基于BP神经网络的快速路小时交通量预测本科毕业设计

合集下载

基于BP神经网络的快速路小时交通量预测本科毕业设计

基于BP神经网络的快速路小时交通量预测摘要快速路高效运行是解决城市交通拥堵问题的关键所在，城市ITS的应用提高了城市路网使用效率以及发挥环路运营管理的使用功效，准确的快速路交通量预测数据为城市ITS 提供数据基础。

本设计应用BP神经网络对快速路小时交通量进行预测，通过确定BP神经网络的结构和采用MATLAB神经网络工具箱函数建立神经网络预测模型，把已知的历史交通量数据作为输入、输出训练的样本集，依据已知数据和实际输出间的误差，用学习系统来调节系统参数提高预测的精度，然后使用MATLAB对仿真程序进行仿真得出结果，仿真结果表明BP神经网络对交通量进行预测效果很好。

关键词：快速路；交通量预测；BP神经网络；仿真AbstractThe efficiency of expressway is the key to solve the problem of the urban traffic congestion. Moreover, The application of ITS develops the efficiency of the urban expressway network and gives scope to the potential of the loop’s operation management, the ITS data is based on the accurate forecast figures of expressway traffic flow. In this design, BP neural network is used to predict the traffic volume of expressway, by determining the structure of the BP neural network and adopting MATLAB neural network toolbox function to create a neural network prediction model, use known historical traffic data as the sample set of input and output training. And use learning system to adjust the system parameters to improve the prediction accuracy according to the error between the known data and the actual output.Then use MATLAB simulation program for the simulation results, the simulation results show that the BP neural network to forecast the traffic volume effect is very good.Keywords: expressway; traffic forecast; BP neural network; simulation目录摘要 (I)Abstract (II)第1章绪论 (1)1.1 课题背景 (1)1.2 研究目的和意义 (1)1.3 国内外文献综述 (2)1.4 论文的主要内容 (3)第2章交通量预测 (4)2.1 交通量 (4)2.1.1 交通量概述 (4)2.1.2 交通流量特性 (4)2.2 交通流量预测研究现状 (5)2.3 交通流量预测方法 (6)2.4 本章小结 (6)第3章BP神经网络 (7)3.1 人工神经网络基本知识 (7)3.2 BP神经网络 (8)3.2.1 BP神经网络概述 (8)3.2.2 BP神经网络学习算法 (9)3.2.3 BP神经网络算法改进 (11)3.3 本章小结 (11)第4章基于BP神经网络的快速路小时交通量预测与仿真 (12)4.1 BP神经网络在交通信息预测中的应用 (12)4.2 基于BP神经网络的快速路小时交通量预测 (12)4.3 仿真研究 (15)4.3.1 四输入法仿真结果 (15)4.3.2 五输入法仿真结果 (21)4.4 本章小结 (26)结论 (27)参考文献 (28)致谢 (29)附录 (30)第1章绪论1.1 课题背景交通系统是承载城市社会经济活动的基础设施，随着我国经济资源的迅速发展，加快了城市之间的经济快速流转，在不同的城市之间物质等各方面资源在不断的调动。

基于BP神经网络的公路隧道交通量预测

输入期望输出进行预测
输入
预测值
480
430
514
492
505
486
539
430
514
492
505
486
539
511
514
492
505
486
539
511
552
492
505
486
539
511
552
566
552
621
566
621
输入期望输出进行预测
表 3 9: 00- 10: 00 交通量样本单位: 辆
二、基于 BP 神经网络的交通量预测系统的结构原理
交通量是社会、经济、政治、技术发展对交通需求的具体反应, 无论采用何种预测方法, 首先考虑的是与
交通量生成的交通需求因子的选者。Kolm ogo rov 等人从理论上证明了三层网络模型对于非线性系统有较
好的建模能力, 任一连续函数或者映射都可以由一个三层神经网络实现, 所以本次设计的 BP 神经网络采用三层网络结构, 即一个输入层, 一个隐含层, 一个
Abstract: Accurat e short -t erm for ecast ing t o t he vo lum e of tr af f ic of t he highw ay tunnel, can make t he t unnel vent ilating syst em obt ain go od contr olling result , and the goo d t unnel v ent il at ing sy st em of co nt rol can make t he harm ful gas in t he t unnel discharg e in t ime. T here ar e import ant meanings in prot ect ing t he personal securit y and reducing t he operat ion co st o f the t unnel.

基于BP神经网络的高速公路短时交通流预测

以交通流宏观流体模型为基础，本文提出了一个简化的
交通流预测模型，如图１所示。该模高速公路站点短时间交通流预测。
况的有效解决手段，也随即吸引了时下众多专家的关注和重视…，其中的短时交通流则是交通控制、车辆导航等领域亟待解决的热点课题。近些年，鉴于神经网络具有的表示任意
ｔｒａｆｉｆｃｌｆｏｗｍｏｄｅｌａｎｄｅｓｔａｂｌｉｓｈｅｓａＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｔｏｔｒａｉｎａｎｄｐｒｅｄｉｃｔｂａｓｅｄｏｎＭａｔｌａｂｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｏｌｂｏｘ．
ＨｉｇｈｗａｙＤｙｎａｍｉｃＴｒａｉｃｆＦｌｏｗＰｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎＢＰＮｅｕｒａｌＮｅｔｗｏｒｋ
ＤＡＩＨｏｎｇｂｏ，ＺＥＮＧＸｉａｎｈｕｉ
ＩｔｍｏｄｅｌｓａｎｄｐｒｅｄｉｃｔｓｒｅｌａｄａｔａｃｏｌｌｅｃｔｉｏｎｆｒｏｍｔｒａｆｉｆｃｆｌｏｗｎｅａｒｂｙＪｉａＸｉｎｇｓｔａｔｉｏｎ．Ｆｒｏｍｔｈｅｐｒｅｄｉｃｔｅｄｒｅｓｕｌｔｓ，ｔｈｉｓＢＰｎｅｌｌ —
第５卷第４期２０１５年８月
智能计算机与应用

