交通流量预测

交通流量预测（通用11篇）

交通流量预测 篇1

摘要：交通流量预测是智能交通领域的核心内容之一,近年来已经成为国际学术界研究的热点与难点课题之一。本文对交通流量预测算法进行了深入的研究,提出了基于递归正交最小二乘径向基神经网络交通流量预测方法,并从实验和理论上与BP神经网络的预测性能作了系统的比较,通过仿真实验得出结果,证明了算法的有效性。

关键词：智能交通,交通流量,预测,神经网络

0 引言

交通运输业的发展水平是一个国家兴旺发达的重要标志之一。随着我国经济的高速发展,汽车数量急剧增加,已有的道路远不能满足经济发展的需求,交通状况日益恶化,是我国面临的极其严重的“城市病”之一。交通信息预测是路径诱导系统的重要基础,而交通流预测和线路引导是改善运输管理体系的重要途径,也是智能交通控制的主要内容。建立交通流诱导和线路引导系统的关键是要能较准确地预测未来时段内车辆在路段上的交通流量。鉴于此,本文研究了一种基于新型径向基神经网络的交通信息预测方法,并验证了其有效性。

1 新型径向基神经网络的基本原理

2 基于新型径向基神经网络的交通流量预测

由于BP网络存在局部极小和收敛速度慢等缺点,本文采用在逼近能力、分类能力和学习速度等方面均优于BP网络的另一种网络,即递归正交最小二乘径向基神经网络(新型径向基神经网络)建立交通流量预测模型。图一为径向基神经网络结构图。递归正交最小二乘径向基神经网络与BP神经网络的主要区别是隐层函数,BP网络采用Sigmoid函数,而递归正交最小二乘径向基网络采用高斯函数。图二为基于径向基神经网络的交通流量预测模型图。

本模型在进行交通流量预测时,所采用的训练数据输入模式和输出模式与BP网络预测模型是相同的。设qin(d)为路段i上第d天n时刻的交通流量向量,qin(d-1)为路段i上第d-1天n时刻的交通流量向量,Qin(d)=[qi1(d),qi2(d),…,qin(d)],n为路网训练的天数,若只考虑研究路段的交通流量,则n=1。考虑到路段的长度和交通流的特性,采用当前时段和前m天同一时刻的交通流量对未来同一时刻的交通流量进行预测。因此,将Qin(d),Qin(d-1),…,Qin(d-m)作为输入样本,Qin(d+1)作为输出值。

3 仿真实验研究

将基于递归正交最小二乘径向基神经网络的交通流量预测模型应用于交通路网,此路网含有74个节点,262条有向路段。本文建立了研究路网10天的交流量数据库,其中每天的研究时段为7:30到9:30,交通流量的数据每15min一组,共80条记录,其中64条记录用于训练,16条记录用于验证数据模型。

这里采用一个隐层、46个隐层单元的递归正交最小二乘径向基神经网络进行训练,训练的数据变量有:路网中所有的有向路段第d天n时刻的交通流量、第d-1天n时刻的交通流量、第d-2天n时刻的交通流量、第d-3天n时刻的交通流量,输出变量为路网中所有的有向路段第d+1天n时刻的交通流量,学习率为自适应学习率。经训练的神经网络对该交通路网连续两天n时刻的交通流量进行了预测。

仿真结果如图三、四、五所示,其中,图三是路段7:30时刻实际交通流量与预测交通流量曲线对比,其中虚线表示预测所得交通流量,实线表示当时路段的实际交通流量,由图可知,采用递归正交最小二乘径向基神经网络预测所得的交通路网的某时刻路网交通流量可以很好地反映当时路网的实际交通流量特性,因此,采用递归正交最小二乘径向基神经网络预测所得的交通流量来描述未来时刻某些路段的交通状况是可行的;图四是路段实际交通流量与预测所得交通流量的绝对误差,其预测交通流量与实际交通流量的平均绝对误差为0.241;图五是路段实际交通流量与预测所得交通流量的相对误差,其预测交通流量与实际交通流量的平均相对误差为0.18%。以上结果显示,基于新型径向基神经网络的交通流量预测模型能够对复杂的交通流特性进行很好的描述,对未来时段的交通流量进行准确的预测。

4 交通流量预测对比研究

采用了相同的训练样本和测试样本分别建立了BP神经网络和递归正交最小二乘径向基神经网络交通流量预测模型。通过仿真实验,得出结果如表一所示。

由此可见,基于新型径向基神经网络的交通流量预测模型比基于BP神经网络的交通流量预测模型更有效,其训练时间和次数少,所得预测交通流量与实际交通流量更吻合,因此,采用新型径向基神经网络建立交通流量预测模型是切实可行的。基于新型径向基神经网络的交通流量预测模型是实施有效的。

5 结束语

本文提出了基于新型径向基神经网络的交通流量预测算法,通过仿真实验验证了其用于交通流量预测的有效性。结果显示,基于新型径向基神经网络的交通流量预测算法比传统的BP神经网络算法更有效,具有更好的适用性和实时性。

参考文献

[1]Barry Gommj,Dingli YU.Selection Radial Ba-sis Function Network Centers with Recursive Orthogo-nal Least Squares Training[J].IEEE Trans Neural Net-works,2000,11(02):306-314.

[2]沈国江,王啸虎,孔祥杰.短时交通流量智能组合预测模型及应用[J].系统工程理论与实践,2011,31(03):561-568.

[3]张晓利,贺国光.基于主成分分析和组合神经网络的短时交通流预测方法[J].系统工程理论与实践,2007,27(08):167-171.

[4]马林才,许玮珑,刘大学.基于小波变换的城市市区典型路段交通流量预测[J].控制与决策,2011,26(05):789-793.

[5]Hong W C,Dong Y C,Zheng F F,et al.Fore-castingurban traffic flow by SVR w ith continuous A-CO.Journal of Applied Mathematics,2011.

交通流量预测 篇2

20春运共40天，将于明年1月13日开始，至2月21日结束，是近五年来最早的春运。根据预测，年春运期间进出京客流总量预计达4191.9万人次，同比增长3.4%。由于学生、务工、探亲流三大客流相互叠加，客流高峰将一直处于较高水平。

2017年春节较20早11天。各大中专院校寒假放假日期在春运运输期限内(在京各高校放假时间为1.9―1.23)，形成学生、务工、探亲流三大客流相互叠加，客流高峰呈现来得早、时间长、峰值高的特点。

据预测，客流将一直处于较高水平，并于节前3至5天形成客流最高峰;节后返程客流高峰相对集中，第一个返程客流高峰主要集中在农历正月初四至初六，第二个返程客流高峰正月十五前后三天，第三个返程高峰在春运最后一周，学生、务工人员多种客流交织叠加。

市内交通压力将持续增大。一方面，铁路增开临客79对，其中夜间18对;民航同时增加了夜间飞行航次。另一方面，极端天气出现的概率加大，极易发生临客及航班因故晚点到达或在地铁停运后到达的情况，对铁路、民航、市内交通之间协同配合做到无缝衔接，提出更高的要求。

据悉，为更好地满足广大人民群众出行需要，全市成立了春运工作协调小组，将统筹协调全市春运工作。

春节继续实行高速小客车免费

据北京市交通委通报，根据预测，2017年春运期间进出京客流总量预计达4191.9万人次，同比增长3.4%;其中铁路2866.3万人次、民航1105.6万人次、公路省际客运220万人次。

针对北京市内公共交通情况，据介绍，北京春运期间公共汽电车预计运送乘客3.2亿人次;轨道交通预计运送乘客3.2亿人次。

春节期间，将继续实行高速公路小客车免费通行的政策，会影响500公里范围内的出行结构和出行时间。

除夕前两至三天，高速公路出京方向车流逐渐增多;除夕凌晨至上午，可能会出现瞬时的车流高峰。正月初五、初六的高速公路进京方向，可能会出现持续时间较长的车流高峰，遇有恶劣天气、交通事故，极有可能造成局部路段的严重拥堵，公路交通将面临巨大压力。

铁路、民航、省际客运保障出行

2017年春运期间，铁路方面提早赶前、精心组织、深入挖潜，力争通过采取优先补充图定运行线能力、重点安排能力紧张方向高铁临客、客流较大方向安排普速临客、提高车底使用效率，满足旅客出行。

北京地区图定始发客车达到478对，较年春运节前增加23对。具体为：北京站103对，同比增加3对;北京西站169对，同比增加10对;北京南站206对，同比增加10对。作为春运节前重点地区，北京地区安排始发终到长途临客运行线：节前79对(同比减少1对)，节后74.5对(同比增加2对)。

各站始发长途临客方案具体为：北京站：节前29对(同比减少1对)、节后27对(同比减少1对)。北京西站：节前29对、节后28.5对(同比增加2对)。北京南站：节前18对、节后17对(同比增加1对)。北京东站：节前1对(同比增加1对)、节后1对(同比增加1对)。昌平北站：节前2对(同比增加2对)、节后1对(同比增加1对)。

根据预测，2017年春运期间北京地区首都机场和南苑机场计划进出港航班7.28万架次，比2016年预计增长2%。为更好地满足春运旅客出行需求，民航华北管理局将继续支持各航空公司在北京地区调整航线航班，尤其是今年冬春航季民航将航班审批改为了备案制，更便利航空公司自主调整运力，增加航班密度等。在保障旅客运输的基础上，将对重点物资及节日急需物品优先予以安排保障。

