文档介绍：基于小波模糊神经网络的实时交通流预测研究
摘要:,给出了基于小波模糊神经网络的交通流预测模型,采用小波函数作为模糊隶属度函数,用神经网络来实现模糊推理,,用遗传算法来优化整个网络,实测数据验证这种方法预测精度高,收敛过程平稳,适应性强.
关键词:小波模糊神经网络;交通流;预测;遗传算法
0 引言
随着世界经济的不断发展,全球范围普遍存在着日益增长的运输量增长超过同期道路设施增长的矛盾. 我国正处于经济快速增长阶段,这种矛盾尤为突出. 根据《2010中国新型城市化报告》,我国50个主要城市中,有17个城市上班途中花费的时间平均大于半小时,因交通拥堵和管理上存在的问题,北京、上海和广州等地每天损失近10亿[1]. 智能化交通系统(Intelligent Transport Systems,简称ITS)通过应用信息、通信和控制技术,将人、车、路等交通因素加以统一考虑,最大限度提高交通网络效率,解决交通拥挤的最有效手段. 通过发展和应用ITS技术,能够使道路交通更快捷、更安全、更具有高质量和高效率.
ITS研究的热门核心课题是交通控制与诱导系统,而实现交通流诱导系统的关键问题是实时准确的交通流量预测,即如何有效地利用实时交通数据信息去滚动预测未来几分钟内的交通状况. 随着短时交通流量预测研究的深入,人们提出了一批复杂的、精度更高的预测方法. 从表现形式上分,可将它们分成基于确定的数学模型的方法和无模型算法两大类[2]. 前者包括多元回归模型、ARIMA 模型、自适应权重联合模型、Kalman 滤波模型、基准函数—指数平滑模型、UTCS-2( 3) 模型以及由这些模型构成的各种组合预测模型等;后者则包括非参数回归、KARIMA 算法、谱分析法[3]、状态空间重构模型、模糊神经网络[4]、小波神经网络
[5-7]、基于多维分形的方法、基于小波分解与重构的方法[8]和多种与神经网络相关的复合预测模型等.
小波分析是一种在时域和频域同时具有良好的局部化特性的分析方法,其在刻画非线性、非平稳信号方面具有明显的优越性. 模糊逻辑对数据的连续性和准确性要求不高,并且允许噪声的存在,鲁棒性好,引起了许多专家学者的重视. 神经网络作为对复杂非线性系统的逼近器,具有自学习、自组织及泛化能力,在预测领域显示了很大的优势. 遗传算法是模拟自然界遗传机制和生物进化论而形成的一种并行随机搜索最优化方法,适合大规模复杂问题的优化. 本文将小波分析、模糊逻辑和神经网络相结合,构造基于小波模糊神经网络的交通流预测模型,使用小波基函数作为模糊隶属度函数,利用遗传算法全局搜索的特点,对网络参数进行优化,实测数据验证这种方法预测精度高,收敛过程平稳,适应性强.
1 基于小波模糊神经网络的交通流预测模型
由于不同道路交通状况存在差异,在交通流预测中,不能简单地选取相关路段前几个连续时段的交通流作为神经网络的输入. 为提高预测精度,需要对不同路段、不同时段的交通数据进行相关性分析,选择与预测路段相关性强的不同路段、不同时段的交通流信息作为小波模糊神经网络的输入. 基于上述分析,某路段在时段的预测流量可表示为
(1)
式中表示一种非线性函数关系