基于BP神经网络的高速公路交通量预测

图１多层前馈神经网络
二、向后传播算法学习计算步骤
Ｓｅｌｔｐ初始化权重：网络的权重初始化为很小的随机数（例如，由一１０．，．～１０或由－．～０５。每个单元有一个关０５．）联的偏倚（ｉＳ，ｂａ）其类似地也初始化为小随机数。每个训练元
德尔菲（ｌｈｉＤｅｐ）法、主观概率法、增长率法重力模型、超
势外推法、移动平均法、指数平滑法、回归分析法、联立方
程法、弹性系数法等。许多新的预测方法也被迅速应用于交
通领域，代表性的有遗传算法、支持向量机、灰色理论等技术。考虑到高速公路交通量预测具有 “ 黑箱 ” 及非线性特性，为了提高预测结果的准确率，本文利用人工神经网络技术对未来交通量进行预测，并在预测理论模型的基础上，进
其次，输入通过输入单元，不发生变化。也就是说，对于输入单元ｊ，它的输出Ｏ等于它的输入值Ｉ。
中国交通信息产业Ｉ２０・０８１２
■■匪圜ｅｈｏｏ５ｌｌｃｎｌｇ，
然后，计算隐藏层和输出层每个单元的净输入和输出。隐藏层或输出层单元的净输入用其输入的线性组合计算。给定隐藏层和输出层的单元，到单元的净输是：收敛，但不是最优解），并有助于找到全局最小。如果学习率
其中，
（３１）－
是由上一层的单元单元接的权重；０是到连

基于BP神经网络的快速路小时交通量预测本科设计说明

关键词：快速路；交通量预测；BP神经网络；仿真AbstractThe efficiency of expressway is the key to solve the problem of the urban traffic congestion. Moreover, The application of ITS develops the efficiency of the urban expressway network and gives scope to the potential of the loop’s operation management, the ITS data is based on the accurate forecast figures of expressway traffic flow. In this design, BP neural network is used to predict the traffic volume of expressway, by determining the structure of the BP neural network and adopting MATLAB neural network toolbox function to create a neural network prediction model, use known historical traffic data as the sample set of input and output training. And use learning system to adjust the system parameters to improve the prediction accuracy according to the error between the known data and the actual output.Then use MATLAB simulation program for the simulation results, the simulation results show that the BP neural network to forecast the traffic volume effect is very good.Keywords: expressway; traffic forecast; BP neural network; simulation目录摘要 (I)Abstract (II)第1章绪论 (1)1.1 课题背景 (1)1.2 研究目的和意义 (1)1.3 国外文献综述 (2)1.4 论文的主要容 (3)第2章交通量预测 (4)2.1 交通量 (4)2.1.1 交通量概述 (4)2.1.2 交通流量特性 (4)2.2 交通流量预测研究现状 (5)2.3 交通流量预测方法 (6)2.4 本章小结 (6)第3章BP神经网络 (7)3.1 人工神经网络基本知识 (7)3.2 BP神经网络 (8)3.2.1 BP神经网络概述 (8)3.2.2 BP神经网络学习算法 (9)3.2.3 BP神经网络算法改进 (11)3.3 本章小结 (11)第4章基于BP神经网络的快速路小时交通量预测与仿真 (13)4.1 BP神经网络在交通信息预测中的应用 (13)4.2 基于BP神经网络的快速路小时交通量预测 (13)4.3 仿真研究 (16)4.3.1 四输入法仿真结果 (16)4.3.2 五输入法仿真结果 (22)4.4 本章小结 (27)结论 (28)参考文献 (29)致 (30)附录 (31)第1章绪论1.1 课题背景交通系统是承载城市社会经济活动的基础设施，随着我国经济资源的迅速发展，加快了城市之间的经济快速流转，在不同的城市之间物质等各方面资源在不断的调动。

基于BP神经网络的高速公路动态交通流预测

度为零时的等价速度; cr 为临界密度, 表示交通流
稳定与不稳定的分界点; 为时间常数; ∀i 为高速公路路段 i 的车道数; & 为期望系数; # 为入口匝道常
数; ∋ 为修正系数; %为加权系数, 取值与 i 、 i- 1 有
关, 在实际中可以取为接近于 1 的常数。
2 基于 BP 神经网络交通流模型的建立增加 BP 网络层数可以进一步降低误差和提高
Expressway Dynamic Traffic Flow Prediction Based on BP Neural Network
Wang Jun1,2 , Xu H ongke1 Cai Xiaof eng 3 , Sun Lei 1
Abstract: This paper takes expressway traffic flow prediction as object of study, and sets up a traffic flow prediction model based on dynamic parameter correction of BP neural network. It takes the expressway macro dynamic traffic flow model as prototype and analyzes the characteristics of expressway traffic flow with Segment Identification Method . It also carries out detail researches on determination of BP neural network levels and neural elements, as well as optimization of transition functions, and it gives modeling method based on BP neural network traffic flow prediction model. It carries out real data collect ion from traffic flow at Xi! an- Baoji Expressway, modeling and emulation. Through comparison emulation result and actual result, this model is proved to be highly reliable. Key words: expressway; traffic flow prediction; BP neural network

基于BP神经网络的高速公路短时交通流预测

基于BP神经网络的高速公路短时交通流预测作者：戴洪波曾献辉来源：《智能计算机与应用》2015年第04期摘要：以高速公路交通流预测为研究对象，简化了高速公路宏观动态交通流模型，利用Matlab神经网络工具建立模型并进行网络训练与预测。

对嘉兴站附近高速公路交通流数据进行了采集、建模和预测。

从预测结果中得知，基于BP神经网络交通流预测模型具有很高的可靠度，该简化的交通流模型更为简练，预测结果亦可以点带面地面描述该站点一定空间及时间范围内的交通流情况。