春运期间，全市10个省际客运站在确保正班运力不减少的基础上，计划开行加班车2950个班次，筹措备班运力787辆。针对节前出京和节后返京出现的客流高峰，各客运站将增加工作人员，做好客流的组织疏导。

此外，还将组织骨干企业373辆旅游客车支援省际班线备班运力，保障省际客运行业高峰客流运输需求;春节黄金周期间可投入运力6500余辆，保障运力充足。北京旅游集散中心组织运营世界文化遗产游、市内观光游等7条旅游热点线路，满足散客旅游出行需求。

公共汽电车日均安排运营15万余车次 邮政保障快递服务

春运40天，公共汽电车计划安排运营633万余车次，日均15万余车次;对始发和途经火车站、机场和省际客运站的36条夜班车，配备相应数量的公交机动车和机场巴士运营车辆，确保火车站、机场接续运输运力充足，重点做好节后返京客流高峰火车站、机场和省际客运站接续运输服务保障工作。

针对新线(段)开通后的客流特点，春运期间市地铁运营公司、轨指中心、京港地铁公司将根据春运组织实施阶段各时段客流情况，精细运行调度;出租汽车将加强运营调度，重点做好机场、火车站和主要客流集散地的运力保障。

针对节前货物运输需求量大、抢运任务重的特点，春运期间将加强对货运市场的监测，统筹货运物流及城市配送企业运力，做好煤、粮、油、气等重点物资和特运任务的运输，以及鲜活农产品、生活必需品等节日物资运输，满足企业生产和居民生活需要。

基于长相关网络流量预测分析 篇3

关键词:长相关;小波;AR;预测

中图分类号:TN711文献标识码:A文章编号:1007-9599 (2010) 09-0000-01

Analysis of Network Traffic Based Long Range Dependence

Chen Bo,Cai Ranran

(Sichuan TOP Vocational Institute of Information Technology,ChengDu611743,China)

Abstract:Based on the fact that wavelet transform can remove its relevant characteristics,and the improvement for Linear Prediction Model,this paper will tell how to accurately predict the long range dependence traffic.

Keywords:Long Range Dependence(LRD);Wavelet;AR;Predict

一、引言

传统的认为网络流量是服从Possion分布或近似为Markov过程,所以大都是基于线性模型来近似处理流量的发展趋势,主要有基于自回归(AR)或自回归滑动平均(ARMA)的预测模型。但是近年来对网络流量研究发现,实际流量表现出明显的自相似、长相关[1][2]特性。实际流量的分形特性不仅具有统计意义,并且对网络性能与网络控制有重要影响,尤其在网络资源有限的情况下,建立一个有效的网络模型来预测网络负载,并及时做出处理,将会极大的提高网络的性能与服务质量。在时域不容易解决的问题可以转化到频域中来。对于某些非平稳时间序列,其小波分解后的流量可以平稳时间序列来处理,这样就可以采用传统的预测方法]对分解后的时间序列进行预测,从而为某些非平稳时间序列的预测提供了一种新的方法。

二、小波变换的流量分解与合成

本文利用离散小波变化进行,小波基采用db小波和墨西哥小波进行试验。

设 表示其在第j层的尺度系数、 表示第j层的小波系数,由小波变换的系数递推可以得出:

(1)

三、实际流量预测算法

假定研究的过程x(n)是由一个输入序列u(n)激励一个线性系统H(z)的输出,H(z)是一个因果的线性不变离散时间系统,其单位抽样响应h(z)是确定性的。输出序列x(n)可以是平稳的随即序列,也可以是确定性的时间序列。若x(n)是确定性的,那么u(n)是一个冲激序列,若x(n)是随机的,那么u(n)应是一个白噪声序列。不论x(n)是确定性信号还是随机信号,u(n)和x(n)之间总有如下的输入、输出关系:

(2)

(3)

上面两个公式有不同的应用场合,公式(2)主要应用于确定性信号,而公式(3)主要用于随机信号。

若 全为零,则(3)式变为:

(4)

经过Z变换之后可得:

(5)

(4)、(5)式给出的模型就是自回归AR模型,它的含义就是该模型的输出是现在的输入和过去p个输出的加权的和。

大量研究已经证明实际数据是具有分形特性,并且是长相关的,由于AR模型不适用于长期预测,对具有长相关的数据不能准确预测,而小波变换正好能够近似去除数据的长相关性,因此这里可以考虑首先利用小波变换对实际数据作出处理,然后再利用AR模型进行预测,以此提高预测的精度。其具体算法如下:(1)首先选取合适的小波基对实际数据进行分解,得到相应的小波系数和近似系数。(2)其次,对每一层小波系数作为AR模型的原始数据,分别进行参数估计,然后用小波系数来驱动一个正态分布的信号,得到预测后的小波系数。(3)最后采用逆小波变换合成预测之后的数据。

四、性能分析

前面一节中给出了对长相关流量的预测模型,改进的思想主要利用了小波变换能够近似去除网络流量的相关性,对实际流量进行处理之后再建立相应的预测模型。这里我们利用Matlab中自带的FBM模型来产生长相关数据,然后分别利用改进后的AR模型和FRAIMA模型进行预测。设FBM模型产生一组H=0.96的长相关流量LD_DATA,长度为1000。同时使用改进后的AR模型与FRAIMA模型进行预测。

为了进一步将预测结果数字化,这里将两组预测的结果进行残差分析,得到的结果如表1所示。

从预测结果和残差分析的结果可以清楚看出,改进后的AR模型和FARIMA模型对长相关数据的预测都具有一定的精度,由此可以看出改进后的模型是有效的。

五、结语

本文针对实际流量表现出的自相似、长相关特性,结合小波变换能够去除流量的相关性,对现有的AR模型进行改进,使其对长相关流量具有一定的預测精度。同时对比FRAIMA模型对长相关流量的预测结果,验证了改进之后模型的有效性。

在后续研究中,可以考虑利用小波技术对多重分形下实际网络流量的分析与建模进行研究,以此建立适合实际流量特性的网络模型。

参考文献:

[1]洪飞,吴志美.基于小波的多尺度网络流量预测模型.计算机学报,2006,1

[2]王伟,彭锡涛.基于mallat算法的自相似网络流量随机建模[J].计算机应用.2003:4-8

交通流量预测 篇4

数据挖掘(Data Mining, DM)技术是指从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。作为一个重要的计算机应用领域，它将极大地促进信息对于人类社会进步所起的作用，产生巨大的经济和社会效益[1]。随着我国高速公路领域联网收费技术的普遍推行，联网收费中心将汇集起海量的高速公路收费系统数据，这些信息具有及时、准确的特点。对这些信息进行处理分析和挖掘，实现信息的增值与充分利用，将具有重要的理论与现实意义。但如何对这些数据进行深入挖掘，发现其中的潜在规律等的研究成果还很少。

在高速公路上估算收费站的车流量对优化管理来说十分有益，通过对流量的预测可以及时调配人力物力资源，同时也可以为交通规划与新道路建设提供依据。以往交通流量的预测方法对前期交通量的预测往往与实际出入太大，其预测交通量指标已失去其指导意义，进行OD的重新调查不仅费时费力，而且依赖于大量实地交通调查或交通检测设备所获得的数据资料，需要大强度、高投入的数据采集工作。本文以时序理论建立起利用联网收费数据预测车流量的思路，并借助SQL 2005提供的数据挖掘功能，建立起基于数据仓库、联机分析处理和数据挖掘的收费道路数据分析系统，实现利用联网收费数据对车流量的预测。

2 联网收费系统原始数据记录以及数据的预处理

联网收费中心的收费系统数据以记录的形式存在，每一条记录都对应了一辆车的出入口信息，并且还要附加众多系统信息。因此，在进行有一定目的的数据挖掘工作前，对原始的收费系统数据进行预处理，是建立挖掘算法的分析模型的关键前提，这一步骤主要包括数据信息的选择和一些必要的数据转换工作[2]。

2.1 联网收费系统原始数据记录

依据地方标准《广东省高速公路联网收费系统》(DB44/127-2002)[3]，联网收费系统的数据记录主要由以下数据构成(见表1)ㄢ

2.2 数据的预处理

数据预处理的目的是把海量的收费数据进行处理，转换为适合数据挖掘的可靠精确的数据。考虑到在数据挖掘中遇到的问题，以及在高速公路收费数据挖掘中的实际过程，将数据预处理过程分为以下几个步骤：数据清理、数据集成、数据抽取。

(1)数据清理：通过数据清理将收费员发卡时误操作或者机器故障产生坏卡时的产生记录进行清理;同时也将司机由于卡丢失或者进高速公路后从入口掉头以及司机冲卡而产生的异常数据进行清理。

