【读书笔记】人工神经网络在短时交通流预测中的应用

人工神经网络课程

读书报告

题目：人工神经网络在短时交通流预测中的应用姓名：

学号：

班级：

指导老师：罗意平教授

人工神经网络在短时交通流预测中的应用

xxx

(中南大学交通运输工程学院，湖南长沙，410083)

摘要：短时交通流预测是智能交通（ITS）的重要内容，而如何通过神经网络技术对短时交通流进行预测，同时提高精度和算法收敛速度一直是研究的热点问题。本文介绍了人工神经网络技术在短时交通流预测中的应用。首先，本文介绍了神经网络理论和短时交通流预测的相关知识，以及短时交通流预测领域神经网络的研究概况；其次，分别介绍了BP神经网络和Elman神经网络在短时交通流预测领域的优化算法及其训练过程；最后得出结论，神经网络模型与其他领域的研究相结合的综合模型是目前研究的趋势，其预测效果要好于单一神经网络模型和混合神经网络模型。

关键词：神经网络；优化算法；训练过程

Application of Artificial Neural Network In

Short-Term Traffic Flow Prediction

Luo Qi-zhang

(School of traffic and transportation Engineering, Central South University, Changsha 410083, China)

Abstract: Short-term traffic flow prediction is one of the key research of Intelligent Transportation System (ITS), and it is a hot area that how to predict traffic flow and how to improve accuracy and convergence rate based on neural network. This paper introduced the application of artificial neural network in short-term traffic flow prediction. Firstly, the theory of neural network and short-term traffic flow prediction are introduced, then the research of neural network in short-term traffic flow area was briefly introduced. Secondly, the optimization algorithm and training process of BP neural network and Elman neural network were introduced separately. The result is that, the comprehensive model generalized by neural network and research in other area is the research tendency, and the performance of comprehensive model is better than individual neurao network model and hybrid neural network modle.

Key words: neural network; optimization algorithm; training process

在智能交通系统（ITS）建设中，交通诱导是其主要组成部分，该技术主要是对交通流量、交通密度和行车速度三个参数[1]进行合理预测，然后将预测结果通过互联网、诱导屏、信息板等传输装置，向交通管理者和出行者提供实时、高效、客观的交通信息。而在目前，短时交通流预测已处于智能交通系统的核心地位。

目前常见的交通流预测模型有基于时间序列的ARIMA模型、卡尔曼滤波模型、支持向量回归模型以及神经网络模型等。ARIMA模型和卡尔曼滤波模型都属于线性模型，而交通流是动态的、非线性的、不确定的系统，因此该模型往往达不到令人满意的效果[2]。支持向量回归模型适合小样本的快速预测，对核函数比较敏感[3]，而神经网络凭借其良好的处理非线性问题能力，已经广泛应用到工程之中[4]。然而单一的神经网络却存在一些缺陷[5]，，如收敛速度慢、容易陷入局部最优、针对已知问题选择网络规模困难等。因此当下的研究通常是将神经网络与其他领域的方法相结合应用于短时交通流预测领域，如神经网络与专家系统相结合、与混沌理论相结合、与小波变换相结合、与算法复杂性理论结合等。

针对上述现象，本文通过对神经网络相关概念的介绍，对短时交通流预测领域中神经网络的应用情况进行了介绍，并对目前流行的BP神经网络和Elman神经网络与其他智能算法相结合后的算法训练过程进行了描述，对了解短时交通流预测领域中神经网络的应用情况有一定价值。

1 人工神经网络和短时交通流预测

1.1 人工神经网络分类

人工神经网络是由大量具有相同功能的形式神经元通过一定的拓扑结构相互连接而形成的群体并行分布式处理的计算结构，不同类型的人工神经网络有着不同的学习算法和用途。人工神经网络按照拓扑结构进行分类有如下几种[6]。

1.1.1 前馈型人工神经网络

前馈型神经网络中，各个神经元接受前一层神经元的输入，并输出到下一层神经元，网络中没有反馈，可用一个有向无环路图表示。这种网络实现信号从输入空间到输出空间的变换，信息处理能力来自于简单函数的多次符合，网络结构简单，易于实现。

1.1.2 反馈式人工神经网络

反馈式人工神经网络又称递归网络，或回归网络，网络中输入信号决定反馈系统的初始状态，然后系统经过一系列状态转移后，逐渐收敛于平衡状态，这样的平衡状态就是反馈网络经计算后的输出结构。、

1.1.3 自组织竞争人工神经网络

自组织竞争人工神经网络是无教师学习的网络，模拟人类根据过去经验自动适应无法预测的环境变化，由多层是我前馈网络组成，但在同一层中，神经元之间又有相互抑制、相互竞争的作用，它适用于记忆、样本排序模式识别、样本分类和检测等用途。

1.1.4 其他类型的人工神经网络模型

除了上述神经网络，还有近年来发展起来的一些神经网络模型。如随机网络模型、脑模型联接控制器、模糊神经网络、分形人工神经网络等。

人工神经网络细分情况如图1.1所示。