关键词：高速公路；交通流预测；BP神经网络中图分类号：TP393.0 文献标识码：A 文章编号：2095-2163（2015）04-Highway Dynamic Traffic Flow Prediction based on BP Neural NetworkDAI Hongbo，ZENG Xianhui（College of Information Science and Technology，Donghua University，Shanghai 201620，China）Abstract：This paper takes highway traffic fIow prediction as object of study，simplifies the highway macroscopic dynamic traffic flow model and establishes a BP neural network model to train and predict based on Matlab neural network toolbox. It models and predicts real data collection from traffic flow nearby JiaXing station. From the predicted results， this BP neural network model is proved to be highly reliable. It carries out that the simplified model of traffic flow is more concise，predictions can also describe a certain space and time of the site’s traffic situation through a point to an area.Keywords： Highway； Traffic Flow Prediction； BP Neural Network0 引言随着社会经济的发展和私家车保有量的逐年递增，出行车辆日渐增多，随之而来的交通拥堵，交通事故等问题即已成为困扰社情民生的重大事件。

基于神经网络的智慧城市交通流量预测研究

基于神经网络的智慧城市交通流量预测研究智慧城市是一个充满希望的未来，人工智能技术的发展为智慧城市的建设提供了更多的可能。

其中，交通流量预测是智慧城市建设中的一个重要研究方向。

预测交通流量可以帮助城市规划部门制定更加周密的城市交通规划方案，提升城市的通行效率和安全性。

本文将主要从神经网络的角度出发，探讨如何基于神经网络进行智慧城市交通流量预测研究。

一、神经网络技术简介神经网络是一种基于生物神经元网络结构，模拟人脑神经元之间传递的信息而构建的人工神经网络。

神经网络可以通过学习和训练，自动发现数据中的规律和模式，从而实现数据的模式识别和预测等功能。

目前，神经网络已广泛应用于图像识别、机器翻译、语音识别等领域。

二、基于神经网络的交通流量预测方法在智慧城市中，交通流量预测需要收集大量的数据作为输入，这些数据包括历史交通流量、天气、道路建设情况、事件发生等各种因素。

收集到的数据需要进行数据清洗、数据预处理等工作，将数据转化为神经网络能够接受的形式。

在此基础上，可以采用不同类型的神经网络进行建模和预测。

1. BP神经网络BP神经网络是最为常用的一种神经网络结构。

它由输入层、隐藏层和输出层组成。

输入层接受外部数据输入，隐藏层进行信息传递和处理，输出层则输出预测结果。

BP神经网络可以对已有的交通流量数据进行训练，优化神经网络的参数，从而实现交通流量的预测。

2. RNN神经网络RNN神经网络是一种具有记忆功能的神经网络。

RNN神经网络通过将以往的交通流量数据纳入历史数据集中，以此为依据进行实时数据的预测。

RNN神经网络因具有间隔时序的数据预测能力，在交通流量预测领域中表现优异。

3. CNN神经网络CNN神经网络是一种卷积神经网络。

通过对历史交通流量数据进行卷积操作和池化操作，提取数据中的特征信息，进而实现交通流量的预测。

与其他神经网络相比，CNN神经网络更侧重于数据的特征抽取和分类能力，可有效提升数据的预测准确率。

基于BP神经网络的动态交通流量预测

第28卷第2期2011年4月吉林建筑工程学院学报Journa l o f Jili n Institute o fA rch i tec t ure &C i v il Eng i neeri ng V o.l 28 N o .2A pr .2011基于BP 神经网络的动态交通流量预测*收稿日期:2010-09-11.作者简介:张伟杰(1975~),女,吉林省长春市人,讲师,硕士.*基金项目:吉林省教育厅十一五科学技术研究项目(2009第414号).张伟杰高彤(吉林建筑工程学院计算机科学与工程学院,长春 130118)摘要:本文通过对BP 神经网络和影响交通流量因素的分析,采用W indrow -H off 学习算法、K o l m ogo rov 定理和trainl m 训练方法,实现对长春市开运街和湖西路路段动态交通流量的预测.关键词:神经网络;BP 神经网络;交通流量中图分类号:U 491.1+3 文献标志码:A 文章编号:1009-0185(2011)02-0080-03Forecast of Dyna m i cal Traffic F l o w s Baseed on BP A rtifici al N eural N et workZ HANG W ei-jie ,GAO Tong(School of Comp uter Science and Engineer i ng,J ilin Institute of A rchitect ure and C i v il Eng i neering,Changchun ,Ch i na 130118)Abst ract :The thesi s analyzes BP artificial neural net w or k and factors o f affecting traffic flo w s ,adopts a l g orithm ofW i n dro w -H o ff lear n i n g ,t h eory ofK ol m ogo r ov and drill of Tra i n l m ,rea lizes the forecast o f dyna m i c al traffic flo w s on Ka i y un street and H ux i road i n Changchun .K eywords :artific i a l neural net w o r k ;BP artific ial neura l net w ork ;traffic flo w s0 引言经济的发展和交通业的繁荣,对道路建设和交通流量的控制提出了更高的要求.在现有交通设施基础上,对交通流量做出科学合理的预测和控制,对于改善道路交通状况具有重要意义[1].