小波神經網絡在短時交通流預測中的應用

孟杰，楊保成

（常熟理工學院機械工程學院，江蘇常熟 215500）

小波神經網絡在短時交通流預測中的應用

孟杰，楊保成

（常熟理工學院機械工程學院，江蘇常熟 215500）

研究了小波神經網絡對于預測短時交通流的適應性，提出了利用小波神經網絡的特性建立短時交通流預測模型；并利用蘇州市某交叉口實測交通流量，運用小波神經網絡建立了非線性回歸預測模型，結果證明預測是可靠的，有助于城市交通流動態參數的預測，可為ITS的構建提供數據支持.

交通流預測；短時交通流；小波神經網絡；預測模型；非線性回歸

近年來，隨著智能交通系統（ITS）的迅速發展，智能交通控制系統與交通誘導系統的開發日益成為研究熱點.而其中交通流主要參數及交通事件動態監測算法是ITS的理論基礎，也是實現智能交通管理系統的關鍵技術，具有極高的學術意義和實用價值.短時交通流量預測比長期預測受隨機干擾因素影響更大.不確定性更強，規律性更不明顯.迄今為止已經開發了近30種預測方法.

我國對智能交通系統的研究起步較晚，在具體實施技術和基礎理論方面均落后于發達國家.但隨著我國政府部門以及交通運輸界日益認識到開展ITS的必要性，交通流動態預測正受到更多的關注，許多相關學科中的先進方法被運用到該領域.其中宏觀模型主要是動態交通分配模型，微觀模型有各種計量模型，如回歸、自回歸、滑動平均、濾波以及非參數理論模型、神經網絡模型，此外還有小波法、分形法以及各種方法相結合的模型[1-2].本文提出一種基于小波神經網絡的短時交通量預測模型，這是一個基于小波神經網絡的非線性回歸問題.

1 小波神經網絡原理

1.1 小波神經網絡模型

小波神經網絡（Wavelet Neural Network，WNN）是結合了小波變換和人工神經網絡的思想而形成的，已經在信號處理、數據壓縮、故障診斷等眾多領域得到廣泛的應用.小波神經網絡具有最佳的函數逼近能力[3-5].

微觀交通流參數具有較強的非線性，其低頻部分反映的是總體變化趨勢，而其高頻部分則是隨機性和不穩定性的體現.小波神經網絡就是利用小波方法將交通信息中的高頻部分與低頻部分分離，再用神經網絡分別對其高頻和低頻部分進行預測，從而提高預測精度.

1.2 小波神經網絡的算法及其修正

圖1 小波神經網絡拓撲結構

算法訓練步驟如圖2所示.

小波神經網絡的權值參數修正算法運用梯度修正法來修正網絡權值和基函數參數值，從而使小波神經網絡預測輸出持續逼近期望輸出值.

修正過程如下：

1）計算網絡預測誤差

圖2 小波神經網絡算法流程

其中yn（k）為期望輸出，y（k）為預測輸出.

2）根據誤差e修正小波神經網絡權值和小波基函數參數

其中，η為學習速率.

小波網絡一般是單隱層的結構形式.因此其網絡結構的確定就是確定其隱層的節點數大小以及基函數的個數.根據小波網絡的時、頻域逼近原理，小波網絡的結構設計采用“分解—綜合”的方法.即首先對輸入樣本作頻譜估計，確定其時、頻域支撐；再根據小波的時頻特性確定小波函數的時頻域支撐；最后確定下標集合.對于稀疏樣本集，可先分解成多個區域，再針對每個小區域重復上述過程[7-8].對小波神經網絡參數的學習算法，可以采用梯度下降法、正交搜索法、矩陣求逆法等.小波神經網絡具有最佳的函數逼近能力，用其建立預測模型可以取得更好的預測效果[9-10].

2 基于小波神經網絡的短時交通流量預測方法

城市交通路網中交通路段某時刻的流量和該路段前幾個時段的流量具備相關性.根據此特性設計小波神經網絡分為輸入層、隱含層和輸出層三層.其中，輸入層為當前時點的前n個時間的交通流量；隱含層由小波函數構成；輸出層為當前時點的預測交通量.

