浅谈BP神经网络预测模型(1)

高新技术科技资讯2006NO.34SCIENCE&TECHNOLOGYINFORMATION浅谈BP神经网络预测模型肖静邹传平郑冬喜（九江学院机械工程学院332005）摘要：行程时间预测是交通流诱导系统研究的一项重要内容。本文分析了各种预测方法和几种预测途径,给出了建立BP预测模型的关键因素，总结了BP神经网络预测的优缺点。关键词：交通流诱导系统行程时间人工神经网络预测模型中图分类号：TP3文献标识码：A文章编号：1672-3791(2006)12(a)-0009-011引言行程时间的预测是交通流诱导系统的主要研究内容之一。智能运输系统的电子和通讯技术又为行程时间的预测提供了前所未有的高质量的交通状况数据采集技术,这为实时行程时间预测打下了良好的基础。传统行程时间预测模型是通过分析交通参数与通行能力的关系而预测行程时间的,并不具有实时特性。随着交通流诱导系统研究的深入,行程时间预测已有不少研究。Dailey运用交叉相关技术预测行程时间,DoH.Nam等人建立了高速公路行程时间模型。模型可分为两大类,一类是综合模型,其适应性强,但所需的交通参数较多。一类为基于路段上的时间预测模型,其适应性弱,但模型简单而且易于标定。2基于BP神经网络的行程时间预测模型路段上的行程时间与前几个时段的行程时间有着必然的联系,路段的交通状况必然受到上下游路段的交通状况的影响,这样我们就可以利用路段前几个时段的，，，行程时间数据列来预测未来时段的行程时间,也可以利用上下游路段几个时段的交通流量和行程时间预测路段未来时段的行程时间，还可以通过与行程时间有关的几个因素来预测行程时间。设为路段上的S时刻的交通流量向量,为路段上的S时刻前一时段的交通流量向量。令,d为所考虑路段的总数,若只考虑研究路段的交通流量,则。设为路段上的S时刻的行程量,为路段上的S时刻前一时段的行程时间向量令，考虑到路段的长度和交通流的特性,我们采用当前时间段和前s个时间段的交通流量和行程时间对未来时间段的交通流量进行预测。这样,我们将,,⋯⋯和，，⋯⋯为第个输入样本,作为第S个样本输出值。由BP网的响应函数的特性可知,节点输出值的区间为(0,1)。故我们必须对训练样本进行数值处理,这里采用等比变换。通过对数值的各指标除以某个常数,使BP网的输入和输出值限制在区间(0，1)内,然后再输入网络。具体算法如下:(1)输入时间列(2)对数据列进行处理,使之变换成BP网络的输入模式对,(3)初始化BP网络各层的权值和阀值,让各层的权和阀值取个随机数作为初值,，(4)对每个模式对进行如下循环:(5)计算和,，(6)计算各层误差(7)判断是否循环至样本集总数,否则返回步骤(4),(8)计算总误差E,E为各样本误差总和并判断E是否满足精度要求,若Ee则学习停止,否则,(9)修改权值和阀值,并转到步骤4)(10)贮存以备预测值的计算(11)计算行程时间预测值:在网络训练之后,预测的行程时间可由下式求得:(12)对Tt值进行数据处理即得行程时间的预测结果。3预测途径3.1针对路段历史数据的行程时间预测在应用行程时间神经网络预测模型预测路段行程时间时,我们预建立了研究路段十天的行程时间数据库。行程时间数据是每十五分钟一组,共有420个记录,其中378个记录用于训练,42个记录用于验证预测模型。本文采用的是一个隐层、8个隐层单元的BP网进行训练,训练的输入变量有:研究路段t时刻的行程时间、t-15分钟时刻的行程时间、t-30分钟时刻的行程时间、t-45分钟时刻的行程时间,输出变量为t+15分钟时刻的行程时间。3.2利用相关路段历史数据的路段行程时间预测路段未来时刻的通行能力不但与本路段的现在和过去时段的交通状况有关,而且与与之相连的路段交通状况有关,研究路段的行程时间与该路段的前几个时段的行程时间、交通流量和与之相连的路段交通流量有着必然的联系,而这种内在的关系较为复杂。神经网络具有识别复杂非线性系统的特性.在这里我们利用行程时间神经网络预测模型去拟合它们之间的复杂关系,以求更准确地预测路段行程时间。网络训练采用的是一个隐层、14个隐层单元的BP网进行训练,训练的输入变量有:上游三个路段和研究路段t时刻的交通流量、t-15分钟时刻的交通流量、t-30分钟时刻的交通流量、t-45分钟时刻的交通流量,研究路段t时刻的行程时间、t-15分钟时刻的行程时间、t-30分钟时刻的行程时间、t-45分钟时刻的行程时间,输出变量为研究路段t+15分钟时刻的交通流量。学习率为自适应学习率。3.3取影响行程时间的7个主要因素预测行程115467234时间这七个参数分别是：x路面类型，它分为干线，半干线和移动线三种类型，因此，x可取3个值;x车型;x空、重车;x路段坡度(-8%—+8%）;x瞭望条件（白天、夜间）;x路段编号;x时段（即0—24h），主要考虑到时段与司机的疲劳程度关系以及会对行车时间造成的影响。其中，输入变量x可以在[-8,+8]中取值(“+”表示上坡;“-”表示下坡)，其他的变量均可取整数值。如路面分为三类，分别用1，2，3表示。车型分为n类，可分别用1，2，⋯，n表示。我们在建立预测网络模型时，输入层为七个神经元而输出层为一个神经的BP网就可满足本预测途径的预测。一个隐层，10个隐层单元，学习率采用自适应学习率。4预测模型的优缺点分析神经网络预测模型的缺点：由于BP算法是一种梯度搜索算法，因此对于高度非线性的问题，常常会使搜索陷入到局部极小，而不是全局最小，加之在预测模型中未考虑司机个人素质的人为因素，所以难免会带来一定的误差。为了减少误差，可能要对网络进行工作量极大的训练才能实现。神经网络预测模型的优点：可以不断地对其进行实时修正。在矿山运输系统中，许多客观条件如路面质量会随着时间的推移而变化，因为神经网络具有自学习功能，所以不断用新数据来训练网络，可以不断地根据环境变化来修正预测模型。另外，当训练好网络后，网络的计算则是相当容易而快捷的，这对于解决实时调度问题具有极大的好处。5结语应用人工智能神经网络原理进行行程时间建模，能很好地实现实时动态预测。因此，选择最佳网络结构成为网络设计的关键。神经网络模型是实际问题的一种非线性映射。通过大量的样本学习和训练，使这种映射是对该研究对象的行程时间的最佳逼近。参考文献[1]王伟.人工神经网络原理.北京:北京航空航天出版社,1995.[2]朱中,杨兆升.实时交通流量人工神经网络预测模型.中国公路学报,1998,11(4).[3]杨兆升,朱中.基于BP神经网络的路径行程时间实时预测模型.系统工程理论与实践,1999,8(8）.科技资讯SCIENCE&TECHNOLOGYINFORMATION9