本文提出一种基于BP 神经网络的动态交通流量预测的方法,该方法将路口其他非预测方向、天气和交通信号配时方案对流量预测的影响因素考虑在内,并实际应用于长春市开运街与湖西路的路口,取得了良好的预测结果.1 人工神经网络人工神经网络(A rtificialN euralN et w ork ,简称ANN)始于1943年,心理学家W.S.M c Cu lloch 和数理逻辑学家W.P itts 建立的神经网络和数学模型,它是一种模仿动物神经网络行为特征,进行分布式并行处理的算法数学模型.这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的.人工神经网络具有自学习和自适应的能力,可以通过预先提供的一批相互对应的输入-输出数据,分析掌握两者之间潜在的规律,最终根据这些规律,用新的输入数据来推算输出结果.1.1 BP 神经网络BP(B ack Pr opagati o n)网络是1986年由Rum elhart 和M cCe lland 为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一.BP 网络能学习和存储大量输入-输出模式映射关系,而无需事前揭示描述这种映身关系的数学方程.其学习规则是使用最速下将法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小.BP 神经网络模型拓扑结构包括输入层(input layer)、隐层(h i d e layer)和输出层(output layer),如图1所示.第2期张伟杰,高彤:基于BP神经网络的动态交通流量预测811.2 W i n dro w-H o ff学习算法W i n dro w-H o ff学习算法是近似最速下降法,其性能指标是均分误差,是一种有监督学习的方法,将其应用于多层神经网络和非线性转换函数,便产生了BP神经网络,单个神经元模型如图2所示.图1BP神经网络拓扑结构图2单个神经元模型对每单个神经元:a=f(p +b)(1) BP网络采用的是有监督学习,设一个神经网络有M层对应每层有(n1,n2, ,n m)个神经元,给定N个样本(x k,y k),对每个样本网络训练误差为:E k=12ll=1n jj=1(y lj-y lj)2(2)其中,y lj为实际输出值,总误差为:E=12NNK=1E K(3)反向传播算法就是不断修正网络权初值,直至总误差降至可接受范围,修正权值公式如下:ij= ij- E Kij(4)式中, 为学习速率,一般 =0.01至1[3].2 BP神经网络设计2.1 影响交通流量的因素在对城市交通网络中的路段进行实时预测时,交通路段上的交通流量与本路段以前的交通流量、当时的天气状况和交通信号配时方案有着必然的联系.同时,由于路段是路网中的一部分,某一路段的交通状况必然受到其他相关路段交通状况的影响,因此,可以利用该路段以前的流量数据和其他相关路段的流量数据来预测未来时段内的交通流量.由于不同道路交通状况存在较大差异,不能简单地选取相关路段和时段的交通流量作为神经网络的输入.在实际的交通流量预测中,应选择与预测时段相关性比较强的路段和时段的交通信息作为神经网络的输入,这样做的目的在于提高预测结果的精度[2].2.2 运行环境主要硬件:I B M Syste m x3850M2(7233I P U)服务器,Inte lXeon E74CP U;主要软件:i C entrov ie w平台,W i n do w s2003Server操作系统,M atlab软件2.3 设计本设计基于BP神经网络模型,采用W indro w-H off学习算法,训练方法用trai n l m(即Levenber g-M ar quardt方法),实现对未来若干时间段内某一路段上动态交通流量的预测.充分利用i C entro V ie w平台中各个路段上的检测器,实时将检测数据,每3m in向中央数据库发送一次,我们要设计BP神经网络用于预测各个方向未来3m i n的交通流量.我们以一天为一个周期,根据配时方案不同,用多个BP网络建立多个模型对应82 吉林建筑工程学院学报第28卷各个不同的配时方案下的交通流量预测.用f1(t+1)表示下3m i n方向1上的交通流量:f1(t+1)= 1(f1(t),f1(t-1),f1(t-2),f2(t),f2(t-1),f3(t),f3(t-1),f4(t),f4(t-1))(5)其中,f1(t),f1(t-1),f1(t-2)为预测方向上前3个时间单位的流量值;f2(t),f2(t-1),f3(t),f3(t-1),f4 (t),f4(t-1)为其他方向上前2个时间单位的流量值,其他方向的预测流量函数 2, 3, 4.同理可得,对每一个函数用一个BP网络逼近.我们将预测方向上前3个时间单位的流量值和其他3个方向上的前2个时间单位的流量值这9个值作为BP神经网络的输入,下一时间单位的流量值作为输出.BP神经网络选用图1所示的结构,因为根据Ko l m ogorov定理任一连续函数可以精确地用一个3层前向网络实现,即一个隐含层加一个线性输出层.隐含层上神经元个数的选择根据Ko l m ogorov定理选取输入层神经元个数的2 9+1=20个,这里为了增加预测准确性和收敛稳定性隐含层选取21个神经元.3 实验部分本次实验部分数据来自长春市开运街与湖西路的十字路口,2010年5月27日到6月30日的历史数据.该路口配时方案分成5段,我们选取其中3个车流量较大的3个时间段:7 00-8 30;8 30-16 30;16 30-18 30,也是最需要分析的时间段,实验选择5月27日至6月26日为训练样本,6月27日~6月30日为评估样本,训练循环次数分别选400次,800次,1200次,误差满足条件为0.001.实验数据见表1,时间单位为秒.表1实验数据时段训练样本数评估样本数7 00-8 30580908 30-16 30345852816 30-18 30792132实验结果如表2所示,时间单位为秒.表2实验结果时段循环次数准确度/%训练时间/m i n评估时间/s07 00-08 3040085.5613.560.010207 00-08 3080084.7827.450.010507 00-08 30120086.3440.090.021108 30-16 3040086.7692.560.017508 30-16 3080086.78150.400.020908 30-16 30120085.34284.560.014316 30-18 3040084.5717.340.017516 30-18 3080085.6432.080.017916 30-18 30120086.1345.780.01794 结语实验结果表明,BP神经网络在400循环训练之后就基本上稳定,准确性没有太大的变化,但是训练的时间消耗与循环次数成比例增加.同时预测的准确度达到85%以上,能达到辅助指挥交通和优化信号配时方案的效果.参考文献[1]Industry Se m i nar ofT ran s port ati on.In telli gent T ransport Syste m[M].Beiji ng:The Press of the Peop l e s T ransport,2000:107-121.[2]申慧.基于BP神经网络的交通流量预测设计[J].西南科技大学学报,2009(13):72-75.[3]宁云龙.路口短时交通流量预测方法[J].科技资讯,2008(3):114.。

