基于人工神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測模型研究

基于人工神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測模型研究

該系統(tǒng)是促進(jìn)社會(huì)和經(jīng)濟(jì)發(fā)展的基礎(chǔ)設(shè)施和“循環(huán)系統(tǒng)”，在社會(huì)和經(jīng)濟(jì)體系中發(fā)揮著重要作用。交通問題解決的好與壞,直接影響著國民經(jīng)濟(jì)的發(fā)展與人民生活質(zhì)量的提高。當(dāng)今世界各國的大城市無不存在著交通擁擠問題。交通問題在一定程度上已經(jīng)成為制約經(jīng)濟(jì)、社會(huì)穩(wěn)定發(fā)展的“瓶頸”問題。然而有限的土地和經(jīng)濟(jì)制約等使得道路建設(shè)不可能達(dá)到相對滿意的里程數(shù),所以就需要在不擴(kuò)張路網(wǎng)規(guī)模的前提下,綜合運(yùn)用現(xiàn)代信息與通訊技術(shù)等手段來提高交通運(yùn)輸?shù)男?以提高交通路網(wǎng)的通行能力。于是,運(yùn)用各種高新技術(shù)系統(tǒng)地解決道路交通問題的思想就應(yīng)運(yùn)而生了,這就是智能交通系統(tǒng)ITS(intelligenttransportsystem)。交通控制與誘導(dǎo)系統(tǒng)是ITS研究的熱門核心課題,而實(shí)現(xiàn)交通流誘導(dǎo)系統(tǒng)的關(guān)鍵問題是實(shí)時(shí)準(zhǔn)確的交通流量預(yù)測,即如何有效地利用實(shí)時(shí)交通數(shù)據(jù)信息去滾動(dòng)預(yù)測未來幾分鐘內(nèi)的交通狀況。其結(jié)果可以直接送到先進(jìn)的交通信息系統(tǒng)(ATIS)和先進(jìn)的交通管理系統(tǒng)(ATMS)當(dāng)中,給出行者提供實(shí)時(shí)有效的信息,幫助他們更好地進(jìn)行路徑選擇,實(shí)現(xiàn)路徑誘導(dǎo),以縮減出行時(shí)間,減少交通擁擠。這種預(yù)測稱為短期預(yù)測(short-termforecasting),它是微觀意義上的,與中觀和宏觀意義上的以小時(shí)、天、月甚至是年計(jì)算的基于交通規(guī)劃的戰(zhàn)略預(yù)測(strategicforecasting)是有本質(zhì)區(qū)別的。1交通量檢測技術(shù)的發(fā)展最初的交通參數(shù)信息采集方法都是非自動(dòng)的人工采集方法,包括人工觀測法和攝影法等。自20世紀(jì)30年代美國研制出“聲控”式感應(yīng)式交通信號(hào)控制機(jī)以來,交通量檢測器技術(shù)得到了迅速發(fā)展,特別是近20年來出現(xiàn)了大量的新型交通量檢測器。交通量檢測器的種類很多,主要有:環(huán)形線圈檢測器,超聲波檢測器,磁感應(yīng)式檢測器,光輻射式檢測器,雷達(dá)檢測器,視頻檢測器等。目前應(yīng)用較多的是環(huán)形線圈檢測器、超聲波檢測器和視頻檢測器。1.1車輛檢測傳感器環(huán)形線圈檢測器出現(xiàn)于20世紀(jì)60年代,是目前交通控制中應(yīng)用最廣的交通量檢測器。該檢測器是一種基于電磁感應(yīng)原理的車輛檢測器,它的傳感器是一個(gè)埋設(shè)在路面下、通有一定交變電流的環(huán)形線圈。當(dāng)車輛通過線圈或停在線圈上時(shí),車輛引起線圈回路電感量的變化,檢測器可檢測出該變化,基于此原理采集交通量。1.2檢測方法的影響超聲波檢測器是通過接收由超聲波探頭發(fā)出并經(jīng)過車輛反射的超聲波來檢測車輛的。超聲波檢測器的工作原理可分為兩種:傳播時(shí)間差法和多普勒法。