基于小波神经网络的交通流量预测

基于小波神经网络的交通流量预测

文章将小波神经网络技术研究与交通信息预测研究紧密结合，以Matlab为平台，结合实际数据，对交通流量预测。

标签：智能交通系统；交通信

1 概述

近年来，随着人们生活水平的不断提高，车辆的数量急剧增加，城市拥堵现象越来越严重。目前，已经成为了严重影响人们的生产和生活的主要问题之一。城市交通拥堵智能交通系统（Intelligent Transportation System）就在这种大环境下应运而生，所谓的ITS是指在传统的理论模型研究基础上，融合先进的传感器、信息通信、智能控制、计算机处理等技术，从而建立起的一种的应用范围广的实时、高效的综合交通管理系统[1]。

智能交通系统的主要目的是为了最大限度的发挥整个交通运输系统的运输和管理效率。目前，使用智能方法对交通信息进行预测（交通信息的智能预测）已然成为近年来实现智能交通系统的主要方法之一。

2 交通流预测

交通信息的预测是智能交通系统的重要组成部分，通过交通信息的预测可以提前预知道路的状况，从而对预测拥堵路段进行实时诱导，最大限度的发挥现有交通的运送效率[2]。其中，交通流预测是交通信息预测的重要组成部分，主要针对交通流量（简称交通量）、密度、速度、占有率等参数进行预测[3]。其实质是采用一定的方法和手段，在前一时段及现有时段的交通状况的基础上，预测未来时段的交通状态，如果交通流信息预测的方法选择合适，预测状态会十分逼近实际交通流状态。

纵观智能交通预测史，时间序列模型、滤波理论是最早应用于交通流预测的方法；之后，滤波理论、小波分析法、人工神经网络也广泛的应用于交通流的预测，除此之外，支持向量机理论和混沌理论等也是交通流预测的重要方法。

3 小波神经网络

人工神经网络（Artificial Neural Network）是利用一定的技术手段，来模拟人类大脑神经系统的结构及功能的一种方法。因此，神经网络具备了与人类大脑一样的一些特点，比如：分布式信息存储、并行信息处理、自适应非线性等。

目前，人工神经网络己广泛的应用于模式识别、目标跟踪、信号处理、模式识别、预测分析及智能化控制等相关领域；其中预测分析可以运用于股票价格预测、地震预报等多个方面，且实验证明，预测效果很不错。1993年，城市道路

的交通状态的预测首次采用了神经网络的方法，这也是首次神经网络被运用于智能交通预测领域。

1992年，法国著名的信息科学研究机构IRLSA的ZhangQinghu等人首次提出小波神经网络的概念。小波神经网络是一种基于小波变换的神经网络模型，其实质为用小波基来取代传统的神经元非线性激励函数，把神经网络和小波变换有效的结合起来，且充分融合了两者的优点。

4 交通车流量预测实例

文章数据是以郑尧高速公路某隧道的交通量观测数据。数据分析采用的是2015年6月到12月的月交通量数据，2015年11月2日到11月8日一周的交通量数据和2015年11月7日周六的日交通量数据。观测尺度为1小时的交通车流量，共236个数据。

文章是以Matlab为平台进行编程，采用小波神经网络的方法来实现预测的，其预测过程主要包括数据预处理、网络构建、网络训练及网络预测四个步骤。

4.1 数据预处理

数据的预处理是指对训练數据和测试数据的输入和归一化处理，其主要目的为了保证程序运行时收敛加快。归一化是指通过某种算法把数据限制在一定范围内。文章采用的是线性函数归一化。

其表达式如下：

式中，MinValue，MaxValue分别为样本的最小值和最大值，X，Y分别为数据的归一化处理前、后的值。

4.2 网络构建

神经网络的网络构建过程主要是指根据预测情况不同，确定网络层数、隐含层数。根据文章的预测需求，小波神经网络采用三层网络结构，4输入4输出模式，所选择隐含层的节点范围为[4，12]。

4.3 网络训练

网络训练的主要目的是对网络进行初始化，其过程主要包括确定训练函数，以及在训练数据的基础上训练网络。

在进行网络训练的过程中，参数的设定对训练的速度和效果起着非常关键的作用，关键的参数主要包括：迭代次数epochs、学习目标goal、学习率1r等。在整个的训练过程中保持参数一直设定为：epoch5000、1r0.2、goa10.001。

小波神经网络的基础是BP神经网络拓扑结构，而隐含层节点的传递函数是小波基函数。文章的网络训练采用的小波基函数是Morlet小波基函数，其表达式为：

4.4 网络预测

网络的预测是交通流量预测的最后一步，其主要内容是利用训练好的小波神经网络对测试的交通流的相关数据进行预测，并输出结果。

小波神经网络的预测结果如图1所示。由图可知使用小波神经网络对交通流量进行预测的结构较好。

5 结束语

由图1可以得出以下结论，小波神经网络能够达到学习目标的要求，对交通流量进行预测；经过网络训练，小波神经网络的预测结果与实际数据存在一定的误差；对于数据急剧变化的点，网络的预测误差相对于变化平滑的点是比较大的。

参考文献

[1]新浪网[EB/OL].http：//survey.news.sina.com.cn/result/65948.htm1.

[2]徐健锐.短时交通流预测中的若干问题研究[D].江苏：江苏大学，2010.

[3]姚智胜.基于实时数据的道路网短时交通流预测理论与方法研究[D].北京：北京交通大学，2007.

[4]MATLAB中文论坛.MATLAB神经网络30个案例分析[M].北京：北京航空航天大学出版社，2010，4.

齐仁龙（1982，4-），男，汉族，河南商丘人，郑州科技学院，本科，讲师，研究方向：电子电气、智能控制。