(2)数据集成：将表1清理后，集成到另一个表中。

(3)数据抽取：在这个表中抽取以下几列：出(入)口流水编码、入口站名 (出口站名) 、出(入)口车型、出(入)口时间(精确到小时)、车流量数。

3 基于收费数据进行车流量预测的Microsoft时间序列算法

回归树算法是数据挖掘中的一种分类预测算法。它结合了回归技术和决策树技术。

回归树模型的建立通过持续的 (或递推的) 分层将样本不断细分 (亦即分枝) , 而分枝点是能够使得两分枝的反应变量的变异最大的预测变量的某个值, 这样各节点内样本的同质性不断增强, 最终达到节点内样本同质或由于样本数量过少无法继续分层, 这里称终节点为叶, 而分枝开始的节点被称为根。

不失一般性，假定有p个预测变量X1，…，Xp和连续性的反应变量Y，建立回归树需要以下步骤[4]：

(1)二元分枝:即样本点x∈A是否成立。这个问题的答案将预测空间分枝，如果条件成立，那么，该样本点属于集合A，反之，该样本点属于A的补集，集合A及其补集的特征在回归树中可选用均数来表示。

(2)分枝优度准则(goodness-of-split criterion)：分枝是按照分枝优度标准来评价。分枝优度准则常用的评判方法是最小平方和离差。不失一般性，设t代表树的某个节点，即包括一个子样本是节点t中样本含量，那么，是节点反应变量的均数，节点内的离均差平方和为。现在假设分枝s将t分为左右两个子节点tL和tR。那么，使函数A (s, t)=SS (t)-SS (tL)-SS (tR)达到最大的分枝，亦即各个节点内的变异达到最小(亦称最同质)的分枝s*为最佳的分枝，公式表达为：A (s*t)=ms∈aBxA (s, t), B是所有可能的分枝的集合。

(3)树的大小：关于树适宜的大小目前利用剪枝技术得到。剪枝常用的方法为“最小成本-复杂性剪枝”(minimal cost–complexity pruning)。在此测量中，一个子枝T′的重要性是这样定义的：DK (T′)=Dk (T′)+k×size (T′)。

这里，DK (T′)为T′的deviance值，size (T′)为终节点数。k是成本-复杂性参数，deviance值随着终节点数的增多而下降，k随着节点数的增多而减小。DK (T′)越大，则该亚枝的重要性越大。评价的目的是既要保证回归树包含了足够的信息，又要把并不重要的枝节去掉。

4 交通流量预测的系统实现

4.1 系统结构

系统总体结构如图1所示，其中L0层的主要任务是存储所有原始记录，为数据挖掘提供所需的收费系统原始数据。L1层是对收费数据库进行数据预处理，L1与L0间通过Database API接口实现数据的抽取和过滤，把原始数据中一些不规范的、异常的数据进行过滤，对一些空数据进行补充和填写，生成数据仓库。L2层是对数据仓库里的数据进行数据挖掘和多维分析。L3层是一个用户接口层，它主要承担对用户请求的理解以及对分析挖掘结果的解释与表达等。本文引进SQL数据挖掘套件，主要用于构造L2层中的数据挖掘和多维分析。

4.2 SQL的数据挖掘功能

SQL Server 2005在数据挖掘功能方面得到了显著改进，将高级的数据挖掘功能、工具和API与流行的数据库一起打包。其中提供的回归树算法以回归算法和决策树为基础，用来解决分类和回归问题，用以执行关联分析。简单而强大的API技术，针对数据挖掘算法，把执行复杂的查询简化为开发人员所熟悉的SQL查询中的一个连接操作，并且实现对原始数据的抽取和过滤。

4.3 回归树模型的训练

为使用回归树算法，需要通过提供预处理后的历史数据，选择不同的参数训练模型。可供选择的参数包括：最小支持度(Minimum_Support)、历史模型数量(Historical_Model_Count)、历史模型间隔(Historical_Model_Gap)、模型阶段性(Periodicity)。模型训练完成后可以显示回归树的训练结果并可查看数字规则，如图2所示。

4.4 交通流量预测的实现

训练完模型之后，要根据车流量的回归树模型与数字规则，利用数据，通过选择收费站名、时间段进行预测。参数选择窗口如图3所示。例如用户选择黎光站和12月10日起24小时的车流量，其预测结果如图4所示，交通流量预测结果按时间顺序排列，如上午10点的车流为1 665。系统还将提供支持度、置信度等其他的一些关键信息。

5 结论

通过数据挖掘技术可以实现对联网收费数据的增值利用。本文提出了一个以回归树算法为基础，基于收费数据的车流量进行预测的思路，并且介绍了数据分析系统的实现。该系统在实现对收费数据的车流量进行预测的同时，将分析过程与预测结果用报表或者图表等形式展现。另外，按照本文的思路，运用统计、数据挖掘、最优控制理论和交通分配等理论和方法，还可以进行联网收费数据的旅行时间挖掘预测、OD关联挖掘等众多有益的工作，可以从高速公路收费系统数据记录中提取大量的交通、经济、社会信息。

本文的创新点在于将数据挖掘理论引入高速公路收费系统的营运中，在车流量预测中提出了基于收费数据进行预测和实现的新思路。

参考文献

[1]Jiawei Han, Micheline Kamber.数据挖掘概念与技术[M].范明, 孟小峰, 译.北京:机械工业出版社, 2001.

[2]钟足峰, 刘伟铭, 叶长征.高速公路挖掘数据预处理的研究[J].微计算机信息, 2007 (9) :195-196.

[3]广东省质量技术监督局.广东省高速公路联网收费系统, DB44/127-2002[S].2002.

对空中交通流量控制的探讨 篇5

【关键词】空中交通流量；控制；建议

前言

我国的经济实力逐渐提升，民航事业发展十分迅速，影响着我国经济实力的提升，因此，加强民航建设对于我国来说十分的重要，但是近年来，我国的空中交通流量的增长到了瓶颈期，督促着我国民航的发展要从根本上解决问题，要进行相应的创新，进一步扩大我国的空中交通流量，促进我国民航事业的发展。

一、影响空中交通流量的因素

随着我国经济实力的不断提升，人民生活水平的不断改善，对空中交通运输量的需求也在不断的增大。而现在无论是从新闻媒体上，还是从机场旅客的口中，总能听到对“流控”导致的延误的抱怨，越来越普遍的流控是什么原因导致的呢？首先是民航硬件设施与人员的限制，机场和管制部门的硬件设施、人员的配置与日益增长的流量之间的矛盾，“供”满足不了“需”。“供”包括机场对到场飞机的服务，例如：安排停机位、提供引导车拖车等，管制部门提供的服务，例如：防止航空器相撞、为航空器提供安全间隔、指挥航空器起降等；“需”即是日益增长的航班量。“需”超出了“供”所能承受得范围，那只有通过流量控制的方式来保证安全了。其次是其他空域用户占用空域，由于空域用户占用空域减小民航空域的使用范围，而其他空域用户也是在为保障国家安全进行训练，民航应主动进行避让，对于一些军事基地所在城市，就会通过流量控制的方式来进行有效的避让。再次是恶劣天气，设备故障等原因，夏季的雷雨和冬季的浓雾，都会导致飞机不够起降标准和航班大面积饶飞，而机场的容量和管制员工作的负荷都是有限的；设备故障会影响管制人员对航班的保障能力，所以都会通过流量控制的方式来防止航空器相撞。

二、扩大空域自由度

空域的自由度与空中流量的自由度是不同的，在空中对自由度进行限制会导致了空中流量比较的集中，并且这种集中还会不断的增多[1]。随着信息技术的飞速发展，无线电导航技术发展迅速，很多的导航设备得到了广泛的应用，尤其是在空间技术以及数字通信技术飞速发展的今天，高新技术为卫星导航的发展提供了基础，推动了其进步，并且卫星导航逐渐的向着高范围、全天候以及高精确度得方向上发展，其应用范围也变得越来越广泛，这很好的满足了航空事业的需求，为航空事业的发展创造了条件。我国的民航空域使用具有很大的限制性，受到很多规则的约束，全国的空域都是空军的，民航所使用的航路航线也是空军批复使用的，偏出航路范围都需要给空军申请。这样的规定，同时也限制了通用航空的发展，中国民航的需求量还在不断提升，流控最根本的矛盾还是空域限制带来的矛盾，期待国家能有效的将空域逐步的開放。

三、加强我国空中交通管制人员的综合素质

相关空中管制人员的综合素质决定着我国空中交通的安全，同时这也是空中交通是否顺畅的一个重要保障，管制人员的素质能够影响到对空中交通流量的控制[2]。随着科技的发展，我国的空中交通管制设备以及技术都在不断的更新进步，都应用了先进的计算机技术，同时空中的交通流量也在不断的加大，要想正确的利用这些设备，并且能够有效的保证空中交通顺利运行，那么相关的管制人员的综合素质必须要高，因为只有管制人员对先进的技术有一个全面的掌握，才能够更好的进行空中交通流量的控制管理。但是，目前我国对于空中管制人员的培训方面仍然是存在一些问题，管制技术的成熟不仅仅是完成了相关的训练就能胜任的，它还需要时间和经验的积累。而今流量不断增大，需要通过开放扇区来缓解流量压力，同时对管制人员的需求量也就随之而来，很多时候可能都会通过“拔苗助长”的方式来让年轻一代的管制人员快速成长起来，这里是存在很大风险的，同时也可能会存在很大的安全隐患。所以国家必须要针对这些情况，采取相关的措施，加强对空中管制人员的全面培训，重视空中交通流量管制问题，制定科学系统的规范来约束相关管制人员的行为，以此来加强我国空中交通流量控制的水平。

结语

随着科学技术的发展，我国的民航事业发展十分迅速，这在一定程度上加快了我国的经济的发展，但是，随着空中交通流量的增加，民航过快的扩建和发展人员，导致了其中存在很大的安全隐患。因此，国家需要从根本上来缓解民航发展带来的矛盾，针对我国的实际情况，通过开放空域和优化航路等方式，加强对空中交通流量的管理。

参考文献

[1]胡明华，徐肖豪.空中交通流量控制的地面保持策略[J].南京航空航天大学学报，2012，5（1）：50-51.

