本文關(guān)鍵詞：基于BP神經(jīng)網(wǎng)絡(luò)的交通數(shù)據(jù)序列動(dòng)態(tài)可預(yù)測(cè)性分析方法，由筆耕文化傳播整理發(fā)布。

第37卷第7期2011年7月；北京工業(yè)大學(xué)學(xué)報(bào)Vol．37No．7；Jul．2011；JOURNALOFBEIJINGUNIVERSI；基于BP神經(jīng)網(wǎng)絡(luò)的交通數(shù)據(jù)序列動(dòng)態(tài)；可預(yù)測(cè)性分析方法；1，222322；姜桂艷，常安德，牛世峰，叢玉良，程德明，王秋蘭；（1.吉林大學(xué)汽車動(dòng)態(tài)模擬國(guó)家重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)春1；3.吉林大學(xué)通信工程學(xué)院，長(zhǎng)春130022）；要：為了

第37卷第7期2011年7月

北京工業(yè)大學(xué)學(xué)報(bào)Vol．37No．7

Jul．2011

JOURNALOFBEIJINGUNIVERSITYOFTECHNOLOGY

基于BP神經(jīng)網(wǎng)絡(luò)的交通數(shù)據(jù)序列動(dòng)態(tài)

可預(yù)測(cè)性分析方法

1，222322

姜桂艷，常安德，牛世峰，叢玉良，程德明，王秋蘭

（1.吉林大學(xué)汽車動(dòng)態(tài)模擬國(guó)家重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)春130022；2.吉林大學(xué)交通學(xué)院，長(zhǎng)春130022；

3.吉林大學(xué)通信工程學(xué)院，長(zhǎng)春130022）

摘

要：為了進(jìn)一步改善交通數(shù)據(jù)序列短時(shí)多步預(yù)測(cè)的效果，提出了交通數(shù)據(jù)序列動(dòng)態(tài)可預(yù)測(cè)性分析的思想，

在設(shè)計(jì)了交通數(shù)據(jù)序列動(dòng)態(tài)可預(yù)測(cè)性關(guān)聯(lián)數(shù)據(jù)特征指標(biāo)的基礎(chǔ)上，基于BP神經(jīng)網(wǎng)絡(luò)建立了交通數(shù)據(jù)序列動(dòng)態(tài)運(yùn)用某城市快速路主線與匝道車輛檢測(cè)器的實(shí)際數(shù)據(jù)對(duì)該方法進(jìn)行了驗(yàn)證，并與不同固定可預(yù)測(cè)性分析方法，

預(yù)測(cè)步數(shù)條件下的預(yù)測(cè)效果進(jìn)行了對(duì)比分析．結(jié)果表明，所提出的方法能對(duì)交通數(shù)據(jù)序列的可預(yù)測(cè)性進(jìn)行在線分析，在保持預(yù)測(cè)精度的情況下，可最大限度地增加交通數(shù)據(jù)短時(shí)預(yù)測(cè)的步數(shù)．關(guān)鍵詞：交通工程；短時(shí)預(yù)測(cè)；可預(yù)測(cè)性分析；BP神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)：U491

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：0254－0037（2011）07－1019－08

［1］

交通數(shù)據(jù)短時(shí)預(yù)測(cè)是交通控制與誘導(dǎo)的重要基礎(chǔ)，一直是智能交通領(lǐng)域研究的熱點(diǎn)．目前，交通數(shù)據(jù)短時(shí)預(yù)測(cè)方法大部分局限于一步預(yù)測(cè)，用于消除交通數(shù)據(jù)采集的時(shí)間延遲．從交通控制與誘導(dǎo)的角度

看，迫切需要多步預(yù)測(cè)結(jié)果，以體現(xiàn)交通流在更長(zhǎng)時(shí)間內(nèi)的發(fā)展趨勢(shì)．目前，對(duì)交通數(shù)據(jù)短時(shí)多步預(yù)測(cè)方法的研究較少，由于采用了固定的預(yù)測(cè)步數(shù)，無(wú)法體現(xiàn)交通數(shù)據(jù)序列特征變化對(duì)短時(shí)多步預(yù)測(cè)效果的影響．

