首页资源分类应用技术测试测量 > BP神经网络的路口短时交通流量预测方法

BP神经网络的路口短时交通流量预测方法

已有 456470个资源

下载专区

上传者其他资源

文档信息举报收藏

标    签: BP神经网络

分    享:

文档简介

BP神经网络的路口短时交通流量预测方法

文档预览

第 23卷 第 2期  2006年 2 月  计 算机应 用与 软件  Computer Applications and Software  维普资讯 http://www.cqvip.com Vo1.23,No.2  Feb.2006  基 于 BP神 经 网络 的路 口短 时 交通 流 量 预 测 方 法  尚  宁  覃明贵  王亚琴  崔中发  崔  岩  朱扬勇  (复 Et大学计算机与信息技术系  .卜海 200433)  。(上海宝信软件 股份有限公 司  上海 201203)  摘 要  交叉路 口是一个城市交通的重要组成部 分,其各方 向的 交通流量预测更是该城市智能交通 系统 中的重 中之重 ,本文提 出  一 种基干 BP神经网络预测路口短时交通流量的方法,该方法将路口其他非预测方向和交通信号配时方案对流量预测的影响因素  考虑在 内。  关键词  流量预测 BP神经网络  交叉路 口  A BP NEURAL NETW ORK M ETH OD FOR SHORT-TERM  TRAFFIC  FLOW  FORECASTING 0N CROSSROADS  Shang Ning  Qin Minggui  Wang Yaqin  Cui Zhongh  Cui Yan  Zhu Yangyong  (Department of ComputerInformation and Technolog?,,Fudan University,Shangltai 200433,China)  。(Shanghai Baosight Software Co.,I,td.,Shanghai 201203,China)  Abstract  Crossl’oads are important part of urban traffic system ,whose flow prediction on each direction is one of the most extraordinary key  functions in the urban ITS(Intelligent Transportation System).We represent a BP neural network method for sh0rt—term traff ic f low forecasting  on cr0ssI_Uads.which take the influence from the other non—predicted dil-ections and signal timing scheme into account.  Keywords  Flow forecasting  BP neur ̄ network  Crossroad  1  引  言  随着国内城市的不 断高速发展 ,城市交通拥堵 、交通事故率  上升 、交通效率不高 ,导致 的能源浪 费成 为各个城市发展面临 的  共 同问题 ,很 多城 市 都 将 大 力发 展 智 能 交 通 系统 (Intelligent  Transportation System,1TS)作为解决城市 车路矛盾 的重要解决途  径之一 。智能交通系统 是将 先进的信 息技术 、数据通讯 传输技  术 、电子传感技术 、电子控制技术 以及计算机处理技术等有效地  集成运用于整个地面运 输管理 体系 ,而建立起 的一种在 大范 围  内、全方位 发挥作 用的 ,实 时 、准确 、高 效 的综 合运输 和管 理体  系 …。城市交通监控 与 管理 系统 (iCentroView)拉 根据 我 国城  市 交通 的基本情况和智能交通 的发展 现状 ,设 计实现 了智 能交  通领域我们最急切需要 d土是 当前最可行 的部分 ,主要 集中在 先  进 的交通管理系统 ATMS、先进 的驾驶 员信 息系统 ADIS两个领  域 ,以地理信息 系统为基础 ,构 建交通控 制与交通信息数据管理  为一体 的城市交通监控指挥平台。  交通流量预测是 ITS中非 常关键 、基础的部分 ,其 他很多重  要 功能 的准确性 、可用性都 是基 于它之上 的,如 :旅行时间估算 、  交通诱导 系统等 ,在 iCentroView中 d土不例外 。交通流 量预测按  预测时 间长短分长期 流量 预测 (叉称 战略流 量预测 )和短时交  通 预测 ,按预测对象分 十字路 口流量预测 和高速公路流量预测 。  