基于神经网络模型的交通量预测模型研究
摘要：通过对人工神经网络的研究，本文建立了三层bp神经网络模型，并运用此模型对路段交通量进行预测，以道路所在区域的人口、土地利用情况、车辆保有量、gdp作为输入层，历年交通量作为输出层检验值，结果显示其预测结果较为准确，精度较高，充分说明bp神经网络模型可以作为交通量预测的一种有效方法。
关键词：人工神经网络；交通量预测；车辆保有量
一、引言
国民经济的快速发展，极大的推动了基础设施的发展，道路交通的发展也在这个大前提下逐步发展，道路交通发展前期的交通规划是整个交通事业的头等大事，而较好的交通规划则必须有可靠的、准确的交通量，因此，道路的交通量预测就显得至关重要。交通量预测分析是路网规划的重要内容，也是项目可行性研究的核心内容之一，是进行交通状态评价、综合分析建设项目的必要性和可行性的基础和前提，是确定道路建设项目的技术等级、工程设施规模以及经济评价的主要依据。道路交通预测的是否准确，是道路建设项目是否可行，项目建设是否必要的决定性因素。
迄今为止，国内道路交通量预测最为常用的方法是四阶段法、增长系数法、多元回归分析预测、指数平滑法，然而这些方法适应性及可变性较差，无法充分考虑因地域不同的可变性指标。道路所在区域不同，传统的方法不能及时的进行调整，因此迫切需要新的预测方法。
基于ＢＰ神经网络的国际黄金价格预测模型 公文易文秘资源网顾孟钧张志和陈友2009-1-2 13:35:26我要投稿添加到百度搜藏 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型。 [关键词] MATLAB BP神经网络预测模型数据归一化 一、引言 自20世纪70年代初以来的30多年里,世界黄金价格出现了令人瞠目的剧烈变动。20 世纪70年代初,每盎司黄金价格仅为30多美元。80年代初,黄金暴涨到每盎司近700美元。本世纪初,黄金价格处于每盎司270美元左右,此后逐年攀升,到2006年5月12日达到了26年高点,每盎司730美元,此后又暴跌,仅一个月时间内就下跌了约160美元,跌幅高达21.9%。最近两年，黄金价格一度冲高到每盎司900多美元。黄金价格起伏如此之大,本文根据国际黄金价格的影响因素，通过BP神经网络预测模型来预测长期黄金价格。 二、影响因素 刘曙光和胡再勇证实将观察期延长为1972年～2006年时,则影响黄金价格的主要因素扩展至包含道琼斯指数、美国消费者价格指数、美元名义有效汇率、美国联邦基金利率和世界黄金储备5个因素。本文利用此观点，根据1972年～2006年各因素的值来建立神经网络预测模型。 三、模型构建
年份 (年) 1(1988) 2(1989) 3(1990) 4(1991) 5(1992) 6(1993) 7(1994) 8(1995) 实际值 (ERI) 年份 (年) 9(1996) 10(1997) 11(1998) 12(1999) 13(2000) 14(2001) 15(2002) 16(2003) 实际值 (ERI) BP 神经网络的训练过程为: 先用1988 年到2002 年的指标历史数据作为网络的输入,用1989 年到2003 年的指标历史数据作为网络的输出,组成训练集对网络进行训练,使之误差达到满意的程度,用这样训练好的网络进行预测. 采用滚动预测方法进行预测:滚动预测方法是通过一组历史数据预测未来某一时刻的值,然后把这一预测数据再视为历史数据继续预测下去,依次循环进行,逐步预测未来一段时期的值. 用1989 年到2003 年数据作为网络的输入,2004 年的预测值作为网络的输出. 接着用1990 年到2004 年的数据作为网络的输入,2005 年的预测值作为网络的输出.依次类推,这样就得到2010 年的预测值。 目前在BP 网络的应用中,多采用三层结构. 根据人工神经网络定理可知,只要用三层的BP 网络就可实现任意函数的逼近. 所以训练结果采用三层BP模型进行模拟预测. 模型训练误差为,隐层单元数选取8个,学习速率为,动态参数,Sigmoid参数,最大迭代次数3000.运行3000次后,样本拟合误差等于。 P=[。。。];输入T=[。。。];输出 % 创建一个新的前向神经网络 net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm') % 当前输入层权值和阈值 inputWeights={1,1} inputbias={1} % 当前网络层权值和阈值 layerWeights={2,1} layerbias={2} % 设置训练参数 = 50; = ; = ; = 10000; = 1e-3;