BP神经网络-本科生毕业设计论文-小论文

基于智能计算的水质预测预警系统的设计与实现温子铭1,刘双印1（1.广东海洋大学信息学院，广东湛江524088）摘要：及时准确地掌握水质变化趋势是确保水产品健康养殖的关键，为此，本设计采用智能计算与现代Web开发技术有机结合，以软件工程为指导，按照面向对象程序设计的方法，构建5种基于智能计算的水质预测预警模型；采用J2EE为开发工具设计实现了B/S架构的水质预测预警系统。

该系统主要有水质数据管理、水质数据趋势展示、水质指标溶解氧浓度预测、水质预警管理等功能模块组成，用户界面友好，水质预测精度较高，能够满足水产养殖水质管理的需要。

该系统的研制为提前掌握水质未来发展趋势、水污染预警提供基础数据和手段，为应对突发水质事件、水质调节、水产养殖生产管理与规划提供科学的决策依据，有一定的实用价值。

关键词:水产养殖；水质趋势；J2EE；水质预测预警系统；智能计算；Design and Implementation of Water Quality Predicting and Early Warning SystemBase on Smart ComputingWen Ziming, Liu Shuangyin(1. Information Institute of Guangdong Ocean University, Zhanjiang,GuangDong 524088) Abstract:Have a good command of water quality trends in time and accurately is the key to assure health growth of the aquatic products. Therefore, this design is combined with intelligent computing and modern web development technology, on the guidance of software engineer, and also established five kinds of water quality predicting and early warning models based on intelligent technology according to the measure of Object-Oriented Programming; We adopted J2EE as development tool to achieve the water quality predicting and early warning system based on B/S framework. This system mainly included water quality data management module, water quality data trend module, dissolved oxygen prediction module and water quality early warning module. It’s useful for users and can meet the needs of aquatic water quality management. The establishment of this system provide the basic data and methods to handling the future water quality trend and water pollution early warning. And also provide the scientific decision for dealing with the water pollution events, water quality adjustment, aquaculture management and plans. It has practical value.Key words: Aquaculture, water quality trend, J2EE, water quality predicting and early warning system, intelligent computing.1引言我国是水产养殖大国，也是世界上唯一一个养殖产量超过捕捞产量的国家, 水产养殖为解决食品供给、粮食安全、改善民生，增加农民收入等方面发挥了重要作用。

基于BP神经网络的交通量预测

1.2 设计目标
基于BP神经网络的交通量预测主要是为了实现预测交通量功能的目的。本设计基于python语言开发，采用了LSTM、MLP、GRU三种神经网络模型，结合BP算法对训练数据进行训练，学习完成后进行预测，将预测结果与测试数据进行误差计算以及分析，对比出三种算法中预测最准确的一种。在论文中，对三种神经网络模型的工作原理，学习方式以及步骤进行了深入浅出的介绍。相信在不远的未来可以使用相同或者更好的办法对更大的数据，更多的算法进行误差比较分析，选出预测交通量最准确的一种，然后将其一定程度地运用到实ห้องสมุดไป่ตู้中去，为解决实际问题出一点力。
2.3 MLP的工作原理
2.3.1MLP的前向计算
MLP的前向计算[5]实际上就是计算神经元输出的过程。过程如下：
原始输入带权计算结果一激活函数非线性计算输出
（1）从输入层到隐含层：先对输入进行线性计算，然后通过非线性计算（通常是sigmoid激活函数），得到隐含层。
（2）从隐含层到输出层：对隐含层进行线性计算，然后通过非线性计算，通常也是一些激活函数(如sigmoid函数)，得到计算结果。
1. 引言
1.1 选题背景
交通系统承担着城市社会经济活动的重大责任，随着我国科技经济的迅速发展，城市与城市之间的经济流转越来越快，资源等不断地互相调动。改革开放以来城镇化的快速发展，使得机动车持有量激增，带来巨大财富的同时，城市交通的供需矛盾也在日趋激化，这直接导致我国多数城市的一系列交通以及环境问题如道路拥堵、交通事故频发、环境严重污染等等，严重影响着了社会及经济的正常发展，同时也浪费了选择公路出行的人们的时间，对他们的生命安全造成了威胁。
2.神经网络相关简介
2.1 BP神经网络的介绍
BP（Back propagation）神经网络[1]是一种按照误差逆向传播算法训练的多层前馈神经网络，指的是用了“BP算法”进行训练的“多层感知器模型”，是用来解决单层前馈神经网络（M-P模型）中不能解决的非线性问题的：即在原有的输出层和输出层之间加上之前没有的隐含层，构成一种新的网络：多层前馈神经网络。从本质上讲，BP算法就是以误差平方为目标函数，采用梯度下降法来计算目标函数的最小值。

基于BP神经网络的高速公路交通量预测探析

基于BP神经网络的高速公路交通量预测探析作者：齐远来源：《价值工程》2020年第24期摘要：在高速公路工程交通量预测中，通过应用BP神经网络，能够对实时交通量进行统计分析。

本文首先对BP神经网络技术进行介绍，然后对基于神经网络的交通流量预测模型算法以及交通量预测模型的评价指标进行分析，并结合实例，对BP神经网络在高速公路交通量预测中的应用方式进行详细探究。

Abstract： In the traffic volume forecast of expressway engineering， through the application of BP neural network， real-time traffic volume can be statistically analyzed. This article firstly introduces the BP neural network technology， and then analyzes the neural network-based traffic volume prediction model algorithm and the evaluation index of the traffic volume prediction model，and combines examples to analyze the application of BP neural network in the expressway traffic prediction.关键词：BP神经网络技术;高速公路交通量;预测Key words： BP neural network technology;expressway traffic volume;prediction中图分类号：U495;U491.113 ; ; ; ; ; ; ; ; ; ; ; ; ;文献标识码：A ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ;文章编号：1006-4311（2020）24-0163-020 ;引言交通量指的是在单位时间内，通过道路工程某个断面的车辆总数，在高速公路交通量预测中，可采用灰色理论、时间序列等方式创建交通量预测模型，虽然能够对交通量进行准确预测，但是交通量预测具有非线性特性，因此存在一些弊端。