數(shù)據(jù)序列可預(yù)測(cè)性分析是指在進(jìn)行預(yù)測(cè)之前給出數(shù)據(jù)序列的可預(yù)測(cè)程度．目前，研究者主要基于混

［2］［3］［4-5］［6］

、沌理論對(duì)交通數(shù)據(jù)序列的可預(yù)測(cè)性進(jìn)行分析，王進(jìn)等、王正武等、黃中祥等張玉梅等、李松分別進(jìn)行了相關(guān)的研究．基于混沌理論的交通數(shù)據(jù)序列可預(yù)測(cè)性分析需要較大的樣本量，一般大于等

150個(gè)［9］，如此大量的樣本已不能反映短時(shí)交通數(shù)據(jù)序列的實(shí)時(shí)特征．因此，這種方法只能對(duì)交通數(shù)據(jù)序列整體的可預(yù)測(cè)性進(jìn)行靜態(tài)分析，而無(wú)法對(duì)交通數(shù)據(jù)序列的可預(yù)測(cè)性進(jìn)行動(dòng)態(tài)分析．綜上所述，目前尚無(wú)對(duì)交通數(shù)據(jù)序列動(dòng)態(tài)可預(yù)測(cè)性（dynamicpredictabilityfortrafficdataserials，DPT）進(jìn)行分析的方法，嚴(yán)重限制了交通數(shù)據(jù)短時(shí)多步預(yù)測(cè)的效果．因此，本文提出DPT分析的基本思想，以此

并基于BP神經(jīng)網(wǎng)絡(luò)建立DPT分析方法，最后運(yùn)用某城市快速路車輛為基礎(chǔ)設(shè)計(jì)DPT關(guān)聯(lián)數(shù)據(jù)特征指標(biāo)，檢測(cè)器的實(shí)際數(shù)據(jù)進(jìn)行驗(yàn)證和對(duì)比分析．

［7-8］

1DPT分析的提出

根據(jù)數(shù)據(jù)序列的可預(yù)測(cè)性，可以將交通數(shù)據(jù)序列分為確定性數(shù)據(jù)序列和隨機(jī)性數(shù)據(jù)序列2種．隨機(jī)

性數(shù)據(jù)序列是不可預(yù)測(cè)的，只能用概率描述．確定性數(shù)據(jù)序列又可分為周期性數(shù)據(jù)序列、準(zhǔn)周期性數(shù)據(jù)序列和混沌性數(shù)據(jù)序列，其中，周期性數(shù)據(jù)序列和準(zhǔn)周期性數(shù)據(jù)序列都具有非常好的可預(yù)測(cè)性，通�？梢杂靡欢ǖ暮瘮�(shù)關(guān)系表達(dá)其發(fā)展趨勢(shì)，不需要進(jìn)行動(dòng)態(tài)可預(yù)測(cè)性分析．因此，只有混沌性數(shù)據(jù)序列才需要進(jìn)行

11-16．收稿日期：2009-“八六三”基金項(xiàng)目：國(guó)家計(jì)劃資助項(xiàng)目（2007AA11Z245）；高校博士點(diǎn)基金（20070183129）．作者簡(jiǎn)介：姜桂艷（1964—），女，黑龍江雞西人，教授，博士生導(dǎo)師．

［2］

可預(yù)測(cè)性分析．已有研究成果表明，交通數(shù)據(jù)序列有明顯的混沌特性，具有短期可預(yù)測(cè)性．

本文將交通數(shù)據(jù)序列可預(yù)測(cè)性分析分為靜態(tài)可預(yù)測(cè)性分析和動(dòng)態(tài)可預(yù)測(cè)性分析．靜態(tài)是指在進(jìn)行預(yù)

測(cè)之前，分析交通數(shù)據(jù)序列是否具有可預(yù)測(cè)性及其關(guān)鍵影響因素，現(xiàn)有的可預(yù)測(cè)性分析成果能滿足這種需要；動(dòng)態(tài)是指在預(yù)測(cè)方法和交通數(shù)據(jù)一定的前提下，動(dòng)態(tài)地分析某時(shí)刻交通數(shù)據(jù)序列在一定的誤差范圍內(nèi)可以預(yù)測(cè)的步數(shù)，是本文需要解決的問(wèn)題．兩者具有順承關(guān)系，靜態(tài)可以為動(dòng)態(tài)提供基礎(chǔ)信息，動(dòng)態(tài)只有對(duì)具有特定靜態(tài)可預(yù)測(cè)性特征的數(shù)據(jù)進(jìn)行分析才有意義．