第三章交通量分析及预测 3.1 公路交通调查与分析 3.1.1调查综述 交通调查的目的是了解现状区域路网的交通特性，掌握路段交通量及其特征。通过交通调查来分析路段交通量及车种组成、时空分布特征等，了解区域交通发生、集中及分布状况。 本项目有关的交通调查主要是交通量调查。 交通量调查是收集沿线主要相关道路的历年交通量状况，交通量的车种构成以及有关连续式观测站点的交通量时空变化特征等资料。 3.2 相关运输方式的调查与分析 拟建项目X922荔波县翁昂至瑶山（捞村至瑶山段）公路改扩建工程路线起点位于荔波县捞村，顺接X922翁昂至捞村段，终点位于荔波县瑶山与X418平交，终点桩号K20+762.250。路线推荐方案全长20.762公里。 根据贵州省公路局及地方观测点提供的交通量统计资料，现有与该项目相关的公路主要有X922翁昂至捞村段（原Y101乡道），X418线。公路沿线历年的交通量观测值见表3-1。 表3-1 X922捞村至瑶山段（原Y007乡道）公路历年平均交通量单位：辆/日 车型年份小型货 车 中型货 车 大型货 车 中小型 客车 大型客 车 拖挂车其它车 混合车 折算值 200632 16 7 86 3 31 193 200742 21 8 114 4 40 251 200848 24 11 130 5 46 290 200959 31 13 164 5 58 361 201074 38 15 200 6 70 444 201194 48 20 255 8 90 566 2012101 51 21 274 8 96 605 2013105 54 23 288 9 102 639 2014121 61 24 328 11 114 725 2015133 68 28 364 12 128 805 注：表中数据除混合车折算值为按小客车为标准的折算值外，其余均为自然车辆数。
3.3 交通预测及分析 3.3.1 预测的总体思路 3.3.1.1 概述 路网交通量预测分析是城市交通规划和城市道路建设规模和标准的主要依据，预测结果将直接影响到项目建设的决策。本项目交通预测可划分为以下两个部分，预测过程也相应分别进行，最后累加得到总的预测交通量。 背景交通量预测——由两部分构成，其一为背境交通量，即相关道路上的穿越交通量，起止点均在项目范围之外，主要由项目相关道路的现有交通量在研究期限内相应增长而得到；其二为研究区域内其它新建项目的交通量，由交通影响范围内其它建设项目所产生的交通量，在道路网上分配而获得。背景交通量预测采用国际通用的四步骤预测法，并利用国际上较为流行的交通规划软件（TransCAD）作为计算工具。通过对现状与规划资料（土地、人口、社会、经济、交通）的调查研究，通过进行交通小区的划分，并据此建立交通模型。通过社会经济发展预测、城市土地使用规划，得到交通生成量；采用重力模型进行收敛计算，得到小区分布交通量；通过交通方 式划分，得到机动车的出行量；采用均衡分配法进行分配，得到拟建项目的路段及交叉口流量。 拟建项目交通量预测——根据项目的建设性质及规模，预测目标年的项目交通生成量，即交通产生量与吸引量。在此基础上进一步对其进行交通分布和交通分配，将因项目而产生的交通量分配到周围道路上，得到拟建项目交通量。交通需求预测主要根据该项目的开发强度及不同用地类型出行发生和吸引率，预测该开发项目目标年内部生成的交通需求。 图3-24 交通量预测流程图 3.3.1.2 预测依据 预测的主要依据如下： 1）《珠江三角洲地区改革发展规划纲要（2008-2020）》 2）《眉山城市空间发展战略（眉山2030）》 3）《眉山市国民经济和社会发展十一五规划纲要》 3）《眉山市城市总体规划（2009-2030）》 4）《眉山市城市规划条例》 5）《眉山市城市规划技术标准与准则》 6）《眉山市城市交通规划》（1999-2020） 7）《横琴新区城市总体规划（2009-2020）》广东省城乡规划设计研究院8）《横琴新区控制性详细规划》（广东省城乡规划设计研究院） 9）《眉山市统计年鉴2009》 10）《眉山重大交通基础设施布局集疏运网络规划》
基于神经网络的预测控制模型仿真 摘要：本文利用一种权值可以在线调整的动态BP神经网络对模型预测误差进行拟合并与预测模型一起构成动态组合预测器，在此基础上形成对模型误差具有动态补偿能力的预测控制算法。该算法显著提高了预测精度，增强了预测控制算法的鲁棒性。 关键词：预测控制神经网络动态矩阵误差补偿 1.引言 动态矩阵控制(DMC)是一种适用于渐近稳定的线性或弱非线性对象的预测控制算法，目前已广泛应用于工业过程控制。它基于对象阶跃响应系数建立预测模型，因此建模简单，同时采用多步滚动优化与反馈校正相结合，能直接处理大时滞对象，并具有良好的跟踪性能和较强的鲁棒性。 但是，DMC算法在实际控制中存在一系列问题，模型失配是其中普遍存在的一个问题，并会不同程度地影响系统性能。DMC在实际控制中产生模型失配的原因主要有2个，一是诸如建模误差、环境干扰等因素，它会在实际控制的全程范围内引起DMC的模型失配；二是实际系统的非线性特性，这一特性使得被控对象的模型发生变化，此时若用一组固定的阶跃响应数据设计控制器进行全程范围的控制，必然会使实际控制在对象的非建模区段内出现模型失配。针对DMC模型失配问题，已有学者进行了大量的研究，并取得了丰富的研究成果，其中有基于DMC控制参数在线辨识的智能控制算法，基于模型在线辨识的自校正控制算法以及用神经元网络进行模型辨识、在辨识的基础上再进行动态矩阵控制等。