傳播時(shí)間差法,超聲波檢測器的探頭向路面發(fā)射超聲波然后接受其反射波,當(dāng)有車輛時(shí),超聲波會(huì)經(jīng)車輛反射提前返回。多普勒法,超聲波探頭向空間發(fā)射超聲波同時(shí)接收信號(hào),如果有移動(dòng)物體,那么接收到的反射波信號(hào)就會(huì)呈現(xiàn)多普勒效應(yīng)。利用此方法可檢測正在行駛或正在遠(yuǎn)離的車輛,但不能檢測處于檢測范圍內(nèi)的靜止車輛。1.3圖像采集原理視頻檢測器主要由攝像機(jī)和圖像識(shí)別單元(含計(jì)算機(jī))組成,其工作原理是:由CCD攝像機(jī)連續(xù)攝的兩幀圖像(數(shù)字圖像),對其全部或部分區(qū)域進(jìn)行比較,如有差異則說明檢測范圍內(nèi)有運(yùn)動(dòng)物體,從而檢測出通過的車輛,采集交通量。2交通流預(yù)測的數(shù)據(jù)預(yù)處理當(dāng)利用一些實(shí)際數(shù)據(jù)建立數(shù)學(xué)模型時(shí),有時(shí)不能直接使用這些數(shù)據(jù),而要經(jīng)過數(shù)據(jù)預(yù)處理。由于交通參數(shù)的數(shù)值較大,應(yīng)對其進(jìn)行一定的預(yù)處理,通過這些處理可以有效縮短交通流預(yù)測模型的預(yù)測時(shí)間。同樣短時(shí)交通流預(yù)測也需要進(jìn)行數(shù)據(jù)的預(yù)處理工作,以提高預(yù)測精度及實(shí)時(shí)性。2.1平均說的判斷通常由于交通傳感器硬件故障、噪聲干擾和通訊故障所引發(fā)錯(cuò)誤數(shù)據(jù)的發(fā)生,所以必須對錯(cuò)誤數(shù)據(jù)進(jìn)行剔除,否則這些錯(cuò)誤數(shù)據(jù)會(huì)大大降低預(yù)測的準(zhǔn)確度。錯(cuò)誤數(shù)據(jù)往往與正確數(shù)據(jù)的偏差非常大,基于這個(gè)特點(diǎn),首先采用閥值法去除明顯錯(cuò)誤的數(shù)據(jù),如果數(shù)據(jù)在閥值之內(nèi),也未必是正確數(shù)據(jù),所以還需進(jìn)行基于多條規(guī)則的判斷。判斷規(guī)則如下:(1)如果平均占有率為0,而流量不為0,應(yīng)剔除;(2)如果流量為0,而平均占有率不為0,應(yīng)剔除;(3)平均車長判斷法:如果采用交通機(jī)理公式由流量、速度、占有率得出平均車長,如果所得的車長小于等于5米或者大于等于12米(此時(shí)重型車輛占居優(yōu)勢),那么這條記錄是正確的。經(jīng)過此數(shù)據(jù)過濾若不能成為精簡的數(shù)據(jù),還可以通過數(shù)據(jù)密集度這個(gè)指標(biāo)來評(píng)價(jià)歷史數(shù)據(jù)庫中數(shù)據(jù)的分布是否符合要求,以提高算法的實(shí)時(shí)性。2.2圖像恢復(fù)nmf當(dāng)用視頻檢測器來采集交通數(shù)據(jù)的時(shí)候,通常系統(tǒng)采用圖像采集卡,可將攝像頭拍攝的視頻圖像轉(zhuǎn)換為BMP格式的數(shù)字圖像存儲(chǔ)在計(jì)算機(jī)內(nèi)存中。在交通參數(shù)的視頻監(jiān)測系統(tǒng)中,運(yùn)動(dòng)模糊是造成圖象退化的主要原因,所以要對運(yùn)動(dòng)圖像進(jìn)行恢復(fù)。傳統(tǒng)的圖像恢復(fù)方法有很多:如基于Bayes估計(jì)的恢復(fù)方法、基于調(diào)和理論的迭代算法和濾波方法等,但是這些方法都面臨著高維方程組的求解問題,或要求恢復(fù)過程滿足廣義平穩(wěn)過程的假設(shè),難以滿足視頻檢測的實(shí)時(shí)性要求。由于神經(jīng)網(wǎng)絡(luò)在并行非線性處理及大容量計(jì)算方面存在著巨大潛力,因此被用于解決圖像處理領(lǐng)域內(nèi)的多種問題。