基于小波神經網絡的交通流量預測

摘 要：文章將小波神經網絡技術研究與交通信息預測研究緊密結合，以Matlab為平臺，結合實際數據，對交通流量預測。

關鍵詞：智能交通系統；交通信

1 概述

近年來，隨著人們生活水平的不斷提高，車輛的數量急劇增加，城市擁堵現象越來越嚴重。目前，已經成為了嚴重影響人們的生產和生活的主要問題之一。城市交通擁堵智能交通系統（Intelligent Transportation System）就在這種大環境下應運而生，所謂的ITS是指在傳統的理論模型研究基礎上，融合先進的傳感器、信息通信、智能控制、計算機處理等技術，從而建立起的一種的應用范圍廣的實時、高效的綜合交通管理系統[1]。

智能交通系統的主要目的是為了最大限度的發揮整個交通運輸系統的運輸和管理效率。目前，使用智能方法對交通信息進行預測（交通信息的智能預測）已然成為近年來實現智能交通系統的主要方法之一。

2 交通流預測

交通信息的預測是智能交通系統的重要組成部分，通過交通信息的預測可以提前預知道路的狀況，從而對預測擁堵路段進行實時誘導，最大限度的發揮現有交通的運送效率[2]。其中，交通流預測是交通信息預測的重要組成部分，主要針對交通流量（簡稱交通量）、密度、速度、占有率等參數進行預測[3]。其實質是采用一定的方法和手段，在前一時段及現有時段的交通狀況的基礎上，預測未來時段的交通狀態，如果交通流信息預測的方法選擇合適，預測狀態會十分逼近實際交通流狀態。

縱觀智能交通預測史，時間序列模型、濾波理論是最早應用于交通流預測的方法；之后，濾波理論、小波分析法、人工神經網絡也廣泛的應用于交通流的預測，除此之外，支持向量機理論和混沌理論等也是交通流預測的重要方法。

3 小波神經網絡

人工神經網絡（Artificial Neural Network）是利用一定的技術手段，來模擬人類大腦神經系統的結構及功能的一種方法。因此，神經網絡具備了與人類大腦一樣的一些特點，比如：分布式信息存儲、并行信息處理、自適應非線性等。

目前，人工神經網絡己廣泛的應用于模式識別、目標跟蹤、信號處理、模式識別、預測分析及智能化控制等相關領域；其中預測分析可以運用于股票價格預測、地震預報等多個方面，且實驗證明，預測效果很不錯。1993年，城市道路的交通狀態的預測首次采用了神經網絡的方法，這也是首次神經網絡被運用于智能交通預測領域。

1992年，法國著名的信息科學研究機構IRLSA的ZhangQinghu等人首次提出小波神經網絡的概念。小波神經網絡是一種基于小波變換的神經網絡模型，其實質為用小波基來取代傳統的神經元非線性激勵函數，把神經網絡和小波變換有效的結合起來，且充分融合了兩者的優點。

4 交通車流量預測實例

文章數據是以鄭堯高速公路某隧道的交通量觀測數據。數據分析采用的是2015年6月到12月的月交通量數據，2015年11月2日到11月8日一周的交通量數據和2015年11月7日周六的日交通量數據。觀測尺度為1小時的交通車流量，共236個數據。

文章是以Matlab為平臺進行編程，采用小波神經網絡的方法來實現預測的，其預測過程主要包括數據預處理、網絡構建、網絡訓練及網絡預測四個步驟。

4.1 數據預處理

數據的預處理是指對訓練數據和測試數據的輸入和歸一化處理，其主要目的為了保證程序運行時收斂加快。歸一化是指通過某種算法把數據限制在一定范圍內。文章采用的是線性函數歸一化。

其表達式如下：

式中，MinValue，MaxValue分別為樣本的最小值和最大值，X，Y分別為數據的歸一化處理前、后的值。

4.2 網絡構建

神經網絡的網絡構建過程主要是指根據預測情況不同，確定網絡層數、隱含層數。根據文章的預測需求，小波神經網絡采用三層網絡結構，4輸入4輸出模式，所選擇隱含層的節點范圍為[4，12]。

4.3 網絡訓練

網絡訓練的主要目的是對網絡進行初始化，其過程主要包括確定訓練函數，以及在訓練數據的基礎上訓練網絡。

在進行網絡訓練的過程中，參數的設定對訓練的速度和效果起著非常關鍵的作用，關鍵的參數主要包括：迭代次數epochs、學習目標goal、學習率1r等。在整個的訓練過程中保持參數一直設定為：epoch5000、1r0.2、goa10.001。

小波神經網絡的基礎是BP神經網絡拓撲結構，而隱含層節點的傳遞函數是小波基函數。文章的網絡訓練采用的小波基函數是Morlet小波基函數，其表達式為：

4.4 網絡預測

網絡的預測是交通流量預測的最后一步，其主要內容是利用訓練好的小波神經網絡對測試的交通流的相關數據進行預測，并輸出結果。

小波神經網絡的預測結果如圖1所示。由圖可知使用小波神經網絡對交通流量進行預測的結構較好。

5 結束語

由圖1可以得出以下結論，小波神經網絡能夠達到學習目標的要求，對交通流量進行預測；經過網絡訓練，小波神經網絡的預測結果與實際數據存在一定的誤差；對于數據急劇變化的點，網絡的預測誤差相對于變化平滑的點是比較大的。

參考文獻

[1]新浪網[EB/OL].http：//survey.news.sina.com.cn/result/65948.htm1.

[2]徐健銳.短時交通流預測中的若干問題研究[D].江蘇：江蘇大學，2010.

[3]姚智勝.基于實時數據的道路網短時交通流預測理論與方法研究[D].北京：北京交通大學，2007.

[4]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.

作者簡介：朱小會（1982，12-），女，漢族，河南周口人，鄭州科技學院，碩士研究生，講師，研究方向：電子電氣、智能控制。

齊仁龍（1982，4-），男，漢族，河南商丘人，鄭州科技學院，本科，講師，研究方向：電子電氣、智能控制。