基于BP神经网络的路口短时交通流量预测方法

量，：ＲＭ、如ＡＩＡ］神经网络、Ｊ非参数回归模型Ｊ文献［］，６对介绍了这些模型并做了详细的准确性对比。但这些方法多对高
速公路和路段流量预测，只关注该道路上过去的交通流量，口路各个方向上的交通流量不仅和自身过去交通流量有关而且和其他方向过去交通流量以及交通信号灯的配时方案都有关，文本提出一种基于ＢＰ神经网络预测路口交通流量的方法，以较可
ＳａｇＮｎＱｎＭｉｇｉＷａｇＹｑｎＣｉｈｎｈＣｉａＺｕＹｎｙｎｈｎｉｇｉｎｕｇｎａｉｕＺｏｇｕＹｎｈａｇｏｇ
（ｅａｔｅｔｆＣｍｕｅＩｏｍｔｎａｄＴｃｎｌ？ＦｄｎＵｉｒｔＳａｇｔ０４３，ｈｎ）Ｄｐｒｎｏｐｔｎｒａｉｎｅｈｏｏ，ｕａｎｖｓｙ，ｈｎｌｉ０３Ｃｉｍｏｒｆｏｇ，ｅｉａ２ａ。ＳａｇａＢｏｉｈｏｗｒＣ．，ｔ．Ｓａｇａ２１０Ｃｉａ（ｈｎｈｉａｓｔｆａｅｏＩｄ，ｈｎｈｉ０２３，ｈｎ）ｇＳｔ，
种基干ＢＰ神经网络预测路口短时交通流量的方法，该方法将路口其他非预测方向和交通信号配时方案对流量预测的影响因素
考虑在内。
关键词流量预测ＢＰ神经网络交叉路口
ＡＢＰＮＥＵＲＡＬＮＥＴＷＯＲＫＥＴＯＤＯＲＨＯＲＴ－ＭＨＦＳＴＥＲＭＴＲＡＦＩＦＣＦＬＯＷＦＯＲＥＣＡＳＩＴＮＧ０ＮＣＲＯＳＲＯＡＤＳＳ
ｏｒｓＩａｓｗｉｈｔｋｈｎｕｎｅｆｍｈｔｅｏ — ｒｄｃｅｉｃｉｎｎｉｎｌｉｎｃｅｎｏａｃｕｔｎｃ０ｓ＿ｄ．ｈｃａｅｔｅｉｆｅｃｒＵｌｏｔｅｏｈｒｎｎｐｅｉｔｄｄｌｔｏｓａｄｓｇａｍｉｇｓｈｍｅｉｔｃｏｎ．－ｅｔＫｅｗｏｄｙｒｓＦｏｏｅａｔｇＢＰｎｕ￣ｎｔｏｋＣｏｓｏｄｌｗｆｒｃｓｉｎｅｒｅｗｒｒｓｒａ

基于BP神经网络短时交通流预测研究

基于BP神经网络短时交通流预测研究作者：陈慧张琪来源：《科学导报·学术》2020年第17期摘;要：本文采用多车道数据，其中包含多条邻近同方向的车道，我们需要依次分离出各条单车道的实际数据，但由于得到的数据较少，导致该BP模型的误差略大，但从中我们依然可以看出预测值大约都在1.4上下浮动，数据分布较为集中，与实际值相比，误差大约在0.5分钟左右。

因此我们可以看出，该模型的预测结果能较客观地反映出该模型的可行性。

关键词：BP模型;多车道数据;模型预测分析一、预测模型的性能评价指标在交通流预测领域，主要通过以下指标来评价模型的预测准确性。

这三个评价指标表示检测到的实际值，则表示对应时间内的与预测值，根据实际值与我们的预测值代到上述公式得到结果。

这四个值越小，说明模型拟合度越好，预测准确率越高.二、模型的建立神经网络模型具有高度非线性关系映射能力，因此，在训练数据中，在输入個数、输出个数相同的情况下，隐含层单元数目的不同会使权阈值不同，导致误差较大。

在本文中，考虑到各路段交通流之间的相互关系，我们将历史交通流数据个数，观测点个数生成样本数据，并将其分成训练数据与预测数据。

2.1实验数据获取位置的基本路况：本文我们采集2016年7月2日至4日安徽省合肥市黄天路交叉口Htw002三个车道的视频交通流检测数据为研究对象，并且将车道情况记录时间精确到秒。

2.2实验数据的处理该路段周边多以大学城和小区为主，具有早晚高峰车流量大的特点，由于该路段视频交通流监测器的流量数据比较齐全，我们对收集的数据进行分组，按照“训练—输入”、“训练—输出”、“测试—输入”、“测试—输出”四种类型进行分类，输出结果如图：三、实验仿真研究3.1BP神经网络的参数调整及预测效果3.1.1 设置神经网络结构与参数如下（1）输入层神经元设置根据数据处理部分将输入类的数据设置为的矩阵，所以将神经网络输入层的神经元设置为5;（2）隐藏层的神经元设置BP神经网络的隐藏层节点数对BP神经网络预测精度有较大的影响，节点数过少，不能得到较准确的结果;节点数过多，容易让网络陷入过拟合。

基于BP神经网络的路口短时交通流量预测方法

on crossroads，which take the influence from the other non-predicted directions and signal timing scheme into account.
Keywo d Flow forecasting BP neural network Crossroad
（4）
Widrow-hoff 学习算法太慢，加速训练的技术大致分为两
种：启发式技术，如：变化学习率、有弹性学习方法和数值优化技
术，如：共轭梯度、类似牛顿法、Levenberg-marguardt 方法。
3 交通问题描述及 BP 神经网络设计
3. 1 交通问题描述
十字路口是城市交通的重要组成部分，如图 2 所示是一个十字路口的简化模型，如何使十字交叉路口的交通流量最大化以及使每个方向上车辆等待时间最小化是提高整个交通网络通行量及效率的关键。现有提高十字路口交通流量和降低平均等待时间最主要的方式是优化交通信号灯的配时方案，优化的图 2 简化十字路口模型方法也特别多，在 icentroview 中使用的是自感应的方法。
4 实验部分
本次实验部分数据来自浙江省义乌市稠州西路、西城路十字路口 2004 年 8 月 27 日到 9 月 30 日的历史数据。如图 3 所示为稠州西路由东向西方向上 8 月 27 一天的流量数据，我们也将该方向作为我们实验预测的方向，其他三个方向作为输入条件辅助预测，由于受信号灯周期和 5 分钟采样周期影响交通流量数据波动特别大，这也是路口交通流量的特点之一。