基于S函數(shù)的全并行自反饋Hopfield神經(jīng)網(wǎng)絡(luò),用S函數(shù)代替了分段線性函數(shù),使得網(wǎng)絡(luò)能量能夠精確地達(dá)到最小,且恢復(fù)過程快,能保證圖像恢復(fù)的精度,顯示出較強(qiáng)的容錯(cuò)性。3單一預(yù)測模型據(jù)統(tǒng)計(jì),目前應(yīng)用于各個(gè)控制領(lǐng)域的預(yù)測模型和方法己將近300余種,其中一些預(yù)測方法在中、長期交通流預(yù)測的應(yīng)用中取得了較好的預(yù)測效果。但短時(shí)交通流呈現(xiàn)出高度的非線性、時(shí)變性和不確定性,使得各種單一預(yù)測方法的預(yù)測精度難以提高。較早期的預(yù)測方法主要有:自回歸模型(AR)、滑動(dòng)平均模型(MA)、自回歸滑動(dòng)平均模型(ARMA)、歷史平均模型(HA)和Box-Cox法等等。隨著該領(lǐng)域研究的逐漸深入,又出現(xiàn)了一批更復(fù)雜的、精度更高的預(yù)測方法。總結(jié)起來,大概可以分成4類方法:基于傳統(tǒng)統(tǒng)計(jì)理論的方法、基于神經(jīng)網(wǎng)絡(luò)的方法、基于非線性理論的方法和基于新興技術(shù)的預(yù)測方法。3.1傳統(tǒng)統(tǒng)計(jì)分析的預(yù)測方法這類方法是用數(shù)理統(tǒng)計(jì)的方法處理交通歷史數(shù)據(jù),對交通流、交通速度、旅行時(shí)間等用于預(yù)測。一般來說統(tǒng)計(jì)模型使用歷史數(shù)據(jù)進(jìn)行預(yù)測,它假設(shè)未來預(yù)測的數(shù)據(jù)與過去的數(shù)據(jù)有相同的特性?；趥鹘y(tǒng)統(tǒng)計(jì)理論的預(yù)測方法主要有歷史平均模型(historyaveragemodel)、回歸分析預(yù)測方法、時(shí)間序列模型(timeserialmodel)、卡爾曼濾波模型(kalmanfilteringmodel)、markov預(yù)測、極大似然估計(jì)模型(maxiumlidelihoodformulationmodel)等。研究較早的歷史平均模型方法簡單,但精度較差,雖然可以在一定程度內(nèi)解決不同時(shí)間、不同時(shí)段里的交通流變化問題,但靜態(tài)的預(yù)測有其先天性的不足,因?yàn)樗荒芙鉀Q非常規(guī)和突發(fā)的交通狀況,如交通事故等。3.1.1最優(yōu)估計(jì)函數(shù)之二回歸分析預(yù)測方法是一種通過分析事物之間的因果關(guān)系和影響程度進(jìn)行預(yù)測的方法,常用于對多條路段進(jìn)行分析,其中運(yùn)用逐步回歸方法建立多元回歸預(yù)測模型受到了極大重視。該方法可描述為:設(shè)X為觀測值集,Y為預(yù)測值集,xT=(x1,x2,…,xd)∈Rd,求一組使目標(biāo)函數(shù)∑ni=1i=1n{Yi-β0-∑dj=1j=1dβ(Xij-xj)}2KB(Xi-x)最小的最優(yōu)估計(jì)系數(shù)β?β^,從而利用y˙=β?0+∑dj=1β?j(Xij?xj)y˙=β^0+∑j=1dβ^j(Xij-xj)進(jìn)行估計(jì),其中{(XTiiΤ,Yi),i=1,2,…,n}為觀測值,Xi=(Xi1,Xi2,…,Xid)T,Ka(·)為概率密度函數(shù),常為高斯分布函數(shù)?；貧w分析預(yù)測方法是在可以獲得多路段交通數(shù)據(jù)的基礎(chǔ)上,建立起各路段參數(shù)之間的線性回歸方程,當(dāng)數(shù)據(jù)有限時(shí),此方法無法實(shí)現(xiàn)。3.1.2自回歸和滑動(dòng)平均模型時(shí)間序列模型是描述時(shí)間序列統(tǒng)計(jì)特性的一種常用方法,它是參數(shù)化模型處理動(dòng)態(tài)隨機(jī)數(shù)據(jù)的一種實(shí)用方法。