23小時135512051457127813641353第24小時1003951104910279819894-9：表4-9預(yù)測值相對誤差表日期時間段22號25號26號27號28號29號第1小時6.18710.00014.72970.44841.88934.8921第2小時0.38024.59024.89044.86492.37660.5703第3小時5.05050.58251.94930.00007.64466.2626第4小時2.92680.22270.98233.32032.32020.4878第5小時5.33601.24741.86340.20620.21103.9526第6小時5.84118.278910.90155.284612.50000.0000第7小時28.40918.11971.637121.96533.333314.1234第8小時13.81160.353913.165016.33805.848014.2398第9小時2.65055.33580.23732.76381.44041.4357第10小時4.01432.79412.00070.34610.57493.8156第11小時0.91992.61932.52656.72933.00223.6457第12小時4.03176.00404.67946.67374.43904.0693第13小時4.83190.29473.31576.55885.01552.8887第14小時0.82477.86527.43973.28581.51522.9948第15小時0.20912.54044.73291.25922.30381.6376第16小時6.90406.69264.89513.46423.92225.4489第17小時2.10088.60799.99664.40180.06933.3263第18小時2.97801.99172.81541.60560.78101.7868第19小時9.44063.42973.017911.86372.07916.7599第20小時4.67039.71092.73222.97440.58072.9121第21小時2.15400.64183.05267.07321.907513.7030第22小時0.90175.64015.50941.36343.39810.9135第23小時1.87975.11816.18163.10842.36221.7293第24小時3.61572.038610.26525.87637.33042.1694五輸入8月30號和31號（周末）的實際值與預(yù)測值做圖對比如下：圖4-98月30號實際值與BP預(yù)測值對比圖圖4-108月31號實際值與BP預(yù)測值對比圖五輸入6天的預(yù)測值和實際值作圖對比如下：圖4-118月22號實際值與BP預(yù)測值對比圖圖4-128月25號實際值與BP預(yù)測值對比圖圖4-138月26號實際值與BP預(yù)測值對比圖圖4-148月27號實際值與BP預(yù)測值對比圖圖4-158月28號實際值與BP預(yù)測值對比圖圖4-168月29號實際值與BP預(yù)測值對比圖通過大量數(shù)據(jù)仿真之后，觀察上述各表中數(shù)據(jù)誤差和實際值與預(yù)測值的擬合曲線可以發(fā)現(xiàn)，采取BP神經(jīng)網(wǎng)絡(luò)方法對交通量進行預(yù)測所得預(yù)測值與實際值很接近，且對周末的交通量預(yù)測，采用四輸入擬合曲線更接近、誤差更小預(yù)測效果更好，而對工作日（周一和周五）交通量進行預(yù)測時，用五輸入擬合曲線更接近、誤差更小預(yù)測效果更好。4.4本章小結(jié)本章通過原始數(shù)據(jù)處理，預(yù)測模型建立并分別采用四輸入和五輸入仿真對周末及工作日交通量進行預(yù)測，得出預(yù)測結(jié)果并作出交通量預(yù)測值與實際值對比曲線，然后比較四輸入和五輸入仿真得出的預(yù)測值與實際值之間的絕對誤差和對比曲線顯示，對周一至周五交通量進行預(yù)測時，采用五輸入仿真的方法效果最好，而對周末的交通量進行預(yù)測時，采用用四輸入仿真的方法預(yù)測效果效果更理想。

結(jié)論隨著社會經(jīng)濟的快速發(fā)展和汽車的普及，現(xiàn)實生活對交通提出了重大考驗，城市交通擁擠和交通安全問題給人們的生活帶來了極大的不便和麻煩，作為城市中有較高車速為長距離交通服務(wù)的重要道路的快速路，其發(fā)展與城市的經(jīng)濟發(fā)展緊密聯(lián)系，城市快速路發(fā)展越好，可以在很大程度上帶動城市經(jīng)濟的發(fā)展，如何提高城市快速路的運營效率？這基本上得取決于道路車道的設(shè)計和日?？刂乒芾恚鴮崿F(xiàn)二者的前提就需要一個調(diào)研也就是對城市快速路交通量進行預(yù)測，根據(jù)預(yù)測數(shù)據(jù)實施控制管理手段，因此交通量預(yù)測在城市交通控制與管理中舉足輕重。通過對BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)算法的了解，結(jié)合交通量的特性，本文采用BP神經(jīng)網(wǎng)絡(luò)對某城市快速路段的實時交通量進行預(yù)測，并將交通量預(yù)測值與實際交通兩預(yù)測值加以比較，選取的四輸入和五輸入兩種輸入方式下的預(yù)測結(jié)果顯示，誤差均在期望范圍內(nèi)，且實際值與BP預(yù)測值二者擬合得到的對比曲線很接近，這樣的結(jié)果是令人非常滿意的。實例證明BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于快速路小時交通量預(yù)測是可行的，這種基于BP神經(jīng)網(wǎng)絡(luò)的快速路小時交通量預(yù)測方法與傳統(tǒng)預(yù)測方法相比有較好的靈活性，其數(shù)據(jù)容易得到，成本低，預(yù)測精度高，對短期交通量預(yù)測很適用。

