基于过程神经元网络与遗传算法的交通流预测

基于过程神经元网络与遗传算法的交通流预测
贠天鹂;李淑庆;高为
【摘要】高速公路变通量预测对于高速公路建设和管理具有重要的指导作用.针对传统预测方法准确性低、预测时间长等问题,建立了遗传过程神经元网络优化模型,该模型既利用遗传算法全局搜索、快速收敛的优点,又利用过程神经元网络非线性描述、自学习自适应的优点,并以实际道路为例进行计算机仿真,实证分析的结果表明,该方法能够有效提高交通量的预测精度.
【期刊名称】《交通信息与安全》
【年(卷),期】2010(028)005
【总页数】3页(P18-20)
【关键词】交通量预测;高速公路;过程神经元网络;遗传算法
【作者】贠天鹂;李淑庆;高为
【作者单位】重庆交通大学交通运输学院,重庆,400074;重庆交通大学交通运输学院,重庆,400074;重庆交通大学交通运输学院,重庆,400074
【正文语种】中文
【中图分类】U491
交通系统是一个集宏观与微观于一体的、有人参与的、时变的、非线性的复杂巨系统,其显著特点是具有不确定性,这种不确定性给交通流预测带来很大困难,尤其是短时交通流预测。

目前有关短时交通流预测研究都采用静态数据环境的建模方法和预
测技术来处理实时、动态的交通数据流场景,不能很好地满足交通流预测要求。

预测交通流大致可分为3类:基于传统统计理论的方法[1-3];以神经网络为代表的人工智能方法[4-6];基于动态交通分配的交通模拟方法[7]。

检测得到的交通系统中的数据具有明显的实时、动态特征,本文研究了基于过程神经元网络(process neural network,PNN)技术的实时短时交通流预测模型。

在预测模型中,过程神经元网络很好地捕获了交通流的过程特征,同时利用遗传算法训练神经网络,保证了预测的实时性和自适应性。

试验结果表明,本文所提出的方法较传统方法有长足进步。

模型建立
1.1 过程神经元网络模型
过程神经元由时变过程信号输入、空间加权聚合、时间效应累积、激励阈值激励输出四部分组成,其结构如图1所示。

图中:xi(t)为过程神经元的第i个输入时间序列;wi(t)为相应的时变连续权函数;K(·)为过程神经元的聚合核函数,对输入信号进行变换处理;f(·)为激活函数,可取线性函数、Sigmoid函数、Gauss型函数等。

图1 过程神经元模型
PNN的输入、连接权和输出都可以为时变函数,由于连接权函数形式的任意性,需要对函数类别进行一定的限制,本文将权函数展开成由一组基表示的形式,选取一组基函数bl(t),此时
式中:wil为权函数wi(t)对基函数bl(t)的展开系数。

考虑空间算子为求和算子,时间算子为积分算子,取K(·)为 1,将积分号移入,过程神经元模型展开为
式中:y为过程神经元模型的输出;θ为f(·)的阈值。

1.2 遗传过程神经元网络优化模型
该模型的思想是使用遗传算法训练神经网络,并在训练中将遗传算法用于权值和阈值的搜索,最终形成一个适用于高速公路交通量预测的模型。

首先利用遗传算法本身的寻优能力按一定规则进行训练,从中选出误差最小的20组权值和阈值组成初始种群,而后通过遗传算法和过程神经元网络的结合形成新代种群,即首先通过遗传操作(多种选择方法、交叉、变异)产生新的个体,然后使用遗传过程神经网络对新个体进行训练,从而生成更好的个体组成新一代种群。

重复以上过程直到满足误差要求,其算法步骤[8]如下。

1)初步确定过程神经元网络的大致结构,然后对其进行编码。

2)利用初始连接权对网络进行训练。

3)计算在每个码链下PNN的误差,利用误差确定每个个体的适应度。

4)选择适应度最大的个体作父本。

5)利用选择、交叉、变异等遗传操作对当前种群进行处理,产生新一代群体。

6)重复上述2)～5)步骤,直到群体中的某个个体满足要求为止;
7)利用BP算法对该结构进行迭代训练,得出问题的最优解。

实证研究
2.1 试验数据
本文选用的数据为107国道广州至深圳段某路段2007年交通实测数据,所取数据观测时间为08:00至次日08:00,交通量统计间隔为8 min,共180组数据。

由于每日交通量的数值较大,而且数据值相差很大,因此为避免造成网络麻痹,不能采用原始数据作为输入、输出,文中采用式(3)要对数据进行规格化处理:
式中:Xi为原始交通量;Xmax,Xmin为样本数据的最大值和最小值;X′i为归一化后的值:
2.2 模型设置
本文采用3层网络模型,即一个输入层,一个隐藏层和一个输出层。