本文研 究问题主要集中在十字路 口短时流量预测。十字路 口是  交通 网络的瓶颈 。其交通通 行量 的大小直 接决定 了网络通行 能  力 ,短时交通 流量预测 一般是预测未来 5分钟的流量。  迄今为止 ,已经提 出了很多预 测模型用 于预 测短时交通 流  量 ,如 :ARIMA ]J、神经 网络  、非参 数 回归模 型 J,文献 [6]对  介绍 了这些模 型并 做了详细的准确性对 比。但这些方法多对 高  速公路和路段流量预测 ,只关注该道 路上过去的交通流量 ,路 口  各个方 向上 的交通流量不仅 和自身过去交通流 量有关而且和其  他方 向过去交通流量 以及交 通信 号灯的 配时方案 都有关 ,本 文  提 出一种基于 BP神 经 网络 预测 路 口交通 流量 的方 法 ,可 以较  准确地预测路 口各个方 向未来 5分钟 的交通流量 。  2  BP神经网络  BP神经网络 是将 Widrow-Hof学 习算 法推广到 多层 神经 网  络 和非 线 性 转换 函数 的 基 础上 产生 的。  widrOW—Hof学 习算法 是近似最速 下降法 ,  其性能指标是均分误差 ,是一种有 监督 学  蓑  习方 法。BP神经 网络应 用最为广 泛 的神  经 网络 ,在实际应用中绝大部 分神经 网络  册 。_J n  模 型是采用 BP网络 和它 的变化 形 式 ,它  是前 向 网络 的核 心 ,主要 应 用 于 函数 逼 图 1  BP神经网络结  近 、模式识别 、分类 、数据 压缩等领 域。 图 构示意图及单个神经  元 模 型  l是 BP神经 网络的结构 示意图及单个 神  经 元 模 型 。  收稿 口j切:2005-01—27。上海 信息 专业 资金项 目(编号 :信部 运  2003}446  )资助 。尚宁 。硕士 。主研领域 :数据挖 掘  沦及应用。  维普资讯 http://www.cqvip.com 第 2期  尚宁等 :基 于 BP神 经 网络 的路 口短 时 交通流量预 测 方法  33  。 7.  +.  .   .  ...【 )  iCentroView中簋个检测器每5分钟向中央数据库发送一次  P  采用的是有监  B , .  . . .   . .  习, _ B  冀网络有 层  流量,我们要设计BI-Pi神经  甬享预  个 高  分  对  ̄.应, 譬. 墨亨‘.  ,’_, .  经元,给定Ⅳ个样本( , ),对  的交通流量。我们以一天为一个商期,根 配  同,南  -i'U‘I练样本网络训练误差为:  个BP网络建立多 模型对 各个 高的 日;  ÷- f= 1 J= 1  一   影口同 。日。 J瓯府 百 K 妻 可曲小芸肯蒿向竺卜翥的 浦料 j- 犏删捕譬 抖  E  1  ,( ¨)   量 :  肌 1  (  (£一l  一2),  一   一  ㈩  薹墨  蓑釜言  墓  十。 字路 El的简化 模型 ,如何使 十字 交  如  2所  是 一个  I  I   ̄6+1= 13 …5 个} 。… 。  增加  ㈣   靛   能  烹整 妻 量 笙 譬口 + 主, 4-, - #要-  ̄的 垡 竞 竺—图—z三  简 I ’ _ 。 l ‘   口模型  字路本苫 次实验由 部分数据来N_自 ̄浙方8 iH一/向2-。一"2oI1 ̄7t其 义言f 乌市稠州西路、西我城们.9路 寨也rJl 十 将/J',    的是 竺 妻的 掣   使用  磊  I ̄l"7] ',1 ll4.17 Y]q'H 'J’ JJ  姜  釜  十字路VI的交通信号灯按照 ;翕  这也是路口交通流 晶  =。  “  一 定 的顺 …   序在一个固定或者非  一… … … … … … … … … … ~ … “~   一定的顺序周而复始,从而达到车辆有序通过十字路窨口 的功能,  I  fI JI。.  1 囊 324一2   錾  配时方案为各个方向的放行时间为固定的周期也是固定的,如  方向和  方向每个周期的绿信时间(即绿灯亮的时间)都为  Ir  ·o}  I V y’I  n  n.  .  lIII—  I一 ’lI  I『l  ..  分钟 ,那么一个周 期等于 分钟 。 自动感应的方法为 :每个方  ^}  .  。 ’ \『^  .  .  时间)、最小感应绿 (工作在感应模式下 时最小的绿灯时 间)、增  加绿 (自动增加的绿灯mll'.- ̄)。当 13方向绿灯时 间超过最小感  应绿 时,如果在一定时 间间隔内检测器没有检 测到车辆经过 ,那  么 I3方向信号灯 由绿 转为红色 ,24同时转 为绿灯放行状 态 ,如  果在这一定的时问内由车辆经 过则绿灯时 问增加一个增加绿时  问 ,直到最大感应 绿结 束 该次 放行转 为 24方 向放行。