这些算法尽管进行在线辨识修正对象模型参数，仍对对象降阶建模误差(结构性建模误差)的鲁棒性不好，并对随机噪声干扰较敏感。针对以上问题，出现了基于误差校正的动态矩阵控制算法。这些文献用基于时间序列预测的数学模型误差代替原模型误差，得到对未来误差的预测。有人还将这种误差预测方法引入动态矩阵控制，并应用于实际。这种方法虽然使系统表现出良好的稳定性，但建立精确的误差数学模型还存在一定的困难。 本文利用神经网络通过训练学习能逼近任意连续有界函数的特点，建立了一种采用BP 神经网络进行预测误差补偿的DMC预测控制模型。其中神经网络预测误差描述了在预测模型中未能包含的一切不确定性信息，可以归结为用BP神经网络基于一系列过去的误差信息预测未来的误差，它作为模型预测的重要补充，不仅降低建立数学模型的负担，而且还可以弥补在对象模型中已简化或无法加以考虑的一切其他因素。 本文通过进行仿真，验证了基于神经网络误差补偿的预测控制算法的有效性及优越性，
第三章交通量分析及预测 3.1现状交通调查及分析 3.1.1项目影响区的确定 项目影响区根据对项目的影响程度，分为直接影响区和间接影响区，一般按行政区域划分。根据对各地区经济和交通的影响程度以及区域内物流和车流集散的特点，结合各地区社会经济、交通运输现状和路网状况，本项目直接影响区为彭山区，间接影响区包括眉山市、新津县等。 3.1.2交通现状分析 1、交通现状 随着城市建设用地的变化及产业结构的调整，步行和自行车出行仍然是居民的主要交通方式，但重要性有所下降，两轮电动车的出行比例已上升至10.1%，汽车出行增长较快，达到12.5%，公交车比例仅为14.7%。彭山区私家车发展势头强劲，将成为未来城市机动车增长的主要因素。 2、项目影响区交通现状及规划条件 城市交通状况的恶化和城市规模不断扩大、人口不断增加关系十分密切，当然这也是城市发展过程中必然会遇到的问题。当前我们正处在快速城市化和快速机动化交织的历史时期，城市交通压力急剧增加，过去五年彭山区机动车每年以10.8%的速度增长，而同期道路的增长速度远低于此。彭山区城范围内现状主次干道路网密度2.44公里/平方公里，城市支路路网密度更低，而城市主干道和支路的平均容积率要达到规划水平，还存在有很大差距。因此加大路网建设力度仍然是解决城市交通问题的重要途径。 3.2 交通量预测方法 交通量预测分析的目的是通过对片区路网的分析，研究项目建设给片区经济发展所
带来的交通影响及其程度，判断在当前这种交通路网的承载能力下的影响，能否在可接受的范围内，并确定合理的项目出入口位置。道路断面的设置形式是否合理，满足交通功能的要求是最基本的条件。设计通行能力低于设计交通量的道路形式是不合适的，因为它容易造成片区路网的交通拥挤，甚至发生交通堵塞，要求设计通行能力必须大于设计交通量。另一方面，通行能力也不能过大，否则使道路资源不能充分利用，必然造成大量的浪费。 交通量预测是一项综合技术，涉及因素很多，把握预测方向和提高预测精度，一值是世界各国交通研究重要课题，同时，也是一切交通问题研究的基础。本可研报告对交通量预测按照国际上业已成熟的四阶段模式，即交通生成、方式划分、交通分布和交通量分配进行的。是在城市发展和城市规划及土地使用分析的基础上，对道路网络整体进行交通模拟。交通模拟中各种模型建立，都是进行相应统计检验后得到，模型精度一般在15%以内。 3.3 交通量预测内容及结论 3.3.1交通量的组成 本项目属于新建道路，对此情况，远景交通量一般只包括诱增交通量和转移交通量二类。 1、诱增交通量 由于拟建道路的建成通车，其道路基础设施的完善将有效提升片区路网服务水平，与相邻道路之间具有较好的竞争优势，其诱发潜在的交通需求量较大。诱增交通量预测，目前采用的方法很多，一般以相邻路网的趋势交通量为基数预测诱增交通量，这种方法主要考虑的因素是区域间的运行时间、距离，按照“有无对比法”的原则，采用重力模型的思想，预测诱增交通量。这种方法计算工作繁杂，而且模型中的某些假定与实际情
交通量分析及预测 LG GROUP system office room 【LGA16H-LGYY-LGUA8Q8-LGA162】
第三章交通量分析及预测 公路交通调查与分析 3.1.1调查综述 交通调查的目的是了解现状区域路网的交通特性，掌握路段交通量及其特征。通过交通调查来分析路段交通量及车种组成、时空分布特征等，了解区域交通发生、集中及分布状况。 本项目有关的交通调查主要是交通量调查。 交通量调查是收集沿线主要相关道路的历年交通量状况，交通量的车种构成以及有关连续式观测站点的交通量时空变化特征等资料。 相关运输方式的调查与分析 拟建项目X922荔波县翁昂至瑶山（捞村至瑶山段）公路改扩建工程路线起点位于荔波县捞村，顺接X922翁昂至捞村段，终点位于荔波县瑶山与X418平交，终点桩号K20+。路线推荐方案全长公里。 根据贵州省公路局及地方观测点提供的交通量统计资料，现有与该项目相关的公路主要有X922翁昂至捞村段（原Y101乡道），X418线。公路沿线历年的交通量观测值见表3-1。 表3-1 X922捞村至瑶山段（原Y007乡道）公路历年平均交通量单位：辆 /日