BP算法在交通流量预测中的应用 篇6

实时动态交通流量预测方法现正逐步运用于交通运输各领域, 在建设智能化交通, 提高交通运输效率, 实现人、车、路的和谐统一中起到举足轻重的作用。因此, 实现对道路交通流量的实时掌握以及准确预测成为发展智能运输系统的一个很重要的基础。较早期的预测方法主要有自回归滑动平均模型 (ARMA) 、自回归模型 (AR) 、滑动平均模型 (MA) 和历史平均模型 (HA) 等等。这些线性预测模型考虑因素都较为简单, 参数一般都用最小二乘法 (LS) 在线估计, 具有 (相对而言) 计算简便, 易于实时更新数据, 大规模应用的优点。随着研究的深入, 人们又提出了一批更复杂的、精度更高的预测方法。从表现形式上分, 有基于确定的数学模型和无模型算法两大类。前者包括多元回归模型、Kalman滤波模型、基准函数-指数平滑模型等;后者包括非参数回归、小波网络、神经网络相关的复合预测模型等。在这种情况下, 利用人工神经网络[1,2]建立的预测模型更显示出独特的优越性。人工神经网络利用输入数据和输出数据进行建模, 是一种并行的计算模型, 具有高速运算能力, 有很好的非线性映射能力和很强的自学习、自适应能力及高度的灵活性。在各种形式的人工神经网络中, 又以误差逆传播 (BP) 网络应用最为广泛, 它已成为前向网络的核心部分, 并体现了人工神经网络最精华的部分。目前, 在人工神经网络的实际应用中, 绝大部分的神经网络模型都采用BP网络和它的变化形式。本文就对建立在BP神经网络基础上的交通流预测模型进行仿真分析。

2 神经网络

BP神经网络[3] (Back Propagation Neural Network) 是最具有代表性的一种神经网络模型是当前最流行的神经网络模型之一, 并获得了广泛的应用。BP神经网络是一种多层前向型、采用误差反向传播学习算法的神经网络, 其结构如图1所示。它除了输入层和输出层之外, 中间还有一层或多层隐层。在BP神经网络中同层节点间无任何连接, 相邻两层神经元之间形成全连接。由于同层节点间无任何耦合, 因此, 每一层的神经元只接受前一层神经元的输入, 每一层神经元的输出只影响下一层神经元的输出。

网络的输入数据X= (x1, x2, …, xn) 从输入层依次经过各隐层节点, 然后到达输出层节点, 从而得到输出数据y= (y1, y2, …, ym) 。可以把BP神经网络看成是一个从输入到输出高度非线性映射, 即。

将神经网络应用于模式识别问题包含两个不同的阶段:第一个阶段或称为学习阶段, 即网络训练阶段, 调整神经网络权值以表现问题域;第二个阶段或称为工作阶段, 权值固定不变, 把实际数据或实验数据输入到神经网络, 网络能对其进行模式分类。

具有自学习能力是神经网络的最重要特征之一, 也是利用它来解决实际问题的最重要依据之一。BP神经网络通过对样本进行学习, 调整BP神经网络中的连接权值, 就可以实现非线性分类等问题。

3 BP学习算法

3.1 BP算法的基本思想

神经网络的学习算法[4]又称为误差反向传播算法或BP算法。误差反向传播法是最小均方算法的一种广义形式, BP算法使用梯度搜索技术, 按代价函数最小的准则递归地求解网络的权值, 代价函数为网络的实际输出和期待输出的均方误差。网络训练开始时, 权值初始化为一组随机值, 节点输出的期待值是预先规定的, 当输入训练数据后, 网络的代价函数可以计算出来, 通过BP算法, 误差逐层向输入层方向逆向传播, 使网络不断自适应地修改网络权值, 以减小代价函数值。

网络的学习过程由输入数据的正向传播和误差反向传播两部分组成:在正向传播过程中, 每一层神经元的状态只影响下一层神经元网络, 如果输出层不能得到期望输出, 就是实际输出值与期望输出值之间有误差, 那么转入反向传播过程。反向传播过程将误差信号沿原来的连接通路返回, 通过修改各层神经元的权值, 逐次地向输入层传播去进行计算, 再经过正向传播过程。这两个过程地反复运用, 使得误差信号最小, 当误差达到人们所希望的要求时, 网络的学习过程就结束。

3.2 算法的实现

根据以上的分析可以给出以城市交通流量为例, 采用带动量的特征因子变步长改进BP算法, 其具体化的学习过程按以下步骤进行:

(1) 输入N个学习实例;

(2) 建立BP网络结构。由学习实例输入向量xk的长度n确定网络输入层节点数为n, 由学习实例输出向量yk*的长度m确定网络输出层节点数为m。确定网络层数L叟3和各层节点数, 第l层的节点数为n (l) , 且n (l) =n, n (L) =m。定义各层间连接权矩阵, 第l层连接第l+1层的连接权矩阵为, 初始化各连接权矩阵的元素值;

(3) 输入允许误差误差ε和学习率η, 初始化迭代计算次数t+1, 学习实例号k+1;

(4) 取第k个学习实例 (xk, y*k) ,

(5) 由XK进行正向传播计算;

计算输入层各节点的输出为:

逐层计算各层节点的输入和输出为:

(6) 计算输出层 (第L层) 的各输出节点误差为:

(7) 若对N个学习实例的任一个实例K值, 则学习过程结束;否则, 进行误差反向传播修改连接权矩阵。

(8) 误差反向传播计算。

修改第L-1层隐层至输出层 (第L层) 的连接权矩阵:

反向逐层修改连接各隐层的连接权矩阵:

(9) , 转步骤 (4) 。

4 仿真及分析

仿真需要一定的数据信息, 现在以14年的交通流量数据[5,6]为实验数据, 构建一个基于算法的神经网络交通预测算法, 用Matlab进行实验仿真。仿真结果如图2, 3所示:

结果:

从仿真结果可知, 改进的算法使得误差信号很小, 在进行交通流量预测的运用中, 能为实现交通流畅提供合理的方法。

本文建立的神经网络预测模型依然存在一些需要改进的问题, 比如在影响交通流量的因素中, 还缺乏天气状况这样一个有力的因素。其实一天的天气状况对于流量的影响是很明显的。本文中之所以没有加入这个因素作为输入变量, 是由于实际能够获取的实时交通流量的数据中不包含天气这一方面的数据, 因此无法用网络进行训练, 还有待于更进一步深入的研究。

参考文献

[1]Hunt K J, Sbarbaro D, Zbikowski R, Gawthrop PJ.Neural Networks for ControlSystems-A Survey[J].Automatica.1992, 28 (6) :1083-1112

[2]Tejomurtula S, Kak S.Inverse Kinematics in Robotics Using Neural Networks[J].Information Science, 1999, 116 (2) :147-158

[3]多层前向网络的研究--遗传BBP法和结构优化策略, 陈荣等, 自动化学报第23卷第1期, 1997年

[4]陈昭炯, 一个改进的BP神经网络预自适应学习算法, 2002, vol.26 (4)

[5]邹倩颖, 王绪本.城市交通信号灯网络化控制及优化配时问题[J].计算机工程与应用.2004 (19) :222-225.

交通流量预测 篇7

关键词：BP神经网络,短时交通流量,CS算法

1 概述

随着城市人口不断增加,我国城市道路的建设进度难以跟上车辆数目的增长速度,从而使得交通拥堵问题日益严重,因此在现有道路条件下,如何对交通的进行高效的管理与调度以提升道路的通行能力,从而最大限度地缓解交通拥堵问题成为了一个十分重要的研究课题。而ITS(Intelligent Transport System,智能交通系统)[1]是目前最有效的解决办法之一。ITS把网络技术、信息技术、控制技术等先进的现代化技术运用到交通管理中,从而构建了一个覆盖全城的、全方位的、准确、实时、高效的智能系统。其中的交通流量预测是ITS的一项重要功能。这是因为ITS是根据未来的交通流量来制定相应的交通管理策略。因此,预测的准确性直接关系到交通管理测率的有效性。而短时交通流量预测为流量预测的重要组成部分。