主要有線性平穩(wěn)模型和非線性平穩(wěn)模型。線性平穩(wěn)模型主要有:自回歸模型(AR)、滑動(dòng)平均模型(MA)、自回歸滑動(dòng)平均混合模型(ARMA);非線性平穩(wěn)模型主要有:ARIMA模型和IMA模型。自回歸求和滑動(dòng)平均模型(ARIMA)是一種應(yīng)用得最為廣泛的時(shí)間序列模型,是自回歸模型和滑動(dòng)平均模型的混合形式。該模型不像其它時(shí)間序列方法一樣需要固定的初始化模擬,它將某一時(shí)刻的交通流量看成是更為一般的非平穩(wěn)隨機(jī)序列。ARIMA有3個(gè)模型參數(shù)p,d,q,其預(yù)測模型可寫成:?ly(t)=φ(y(t-1)+…+φpy(t-p)+ε(t)-θ1ε(t-1)-·-θpε(t-p))式中:p為自回歸周期;d為差分階數(shù);q為移動(dòng)平均周期。在實(shí)際預(yù)測中,大多數(shù)的時(shí)間序列都可以用p,d,q不超過2的ARIMA模型描述。在大量不間斷數(shù)據(jù)的基礎(chǔ)上,此模型擁有較高的預(yù)測精度,但需要復(fù)雜的參數(shù)估計(jì),而且計(jì)算出的參數(shù)不能移植。在實(shí)際情況中,經(jīng)常由于各種各樣的原因容易造成數(shù)據(jù)遺漏,導(dǎo)致模型精度降低,而且依賴大量的歷史數(shù)據(jù),成本很高。3.1.3模型估計(jì)的變積分法卡爾曼濾波理論是Kalman于1960年提出的,是一種在現(xiàn)代控制理論中被廣泛采用的先進(jìn)的埋單序列方法,采用由狀態(tài)方程和觀測方程組成的線性隨機(jī)系統(tǒng)的狀態(tài)空間模型來描述濾波器,并利用狀態(tài)方程的遞推性,按線性無偏最小均方誤差估計(jì)準(zhǔn)則,采用一套遞推算法對該濾波器的狀態(tài)變量作最佳估計(jì),從而求得濾掉噪聲的有用信號(hào)的最佳估計(jì)?？柭鼮V波是線性預(yù)測模型,可描述為:vi(t+k)=H0(t)vi(t)+H1(t)vi(t-1)+…+Hp(t)vi(t-p)+w(t)其中的參數(shù)向量Hk(t)采用線性迭代的方式進(jìn)行估計(jì)。在每次迭代中,用捕捉的上一次迭代的誤差信息對預(yù)測因子向量vi(t-k)和系統(tǒng)本身的狀態(tài)向量不斷進(jìn)行修正,從而力求在噪聲項(xiàng)w(t)干擾情況下,使估計(jì)參數(shù)向量趨于最優(yōu),以準(zhǔn)確地預(yù)測vi(t+k)。由于卡爾曼濾波采用較靈活的遞推狀態(tài)空間模型,因此卡爾曼濾波方法既適應(yīng)于處理平穩(wěn)數(shù)據(jù),又可用于非平穩(wěn)數(shù)據(jù)處理,且對狀態(tài)變量作不同的假設(shè),可使其描述及處理不同類型的問題,同時(shí)減少了計(jì)算機(jī)存儲(chǔ)量和計(jì)算時(shí)間;模型具有線性、無偏、最小均方差性。卡爾曼增益矩陣可在計(jì)算中自動(dòng)改變,調(diào)節(jié)信息的修正作用以保持濾波估計(jì)的最佳性,具有在線預(yù)測的功能。但該方法是線性模型,所以在預(yù)測非線性、不確定性的交通流時(shí),模型性能變差。在每次計(jì)算時(shí)都要調(diào)整權(quán)值,因此,計(jì)算量過大,預(yù)測輸出值有時(shí)要延遲幾個(gè)時(shí)間段?？傮w來說,基于傳統(tǒng)統(tǒng)計(jì)理論的預(yù)測方法理論簡單、容易理解,但是由于大部分模型都是基于線性的基礎(chǔ),當(dāng)預(yù)測間隔小于5min時(shí),由于交通流量變化的隨機(jī)性和非線性加強(qiáng),使得模型的性能變差。預(yù)測時(shí)僅僅利用了本路段的歷史資料,沒有考慮相鄰路段的影響,這是影響其預(yù)測精度的原因之一。