注：表中数据除混合车折算值为按小客车为标准的折算值外，其余均为自然车辆数。 预测思路与方法 3.3.1 交通量预测的总体思路 公路远景交通量的预测，是为正确制定公路修建计划提供分析基础，为项目的决策提供依据。 根据对项目所在地区社会经济和交通运输调查的资料分析，计划建设的荔波县瑶山至捞村改扩建公路工程是荔波县境内的重要公路项目。本项目的建设，将有力地促进公路沿线工业和乡镇的社会经济及交通运输发展、为精准脱贫提供交通保障。 预测远景交通量一般由趋势交通量、诱增交通量和转移交通量三部分组成。 趋势交通量是指现有公路交通量按照它固有的发展规律、自然增长的交通量。 诱增交通量是指公路的开通，使它所覆盖的影响区内经济和交通体系的深刻变化，诱使经济、产业迅猛增长，则会新产生交通量。 转移交通量是指公路建成后，由于竞争关系而从其它运输方式（铁路、水运和航空）转移过来的交通量。对本项目而言，由于没有与本项目有竞争关系的其它运输方式存在，因此本项目不考虑转移交通量。 根据分析，本项目的远景交通量主要由趋势交通量和诱增交通量组成。 3.3.2 交通量预测方法及步骤 由于该项目属于老路改造工程，大部分为改造路段，且公路沿线均设有交通观测点，因此该项目不作OD调查，采用沿线历年断面交通量与影响区社会经济的发展情况及规划，进行相关分析，预测未来特征年的远景交通量。 交通量预测 3.4.1 预测年限和特征年确定 根据交通运输部交规划发[2010]178号文件发布的《公路建设项目可行性研究报告编制办法》的规定，公路建设项目交通量的预测年限为调查年到项目建成后20年；
神经网络模型预测控制器 摘要：本文将神经网络控制器应用于受限非线性系统的优化模型预测控制中，控制规则用一个神经网络函数逼近器来表示，该网络是通过最小化一个与控制相关的代价函数来训练的。本文提出的方法可以用于构造任意结构的控制器，如减速优化控制器和分散控制器。 关键字：模型预测控制、神经网络、非线性控制 1.介绍 由于非线性控制问题的复杂性，通常用逼近方法来获得近似解。在本文中，提出了一种广泛应用的方法即模型预测控制（MPC），这可用于解决在线优化问题，另一种方法是函数逼近器，如人工神经网络，这可用于离线的优化控制规则。 在模型预测控制中，控制信号取决于在每个采样时刻时的想要在线最小化的代价函数，它已经广泛地应用于受限的多变量系统和非线性过程等工业控制中[3,11,22]。MPC方法一个潜在的弱点是优化问题必须能严格地按要求推算，尤其是在非线性系统中。模型预测控制已经广泛地应用于线性MPC问题中[5]，但为了减小在线计算时的计算量，该部分的计算为离线。一个非常强大的函数逼近器为神经网络，它能很好地用于表示非线性模型或控制器，如文献[4,13,14]。基于模型跟踪控制的方法已经普遍地应用在神经网络控制，这种方法的一个局限性是它不适合于不稳定地逆系统，基此本文研究了基于优化控制技术的方法。 许多基于神经网络的方法已经提出了应用在优化控制问题方面，该优化控制的目标是最小化一个与控制相关的代价函数。一个方法是用一个神经网络来逼近与优化控制问题相关联的动态程式方程的解[6]。一个更直接地方法是模仿MPC方法，用通过最小化预测代价函数来训练神经网络控制器。为了达到精确的MPC技术，用神经网络来逼近模型预测控制策略，且通过离线计算[1,7.9,19]。用一个交替且更直接的方法即直接最小化代价函数训练网络控制器代替通过训练一个神经网络来逼近一个优化模型预测控制策略。这种方法目前已有许多版本，Parisini[20]和Zoppoli[24]等人研究了随机优化控制问题，其中控制器作为神经网络逼近器的输入输出的一个函数。Seong和Widrow[23]研究了一个初始状态为随机分配的优化控制问题，控制器为反馈状态，用一个神经网络来表示。在以上的研究中，应用了一个随机逼近器算法来训练网络。Al-dajani[2]和Nayeri等人[15]提出了一种相似的方法，即用最速下降法来训练神经网络控制器。 在许多应用中，设计一个控制器都涉及到一个特殊的结构。对于复杂的系统如减速控制器或分散控制系统，都需要许多输入与输出。在模型预测控制中，模型是用于预测系统未来的运动轨迹，优化控制信号是系统模型的系统的函数。因此，模型预测控制不能用于定结构控制问题。不同的是，基于神经网络函数逼近器的控制器可以应用于优化定结构控制问题。 在本文中，主要研究的是应用于非线性优化控制问题的结构受限的MPC类型[20,2,24,23,15]。控制规则用神经网络逼近器表示，最小化一个与控制相关的代价函数来离线训练神经网络。通过将神经网络控制的输入适当特殊化来完成优化低阶控制器的设计，分散和其它定结构神经网络控制器是通过对网络结构加入合适的限制构成的。通过一个数据例子来评价神经网络控制器的性能并与优化模型预测控制器进行比较。 2.问题表述 考虑一个离散非线性控制系统： 其中为控制器的输出，为输入，为状态矢量。控制
B P神经网络预测模型及 应用 IMB standardization office【IMB 5AB- IMBK 08- IMB 2C】