经过多年的研究,人们在短时交通流量预测方面取得了丰硕的成果,提出许多的预测算法[2]。根据算法的理论依据,这些预测算法可以分成基于确定理论的预测算法与基于混沌理论的预测算法。常用的基于确定理论的预测算法有:Kalman滤波法、时间序列法、线性回归法等。这些算法都假设交通流量的变化是一个线性过程,但是在实际生活中,交通流量的变化是一个非线性时变的过程,因此这些基于确定理论的预测算法的预测准确度并不理想,其所得到的预测结果与实际情况相差会比较大,从而影响了交通管理策略的制定与调整。而常用的基于混沌理论的预测算法有:基于神经网络的预测法、基于遗传算法的预测法、基于向量机的预测法等。这些算法能够对非线性环境进行预测,从而能取得较高的预测精度。而该类算法的工作流程通常分为三个步骤:相空间的重构、预测算法的选择和参数优化、预测模型的生成。对训练序列进行相空间重构的目的是为了发掘训练序列背后所隐藏的内在规律。而预测算法是用来对从训练数据中提取预测模型,从而用于对未来进行预测。由于基于BP神经网络的短时交通流量预测算法能够实现自我学习并且具备预测可行度高等优点,因此本文选择该算法作为预测算法。但是,BP神经网络的阀值与初始连接权值直接影响该算法的预测可信度,如果参数设置不合理,该算法的收敛速度不仅会变慢而且所得到的预测模型也可能只是局部最优。针对这个问题,蚁群算法、遗传算法、退火算法等分别被用于BP神经网路的参数优化。但是,参数经过优化后的BPBP神经网络预测可行度还有有待提升。

而智能启发算法CS算法通过利用鸟类的飞行搜索原理,使得群体内的信息交流增多,从而实现了较快的收敛速度,这为参数优化问题提供了新的研究思路。在本文中,为了提高预测的可行度与精度,提出了基于CS(Cuckoo Search)算法与BP(Back Propagation)神经网络相结合的启发式算法(简称CS-BP算法)来进行短时交通流量的预测。

2 相关理论介绍

2.1 相空间重构

Packard等人在二十世纪九十年代第一次对相空间重构进行了定义[3]。而进行重构的目的是为了从某一非线性系统的实测的时间序列中发掘其在相空间中的几何特性,以便能够对更高维的相空间中吸引子进行重构。在本文中,短时交通流量的一维实测

2.2 基于BP神经网络的交通流量预测算法

其中,γ与vj分别为该层的阀值和从隐层到输出层的连接权值。

在基于BP神经网络[4]的预测算法中,连接权值与阀值是随机产生的,从而会造成收敛速度以及预测结果都不是很理想,因此,采用CS算法对连接权值与阀值进行优化,从而提升BP神经网络的收敛速度与预测可行度。

2.3 CS算法

为了解决CS算法收敛速度慢等缺点,利用高斯扰动来加快收敛速度,实现方法为:第t代中的第i个鸟巢的位置x(t)i进行绕到扰动,从而实现对x(t)i的更进一步的搜索。

从公式(6)可以看出,通过β与ε 的使用,使得鸟巢的位置变化更灵活,从而实现了算法的快速收敛。

3 基于启发式算法的短时交通流量预测的实现

上一节分别对本文所提算法用到的相关理论进行了介绍,本节将综合利用上述理论来实现本文所提算法。算法的实现步骤为:用m与τ对训练序列进行相空间重构,那么重构后的序列被用作神经网络的训练序列;1)首先通过对交通流量进行测量得到短时流量训练序列,然后分别用关联维算法与互信息法来确定维数m与时延τ ,最后利

3)首先x(0)b保持不变,而其它鸟巢的位置利用公式(5)进行变化,接着计算变化了的位置所对应的预测精度,然后把本次所得到的预测 精度与相 应的上代 预测精度 相比较 ,最后把精 度高的鸟 巢位置保 留下来 ,从而生成 了一组新 的鸟巢位 置

4)首先随机生成一组r ,接着把r与Pa进行比较,kt中的鸟巢位置被发现概率小的将被保留,其它的经随机地改变,从而得到一组新的 位置 ,然后计算 新位置所 对应的预 测精度 ,最后把精 度高的位 置保留下 来 ,从而成了 一组新的 鸟巢位置

6)首先跳出pt中预测精度最高的鸟巢xtb,接着判断该预测精度是否能够达到要求,如果达到,把xtb作为神经网络的参数设置,调到(7),否则的话,跳到(3);()

7)首先xtb所对应阀值与初始权值送入神经网络,然后神经网络开始用训练序列进行训练,从而得到预测模型,最后用预测模型进行预测。

4仿真分析

对某市的某一道路交通流量进行连续10天的观测,时间从8:00到12:00,每隔5分钟记录一次,总共得到480个观测值,组成的序列为X ={x1,x2,?,x480}。480个观测值中的前380个被用作训练序列用于生成预测模型,剩下的100个观测值被用于进行预测模型准确性的验证。图1给出所得到的测量值。

为了验证本文所提算法(简称CS-BP)的性能,将对基于PSO的BP神经网络的预测算法(简称PSO-BP)和基于GA的BP神经网络的预测算法(简称GA-BP)与CS-BP三者的预测误差进行分析。

GA-BP的参数为:变异与交叉概率分别为0.12,0.73,种群规则与最大进化次数分别为30和300。PSO-BP的参数为:

三种预测算法根据X的前380个数据来生成预测模型,并使用预测模型来预测后100个数据,图2给出了三种算法预测的结果。

从图5中可以看出,与GA-BP,PSO-BP相比,CS-BP的预测值与实测值相差最小,从而说明,CS-BP所产生的预测模型的可靠性。

5 小结

交通流量预测 篇8

生物免疫特性能较好实现粒子群在进化过程中收敛性和个体多样性的平衡,解决算法在后期因粒子逐步趋同导致收敛速度慢、易陷入局部最优的问题,提高算法的全局搜索能力。利用免疫粒子群算法训练BP神经网络的结构、初始权值和阈值,克服BP神经网络收敛速度慢、容易陷入局部最优等固有缺陷。仿真实验结果表明:在相同的精度和误差要求下,与普通粒子群算法相比,免疫粒子群算法训练后的BP神经网络具有更快的收敛速度。

1 BP神经网络模型

作为多层前馈型神经网络,BP神经网络的神经元具有n个输入,每个输入通过一个适当的权值w与下一层互连,人工神经网络的神经元模型如图1所示,网络输出可表示成

BP神经网络通常有一个或多个隐层,层中神经元的传递函数f(·)通常采用Sigmoid型变换函数(如正切型函数tansig或对数型函数logsig)将输入量映射为-1~1之间的连续输出量,实现从输入到输出的任意非线性映射。在输出层的神经元传递函数f(·)一般采用纯线性purelin变换函数。隐层的BP神经网络结构,如图2所示。其中n是输入向量的个数;S1、S2分别表示第1层(隐层)和第2层(输出层)的神经元数。

确定BP神经网络的结构后,利用输入输出样本集对网络进行训练,并采用误差反向传播的学习算法对网络中的权值wi和阈值θi进行学习调整,实现给定的输入输出映射关系。BP神经网络算法流程图如图3所示。

2 粒子群算法

2.1 粒子群基本算法

粒子群算法采用“速度-位移”模型解决优化问题。设一个维度为m的粒子群中,粒子i在d维空间的位置表示为:Xi=(xi1,xi2,…,xid),其速度表示为:Vi=(vi1,vi2,…,vid),其中i=1,2,…,m。此外,用Pi=(pi1,pi2,…,pid)和Pg=(pg1,pg2,…,pgd)分别表示粒子i以及整个种群当前搜索到的最优位置。

根据目标函数评估第k代粒子i的位置信息,计算该粒子的最优位置Pi和种群的最优位置Pg,并根据式(2)、式(3)生成下一代粒子的速度和位置信息

式中:w为惯性权重,它可按照式(4)根据进化代数Iter进行更新。c1,c2是加速系数,用于调节向个体最好位置与全局最好位置方向飞行的最大步长。η1,η2为均匀分布在0[,1]区间的随机数。

各粒子在解空间内搜索并跟踪个体极值点和全局极值点,直到达到规定的最大迭代次数或最小误差精度。

2.2 基于免疫记忆和免疫调节的粒子群算法

根据生物免疫系统的特性,在免疫算法中,将抗原看成问题的最优解,免疫产生的抗体看成问题的候选解,抗体不断排除抗原的过程即是候选解不断向最优解逼近的过程。抗体与抗原或抗体之间的相似程度用适应度函数表示,以建立抗体和抗原之间的评价机制。

免疫算法采用基于浓度选择机制的多样性保持策略,使粒子群中处于各适应值层次的粒子均保持一定浓度,以防止算法陷入局部最优。粒子xi的浓度定义如下

基于粒子浓度的选择概率公式

式中:f(xi)表示粒子xi的适应度函数值。

由式(6)可知,粒子i被选择的概率与其浓度成反比,使低适应值的粒子也能获得进化的机会,以克服粒子群算法在后期因粒子的“趋同性”导致在局部解空间上搜索效率差的缺点,提高群体的全局搜索能力。算法的流程如下:

Step1:初始化粒子群。根据基本粒子群算法随机产生种群大小为n的初始粒子群Pop0,并设置粒子的初始位置Xi0及速度Vi0,i=1…n。

Step2:计算粒子的个体适应值,确定当前粒子的个体极值Pi和全局极值Pg,并将Pg也设置为免疫记忆粒子,存入记忆库。

Step3:生成新粒子。先根据式(2)、式(3)更新上一代n个粒子的位置和速度,并再在群体中随机产生m个新粒子。

Step4:基于浓度的粒子选择。根据式(5)、式(6)计算新生成的n+m个粒子的选择概率,选择概率较大的n个粒子组成第k代粒子群Popk。

Step5:粒子群更新。将记忆库中的免疫记忆粒子Pg替换粒子群Popk中适应值较差的粒子,形成新一代粒子群体Popk+1。

Step6:当达到预设的最大迭代次数或最小误差精度要求,停止迭代并输出最优解Pg,否则转到Step2。

3 基于免疫粒子群BP神经网络的交通流量预测模型

3.1 交通流量数据的确定

在城市交通网络中,路段上某一时段的交通状况与临近时段中该路段以及上下游路段的交通状况关系密切。因此,预测时需参考与预测时段相关性强的前几个时段中上游路段的交通流量。此外,以周为周期的出行需求也能反映交通需求的规律性,如图4所示。t时刻路段a(即路口AB间)西进口的交通流入量Ia(t)受路口A北往东左转流量Oa-1(t)、由西往东直行流量Oa-2(t)、由南往东右转流量Oa-3(t)的影响。模型设定测量和预测周期Δt=3min,以Ia(t)、Ia(t-Δt)、Ia(t-2·Δt)、Oa-1(t)、Oa-1(t-Δt)、Oa-2(t)、Oa-2(t-Δt)、Oa-3(t)、Oa-3(t-Δt)以及路段a前一天的交通流入量Ia(t-24h)和路段a前一周的交通流入量Ia(t-7×24h)等11个观测数据作为预测t+Δt时刻路段a交通流入量Ia(t+Δt)的历史数据。

3.2 交通流量数据的预处理

依据输入层、隐层、输出层之间的传递函数,对输入向量进行初始化映射预处理,使其转换为对应区间内的连续输出量,实现从输入到输出的任意非线性映射。

模型选用只有一个隐层的三层BP神经网络,输入层、隐层和输出层之间的传递函数f(·)分别选用正切函数tansig和线性函数purelin,整个神经网络的输出范围为[-1,1]。依据式(7)将每个输入向量转换为[-1,1]之间的数值,使输入向量能较对称地分布在tansig函数的非饱和区内,以提高BP神经网络输入输出映射关系的逼近程度。

式中:x为原始输入向量,x′为预处理后的输入向量,xmax和xmin表示x的最大值和最小值。

3.3 确定神经网络的参数范围

3.3.1 确定隐层节点数、初始权值、阈值的初始化范围

模型中的三层BP神经网络的输入向量个数Input_num=11,输出向量个数Output_num=1。根据式(8)确定隐层节点数Mid_num的范围为[5,14]。

式中:α为1~10。因预处理后输入向量的范围为[-1,1],各节点初始权值的和的绝对值应小于1,以保证各神经元能在它们激活函数变化最大的位置进行初始操作,因此,初始权值和阈值的范围区间均为[-1,1]。

3.3.2 设置粒子适应度函数和粒子浓度函数

为寻找使神经网络误差最小的粒子,模型根据式(9)设置粒子的个体适应度函数Fitness(·)

式中:Ti是粒子i的理想输出,Oi是粒子i的实际输出。免疫粒子的浓度函数D(·)和浓度选择概率P(·)按照式(5)、式(6)定义。

3.4 免疫粒子群算法训练神经网络,确定网络的初始结构

根据3.3中确定神经网络结构的参数范围并输入训练样本,用免疫粒子群算法逐一对含有不同隐层节点数的神经网络进行训练,直至达到最大进化代数或最小误差精度要求。比较确定最优的神经网络结构,获得其最优隐层节点数、初始权值和阈值。

3.5 采用BP算法训练神经网络

利用误差反传思想对最优神经网络模型进行训练,迭代计算直至达到指定精度,最终输出该BP神经网络的初始权值、阈值、实际训练次数和误差。Matlab算法命令:NET=train(net,P,T)。其中net是免疫粒子群算法训练后所建立的神经网络,NET是用BP算法训练后的神经网络。P,T分别表示训练样本的输入向量和输出向量。

3.6 仿真输出与数据还原

用BP神经网络对交通流量进行仿真输出,Matlab算法命令为:Y=sim(NET,P1)。其中P1为输入向量,Y为输入向量P1的仿真输出。最后将仿真输出结果Y参照式(7)还原,得到预测后的交通流量。

4 交通流量预测实验及结果分析

实验用福州市杨桥中路(二环路往白马路方向)作为流量预测路段,并统计二环杨桥路路口连续两周9:30—10:30的交通流量,随机从记录集中抽取9:30—10:15中时间间隔为3 min的50组流量数据作为训练样本对神经网络进行训练。实验设置粒子种群大小为30,最大训练进化代数为1 000代,最小误差设置为0.000 001。

4.1 神经网络训练结果比较

免疫粒子群算法训练的BP神经网络,当训练到第166代时,网络误差精度达到0.000 001,如图5所示。基本粒子群算法训练BP神经网络的误差精度与训练步数的关系,如图6所示。快速BP算法训练神经网络的误差精度与训练步数的关系,如图7所示。比较可以看出,免疫粒子群算法训练BP神经网络的收敛速度最快。

4.2 仿真输出结果比较

抽取2015年11月11日10:15-10:30的5组交通流量数据,并分别用免疫粒子群IMPSO、基本粒子群PSO和快速BP算法训练神经网络进行仿真输出,得到以下结果:

实际测量的交通流量数据如下:

将仿真输出结果根据式(7)进行还原,其中xmax=51,xmin=26。交通流量预测值如表1所示。

从仿真输出结果与实际流量的对比可看出,相对于基本粒子群算法和快速BP算法训练的神经网络,免疫粒子群算法训练BP神经网络得到的仿真流量与实际流量的拟合程度较好,如图8所示。

辆

5 结束语

免疫粒子群算法能根据群体粒子间的信息沟通形成的群体智能进行全局搜索,避免了粒子群算法在群体收敛性和个体多样性平衡问题上的不足,利用免疫粒子群算法训练神经网络的结构,能克服神经网络收敛速度慢、容易陷入局部最优等固有缺陷。比较实验结果,免疫粒子群算法训练的BP神经网络能有效提高交通流量的预测精度,减小预测误差。

摘要：免疫理论中的基于浓度选择机制能避免粒子群算法在群体收敛性和个体多样性平衡问题上的不足,使改进后的粒子群算法优化BP神经网络参数的配置,提高短时交通流量预测的准确性。仿真实验表明:免疫粒子群优化后的BP神经网络可有效提高短时交通流量的预测精度,减小预测误差。

交通流量预测 篇9

目前我国正在大力发展以轨道交通为骨干, 以公共汽车、电车交通为主体的, 实现各类交通方式之间有机衔接的城市综合客运交通体系, 以缓解城市客运交通的困境[1,2]。交通枢纽在城市综合客运交通体系中的主要功能是有效衔接各种交通方式, 汇集和分配各种客流, 满足乘客中转换乘时高效、安全、便捷、舒适的需要。城市交通枢纽的建设满足了居民的出行需要, 然而枢纽内的客流量却呈现出了动态性的变化, 客流量不仅影响交通枢纽的空间布局, 同时也影响着枢纽内部的客流输送组织方案[3]。因此, 对客流量进行短期的预测能够在一定程度上影响交通的组织方案和应急预案的调整, 因而对客流量进行短期的预测是十分必要的。

1 问题分析

交通枢纽短期客流的时序性特点具有明显随机波动性, 因此在众多的短期预测的模型方法中 (主要包含指数平滑法[4], 灰色预测法[5], 神经网络[6]以及支持向量机[7,8]等) , BP神经网络是具有适应性的简单单元组成的广泛并行互联的网络, 具有良好的非线性, 高度并行的处理机制[9]。使得网络具有较好的模式识别能力和在任意精度逼近非线性预测的能力。 最小二乘支持向量机 (LSSVM) 是标准支持向量机 (support vector machine, SVM) 的1种扩展[10], 是建立在统计学习理论的VC维和结构最小化原理基础之上的方法, 能够很好地解决有限数量样本的高维模型构造问题, 且构造的模型具有很好的预测性能;可以解决小样本情况下的机器学习问题, 具有良好的泛化能力;可以解决高维问题及非线性问题;人为设定的参数较少, 便于使用。2 种方法适合对交通枢纽的客流量进行预测。但由于交通枢纽客流量的影响因素较多, 且相互之间的关系错综复杂, 呈现的是1种极为复杂的高维非线性关系[11], 应用单一的预测方法往往具有片面性, 不可避免地会降低预测精度。为提高客流量预测的精度, 笔者采用了综合BP神经网络和最小二乘支持向量机的组合预测模型, 即首先利用BP神经网络历史数据进行初步预测, 再将初步预测的结果作为最小二乘支持向量机的输入, 在此基础上进行训练和预测。

2 组合预测模型

2.1 BP神经网络预测模型

BP神经网络又称误差逆传播算法, 是1种具有3层或3层以上的多层网络结构, 每1层都由若干个神经元组成, 且各层神经元之间通过不同的权重连接[12,13], 其结构图见图1。