3.2神經(jīng)網(wǎng)絡(luò)模型預(yù)測人工神經(jīng)網(wǎng)絡(luò)誕生于20世紀(jì)40年代。1964年,Hu應(yīng)用自適應(yīng)線性網(wǎng)絡(luò)進(jìn)行天氣預(yù)報(bào),開創(chuàng)了人工神經(jīng)網(wǎng)絡(luò)預(yù)測的先河;1993年,VythoulkasPC首次提出用系統(tǒng)識(shí)別和人工神經(jīng)網(wǎng)絡(luò)進(jìn)行城市道路網(wǎng)絡(luò)交通狀態(tài)的預(yù)測。隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展,基于神經(jīng)網(wǎng)絡(luò)的短期交通流預(yù)測的研究也越來越多?；谏窠?jīng)網(wǎng)絡(luò)模型的預(yù)測原理為:用一部分?jǐn)?shù)據(jù)訓(xùn)練模型,即確定網(wǎng)絡(luò)結(jié)構(gòu)(包括隱含層數(shù)、各層節(jié)點(diǎn)數(shù)、各層連接權(quán)值、各層神經(jīng)元的傳遞函數(shù)),網(wǎng)路結(jié)構(gòu)確定以后,用剩余部分?jǐn)?shù)據(jù)進(jìn)行預(yù)測?？偨Y(jié)起來,大體可以分成3類:單一的一類神經(jīng)網(wǎng)絡(luò)模型;多種神經(jīng)網(wǎng)絡(luò)相結(jié)合的優(yōu)化模型;有神經(jīng)網(wǎng)絡(luò)結(jié)合其他方法進(jìn)行預(yù)測的綜合模型等,下面分別進(jìn)行闡述。3.2.1誤差反傳算法除下面詳細(xì)介紹的反向傳播BP(BcckPropagation)神經(jīng)網(wǎng)絡(luò)、徑向基RBF(RadialBasisfunction)神經(jīng)網(wǎng)絡(luò)外,已用于短期交通流預(yù)測領(lǐng)域的神經(jīng)網(wǎng)絡(luò)模型還有:遞歸神經(jīng)網(wǎng)絡(luò)(recurrentneuralnetworks)、時(shí)間延遲神經(jīng)網(wǎng)絡(luò)(timedelayedneuralnetwork)、多層反饋神經(jīng)網(wǎng)絡(luò)(multilayerfeedforwardneuralnetworks)、譜分析人工神經(jīng)網(wǎng)絡(luò)(spectralbasisartificialneuralnetwork,SNN)、對偶傳播神經(jīng)網(wǎng)絡(luò)(counterpropagationneuralnetwork,CPN)等。3.2.1.1反向傳播BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)是一個(gè)具有三層或三層以上的階層神經(jīng)網(wǎng)絡(luò)。誤差反傳算法的主要思想是把學(xué)習(xí)過程分為兩個(gè)階段,即正向傳播和反向傳播。基于BP算法的多層前饋型神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示,輸入層為已知的上游路口的流量、速度及其他歷史數(shù)據(jù),經(jīng)隱含層輸出為當(dāng)前路口的預(yù)測流量。經(jīng)實(shí)際數(shù)據(jù)預(yù)測,得出BP神經(jīng)網(wǎng)絡(luò)模型雖然結(jié)構(gòu)簡單容易編程仿真,但是也存在著其固有的缺點(diǎn):對于網(wǎng)絡(luò)結(jié)構(gòu)的確定,其隱層節(jié)點(diǎn)個(gè)數(shù)的選取,只能靠經(jīng)驗(yàn)選取;由于數(shù)學(xué)角度上的非線性優(yōu)化,此網(wǎng)絡(luò)結(jié)構(gòu)存在局部極小值問題;此學(xué)習(xí)算法相比于其他算法收斂速度慢很多,通常需要幾千步迭代或者更多;而且此網(wǎng)絡(luò)運(yùn)行是單向傳播,沒有反饋,所以只是一個(gè)非線性映射系統(tǒng);再者,在訓(xùn)練中,此網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)新樣本有遺忘舊樣本的趨勢。