基于以上分析，本文將交通數(shù)據(jù)序列的動(dòng)態(tài)可預(yù)測(cè)性定義為：在交通數(shù)據(jù)序列和預(yù)測(cè)方法確定的基礎(chǔ)某時(shí)刻交通數(shù)據(jù)序列多步預(yù)測(cè)結(jié)果的相對(duì)誤差連續(xù)小于閾值k的最大步數(shù)．上，

2DPT分析的基本原理

不同時(shí)段的交通數(shù)據(jù)序列具有不同的動(dòng)態(tài)特征，而具有不同動(dòng)態(tài)特征的交通數(shù)據(jù)序列對(duì)應(yīng)不同的預(yù)測(cè)步數(shù)，交通數(shù)據(jù)序列的動(dòng)態(tài)特征與其可預(yù)測(cè)步數(shù)呈較好的總體對(duì)應(yīng)關(guān)系．本文將對(duì)這種對(duì)應(yīng)關(guān)系進(jìn)行設(shè)計(jì)其定量化表達(dá)方法，以實(shí)現(xiàn)利用交通數(shù)據(jù)序列動(dòng)態(tài)特征對(duì)其可預(yù)測(cè)步數(shù)進(jìn)行估計(jì)的目的．深入分析，

DPT分析的基本過(guò)程是，基于以上分析，首先通過(guò)比照分析獲得與交通數(shù)據(jù)序列可預(yù)測(cè)性具有較強(qiáng)關(guān)聯(lián)關(guān)系的數(shù)據(jù)序列特征，并設(shè)計(jì)合適的特征指標(biāo)對(duì)各關(guān)聯(lián)數(shù)據(jù)特征進(jìn)行量化，在此基礎(chǔ)上，建立DPT估計(jì)

模型．

需要說(shuō)明的是，，在預(yù)測(cè)對(duì)象一定的情況下，改變預(yù)測(cè)方法會(huì)在一定程度上改變實(shí)際可預(yù)測(cè)步數(shù)序列的具體數(shù)值，可能使可預(yù)測(cè)步數(shù)與交通數(shù)據(jù)序列動(dòng)態(tài)特征之間的數(shù)量關(guān)系發(fā)生變化，但二者之間仍然會(huì)存在所以預(yù)測(cè)方法的改變不會(huì)影響建立交通數(shù)據(jù)序列動(dòng)態(tài)可預(yù)測(cè)性估計(jì)模型的方法，只會(huì)影響某種對(duì)應(yīng)關(guān)系，

本文選用移動(dòng)平均法作為預(yù)測(cè)方法．估計(jì)模型的具體參數(shù)．為了計(jì)算方便，

3

3.1

DPT關(guān)聯(lián)數(shù)據(jù)特征指標(biāo)設(shè)計(jì)

DPT關(guān)聯(lián)數(shù)據(jù)特征分析

序的定

型、與

表

（xi－）n－1

A·

B（t）=

∑i=1

（1）

B（t）為波動(dòng)性特征指標(biāo)；n為交通數(shù)據(jù)序列關(guān)聯(lián)數(shù)據(jù)特征分析的時(shí)間窗口長(zhǎng)度；xi為時(shí)間窗口內(nèi)第i式中，

個(gè)數(shù)據(jù)；為時(shí)間窗口內(nèi)所有數(shù)據(jù)的期望；A為縮放系數(shù)，根據(jù)數(shù)據(jù)特點(diǎn)確定，本文中A取15．由圖2可知，交通數(shù)據(jù)序列波動(dòng)性指標(biāo)與可預(yù)測(cè)步數(shù)在總體上成反比關(guān)系，當(dāng)波動(dòng)性指標(biāo)較大時(shí)，可預(yù)測(cè)步數(shù)較小，反之，可預(yù)測(cè)步數(shù)較大．

2）趨勢(shì)性特征指標(biāo)

