短时交通流量预测ppt

式中， 为隐层到输出层的连接 权重； 为输出层单元阈值。
在误差反传过程中，首先要进行
误差计算。设第k个学习训练样本 期望输出与实际输出的误差为：
则全局总误差为：
为使
应与
不断按梯度原理减小，
的负值成正比，即
可以推导出输出层权重调整量为：
式中， 为学习率； 输出层阈值调整量为： 。
同理，隐层的权重和阈值调整量为：
环形线圈检测器方法
该检测器出现于20世纪60 年代,是目前交通控制中 应用最广的交通量检测器。 它是一种基于电磁感应原 理的车辆检测器,它的传 感器是一个埋设在路面下、 通有一定交变电流的环形 线圈。当车辆通过线圈或 停在线圈上时,车辆引起 线圈回路电感量的变化, 检测器可检测出该变化, 基于此原理采集交通量。
输入量设为： 式中，m为训练样本数；n为输入层单元个数。
对应输入模式的输出向量为：
其中q为输出层单元数。 隐含层各单元的输入为： 式中， w ij 为输入层至隐层的连接权重； j 为隐层单元的阈值；p为隐层 单元的个数。转移函数采用函数 ，则隐层单 元的输出为： 。
同理，输出层单元的输入、输 出分别为：
超声波检测器方法
超声波检测器方法是通过接收由超声波探头发出并经 过车辆反射的超声波来检测车辆的。 利用此方法可检测正在行驶或正在远离的车辆,但不能 检测处于检测范围内的静止车辆。
视频检测器方法
视频检测器主要由摄像机和图像识别单元(含计算机) 组成,其工作原理是:由CCD摄像机连续摄的两帧图像 (数字图像) ,对其全部或部分区域进行比较,如有差 异则说明检测范围内有运动物体,从而检测出通过的 车辆,采集交通量。
短时交通流的预测方法
Lanzhou Jiaotong University 作者：潮人耶稣
内容概要
我国目前交通存在ቤተ መጻሕፍቲ ባይዱ问题
短时交通预测模型特性
短时交通预测模型简介
我国交通目前存在的问题
效率低 能耗高
• 交通拥堵 • 利用率低 • 燃油消耗 • 其他资源 （电能等） • 废弃污染 • 噪声污染
污染重
式中 按推导出的调整量对输出层和隐层 的权值和阈值作出调整，这样整个
模型完成一次学习。
基于遗传算法的BP神经网络改进
由于BP算法的缺点，国内外很多学者提出对BP进 行改进，众多改进方法中通过实践，基于遗传算 法的BP神经网络所得到的交通预测值与实际值更 为接近。 原理：利用遗传算法广泛的适应性和全局寻优的 特点，将遗传学习算法和BP算法相结合，对BP网 络连接权和阀值进行全局寻优，将搜索范围缩小 之后，再用BP寻优，实现优势互补，从而弥补标 准BP神经网络的不足，对短时交通流量进行预测。
反向传播BP (Back Propagation)神经网络
BP神经网络是一个具有三层或三层以上的阶层神经网络。误差反 传算法的主要思想是把学习过程分为两个阶段, 即正向传播和反 向传播。基于BP算法的多层前馈型神经网络的结构如下图所示,输 入层为已知的上游路口的流量、速度及其他历史数据,经隐含层输 出为当前路口的预测流量。
短期交通流预测数据采集
短期交通流预测数据要求是实时的数据，传统的人工预测 交通流统计方法已经不能用于采集短期交通流数据。自20 世纪30年代美国研制出“声控”式感应式交通信号控制机 以来,交通量检测器技术得到了迅速发展,特别是近20年来 出现了大量的新型交通量检测器。 交通量检测器的种类很多,主要有:环形线圈检测器,超声 波检测器,磁感应式检测器,光辐射式检测器,雷达检测器, 视频检测器等。目前应用较多的是环形线圈检测器、超声 波检测器和视频检测器。
神经网络预测的优缺点 优点：较强自适应学习能力 较强抗干扰能力 实时性好等 收敛速度慢
缺陷：局部极小

推广能力差
难以实现在线调整等
神经网络模型预测原理 原理:用一部分数据训练模型,即确定 网络结构(包括隐含层数、各层节点数、 各层连接权值、各层神经元的传递函 数) ,网路结构确定以后,用剩余部分 数据进行预测。
短期交通流预测模型
神经网络预测模型
神经网络预测模型是一种基于非线性理论的预测模型。 几十年来，神经网络在信号处理、模式识别、目标跟踪等 众多领域得到了广泛应用。 1964年，Hu应用自适应线性网络进行天气预报，开创了人 工神经网络预测的先河； 1993年，Vythoulkas PC首次提出用系统识别和人工神经 网络进行城市道路网络交通状态的预测。 随着神经网络的发展，基于神经网络的短期交通流预测的 研究也越来越多。其中，有用单一的一类神经网络模型直 接用于交通流预测的，有两种或多种神经网络相结合的优 化模型，有神经网络结合其他方法进行预测的综合模型等。
从上述具体的预测结果来看，在要预测的七 个时的交通量中，最后的预测结果中有4个值的相 对误差在5%之内，2个值的相对误差在5%-10%之 间，1个值的相对误差在10%以上。这组数据反映 出短时交通量预测这类问题，遗传算法BP神经网 络与传统的BP神经网络相比，在精度方面能够达 到纯BP网络的预测水平。在BP网络的训练方面， 由于优化选取了BP网络的初始权阀值，采用了LM 训练算法，因此训练收敛的步数大大减少，短时 交通量预测值与实际值较为接近吻合。
BP算法
BP算法的学习过程由信号的正向传播和误差的反向传播两部分组成。 正向传播时，输入样本从输入层传入，经过隐层处理后传向输出层。 若输出层与期望的输出不符，则将输出误差通过隐层向输入层逐层 反馈，将误差分摊给各层所有单元，以此作为修正各单元权值的依 据。具体算法如下： step 1：初始化； step 2：输入训练样本对，计算各层输出 ； step 3：计算网络输出误差； step 4：计算各层误差信号； step 5：调整各层权值； step 6：检查网络总误差是否达到精度要求，若满足，则训练结束， 若不满足，返回step 2。
短时交通预测
交通流预测是指在某一时刻t 对下 一决策时刻t+∆t乃至以后若干时刻 的交通流作出实时预测，一般认为 ∆t即预测时间跨度不超过15min乃 至小于5min的预测为短时 （Short-Term）交通流预测。
短时交通流预测的特性
由于交通系统是由人直接参与其中的，因此交通系统的显 著特点就是不确定性和非线性。这给交通预测带来很大困 难，尤其是短时交通预测，受随机因素影响更大。 传统的交通流理论方法对于解决不确定性的交通系统很难 得到满意的结果，因此人们综合运用现代信息与通讯技术 等手段来研究短时交通流来提高交通运输的效率,以提高 交通路网的通行能力。运用各种高新技术系统地解决道路 交通问题的思想就应运而生了,这就是智能交通系统 ITS( intelligent transport system)。
参考文献： [1] 姚亚夫,刘 侃.基于遗传神经网络的交通流量 预测研究［J］．公路与汽运(第六期),2007(11). [2] 朱 中.杨兆升.实时交通流量人工神经网络预 测模型［N］．中国公路学报.1998(4).
谢谢！