針對BP算法的缺點(diǎn),國內(nèi)外進(jìn)行了不少的改進(jìn),BP算法最優(yōu)化的方向主要有權(quán)值調(diào)整、自適應(yīng)學(xué)習(xí)速率調(diào)整、網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整等。常用的改進(jìn)方法有以下幾種:加入動(dòng)量項(xiàng);自適應(yīng)學(xué)習(xí)速率調(diào)整;共軛梯度算法;Levenberg-Marquart算法。除了改進(jìn)算法以外,通過改變神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(隱層結(jié)點(diǎn)數(shù)和網(wǎng)絡(luò)層數(shù))、調(diào)整誤差等方法,也能加快BP算法的收斂速度。3.2.1.2徑向基RBF(radialbasisfunction)神經(jīng)網(wǎng)絡(luò)同BP網(wǎng)絡(luò)一樣,RBF網(wǎng)絡(luò)也是一種前向網(wǎng)絡(luò)。其結(jié)構(gòu)如圖2所示,它只有一個(gè)隱含層,輸出單元是線性求和單元,即輸出是各隱單元的加權(quán)求和。隱單元的轉(zhuǎn)移函數(shù)用徑向基函數(shù)(RadialBasisFunction,RBF),輸入單元和隱單元的連接權(quán)值固定為1,只有隱單元和輸出單元的連接權(quán)值為可調(diào)。從理論上說,RBF網(wǎng)絡(luò)能以任意精度逼近任意非線性映射。一般認(rèn)為,RBF網(wǎng)絡(luò)中所利用的非線性函數(shù)的形式對網(wǎng)絡(luò)性能的影響并不是至關(guān)重要的,關(guān)鍵因素是基函數(shù)中心的選擇。在實(shí)踐中,可以將中心取為數(shù)據(jù)的某個(gè)子集,這種子集的選取應(yīng)當(dāng)是輸入域的適當(dāng)抽樣。RBF網(wǎng)絡(luò)的學(xué)習(xí)可用聚類(或類似的其他方法)確定函數(shù)中心,隱單元到輸出的權(quán)可直接計(jì)算,避免了學(xué)習(xí)中的反復(fù)選代過程,所以學(xué)習(xí)速度較快。經(jīng)過對實(shí)際交通流數(shù)據(jù)預(yù)測結(jié)果比較可知,RBF網(wǎng)絡(luò)不僅具有良好的推廣能力,而且避免了像反向傳播那樣繁瑣、冗長的計(jì)算,學(xué)習(xí)速度比通常的BP方法快103～104倍,但是存在著聚類中心的選擇問題,同時(shí)訓(xùn)練所需的樣本數(shù)量較多。3.2.2混合網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)在短期交通流預(yù)測領(lǐng)域應(yīng)用較多,但是每種神經(jīng)網(wǎng)絡(luò)模型都有其優(yōu)勢和局限性,不同的神經(jīng)網(wǎng)絡(luò)相結(jié)合,能相互“取長補(bǔ)短”,也促進(jìn)了多種神經(jīng)網(wǎng)絡(luò)相結(jié)合的混合優(yōu)化預(yù)測模型的研究。如:1997年Ohba等提出的混合結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型具有學(xué)習(xí)功能。3.2.3神經(jīng)網(wǎng)絡(luò)模型隨著科學(xué)的發(fā)展,出現(xiàn)了多學(xué)科的交叉與融合。