B P神经网络预测模型及应用 摘要采用BP神经网络的原理，建立神经网络的预测模型，并利用建立的人工神经网络训练并预测车辆的销售量，最后得出合理的评价和预测结果。 【关键词】神经网络模型预测应用 1 BP神经网络预测模型 BP神经网络基本理论 人工神经网络是基于模仿生物大脑的结构和功能而构成的一种信息处理系统。该网络由许多神经元组成，每个神经元可以有多个输入，但只有一个输出，各神经元之间不同的连接方式构成了不同的神经网络模型，BP网为其中之一，它又被称为多层前馈神经网络。 BP神经网络预测模型 （1）初始化，给各连接权值（wij，vi）及阐值（θi）赋予随机值，确定网络结构，即输入单元、中间层单元以及输出层单元的个数；通过计算机仿真确定各系数。 在进行BP网络设计前，一般应从网络的层数、每层中的神经元个数、初始值以及学习方法等方面进行考虑，BP网络由输入层、隐含层和输出层组成。隐含层神经元个数由以下经验公式计算： （1）
式中：s为隐层节点数，m为输入层节点数，n为输出层节点数，h为正整数，一般取3―7. BP网络采用了有一定阈值特性的、连续可微的sigmoid函数作为神经元的激发函数。采用的s 型函数为： （2） 式中：s为隐层节点数，m为输入层节点数，n为输出层节点数，h为正整数，一般取3―7.计算值需经四舍五入取整。 （2）当网络的结构和训练数据确定后，误差函数主要受激励函数的影响，尽管从理论分析中得到比的收敛速度快，但是也存在着不足之处。当网络收敛到一定程度或者是已经收敛而条件又有变化的时候，过于灵敏的反映会使得系统产生震荡，难于收敛。因此，对激励函数进行进一步改进，当权值wij （k）的修正值Δwij（k） Δwij（k+1）<0时，，其中a为大于零小于1的常数。这样做降低了系统进入最小点时的灵敏度，减少震荡。 2 应用 车辆销售量神经网络预测模型 本文以某汽车制造企业同比价格差、广告费用、服务水平、车辆销售量作为学习训练样本数据。如表1。 表1 产品的广告费、服务水平、价格差、销售量 月份广告费 （百万元）服务水平价格差
1.5相关规划及交通预测 1.5.2城市布局结构 城市规划区的整体空间结构为：“一心三翼、两轴四带’’。 l、“一心”：指中心城区，建设国际风景旅游城市和湘西地区的现代服务业中心。 2、“三翼”：指以武陵源风景名胜区、天门山风景名胜区和茅岩河风景名 胜区为主体的三个旅游职能片区。严格控制中湖、天子山镇发展规模，提升城镇建设水平与旅游服务品质。 3、“两轴”：指以澧水为纽带的城市发展轴和武陵源风景名胜区至天门山风景名胜区的旅游发展轴。 4、“四带”： 沙堤旅游发展带一一依托武陵山大道，发展近郊休闲度假旅游。 茅溪河旅游发展带一一依托张桑公路，发展水上休闲项目和近郊旅游度假设施。 澧水旅游发展带一一为张家界市未来旅游服务中心和度假基地建设的重点区域。 澧水城市职能拓展带一一是中心城区向东部拓展，完善城市中心地职能的空间拓展带。 1.5.3道路网规划 规划形成“两环五纵九连线’’的骨架路网结构。“两环”：快速路外环和子午路一迎宾路一大庸路构成的内环；“五纵”：茅岩路、天问路、溪西路、常德路一朝阳路、阳湖中路；“九连线”：子午路（内环以西）、荷花路、融山路、武陵山大道、沙堤大道、崇文路一永定大道、张峡路一永昌路、张联路一科技大道、官黎路一宝塔路。规划城市道路分为4级：城市快速路、主干道、次干道（包括滨河景观路）和支路。 1、快速路 城市快速路主要包括南外环、西外环、机场一南外环联络线、北外环、枫中路、武陵山大道。 2、主干路 规划城市主干路红线宽度为30-60米。主要包括子午路、迎宾路、永定大道、大桥路、大庸路、崇文路、兑泽路、西溪坪路、永昌路、科技大道、沙堤大道、桔坪路、向家岗路及李家岗路等。 3、次干路 规划城市次干路红线宽度为20-30米，主要包括回龙路、天门路、解放路、岚清路和滨江东路等。 4、滨河景观路 规划沿澧水河沿岸设置滨河景观路，滨河景观路红线宽度为20-25米。 5、支路 规划城市支路红线宽度为10-20米。 1.5.4交通量预测 1.5.4.1交通量基础资料 1、人口 1）总规分配人口 规划近期：市域人口规模172万人。 2020年张家界市中心城市人口规模按42.万人控制。其中，中心城区人口规模
第三章交通分析及预测 3.1公路交通调查与分析 本项目位于昌吉州内。合计路线全长70.7Km。 项目组在外业调查中，收集了路线附近的交通量资料，并取得了路段两个典型断面全天24小时的断面交通量观测资料。 折算值根据《公路工程技术标准》（JTG B01—2003）的规定全部折算为小客车的数量，采用的折算系数见表3-1。 各汽车代表车型与车辆折算系数表3-1 汽车代表车型车辆折算系数说明 小客车 1.0 ≤19座的客车和载质量≤2t的货车 中型车 1.5 ＞19座的客车和载质量＞2t～≤7t的货车 大型车 2.0 载质量＞7t～≤14t的货车 拖挂车 3.0 载质量＞14t的货车 现有公路通车困难，出行特别不方便，特别是现有老路历年的翻浆病害情况严重，老路路线技术指标低，平、纵线形组合差，路面平整差，也无法满足交通安全、舒适、快速的需求。