iCentro·  View信号灯工作在 固定 配时方案 和 自感应配时方案下 ,由数据  库中配时方案表预先设定 ,如该天高峰时段 7:30—10:30、16:30  — 18:30工作在 固定 配时方案 下 ,其 他时 间工作在 自感应 配时  方案下。固定配时方案根据其一个周期内各个方 向分 配时 间不  同而不 同,自感应配时方 案根据其最大感应 绿 、最小感应绿 、增  加绿不同而不 同。  图 3  It-流量数据 图  本次 实验平 台为宝 德服 务器 4 x 2G Intel至强 CPU,1G内  存 ,Windows 2003 Server操作系 统 ,Matlab 7.0软 件及其 神经 网  络工具箱 ,训练方法用 trainlm(即 Levenberg-Marquardt方法),它  特别适用于函数逼近 的情况 。  该路 口配时方案分成 5段 ,我们选取 其 中 3个车 流辆较大  的三个时间段 :7:20—8:30、8:30—16:30、16:30—18:30。也 是  最需要分析 的时间段 ,实验选 择 8月 27目至 9月 26日为训 练  样本 。9月 27日至 9月 30 13为评估 样本 ,训练 循环次数 分别选  300、600、900次 ,误差满足条件为 0.001。  实验数据大小见表 1,实验结果如表 2所示 ,时间单位为秒 :  (下 转 第 57页 )  维普资讯 http://www.cqvip.com 第 2期  王 同 洋等 :制造 网格 及其 关键技 术  57  2)对于数据资源 ,通过 网格服务实现对其进行查询 、增 加 、  修改等功能 。对于数据资源关键 的任务是 提高海量数据的操作  速 度 。  3)软件资源网格服务化是一个难题 ,如何将软件 资源共 享  是信息领域正在解决的问题 ,将来 我们 可 以直接 运用其规 范和  技 术 。  另外 ,在 OGSA 中通 过服务 数据 (Service Data,SD)来提 供  服务信息。对 于设备 资源 的型号 、精度 、价格 、QoS、当前状态 等  可 以设置为服务 数据 ,用 户在 使用 前可 以用 findServiceData接  口进行访问 ,了解实现情况 ,便于用户 的任务部署。服务数据用  SDD(Service Data Description)描 述 ,再 在 GWSDL中导 入 。对 于  造网格 中去选择相应的服务 ,返 回相应的网格服务句柄 ,然后 d  网格服务句柄得到网格服务参考 。  3.3 制 造网格 任务调 度  前面 已经解决了制造 网格 服务 点建设及 注册 与发现 ,制造  资源 已经网格服务化 ,可 以在制造 网格 中进 行注册 ,用户可 以通  过 网格定位到特定的服务 ,但制造 网格 服务 是一个独立的、细小  的作业 ,在实际 的制造过程中 ,我们 采用任务描述语言对实际的  任务进行描述 ,交给制造网格任务调度 (Manufacturing Grid Task  Schedule,MGTS)去发现和执行 制造 网格 服务 ,将处理后 的结果  按照用户的需要进行返 回 ,如 图 3所示 。  某类服务所提供的服务数据需要根据行业的实际需要进行规 范  化 ,生成相应的数据字典 ,便于上层的开发。  3.2 制造网格 服务 注册与 发现  所有 网格服务必须注册 到 OGSA架构 中 ,才能 为用户所 访  问。网格服务在注 册时 会分 配一 个全球 唯一 的网格 服务句 柄  (Grid Service Handle。GSH)。从而 实现 网格服务 的定位 (目前 采  用 URL的方式 )。由于 网格跟 Internet一样 是一种层次结构 ,由  小的网格构架大的网格 ,因而在注册时我们需要分层 注册 ,先将  服务在本地的注册服务 中注册 ,然 后将 本地 的网格索引信息 服  务在上级注册服务 中注册 ,逐层注册 ,形成服务树 。在网格中采  用 LDAP来存储注册服务 ,便 于服务查询。  制造 网格服务 发现是注册的逆过程 ,首先在本 地查找 ,未找  到或想找更多的服务 ,则 向上级提 出查找请求。