神經(jīng)網(wǎng)絡(luò)技術(shù)與其他領(lǐng)域的先進(jìn)方法相結(jié)合的綜合模型也逐漸應(yīng)用于交通流預(yù)測領(lǐng)域,如神經(jīng)網(wǎng)絡(luò)與優(yōu)化算法(遺傳算法、粒子群優(yōu)化算法、蟻群優(yōu)化算法、模擬退火算法等)的結(jié)合、神經(jīng)網(wǎng)絡(luò)與模糊邏輯相結(jié)合、神經(jīng)網(wǎng)絡(luò)與粗集理論相結(jié)合、神經(jīng)網(wǎng)絡(luò)與時(shí)間序列相結(jié)合等等,預(yù)測精度較單一的、優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型有很大的提高。神經(jīng)網(wǎng)絡(luò)具有識(shí)別復(fù)雜非線性系統(tǒng)的特性,因此比較適合用于短期交通流預(yù)測。目前已從一個(gè)簡單的單一神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測,發(fā)展到用不同的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行組合,提高了模型的精度和預(yù)測效果,再到用神經(jīng)網(wǎng)絡(luò)模型和其他領(lǐng)域的先進(jìn)理論結(jié)合進(jìn)行預(yù)測,彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)的不足,提高了預(yù)測的精度。但應(yīng)該看到神經(jīng)網(wǎng)絡(luò)用于短期交通流預(yù)測的局限性和不足,由于神經(jīng)網(wǎng)絡(luò)的“黑箱”式學(xué)習(xí)模式,訓(xùn)練過程需要大量的原始數(shù)據(jù);訓(xùn)練完成的網(wǎng)絡(luò)只適合于當(dāng)前研究路段;同時(shí),神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法采用經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原理,不能使期望風(fēng)險(xiǎn)最小化,在理論上存在缺陷。神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程只能通過調(diào)整神經(jīng)元的權(quán)值進(jìn)行數(shù)據(jù)處理,即只有神經(jīng)元外部的處理能力,這種不足導(dǎo)致這類網(wǎng)絡(luò)存在著局部極小、收斂速度慢、推廣能力差以及難以實(shí)現(xiàn)在線調(diào)整等問題。目前神經(jīng)網(wǎng)絡(luò)在交通流預(yù)測領(lǐng)域的研究大多屬于驗(yàn)證性的研究,即用人工神經(jīng)網(wǎng)絡(luò)方法完成預(yù)測并與其他方法進(jìn)行對比,沒有指出神經(jīng)網(wǎng)絡(luò)的適用范圍和應(yīng)用條件。每一種預(yù)測模型或方法都有其適用性,應(yīng)進(jìn)一步研究各種神經(jīng)網(wǎng)絡(luò)模型的適用條件和范圍。3.3非線性系統(tǒng)理論非線性預(yù)測主要以混沌理論、耗散結(jié)構(gòu)論、協(xié)同論、自組織理論等非線性系統(tǒng)理論為理論基礎(chǔ),利用有關(guān)混沌吸引子概念、分形概念、相空間重構(gòu)方法,數(shù)字生態(tài)模擬法(dataecology)等建立預(yù)測模型。其中發(fā)展較成熟的預(yù)測方法是混沌理論和小波分析。3.3.1交通流的混沌特性混沌學(xué)是一門新興學(xué)科,混沌理論研究的是非線性動(dòng)力學(xué)系統(tǒng)的混沌。