基于神经网络的道路短时交通流预测研究综述

基于神经网络的道路短时交通流预测研究综述摘要：短时交通流预测是智能交通系统(ITS)的关键组成部分，其准确性、实时性直接影响到交通控制与诱导系统能否及时向出行者发布准确的交通信息，对于治理城市交通给拥堵问题具有重要意义。

基于神经网络的预测方法是近年来非参数化方法中开展研究做多的，本问详细介绍了BP神经网络和RBF神经网络在交通流预测领域的应用与发展，以及国内外学者对神经网络的优化做出的努力。

并提出了一个未来研究的方向即对更为复杂的网络层面上的城市道路进行预测，并拟定了一个解决方案。

关键字：神经网络；交通流预测；智能交通系统0引言近年来，我国汽车保有量急剧增长，导致道路改扩建速度无法满足交通需求。

这使得许多城市面临严重的交通拥堵问题。

因此，智能交通系统（ITS）成为解决交通拥堵的关键。

其中，短时交通流预测是ITS的重要环节，通过准确实时地预测交通状态，为城市交通管理、路径规划和交叉口优化提供数据支持。

短时交通流预测模型是根据历史交通流数据建立的模型，结合实时采集的数据来滚动预测未来不超过15分钟内的交通状况。

目前的预测模型可以分为参数模型和非参数模型。

参数模型基于统计方法，包括历史平均模型、线性回归模型和时间序列模型等。

非参数模型则包括神经网络、支持向量机和K近邻回归等方法，其中基于神经网络的模型最为流行。

评估预测模型效果常使用平均水平绝对误差（MAE）、平均绝对百分比误差（MAPE）、最大绝对百分比误差（MAPE）和均衡发展系数（EC）等指标。

1神经网络交通流受道路交通系统中的人、车、路、环境等要素的影响而时刻变化着，当预测时间缩短时，交交通流更具非线性和不确定性，基于统计方法的预测模型性能难以满足对精度的要求，基于神经网络的预测方法具有较好的预测效果。

自上世纪40年代神经神经网络被提出以来发展至今，因为其线性映射能力好、自学能力强、鲁棒性强等优点，在信号进行处理、模式识别、目标跟踪等众多研究领域得到了一个广泛应用，而在交通流预测领域的首次应用是在1994年。

基于神经网络的短时道路交通流预测研究综述

需要进一步强化和研究ꎮ 王莉静等 [２４] 根据天津市某路口的
和小波神经网络的权重用遗传算法进行优化ꎬ提高了该模型
相关数据建立了广义回归神经网络模型ꎬ采用总人口、公路
预测的适用性ꎮ ２０１８年李会超等
的成果ꎮ 在交通流预测领域中ꎬ神经网络模型于第一次被应
提高了模型的预测精度ꎮ 不足之处是模型的应用只考虑了
用是１９９３年ꎬ该模型线性映射能力好ꎬ自学能力强ꎬ能够进
少数交通流量ꎬ没有考虑其他参数ꎮ 且蚁群算法计算繁琐、
行高效的数据处理ꎬ对外界的抗干扰能力强等优点ꎬ深受学
数据多ꎬ搜索能力不强ꎮ 陶丽 [９] 在充分研究交通流预测模型
采取优化算法的小波神经网络模型ꎮ
赵娟 [８] 引入蚁群算法优化小波神经网络ꎬ以１５ｍｉｎ短
来智能交通、智慧交通发展迅速ꎬ交通流相关数据的获取也
时交通流量间隔进行交通流预测ꎬ采用改进的信息优化公
变得方便简捷ꎮ 短时交通流预测技术经过发展也取得一定
式ꎬ并对网格参数进行调整ꎬ通过该方法ꎬ优化了训练速度ꎬ
存在多个局部极小值点ꎮ
ＲＢＦ神经网络、广义回归神经网络研究现状ꎬ为后续开展更
中图分类号:Ｕ４９１. １
ＢＰ网络又称反向传播网络ꎬ非线性映射能力强ꎬ推导步
在城市路口交通流预测方面:曹炜 [２] 深入研究了ＢＰ神
文献标志码:Ａ
文章编号:１６７２－４０１１(２０２０)０３－０１５５－０３
ＢＰ神经网络预测模型的激励函数进行了改进ꎬ确定了预测
模型中各参数的初始值的方法ꎬ提高了预测结果的精度ꎮ 在
城市交通流预测方面:季雪美 [５] 采用三天的流量数据作为训
练数据ꎬ令种群规模初始化为１０ꎬ进化次数初始化为５０ꎬ第

基于BP神经网络的交通流量预测系统

基于BP神经网络的交通流量预测系统基于BP神经网络的交通流量预测系统一、研究背景近年来，随着我国经济的增长和城市化进程的加快，带动起了交通运输行业的飞速发展。

高效的交通运输加强了城市之间的资源流通，提高了客、货流的运转效率，促进了城市经济的增长。

同时，便捷、快速的交通工具以及逐渐完善的道路交通网络使得人们的出行更加的便利，加之人民生活水平的不断提升，刺激了人们对于交通需求的增长，因而，机动车的保有量迅猛增加。