将过程神经网络的输入层神经元数目设为7,隐藏层神经元个数根据实际情况和多次实验确定为10,输出神经元个数为要预测的天数,通过比较将输出层神经元个数设为5。

使用遗传网络进行训练,每训练100次,从中选出误差最小的一组权值和阈值,然后为神经网络取新的初始值,重新训练100次,再取出一组误差最小的权值和阈值,重复上述过程20次,形成20组权值和阈值作为遗传算法的初始种群,记录20个个体的适应度,按由大到小的顺序对适应度进行排序。

若在训练过程中误差已经落入给定的
范围,则算法结束。

染色体采用浮点数编码,每个个体代表一个过程神经网络所对应的权值和阈值矩阵。

排列顺序依次为隐含层10个神经元分别到各输入结点的权值;隐藏层10个神经元的阈值;输出层5个神经元分别到隐藏层各结点的权值;输出层5个神经元的阈值。

应用遗传操作(选择、交叉、变异)训练过程神经元网络,产生新一代个体,淘汰父代
个体,直至达到最大进化代数或者产生最优解。

这一步就是用遗传算法训练过程神
经元网络,得到隐层节点数、初始权值和阈值。

本文选择、交叉、变异算子分别采
用基于标准几何分布的排序选择、算术交叉和非均匀变异,终止条件是最大进化代
数50。

本文用180个实测数据,通过训练好的过程神经元网络进行交通流量预测,其中前100个数据是实测数据用来训练神经网络,后80个数据用来验证交通流量预测的准确性。

图2是用训练好的遗传神经网络对交通流量的预测结果,预测的均方误差为0.89%。

由图2可以看出,用遗传过程神经元网络优化模型对高速公路交通流进行预测,具有比较高的预测精度。

图2 遗传过程神经元网络对交通流量的预测
2.3 模型比较
分别使用遗传算法、基本遗传神经网络[9]算法和本文改进的遗传过程神经元网络算法对测试样本进行预测。

表1为随机抽取6 d数据的预测结果比较,表2为3种预测方法的预测误差。

通过对比分析使用改进的遗传(过程神经元网络)算法极大地提高了系统的收敛速度,而且精度更高。

表1 预测结果比较辆期望输出遗传算法训练80 000次基本遗传神经网络算法训练100代改进的遗传过程神经元网络算法训练50代45 213 44 490 44 747 45 117 28 198 27 489 28 049 28 277 31 774 30 906 31 306 31 820 39 288 38 349 38 933 39 305 32 457 31 940 32 591 32 424 41 089 41 462 41 322 41 122
表2 预测误差比较遗传算法训练80 000次基本遗传神经网络算法训练100代改进的遗传过程神经元网络算法训练50代0.025 0.019 0.010
结束语
本文使用过程神经元网络和遗传算法的结合实现对高速公路车流量的预测,摒弃了传统的通过偏利OD表预测高速公路车流量的编制OD表的方法,以及单纯使用人工神经网络的方法。

通过对2种算法的进一步改进,提高了样本的训练速度和预测的准确性。

它实现了对车流量的高效、高准确率预测,并且该算法也具有一定的普遍性,通过训练调整参数也可用于解决其他领域的预测问题。

参考文献
【相关文献】
[1] Yu Guoqiang,Zhang Changshui.Switching ARIMA model based forecasting for traffic flow[C]∥IEEE.IEEE International Conference on Acousti cs,Speech,Signal
Processing.Quebec:IEEE,2004:429-432.
[2] Ghosh B,Basu B,O'Mahon Y M.Bayesian time series model for short term traffic flow forecasting[J].Journal of T ransportation Engineering,2007,133(3):180-189.
[3] 杨兆升,朱中.基于卡尔曼滤波理论的交通流量实时预测模型[J].中国公路学报,1999,12(3):63-67.
[4] Sun Shiliang,Zhang Changshui,Yu Guoqiang.A bayesian network approach to traffic flow forecasting[J].IEEE Transactions on Intelligent Transportation Systems,2006,7(1):124-132.
[5] 刘洁,魏连雨,杨春风.基于遗传神经网络的交通量预测[J].长安大学学报:自然科学
版,2003,23(1):68-70.
[6] 何新贵,梁久祯.过程神经元网络的若干理论问题[J].中国工程科学,2000,2(12):40-44.
[7] 何兆成,余志.城市道路网络动态OD估计模型[J].交通运输工程学报,2005,5(2):94-98.
[8] 高光男,程润伟,周其节.遗传算法在交通量预测中的应[J].公路交通科技,1998(11):69-73.
[9] 阎平凡,张长水.人工神经网络与模水的进货计算[M].北京:清华大学出版,2000:315-316.
[10] 裴玉龙,王晓宁.基于BP神经网络的交通影响预测模型[J].哈尔滨工业大学学报,2004(8):2-6.。