參考文獻1任福田.交通工程學(xué).北京:人民交通出版社,2008:40-472王煒,過秀成.道路交通工程學(xué).南京:東南大學(xué)出版社,2011:83-903HuiHu,DaweiHu.StudyontheapplicationofITSandkeytechnologiesinlogisticsoperation.2009InternationalConferenceonInformationManagement,InnovationManagementandIndustrialEngineering,Xi’an,China:IEEE,2009:263-2664楊兆升.智能運輸系統(tǒng)概論.北京:人民交通出版社,20035邵福春,熊志華,姚志勝.道路網(wǎng)短時交通量需求預(yù)測理論方法及應(yīng)用.北京:清華大學(xué)出版社,2011:167-1726馬云龍,王堅,任子暉.基于微觀仿真的快速路短時交通流預(yù)測研究.系統(tǒng)仿真學(xué)報,2009,21(14):4501-45037許倫輝,傅惠.交通信息智能預(yù)測理論與方法.北京:科學(xué)出版社,2009:97-1098王碩.BP神經(jīng)網(wǎng)絡(luò)在高速公路交通量預(yù)測中的應(yīng)用.中國科技信息,2010(8):248-2519周開利,康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計.北京:清華大學(xué)出版社,2005:69-9010劉慧穎.MATLABR2007基礎(chǔ)教程.北京:清華大學(xué)出版社,2008:136-176

致謝本課題的設(shè)計與成功離不開指導(dǎo)老師梁新榮教授的悉心指導(dǎo)和耐心教育。衷心感謝梁新榮教授對我畢業(yè)設(shè)計給予的指導(dǎo)和幫助！梁新榮教授不僅教授了我很多分析問題、解決問題的辦法與思路，而且他認真負責(zé)的態(tài)度和嚴(yán)謹?shù)闹螌W(xué)精神也使我受益匪淺，再次感謝梁教授對我畢業(yè)設(shè)計得以順利完成給予的莫大幫助，使我對自己的大學(xué)四年提交一份滿意的答卷！畢業(yè)設(shè)計的結(jié)束也就意味著大學(xué)生涯即將結(jié)束。在此，我還要感謝所有母校辛勤耕耘的老師，感謝你們教育了專業(yè)知識，以及給了我良好的學(xué)習(xí)環(huán)境；感謝信息學(xué)院的老師在這四年來對我們的悉心栽培，感謝班導(dǎo)師徐穎老師對我的關(guān)心和指導(dǎo)；感謝我親愛的同學(xué)們和朋友一直以來對我的默默關(guān)心與支持。感謝五邑大學(xué)給我一個大學(xué)四年學(xué)習(xí)知識和做人的平臺，以及對我各個方面的培養(yǎng)！感謝參與論文評審和答辯的各位老師，能在百忙之中抽出您寶貴的時間對我的論文進行評閱，老師您辛苦了！附錄周末第1小時的交通量預(yù)測四輸入M-file文件程序，如下所示：clc;clearallcloseall;AA=[7646175814664695748681083173024152678268919942227287332612040263321741538160114941188875681567485411438567878120017792278250513261751143925652803268327962428154717231695134310177606205474644335357601050170023522771274419022202294232541924264421971478152815511155818667569469388415515770114217462299256923221776206625412751250326102397167717371702136399478868657450147060485910961777250427032712200622742972332220682673222915861562147711609006815554614464255541002130618552328268124111965219026142883278327972474164217631722139910288287305854774725928991157179523792856281019642265293432072052274021891569171215451262947747639515458484617942126017502261255723681855201922412426254427332460187719041871154811197436145764