制约了当地的经济发展，因此建设一条上等级的公路，是十分必要的。 3.2预测思路与方法 3.2.1预测思路、方法和步骤 本项目未来年交通量是根据昌吉回族自治州交通局提供的沿线各乡镇交通出行调查资料基础上，结合沿线乡镇经济发展规划与交通运输发展之间相互关系的基础上进行预测。 根据交通部《交通建设项目可行性研究报告编制办法汇编》（2010年）的规定，农村公路和功能单纯的各类专用公路，以及为大型工矿项目或新建开发区服务的配套公路或其它农村公路。交通量预测工作可适当简化或采用其它预测技术而不必采用四阶段法，故本报告预测方法采用“定基、定标法”。即首先进行区域社会经济现状分析和发展趋势研究；其次根据社会经济发展趋势与特点及其与交通运输的相关关系，通
基于神经网络的股票预测 【摘要】: 股票分析和预测是一个复杂的研究领域，本论文将股票技术分析理论与人工神经网络相结合，针对股票市场这一非线性系统，运用BP神经网络，研究基于历史数据分析的股票预测模型，同时，对单只股票短期收盘价格的预测进行深入的理论分析和实证研究。本文探讨了BP神经网络的模型与结构、BP算法的学习规则、权值和阈值等，构建了基于BP神经网络的股票短期预测模型，研究了神经网络的模式、泛化能力等问题。并且，利用搭建起的BP神经网络预测模型，采用多输入单输出、单隐含层的系统，用前五天的价格来预测第六天的价格。对于网络的训练，选用学习率可变的动量BP算法，同时，对网络结构进行了隐含层节点的优化，多次尝试，确定最为合理、可行的隐含层节点数，从而有效地解决了神经网络隐含层节点的选取问题。 【abstract] Stock analysis and forecasting is a complex field of study. The paper will make research on stock prediction model based on the analysis of historical data, using BP neural network and technical analysis theory. At the same time, making in-depth theoretical analysis and empirical studies on the short-term closing price forecasts of single stock. Secondly, making research on the model and structure of BP neural network, learning rules, weights of BP algorithm and so on, building a stock short-term forecasting model based on the BP neural network, related with the model of neural network and the ability of generalization. Moreover, using system of multiple-input single-output and single hidden layer, to forecast the sixth day price by BP neural network forecasting model structured. The network of training is chosen BP algorithm of traingdx, while making optimization on the node numbers of the hidden layer by several attempts. Thereby resolve effectively the problem of it. 【关键词】BP神经网络股票预测分析 1．引言 股票市场是一个不稳定的非线性动态变化的复杂系统，股价的变动受众多因素的影响。影响股价的因素可简单地分为两类，一类是公司基本面的因素，另一类是股票技术面的因素，虽然股票的价值是公司未来现金流的折现，由公司的基本面所决定，但是由于公司基本面的数据更新时间慢，且很多时候并不能客观反映公司的实际状况，采用适当数学模型就能在一定
第三章交通量分析及预测 交通量分析和预测是公路建设项目前期工作的重要内容，本章首先在交通量观测及其他交通调查的基础上，分析本项目相关线路及其影响区域的公路交通发展水平和特征，然后结合社会、经济、技术调查与分析，使用公路可行性研究通用的预测技术和方法，分析预测远景年交通量发展规模和水平，为确定本项目的技术等级、工程设施标准规模和经济评价等提供重要的依据。 3.1公路交通调查与分析 本项目采用交通量观测为交通调查方法。 3.1.1 调查综述 调查的目的、方法及内容： 公路交通调查是公路项目可行性研究的重要环节，为全面了解项目所在地区公路交通量的特性和构成，掌握公路交通流量流向、车辆构成、货物种类等资料，为未来拟建公路交通量预测提供基础数据，本项目公路交通调查主要包括相关公路观测交通量、汽车保有量、交通事故等方面内容，调查范围主要是针对拟改建项目所属区域及沿线所经区域进行调查。 3.1.2 调查资料的分析 1.历年相关公路交通量 表3-1 正镶白旗杨白音敖包嘎查测站历年交通量