但是，汽车在提高人们生活质量的同时，也给城市发展带来了许多的弊端。

面对日益增长的机动车保有量，现有的城市道路网络的通行能力已逐渐无法满足人们的出行需求，继而导致了大量的交通问题显现出来，城市交通状况不容乐观。

主要表现有：城市道路拥堵情况严重，交通事故频发，突发事件应急能力不足，此外车辆行驶所造成的尾气排放、噪声污染使环境问题不容乐观[1]，城市交通问题已成为不可忽视的社会问题。

然而，单纯依靠拓展道路宽度、扩大城市道路网络的规模在有限的土地资源条件限制下并不能较好的解决交通需求问题，相反可能会对机动车数量增长产生刺激。

为了更好地缓解城市交通拥堵现象，减轻车多路少的矛盾，必须加强道路管理与控制建设，改善路网的通行能力。

交通流量预测系统系统是一种采用多种先进技术建立起的大范围、全方位发挥作用的综合交通管理系统，能够科学、有效地改善和解决城市交通问题。

随着城市道路交通状况越来越复杂，智能交通系统中各个子系统之间的联系更加的密切。

交通流诱导系统可以帮助信号控制系统无法进行疏导的拥堵路段做出适当的导航，同时，控制系统为诱导的车辆进行优化控制，两个系统之间的协调配合有效的提高了城市道路的通行能力。

智能交通系统有效的发挥协调作用，必须要实时准确地获取到交通流状态信息。

因而，交通流预测对于交通系统运行效果的发挥具有至关重要的影响。

交通流预测指利用获取的道路历史交通流信息对未来时刻交通流状态进行预测[2]。

交通流预测的实质是对交通流基本参数，即流量、速度和密度进行预测，预测期因交通流数据获取方式不同而长短不一，通常预测间隔在15内为短时交通流预测。

基于BP神经网络的交通信息量预测方法

基于BP神经网络的交通信息量预测方法户佐安;邹正丰;包天雯【摘要】交通信息量预测受到其影响因素的非线性影响,传统的基于统计方法的预测模型、动态分配模型和灰色预测模型等虽然可用于交通信息量的预测,但是克服非线性影响能力较差,预测结果已经达不到物联网的精度要求.为了更加精确地预测交通信息量,建立了基于BP神经网络的交通信息量预测模型,并通过因子分析和因子分析结果归一化处理减少了BP神经网络输入数据规模,缩短了神经网络预测时间.最后,通过对成都市某路段的数据进行处理和仿真,验证了模型的适应性.仿真所得的停止训练时间为3分2秒,预测误差为0.015,由此可知该模型对交通信息量的预测效果良好,可以对今后交通信息量的预测提供参考.【期刊名称】《交通运输工程与信息学报》【年(卷),期】2018(016)004【总页数】7页(P81-87)【关键词】交通信息;预测模型;因子分析;BP神经网络;仿真【作者】户佐安;邹正丰;包天雯【作者单位】西南交通大学,交通运输与物流学院,成都 610031;综合交通运输智能化国家地方联合工程实验室,成都 610031;西南交通大学,交通运输与物流学院,成都610031;西南交通大学,交通运输与物流学院,成都 610031【正文语种】中文【中图分类】U491.1;U1160 引言随着我国社会经济的发展，各大城市交通拥堵问题日益严重，随之带来的是巨大的经济损失，解决交通拥堵问题已迫在眉睫。

物联网的产生和发展对整个社会包括交通行业的影响巨大而又深远，运用物联网技术可以实现对交通信息的采集、传输、储存和处理等。

通过适当的模型和方法可利用物联网获得的动态交通信息对交通状态进行准确和有效的预测，从而为交通管理者和驾驶员提供可靠的道路信息，以实现动态的路径诱导，缓解交通堵塞，提高路网效率。

目前对于交通信息量预测的研究主要集中在交通量预测上。

在预测模型和方法上，则主要集中在以下几个方面：基于统计方法的模型[1]、动态交通分配方法[2]、非线性预测理论[3]、交通仿真模型[4]、灰色预测模型[5]和神经网络模型[6]等。

基于BP神经网络的道路交通事故预测研究

市政与路桥基于 BP 神经网络的道路交通事故预测研究罗传平 1蒋显勤 2（1、浙江省三门县公路管理段，浙江三门 317100 2、浙江省临海市交通工程建设有限公司，浙江临海 317000）摘要：随着我国机动化进程的加快，道路交通安全问题越来越受到人们的关注。

对道路交通事故进行了机理分析，采用 BP 神经网络，建立可靠性较高的事故预测模型，提出了可预测事故发生因素导致事故发生概率值的研究方法。

关键词：道路交通事故；BP 神经网络；事故预测1 研究背景随着我国经济的突飞猛进，我国公路建设亦取得了令人瞩目的伟大成就，但是与发达国家相比，我国当前的道路交通安全事故形势十分严峻。

这主要体现在以下几个方面：交通事故死亡人数稳居世界第一；交通事故的严重性程度极高；道路交通中的死亡风险很高；道路交通事故仍处于持续增长时期。

随着机动化水平的不断发展和人民的生活质量的不断提高，公众的目光会越来越关注于道路交通的安全性。

道路交通事故预测在交通管理、控制和有关规划设计中有着重要的作用，而道路交通事故的形成因素包括人、车、路、环境等多个非线性因素，带有较大的随机性。

传统的线性分析方法无法揭示其内涵，预测结果无法令人满意，故存在有较大的局限性。

而交通事故的预测可以视作一个非线性随机的输入输出系统，利于神经网络的学习能力和适用能力实现系统的映射特性，完成对系统的建模和控制，在理论上保证了神经网络用于事故预测的可行性。

2 道路交通事故机理分析道路交通指的是人、车在道路上的移动，它是一个由人、车、路环境等因素构成的复杂的动态系统。

人、车、路、环境等几个互不相同的要素，在构成具有特定功能的道路交通系统整体时，它们之间就产生了互相依赖、互相作用的特定而不可分离的联系，因而具有系统性。

2.1 影响驾驶员行为的因素在道路交通系统中，人是四大因素中惟一的自主型变量，因此，人是交通事故的核心。