在发现过程 中,  用户可以充分利用制造网格工具 ,用任 务描述语 言将用户 的请  求描述为 XML文件 ,然后 由相应 的制造网格工具分析 ,再到制  3 制 造 网格 任 务 调 度  从 图 3可以看出 ,制造 网格任务调度 主要包 括 :  1)任务书解析 首 先用 户是 以制造任务 书 的形式 把任务  书请求提交给制造网格 任务调 度器 ,制造 任务 书用任务 描述语  言来边 f 描述 ,考虑到可操作性和 可视 性 ,我们提供制造任务书  (下转 第 127页 )  (上接第 33页)  —\ ~  7:20 —8:30  表 1 实验数据大小  训练样l 小数  评估样乖数  370  70  8:3O —l6:30  2669  457  16:30 —18 30  683  l16  表 2 实 验 结 果  \  循环次数  准确度  洲练¨寸问  仙  7:20  300  82.73%  lO.22  0.0094  —  600  81.28%  21.32  0.0096  8:30  900  82.48%  32.70  O.Ol88  8:30  300  83.24%  73.48  O.Ol54  一  600  83.13%  147.19  O.Ol86  l6:30  900  83.12%  229.47  O.Ol22  l6:30  300  87.69%  15.99  0.Ol54  一   l8:30  600  900  87.13%  87.49%  26.68  51.1O  O.Ol58  O.Ol58  实验结果表 明 ,BP神经 网络在 300循环 训练之后就基本上  稳定 ,准确性没有太大 的变化 ,但是训练的时间消耗 与循环次数  成 比例增 加。同时预测的准确度达到 82% 以上 ,能达 到辅助指  挥 交 通 和优 化 信 号 配 时 方 案 的 效 果 。  5 总结和展望  本文在充分分析 BP神经网络和交通流 量预测 问题特 点 的  基础上 ,提 出了一种 基于 BP神经 网络 预测 路 151交通 流量 的方  法 ,考 虑了路 口其他非预测 方 向和交通信 号配 时方案对 流量预  测的影响 ,通过 在现实 数据 上 的实验 取 得 了令人 满意 的结果 。  今后我们还要深入研究 交叉 路 口交通和其他类型神经 网络的特  点 ,选择更加合适的 网络类型和结构得 到更 准确 的预测结果 。  参 考 文 献  [1] lehiro Masaki,A br ief History of 1"1 S R].USA:Massachusetts Institute  of rechnology,1999.  [2]  伽贵 、挂巾发 、崔岩 、尚 j 、王  琴、朱扬  .“iCentroView:城 市交  通 监控 j竹  系统 ”,《汁算机应j¨与软件》.本J9J.1 p.28~29.82.  [3] Voo,t M..Dougtherty M.。Watson S.,Combining Kohonen maps with  ARIMA time series models to fomast trafic flow.Transpotatiou Research  C.1996.4(5),307—3l8.  [4] E1 -Faouzi N.E.,Nonpm'ametf ic Trafic f low prediction using kernel es-  tlmator.Transportation and trafic theory.Proceedings of the 13th Inter—  national Symposium on rransportation and trafic Theory.Lyon,France,  24 —26 July 1996.Elseiver.Amsterdam ,PP.41~54.  [5] Doughelay M..Cobbett M..Short-tenn inter-HI' ball traff ic fo,eeasts using  ileUl'a]iletwiii’ks.International Joun,al of Fo,ecasting.13.21—31.1997.  [6]Bl'ian lJ_Smith.Michael J.I)emetsky. rraff ic}'low Forecasting:Compm-i-  tion of Mt ̄leling At)t)roachies.Journal of l'ransportation Engineering.  July/August.1997.261—266.  [7] Martin T.Hagan.Howard B.1)emuth,Mark H.Beale,.Neural Netwm'k  Design.PW S Publishing Company  [8]飞思科技产 Ii^砌}发 rI1心 .Matlab 6.5辅 助神经 网络分 析 Lj没讣 ,电  子 工 业 出版 礼 . 

Top_arrow
回到顶部
EEWORLD下载中心所有资源均来自网友分享,如有侵权,请发送举报邮件到客服邮箱bbs_service@eeworld.com.cn 或通过站内短信息或QQ:273568022联系管理员 高进,我们会尽快处理。