趨勢(shì)性特征指標(biāo)是用于表征交通數(shù)據(jù)連續(xù)上升或連續(xù)下降程度的指標(biāo)．在通常情況下，可以采用斜率表征數(shù)據(jù)序列上升或下降的程度，因此，本文以斜率為基礎(chǔ)構(gòu)建交通數(shù)據(jù)序列的趨勢(shì)性特征指標(biāo)，具體其變化趨勢(shì)與可預(yù)測(cè)步數(shù)序列變化趨勢(shì)的關(guān)系如圖3所示．如式（2）所示，

t－kτ

（xi+kτ－xi）∑n－ki=t－nτ

Q（t）=

B·

k

（2）

Q（t）為趨勢(shì)性特征指標(biāo)；k為數(shù)據(jù)序列斜率計(jì)算的梯度；B為縮放系數(shù)，式中，根據(jù)數(shù)據(jù)特點(diǎn)確定，本文中B取2．

（3）

i

為了提高模糊熵對(duì)交通數(shù)據(jù)序列不確定性變化的靈敏度，將其定義為

H=C·log2m+

(

p0klog2p0k)∑k=1

m

（4）

1022北京工業(yè)大學(xué)學(xué)報(bào)2011年

確越定關(guān)標(biāo)

指

逼廣，以層確

n

n

1

MAE=

n

jp

∑i=1

n

∑i=1

p

^||bi－bi

bi

^ji||yji－yyji

（5）（6）（7）

1

MAEp=

p

MAEjp∑j=1

第7期姜桂艷，等：基于BP神經(jīng)網(wǎng)絡(luò)的交通數(shù)據(jù)序列動(dòng)態(tài)可預(yù)測(cè)性分析方法1023

MAEm=

^為i時(shí)刻的訓(xùn)練可預(yù)測(cè)步數(shù)；yj為i+j時(shí)刻的實(shí)際值；y^ji為bi為i時(shí)刻實(shí)際可預(yù)測(cè)步數(shù)；b式（5）～（8）中，ii

i時(shí)刻第j步的預(yù)測(cè)值；n為處理數(shù)據(jù)的條數(shù)；bg為估計(jì)預(yù)測(cè)步數(shù)序列；bs為實(shí)際預(yù)測(cè)步數(shù)序列；p為最大可能預(yù)測(cè)步數(shù)．4.2.2

訓(xùn)練數(shù)據(jù)集準(zhǔn)備

數(shù)據(jù)特征指標(biāo)序列與可預(yù)測(cè)步長(zhǎng)序列的相關(guān)性越強(qiáng)，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果越好．為了改善研究發(fā)現(xiàn)，

本文在利用原始數(shù)據(jù)獲得神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集時(shí)，進(jìn)行數(shù)據(jù)特征指標(biāo)與可預(yù)測(cè)步數(shù)序列之間的相關(guān)性，

了如下2步處理：

1）為了能得到反映數(shù)據(jù)本質(zhì)特征和可預(yù)測(cè)性的訓(xùn)練數(shù)據(jù)，屏蔽交通數(shù)據(jù)中的隨機(jī)突變數(shù)據(jù)對(duì)可預(yù)測(cè)步數(shù)序列和數(shù)據(jù)特征指標(biāo)序列的影響，在對(duì)交通數(shù)據(jù)進(jìn)行了一定程度平滑的基礎(chǔ)上，計(jì)算平滑后數(shù)據(jù)的特征指數(shù)和相應(yīng)的可預(yù)測(cè)步數(shù)序列．

2）為了提高不同預(yù)測(cè)步數(shù)所對(duì)應(yīng)特征指標(biāo)間的區(qū)別度，加強(qiáng)特征指標(biāo)序列與可預(yù)測(cè)步數(shù)序列的相關(guān)程度，對(duì)通過(guò)步驟1）獲得的可預(yù)測(cè)步數(shù)進(jìn)行分組分析，將連續(xù)的可預(yù)測(cè)步數(shù)序列分成C個(gè)固定的步數(shù)類，并給每一類賦予固定的可預(yù)測(cè)步數(shù)值，本文中C取4，具體分類如表1所示．

表1

Table1

組號(hào)1234

可預(yù)測(cè)步數(shù)分類表

賦值可預(yù)測(cè)步數(shù)