BP神经网络的基本数学模型可表示为

式中:wji为神经元之间的连接权;θj为神经元的阈值。为神经元的激活值, 再经过传输函数f就可得到输出值y, 预测神经网络执行过程包括:训练过程和预测过程。所谓训练程, 即BP神经网络按有导师学习方式进行训练, 当学习模式提供给网络后, 其神经元的激活值将从输入层经隐含层向输出层传播, 在输出层的各神经元输出对应于输入模式的网络响应。然后按减少误差的原则, 从输出层经隐含层回到输出层逐层修正各连接权。随着上述训练过程的不断进行, 网络对输入模式响应的正确率也不断提高, 而最终输出层的输出值即为所需的预测结果。

2.2 LSSVM预测模型

设给定的样本集为S={ (xi, yi) , xi∈Rn} (i=1, 2, …, l) 。式中:xi为第i个输入数据;yi为相应于xi的目标输出;l为样本容量。那么最小二乘支持向量机预测问题就可转化为求解下面的最优化问题

式中:φ (·) 为核空间映射函数;w为权矢量;e为误差变量;b为偏差量;r为正规化参数 (惩罚参数) , r>0。构造拉格朗日函数如下

式中:αi (i=1, 2, …, l) 为Lagrange乘子。将函数L分别对w, b, e, a求偏导, 并令其为0, 计算解得参数α (α=α1, α2, …, αl) 和b分别为

式中:y=[y1, y2, …, yl]T, E=[1, 1, …, 1]T, 矩阵Ω 的元素为

构造回归函数如下:

将参数代到式 (6) 即可得到LSSVM的预测结果, 其中采用的核函数为径向基核函数。

2.3 组合预测模型

在上述2种模型中, 神经网络具有很强的非线性映射功能, 并具有并行分布式处理, 自学习、自组织, 以及良好的容错性等优点。然而神经网络的学习法采用经验风险最小化原理, 不能使期望风险最小化, 会出现局部极小点等问题, 使得其在小样本, 短期客流量的预测中效果不佳;而支持向量机方法运用结构风险最小化原则可解决神经网络所具有的一些缺陷, 能够保证得到全局最优解, 而且在训练样本很少的情况下具有很好的推广能力, 在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势[14], 具有很强的泛化能力。

由于短期客流量的非平稳性特点, 所以流随机性、不确定性更明显, 导致短期客流量的预测要比长期预测受随机干扰因素影响更大, 不确定性更强, 规律性更不明显;单一的方法对于不同结构的数据样本, 预测的差异性较大, 导致预测效果的稳定性较差, 从而影响预测的精度, 为提高预测精度, 消除单一方法带来的不确定性, 采取了综合BP神经网络和最小二乘支持向量机的组合预测模型, 将BP神经网络强大的非线性拟合能力与最小二乘支持向量机在小样本预测中的优势结合起来。首先利用BP神经网络对历史数据进行初步预测, 再将预测的结果作为支持向量机的输入从而构建组合预测模型, 具体结构见图2。

3 仿真实验

为了验证文中算法在客流量预测中的有效性, 采用2012年北京市东直门交通枢纽全年的实际客流量数据作为样本进行仿真实验, 具体数据见图3。实验的评价指标采用平均绝对百分比误差MAPE和最大预测误差ME, 即

式中:xi和x′i分别为客流量的真实值和预测值;n为待预测样本个数。MAPE越小, 表示模型的预测精度越高。

具体实验步骤如下。

1) 数据预处理。以1月1日到3月3日9周的数据为例 (见图4) , 可看出第3周, 第4周, 第5周分别出现了异常的数据, 究其原因这些异常点对应的日期为1月19日~2月1日, 正处于春节期间, 由于本文着重平日的短期客流量预测, 因此将这些节假日异常点用其对应星期的其他周的平均数据代替, 以完成数据预处理。同样对余下的客流量做相同的处理, 并对新的时间序列做数据的归一化。

2) 确定训练集与测试集。以数据时间 (d) 序列连续m的数据作为输入, 第m+1的数据作为输出组成1个新的样本集, 包含了1个输入矩阵X和输出矩阵Y, 确定测试集与训练集的比例r (测试集与训练集样本个数的比值) , 从而得到相应的训练集与测试集。

3) 构建BP神经网络模型对训练集的样本进行初步训练和预测, 得到历史的客流量预测值。

4) 将BP神经网络得到的初步预测值作为最小二乘支持向量机的训练输入, 构建模型对测试集进行预测, 得到最终的客流量预测结果。

实验首先选取m=3d, r=0.1的情况对数据进行预测, 此时共有363个样本 (前330个样本作为训练样本, 后33个样本作为测试样本) , 得到预测结果见表1、图5。

人次

由表1, 图5可看出笔者所提组合预测方法能够较好地与真实值相贴近, 而为增加对比, 采用BP神经网络与LSSVM 2种方法对表1测试集的数据进行预测并具体计算出其预测的平均绝对误差为:在m=3, 测试比例r为0.1 的情况下, BP神经网络的平均绝对误差为:6.62%, LSSVM的平均绝对误差是:6.09%, 而组合预测模型的平均绝对误差为5.95%, 结果如表2所示。由表2可看出笔者所提组合预测方法的预测精度比LSSVM和BP神经网络的都要高, 这直接验证了笔者所提方法的有效性, 客流量的预测精度也得到了提高。

为了验证不同输入与训练比例对组合预测模型的精度的影响, 笔者分别选取了m=4, 6, 8;r=0.1, 0.3, 0.5, 求解了组合模型的预测精度并与BP神经网络与LSSVM模型进行了精度的对比, 结果如表3所示。

由表3可见, 不同的m与r值, 模型的精度不同, 总体来看测试集数量越小, 精度越高, 这是由于最小二乘支持向量机对短期小样本的预测问题具有优势, 因此组合精度的输出会更高些。

4 结束语

交通流量预测 篇10

关键词：物流需求量；平凉市；灰色预测

1.区域物流量预测的意义

通过本课题研究，分析并预测甘肃省平凉市的物流量，进而保证平凉市物流产业的发展，使得平凉市的物流产业在本省形成一定的辐射，利用平凉市的特有经济地位和区域地位，拉动周边城市或地区的物流产业发展。

近年来由于我国各地的物流产业的发展与壮大，物流园区的建设成为物流产业发展的必然产物，这也将是促进物流产业发展的关键环节。而其中对物流园区物流量的预测为建立物流园区合理的空间布局有着重要的指导和引导的作用，可以解决目前我省乃至全国普遍存在的物流园区布局不合理、基础设施重复建设、资源利用不足等问题。因此本文选择甘肃省平凉市的物流量作为研究的对象，通过科学合理的物流量预测，为交通基础设施的合理配置、物流园区的规划建设、运营管理，货运通道网络系统的提升等提供一定的定量依据。

2.物流量预测指标的选择

目前对于物流量并没有一个非常准确的定义，由于没有专业统计作业作支撑，也很难有一个被大家广泛引用的计算方法。而现阶段对物流量的预测多以“货运量”来反映一个地区或区域物流量的需求，由于物流量活动涉及的范围较广，考虑到运输是物流活动中最为基本的活动环节，而货运量在运输业中能较好体现运输需求，进而能够通过对地区货运量的预测来对本地的物流需求进行合理的预测，为地区物流产业和物流园区的规划可以提供参考的依据。

3.预测GM（1，1）模型

灰色系统理论是一门边缘科学，它结合了控制论和方法论，既可以应用于社会经济方面，又可以应用于工业控制方面。灰色模型预测实质是微分方程的时间连续函数模型，可以对事物的发展变化做出长期预测，而且对原始数据要求不高。针对我国的物流业尚处于初级阶段，影响物流量预测的因素很多，且很难获取完整的数据。在现有的物流资料很难满足一般预测方法要求的情况下，灰色预测在物流需求规模预测中具有较好的应用前景。灰色系统分析是将一些已知的数据序列，通过定量的方法处理，使其由散乱状态转向规律化，然后用微分方法进行拟合，并由外延进行预测。在考虑平凉市地区的货运量时，由于其是中国西北地区的公路枢纽，先天的地理位置使得本市的货运量多以铁路、公路的货运量为主，而在航空及水运上的货运量很少，故在本文中的货运总量只考虑公路货运量和铁路货运量。采用GM（1，1）灰色预测模型进行物流需求量预测的具体步骤包括：

第1步，数据累加生成。表1中列出了平凉市2002—2012年货运总量的统计数据，由此生成的原始时间序列X（0）={2211，2260，2629，2662，2906，3120，3371，3237，3331，3638，4375}为原始数列，在建模前首先应对X（0）进行GM（1，1）建模可行性判断。判断标准为原始数列的级比（前一数据除以其相邻后一数据）都必须落在可行区间（e-2/（10+1），e2/（10+1））内。否则，需要对原始数据进行处理。经对表1中数据进行计算，数列级比均落在可行区间内，因此无须对原始数据做处理。

4.结语

通过运用灰色预测GM（1，1）模型以平凉市2001～2012年的货运量为依据，预测出平凉市2013～2018年的货运量数值。基于建设“新丝绸之路经济带”规划的提出，使得处于“丝绸之路”上的区域省份與城市活跃起来，而物流产业作为发展本省或区域经济新的利润源，必会影响平凉市未来的经济发展形势，对平凉市货运总量产生巨大的影响，会使其物流需求量在原有增速的基础上大幅度提高，故可以看出，今后几年平凉市物流需求量将呈现上升的趋势。针对提升本地区物流产业的发展，平凉市政府在政策上应重点扶持此产业，加大物流基础设施的投资力度，使得物流需求与基础设施的配给协调发展，以保证平凉市物流业的健康发展。（作者单位：兰州交通大学经济管理学院）