2.交通量观测调查车辆构成分析 通过资料整理，可以得到各调查点断面交通量情况。详见下表。 3.2 预测思路与方法 3.2.1预测思路 交通量预测是公路建设项目可行性研究的重要内容之一，是确定项目技术等级、建设规模及标准的依据，也是项目经济评价的基础。 根据研究项目白旗伊克淖苏木白音敖包嘎查至乌兰胡吉尔浩特至陶苏图浩特公路周边地区的公路项目，路段历史交通量能反映该路段上交通量的发展趋势。因此，可以利用周围路段的历史交通量用基于运输通道的交通量预测法来进行预测。基于运输通道的交通量预测法的大致思路如下： （1）获取项目所在运输通道内各条道路的历史交通量； （2）根据运输通道历史交通量找出其发展趋势，运用相关趋势模型求出运输通道交通量的增长率，并计算出运输通道未来年总交通量； （3）根据项目运输通道内各条道路的历史交通量发展趋势，结合相关各条道路在未来年的等级、车道数和通行能力等因素，采用Lgoti概率模型来确定未来年各条道路在运输通道内所分担的交通量比例，最后计算出本项目未来年的交通量。 3.2.2 交通量预测方法及步骤 该项目为正镶白旗明安图镇三面井嘎查敦廷高勒浩特至白生图浩特公路，是白旗通往外界的重要通道之一，由于公路交通是白旗唯一交通方式，因此本项目具有重要的地位和作用。通过对正镶白旗明安图镇三面井嘎查敦廷高勒浩特至白生图浩特公路线上的观测点交通量调查分析得出，现有道路的交通量比较大，由于省道的服务水平、道路路况等影响，在未来年单一的通道已经无法满足交通量的需求。 交通量预测：主要是在现状交通量观测调查的基础上，依据项目区未来年经济发展及项目所属通道运输方式发展趋势，测算公路通道的运输量，利用合理的预测方法进行
交通预测模型【对各种交通流预测模型的简要分析】 摘要:随着社会的发展，交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。多年来，世界各国的城市交通专家提出各种不同的方法，试图缓解交通拥堵问题。交通流预测在智能交通系统中一直是一个热门的研究领域，几十年来，专家和学者们用各种方法建立了许多相对精确的预测模型。本文在提出交通流短期预测模型应具备的特性的基础上，讨论了几类主要模型的结果和精确度。 关键词:交通流预测;模型;展望 20世纪80年代，我国公路建设项目交通量预测研究尚处于探索成长阶段，交通量预测主要采用个别推算法，又可分为直接法和间接法。直接法是直接以路段交通量作为研究对象；间接法则是以运输量作为研究对象，最后转换为路段交通量。 进入90年代后，我国的公路建设项目，特别是高速公路建设项目的交通量分析预测多采用“四阶段”预测，该法以机动车出行起讫点调查为基础，包括交通量的生成、交通分布、交通方式选择和交通量分配四个阶段。
几十年来，世界各国的专家和学者利用各学科领域的方法开发出了各种预测模型用于短时交通流预测，总结起来，大概可以分为六类模型：基于统计方法的模型、动态交通分配模型、交通仿真模型、非参数回归模型、神经网络模型、基于混沌理论的模型、综合模型等。这些模型各有优缺点，下面分别进行分析与评价。 一、基于统计方法的模型 这类模型是用数理统计的方法处理交通历史数据。一般来说统计模型使用历史数据进行预测，它假设未来预测的数据与过去的数据有相同的特性。研究较早的历史平均模型方法简单，但精度较差，虽然可以在一定程度内解决不同时间、不同时段里的交通流变化问题，但静态的预测有其先天性的不足，因为它不能解决非常规和突发的交通状况。线性回归模型方法比较成熟，用于交通流预测，所需的检测设备比较简单，数量较少，而且价格低廉，但缺点也很明显，主要是适用性差、实时性不强，单纯依据预先确定的回归方程，由测得的影响交通流的因素进行预测，只适用于特定路段的特定流量范围，且不能及时修正误差。当实际情况与参数标定时的交通状态相差较远时，
一交通量预测 1.1 交通调查现状 新开北路北延（源兴路~通沪大道）位于南通市经济技术开发区西北部，南起源兴路，北至通沪大道，全场约2.6Km，道路规划宽50m，是一条南北方向的城市主干道，是中心城区规划形成“二十一横二十二纵”的主干路布局中的一条纵向主干路，也是连通崇川区、通州区的重要道路。 新开北路北延建成后将在一定程度上缓解兴富路、东快速路等道路的交通压力，提高了开发区与崇川区的连通性，提升南通市的城市面貌，拉动城市经济的快速增长，带动沿线地区的经济发展，改变附近的交通需求，项目建成后将产生大量的旅游交通量和沿线居民的出行产生交通量。 规划道路附近用地布局及道路流量图 1.2 远期交通量需求分析 本道路建成后交通量表现为旅游交通运输产生和沿线居民出行产生的交通量等，拟建项目预测的远景交通量构成有以下三部分组成： （1）基于现状路网条件下而发展的趋势型交通量