24812

Theclassificationofpredictabilitystepsnumber實(shí)際可預(yù)測(cè)步數(shù)

［0，3］［4，8］［9，15］［16，∞］

E（bg）－E（bs）

E（bs）

（8）

為了使訓(xùn)練后網(wǎng)絡(luò)可以較好的滿足第2個(gè)目標(biāo)，每個(gè)分組賦值都賦予分組的下限值．由于一步預(yù)測(cè)只能消除數(shù)據(jù)采集產(chǎn)生的時(shí)間延誤，二步預(yù)測(cè)才能算是真正意義上的預(yù)測(cè)，所以第一分組賦值為2．4.2.3

訓(xùn)練參數(shù)選擇

在BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定的前提下，隱層神經(jīng)元的個(gè)數(shù)和訓(xùn)練誤差目標(biāo)是決定網(wǎng)絡(luò)性能的2個(gè)關(guān)鍵參數(shù)，本文通過(guò)如下方法對(duì)其進(jìn)行確定．

1）隱層神經(jīng)元個(gè)數(shù)選擇，分別訓(xùn)練隱層神經(jīng)元個(gè)數(shù)為2～30的所有BP神經(jīng)網(wǎng)絡(luò)，通過(guò)MAEb選取訓(xùn)練效果最好的神經(jīng)元個(gè)數(shù)．

2）訓(xùn)練誤差目標(biāo)選擇，提取步驟1）獲得的最優(yōu)神經(jīng)元個(gè)數(shù)的網(wǎng)絡(luò)，以一定的間距選取某一誤差區(qū)間

j

MAEp和MAEm選取最優(yōu)的網(wǎng)絡(luò)作為選定內(nèi)的所有數(shù)值為訓(xùn)練誤差目標(biāo)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并根據(jù)MAEp、0.04，0.25］，網(wǎng)絡(luò)．本文中誤差區(qū)間為［選取間距為0.01．

5

5.1

實(shí)證分析

數(shù)據(jù)來(lái)源

本文以某城市長(zhǎng)約10km的快速路路段為對(duì)象，包括24個(gè)主線檢測(cè)截面的88個(gè)主線檢測(cè)器和30個(gè)

速度和占有率匝道檢測(cè)截面的60個(gè)匝道檢測(cè)器．獲取了2008年9月—10月連續(xù)5個(gè)周一24h的流量、數(shù)據(jù)，時(shí)間尺度為5min．5.2

實(shí)證方案設(shè)計(jì)

本文實(shí)證研究的方案是，任選實(shí)驗(yàn)路段中的1個(gè)檢測(cè)器，任取其4d的實(shí)測(cè)數(shù)據(jù)對(duì)DPT分析方法進(jìn)行

標(biāo)定，用剩余1d的數(shù)據(jù)對(duì)所標(biāo)定的方法進(jìn)行測(cè)試，再用實(shí)驗(yàn)路段上其他檢測(cè)器的實(shí)測(cè)數(shù)據(jù)對(duì)所標(biāo)定的方

　

　

下載地址：基于BP神經(jīng)網(wǎng)絡(luò)的交通數(shù)據(jù)序列動(dòng)態(tài)可預(yù)測(cè)性分析方法35.Doc

　　【】

最新搜索

基于BP神經(jīng)網(wǎng)絡(luò)的交通數(shù)據(jù)序列動(dòng)態(tài)可預(yù)測(cè)性分析方法

大學(xué)英語(yǔ)四級(jí)復(fù)習(xí)計(jì)劃書(shū)97

公路工程施工監(jiān)理招標(biāo)投標(biāo)管理辦法57

小學(xué)一年級(jí)奧數(shù)38

37大學(xué)心理發(fā)展與教育 第四章題庫(kù)

廁所偷竊實(shí)拍圖

72小學(xué)語(yǔ)文說(shuō)課稿模板一3

全國(guó)主要城市支付寶人均支出排行情況

企業(yè)怎樣起草并購(gòu)意向書(shū)

1311年修養(yǎng)試題5及答案

  本文關(guān)鍵詞：基于BP神經(jīng)網(wǎng)絡(luò)的交通數(shù)據(jù)序列動(dòng)態(tài)可預(yù)測(cè)性分析方法，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：234918