混沌(Chaos)是指一種貌似無規(guī)則的運(yùn)動(dòng),在確定性非線性系統(tǒng)中,不需附加任何隨機(jī)因素亦可出現(xiàn)類似隨機(jī)的行為(內(nèi)在隨機(jī)性)。要用混沌理論對交通流進(jìn)行分析,首先要判別交通流的混沌特性,交通流系統(tǒng)是有人的群體參與的、開放的復(fù)雜巨系統(tǒng),因此交通中存在著混沌。從理論上講用混沌理論對非線性、不確定性很強(qiáng)的交通流進(jìn)行預(yù)測是非常適合的,所以這類模型將會(huì)有很好的發(fā)展應(yīng)用前景。3.3.2時(shí)間序列分解小波分析是20世紀(jì)80年代中期發(fā)展起來的一門新興的分析方法,并已在逼近論、微分方程、分形識(shí)別、計(jì)算機(jī)視角及非線性科學(xué)等方面都有成功地應(yīng)用。因小波具有良好的時(shí)——頻局部化性質(zhì),人們將其應(yīng)用于混沌、非平穩(wěn)時(shí)間序列的分析與預(yù)測。小波分析方法是對一組已知的交通流時(shí)間序列v0ii0(將原始信號(hào)視為尺度0上的信號(hào))和選定的尺度函數(shù)?(t)、小波函數(shù)φ(t)及其對應(yīng)的分解系數(shù)序列{an}、{bn},重構(gòu)系數(shù)序列{pn}、{qn},進(jìn)行N尺度的分解,得到一個(gè)基本時(shí)間序列信號(hào)vjiij和一組干擾信號(hào)wjiij(j=1,2,…,N),然后利用其他預(yù)測方法(如ARMA)對分解后的近似信號(hào)、干擾信號(hào)進(jìn)行預(yù)側(cè),將分解信號(hào)及相應(yīng)的預(yù)測結(jié)果利用重構(gòu)算法(如Mallat算法)得到原尺度的信號(hào)及其預(yù)測結(jié)果。近年來發(fā)展了一些基于小波分析的預(yù)測方法,如將小波框架神經(jīng)網(wǎng)絡(luò)用于交通流量預(yù)測,取得了較好的效果。但由于該網(wǎng)絡(luò)固有的參數(shù)較多且不易確定,使小波網(wǎng)絡(luò)在交通流預(yù)測中的優(yōu)勢未能充分地發(fā)揮。正交小波網(wǎng)絡(luò)不僅具有小波框架神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn),而且由于尺度函數(shù)的正交性,其參數(shù)更易確定,可以提供一個(gè)更加有效的函數(shù)表示或逼近。然而,魯棒性較差的問題妨礙了小波網(wǎng)絡(luò)的工程應(yīng)用;應(yīng)用于預(yù)測領(lǐng)域的還有小波理念與kalman濾波的結(jié)合模型、小波理論與時(shí)間序列的結(jié)合模型、小波理論與混沌理論的結(jié)合模型、非參數(shù)小波算法等?；谛〔ǚ治龅哪Ｐ陀泻艽蟮膽?yīng)用前景,但在交通流預(yù)測領(lǐng)域應(yīng)用不多,將有待繼續(xù)研究。3.4基于新興技術(shù)的預(yù)測方法隨著科學(xué)的發(fā)展,預(yù)測領(lǐng)域出現(xiàn)了一些新興技術(shù)。下面重點(diǎn)介紹一下數(shù)據(jù)融合技術(shù)。3.4.1融合模型方法與算法數(shù)據(jù)融合是一種信息的綜合和處理過程,即對來自多源、多媒質(zhì)、不同時(shí)間、不同模式、不同表示方法的傳感器數(shù)據(jù)和信息按一定的準(zhǔn)則,結(jié)合知識(shí)庫,分析、綜合為一個(gè)全面的情報(bào),最后得到被感知對象的更精確的描述,并在此基礎(chǔ)上為用戶提供需求信息。數(shù)據(jù)融合技術(shù)的最大優(yōu)勢在于它能合理協(xié)調(diào)多元數(shù)據(jù),充分綜合有用信息,在較短的時(shí)間內(nèi)、以較小的代價(jià),得