754496828551026166323812688268320092335287831962045269322941532157215561228905784589511412447598981125517532397254923541883211126292782267327202381156217081680132898971166057246544946267298915462330271527241952220828983216188826202113148715861495118589371559052642144947881011401643222024582341183121342507264525372701242416671819173314651056785671593521499546848104517352482293328981933228930013251205928142256153317021564123896476857558146550656188812061783245425902513189521672692285126102825251516481841179014061054797668566479453489669100216642412263826461853213827803168226131112311180619611849136110017716445364594534747141070157121392507240319502309280930272644286024391786210618271438107079766856647945348966910021664241226382646185321382780316822613111231118061961184913611001771644536459453474714107015712139250724031950230928093027264428602439178621061827143810707976685664794534896691002166424122638264618532138278031682261311123111806196118491361100177164453645945347471410701571213925072403195023092809302726442860243917862106182714381070];day=zeros(2,1);error=zeros(2,1);%fori=1:1:24i=6;p11=AA(:,i);m=length(p11);%p1=max(p11);p1=700;b=zeros(4,14);c=zeros(1,14);forj=1:1:14a=p11(j:j+3)';b(:,j)=a;d=p11(j+4);c(1,j)=d;endp=(1/p1)*b;%t1=max(c);t1=700;t=(1/t1)*c;net=newff(p,t,12,{'tansig','purelin'},'trainlm');net.trainParam.show=50;net.trainParam.epochs=2000;net.trainParam.goal=0.0001;randn('seed',192736547);net=init(net);[net,tr]=train(net,p,t);p2=zeros(4,2);t2=zeros(1,2);forh=1:1:2h1=p11(h+14:h+17);p2(:,h)=h1;e=p11(h+18);t2(1,h)=e;endp2=(1/700)*p2;t2;p3=sim(net,p2);p4=p3*700;day(:,1)=p4;p4forw=1:1:2PAE=abs(t2(w)-ceil(p4(w)))/t2(w)*100;error(w,1)=PAEend%endceil(day)周末第一小時四輸入法交通量預(yù)測值與實際值對比圖仿真程序，如下所示：clc;clearallclearall;aa=[79766856647945348966910021664241226382646185321382780316822613111231118061961184913611001];bb=[78666256947345747958710251619236826222595188121222777310521883071229217921946186013661007];fori=1:2ifi==1y(:,i)=aa;plot(y);endifi==2y(:,i)=bb;plot(y);xlabel('時間（小時）');ylabel('仿真輸出結(jié)果');title('BP方法訓(xùn)練結(jié)果');endend目錄TOC\o"1-2"\h\z\u1. 總論 11.1 項目概況 11.2 項目建設(shè)的必要性 21.3 可行性研究工作依據(jù) 61.4 可行性研究報告的編制原則 61.5 可行性研究報告內(nèi)容概要 71.6 建議引進設(shè)備清單 151.7 結(jié)論及建議 151.8 項目主要技術(shù)經(jīng)濟指標(biāo)匯總 162. 市場需求預(yù)測與競爭能力分析 192.1 概述 192.2 廣西區(qū)內(nèi)市場 192.3 主要目標(biāo)市場分析 222.4 廣東省水泥市場分析