基于此，設計預測方法如下[1]：

1）對采樣的交通流序列{xk|k=1,2,3…,M}，根據相空間重構理論確定其嵌入維數m和最優延時t；

2）構造相空間中的點{xi|i=1,2,3…,N}，其中：xi=(xi,xi+t,…,xi+(m-1)t),n=M-(m-1)t

3）將xi進行預處理（歸一化）；

4）將處理后的Xi與前m-1列作為小波神經網絡的輸入，將第m列作為小波神經網絡的輸出；

5）取xi的一些樣本按前述的算法來訓練網絡，得到小波神經網絡的結構參數；

6）將xi后面的樣本前m-1列作為上面訓練好的網絡輸入，則此時網絡的輸出即為相應樣本點的預測值.

3 實例

學習樣本為2010年4月13-15日共288個數據.監測地點是蘇州市某交叉口.數據采集周期為15 min，驗證樣本是2010年4月16日的96個數據.嵌入維數為4，訓練次數為1000，動量因子為0.05.交通量的預測結果見圖3.從圖中可以看出，小波神經網絡的預測值和實際值的變化趨勢基本一致，預測結果精度較高.

4 結論

本文針對交通量的非線性時間序列特性，利用小波神經網絡的非線性結構來建模和預測，能夠有效節省觀測時間和人力消耗，為交通量的短時預測提供了一種新的有效途徑.根據小波神經網絡預測理論，利用大量的交通量樣本數據進行預測，同時改進了小波神經網絡的學習算法，進一步提高了模型預測精度.

圖3 交通量的預測結果

[1]朱順應，王紅，向紅艷.交通流參數及交通事件動態預測方法[M].南京：東南大學出版社，2008.

[2]許倫輝，傅惠.交通信息智能預測理論與方法[M].北京：科學出版社，2009.

[3]MATLAB中文論壇.MATLAB神經網絡30個案例分析[M].北京：北京航空航天大學出版社，2010.

[4]葛哲學，孫志強.神經網絡理論與MATLAB R2007實現[M].北京：電子工業出版社，2007.

[5]孟維偉.基于神經網絡的交通量預測技術研究[D].南京：南京理工大學，2006.

[6]李向武，韋崗.小波網絡及其結構設計方法[J].模式識別與人工智能，1997（10）.

[7]李存軍.楊儒貴，張加樹.基于小波分析的變通流量預測方法[J].計算機應用，2003，23（12）：7-8.

[8]吳東平，涂萬堂，盧耀軍.基于小波神經網絡的短時交叉口交通沖突預測[J].中國水運，2010，10（3）：163-165.

[9]朱杰，楊進峰.交通事件小波神經網絡算法的探討[J].武漢理工大學學報（信息與管理工程版），2004，26（2）：61-63.

[10]賀國光，李宇，馬壽峰.基于數學模型的短時交通流預測方法探討[J].系統工程理論與實踐，2000，12：51-56.

A Forecasting Model for Short-term Traffic Flow Based on Wavelet Neural Networks

MENG Jie,YANG Bao-cheng
(School of Mechanical Engineering,Changshu Institute of Technology,Changshu,215500,China)

The research of short-term traffic flow is reviewed first.Based on analyzing the highly non-linear charac?teristic and researching the advantage of wavelet neural networks in handling non-linear and unsteady signal,the adaptive of wavelet neural networks on forecasting short-term traffic flow is researched and a forecasting model uti?lizing wavelet neural networks is put forward.Besides,through the practical flow data of a cross in the city of Su?zhou,a nonlinear regressing model is built using wavelet neural networks.The result confirms the reliance and it can help the forecasting of urban dynamic flow,and it can also provide fundamental data for the intelligent traffic systems.

traffic flow forecasting;short-term traffic flow;wavelet neural networks;forecasting model;non-linear re?gression

U491.112

A

1008-2794（2012）04-0083-04

2011-12-15

孟杰（1981—），男，安徽廬江人，講師，研究方向：車輛安全，交通安全，ITS.