参考文献：

[1]陈森.基于灰色系统理论的物流需求预测模型[J].决策参考，2006，2：59～60

[2]孙艳玲.灰色预测模型在物流预测中的应用研究[J].物流平台，2007，1：145～146

[3]李友俊，关欣.大庆市物流需求量的灰色预测[J].产业与科技论坛，20087（1）

[4]包莉丽，胡正华.基于GM（1，1）模型的南京市物流量预测[J].中国科技论文在线

[5]胡心专，张亚明.区域物流需求量预测实证研究[J].商业时代，2011（1）

[6]何国华，区域物流需求预测及灰色预测模型的应用[J]，北京交通大学学报（社会科学版），2008，1，7（1）

[7]周艳辉，物流园区物流量智能预测模型与实证研究，湖南大学硕士学位论文，2011，6

交通流量预测 篇11

电子商务产业发展快速, 阿里巴巴、京东商城、当当网、1号店等行业领先企业的发货量每年都高速增长。据发改委6月20日公布1-5月物流数据显示:2012年1-5月, 全国社会物流总额75.1万亿元。其中单位与居民物品物流总额增长明显, 达到26.4%;工业品物流总额68.6万亿元, 增长9.4%;进口货物物流总额5.0万亿元, 增长5.2%。高速发展的电商对物流业的要求越来越高, 而物流业的发展依赖于准确的物流量预测;随着经济一体化步伐的加大, 区域物流系统规划、管理等也依赖于准确的区域物流量预测。因此, 物流量预测越来越引起研究者的关注, 很多预测方法都被尝试用来预测物流量。灰色预测是一种应用广泛的时间序列数据预测方法, 但不加改进的独立地应用于物流预测时, 效果一般并不佳[1]。陈秀锋, 孟红 (2011) 将融合残差修正策略的灰色预测模型用于区域物流量预测中, 结果表明精度较原始算法有提高[2]。但由于物流量影响因素过多, 单一预测方法的预测精度难以满足高效物流业的发展需求。王丰效, 周伟萍 (2012) 将指数平滑法和灰色模型结合并用于奶类消费品人均消费量的预测上, 结果表明方法较单个方法有进步[3]。杨新仓, 李枫 (2012) 在对潍坊市的客运量进行预测时采用了灰色模型和回归分析模型的组合预测方法, 结果表明也能在一定程度上提高预测精度[4]。也有学者在进行物流量预测时将影响物流量的因素考虑进来, 并建立多元回归模型进行预测, 所得结果有一定意义 (陈德良, 王文科, 2009) [5]。由此, 组合模型应用于物流量预测得到了较多研究者的肯定;而组合模型成功运用的关键在于组合系数的确定。孙莹, 鲍新中 (2011) 在组合模型权重的界定上引用方差最大法, 结果表明预测精度得到很大程度提高。本文将在综合已有文献研究的基础上, 综合采用灰色预测方法, 指数平滑法和多元回归分析模型对广州市的物流量进行预测。

二、模型及实证

下面分别简要介绍灰色预测、指数平滑法、多元回归分析和本文构建的组合模型, 然后对广州市的物流量进行预测。数据来自广州市统计局, 由于物流数据统计的滞后性, 我们只找到1996-2008的广州市物流量数据;为了验证预测模型的精度, 我们训练样本截取1996-2003的数据, 测试样本选用2004-2008的数据。

1、灰色预测

灰色理论认为系统的行为尽管是模糊的, 数据是复杂的, 状态变化随机性大, 但它毕竟是有序的, 是有整体功能的, 这种系统产生的序列即为灰色序列, 或称为灰色过程;而以灰色序列建立模型称为灰色模型。灰色模型一经产生就在人口预测、股票预测等领域成功应用。用灰色模型预测物流量优点在于:不用考虑广州市物流量的影响因素, 该模型的所有影响因素都归在时间序列数据的波动之中。

我们根据历史数据, 最后建立广州市物流量预测模型为:

平均绝对百分比误差

根据此模型对广州市2004至2008年物流量进行预测, 结果如下:

2、指数平滑预测

指数平滑法又称指数加权平均法, 实际是加权的移动平均法, 它是选取各时期权重数值为递减指数数列的均值方法。指数平滑法通过某种平均方式, 消除历史统计序列中的随机波动, 找出其中的主要发展趋势。根据平滑次数的不同, 指数平滑有一次指数平滑、二次指数平滑、三次指数平滑和高次指数平滑。指数平滑法的具体应用, 一般可根据原数列散点图呈现的趋势来确定。如呈现直线趋势, 选用二次指数平滑法;如呈现抛物线趋势, 选用三次指数平滑法。或者, 当时间序列的数据经二次指数平滑处理后, 仍有曲率时, 应用三次指数平滑法。

指数平滑法的基本思路是:首先对原始数据作平滑处理, 然后根据平滑值进行预测。经过可视化分析初步判断, 广州市1996-2008年物流量的发展趋势是曲线增长的, 且呈现一定波动型, 因此选用三次指数平滑模型。

通过分析计算, 借助于matlab软件, 我们得到当α=0.8时, 残差的平方和达到最小;因此, 预测模型为:

平均绝对百分比误差

根据此模型对广州市2004至2008年物流量进行预测, 预测结果如下:

3、多元回归预测模型

多元回归分析成功应用的关键在于影响变量的选择和回归方程拟合的精度, 我们选择广州市地区生产总值、广州市第一产业生产总值、广州市第二产业生产总值、广州市第三产业生产总值、固定资产投资总额、房地产开发总额作为广州市物流量的影响因素。然后分别对这些影响因素做显著性分析, 找出与物流量有较强相关的因素。最后通过多种多元回归拟合方法, 确定最佳模型。

影响物流量的因素一般有广州市地区生产总值 (x1) 、广州市第一产业生产总值 (x2) 、广州市第二产业生产总值 (x3) 、广州市第三产业生产总值 (x4) 、固定资产投资总额 (x5) 、房地产开发总额 (x6) 。本文把它们作为自变量, 物流量为因变量, 建立多元回归预测模型。经过最小二乘法拟合, 得到回归模型如下:

平均绝对百分比误差

根据此模型对广州市2004至2008年物流量进行预测, 预测结果如下:

4、组合预测

组合预测的关键是确定各预测方法的权重, 接下来确定权重。记物流量实际观察值为yi (i=1, 2, …, n) , 有m种预测方法, 其预测值分别记为fij (i=1, 2, …, n, j=1, 2, …, m) 。设种预测模型的权重为wj (j=1, 2, …, m) , 为该预测问题在时刻i的预测值, 设第j个预测模型的方差为Dj, 则有

进行归一化处理, 那么此模型的权重

在本次问题中, i=5, j=3, p、t、r依次为前面三种模型的预测数据。同样借助于matlab软件, 计算得灰色预测、三次指数平滑和多元回归分析的权值分别为0.01、0.32、0.67;因此组合模型的加权预测结果的总体平均绝对百分比误差为:

与组合前三个预测方法的误差做比较:2.06%<2.1%<3.5%<19%, 由此推出本文构建的组合模型在广州市物流量预测中具有较高的精度。

三、结论

本文将灰色预测、三次指数平滑和多元回归分析按照0.01、0.32、0.67的权重进行组合, 结果表明预测精度最高。同时也可以看出, 灰色预测的权重最低, 说明针对物流量预测这个问题灰色预测效果不佳。多元回归分析的权重最高, 说明多元回归分析的预测结果相对比较有效;且同时显示物流量预测不能仅考虑物流量本身的数据, 要充分的将物流量的影响因素考虑进来。因此, 关于物流量预测的模型可从两个方向进一步改进, 一个是添加物流量的影响因素, 比如说区域人口数。一般来讲, 区域人口规模与区域物流量应有一定的关系。第二个是可将现代高维非线性预测方法引进来, 比如神经网络、支撑向量机等。

摘要：综合了灰色预测模型、指数平滑法和多元回归分析模型的特点, 根据预测方差最大组合系数最小原理建立了组合模型, 并对广州市的物流量进行了预测。结果表明, 组合模型的预测结果是最优的。

关键词：物流量预测,灰色模型,指数平滑法,回归分析,组合模型

参考文献

[1]罗永华, 何忠伟.基于灰色系统理论的茂名市物流需求预测分析[J].物流科技, 2010, (07) :19-21.

[2]陈秀锋, 孟红.灰色残差修正模型在区域物流量预测中的应用研究[J].商业时代, 2011, (32) :34-35.

[3]王丰效, 周伟萍.基于灰色模型和指数平滑的统计组合预测方法[J].喀什师范学院, 2012, 33 (3) :1-4.

[4]杨新仓, 李枫.组合预测模型在公路客运量预测中的应用[J].山西建筑, 2012, 38 (4) :1-2.

[5]陈德良, 王文科.多元线性回归模型在物流需求预测中的应用[J].中国物流与采购, 2009, (20) :66-67.