（2）本项目建成后产生的诱增交通量 （3）本项目建成后本地出行交通量 1.3 预测思路和方法 1.3.1 预测思路 本研究预测的主要思路为：以交通调查为基础，在分析XX市路网现状状况、交通量现状和路网规划的基础上，结合XX市城市总体规划、经济产业发展的布局规划，根据研究路网的地位和交通功能，对未来交通量进行预测。 1.3.2 预测方法 交通预测方法主要有两类：一类是基于增长弹性系数直接进行预测的交通增长率预测法或基于总体发展规划的总量控制法；另一类是基于土地利用的四阶段法，即出行发生、出行分布、交通方式划分和交通量分配。本研究综合考虑两种方法，并结合TransCAD软件对目标年的交通量进行预测。 1.4 道路交通量预测 通过对现状道路交通量进行调查，通过拟建道路临近的第二条主干路或者快速路围合的范围建立道路交通网络，划分交通小区，运用Transcad软件和OD反推技术计算出该道路路段及相交道路未来年高峰小时交通量。 ?交通小区划分 充分考虑区域内土地使用性质，路网构成等因素，根据交通小区的划分原则，对现状道路网络进行交通小区划分。
简述交通量预测方法与步骤 一、交通调查与分析 1.调查综述 道路交通量与项目影响区的交通出行分布是交通量预测的基础资料。为了对公路建设项目未来年的交通量发展情况进行预测，需要调查了解项目影响区交通发展状况，相关路网交通现状，各类车辆的起讫点分布，交通组成等基础数据资料。 交通调查的内容包括两个方面，一是相关公路的道路状况和交通状况调查，另一方面是车辆出行分布调查，据此分析项目影响区的车辆出行分布状况。相关公路道路与交通状况调查主要包括相关公路历史流量发展分析，交通组成分析，用于分析项目影响区交通发展规律；车辆出行分布调查主要调查车辆出行的起讫点，即OD调查，用于分析项目影响区及相关路网车辆的空间、时间分布特征，掌握交通现状。 2、交通量OD调查及分析 OD调查和交通量观测主要是为了全面掌握项目影响区内各方向公路运输通道的交通流量、流向、车型构成等交通特性，为拟建项目所在通道的运输需求特点分析和交通量预测工作提供了可靠的基础数据。 OD调查点位置布设原则为: ⑴在能够把握交通流量分布特性和不影响调查目的及精度的前提下，尽量减少OD调查点个数，以节省人力、物力和财力； ⑵OD点应尽量远离城区（一般为10公里左右）； ⑶为了和历年的交通量调查资料相互检验、补充，在不影响调查目的的前提下，调查地点尽量与历年交通量观测点一致或靠近。 以OD调查和交通量观测数据为基础，按照调查所采用的抽样率，根据主要相关公路历年交通量计算得到的月不均匀系数和周日不均匀系数将每个调查点的OD交通量进行扩大、修正，形成单点年平均日OD交通量（AADT），并得到单点OD表。交通量换算采用小客车为标准，各代表车型和车辆折算系数规定如下表所示。 各汽车代表车型与车辆折算系数
交通量分析与预测 LG GROUP system office room 【LGA16H-LGYY-LGUA8Q8-LGA162】
第三章交通量分析及预测 现状交通调查及分析 3.1.1项目影响区的确定 项目影响区根据对项目的影响程度，分为直接影响区和间接影响区，一般按行政区域划分。根据对各地区经济和交通的影响程度以及区域内物流和车流集散的特点，结合各地区社会经济、交通运输现状和路网状况，本项目直接影响区为彭山区，间接影响区包括眉山市、新津县等。 3.1.2交通现状分析 1、交通现状 随着城市建设用地的变化及产业结构的调整，步行和自行车出行仍然是居民的主要交通方式，但重要性有所下降，两轮电动车的出行比例已上升至%，汽车出行增长较快，达到%，公交车比例仅为%。彭山区私家车发展势头强劲，将成为未来城市机动车增长的主要因素。 2、项目影响区交通现状及规划条件 城市交通状况的恶化和城市规模不断扩大、人口不断增加关系十分密切，当然这也是城市发展过程中必然会遇到的问题。当前我们正处在快速城市化和快速机动化交织的历史时期，城市交通压力急剧增加，过去五年彭山区机动车每年以%的速度增长，而同期道路的增长速度远低于此。彭山区城范围内现状主次干道路网密度2.44公里/平方公里，城市支路路网密度更低，而城市主干道和支路的平均容积率要达到规划水平，还存在有很大差距。因此加大路网建设力度仍然是解决城市交通问题的重要途径。 交通量预测方法 交通量预测分析的目的是通过对片区路网的分析，研究项目建设给片区经济发展所带来的交通影响及其程度，判断在当前这种交通路网的承载能力下的影响，能否在可接受的范围内，并确定合理的项目出入口位置。道路断面的设置形式是否合理，满足交通功能的要求是最基本的条件。设计通行能力低于设计交通量的道路形式是不合适的，因为它容易造成片区路网的交通拥挤，甚至发生交通堵塞，要求设计通行能力必须大于设计交通量。另一方面，通行能力也不能过大，否则使道路资源不能充分利用，必然造成大量的浪费。
交通预测及分析 3.3.1 预测的总体思路 3.3.1.1 概述 路网交通量预测分析是城市交通规划和城市道路建设规模和标准的主要依据，预测结果将直接影响到项目建设的决策。本项目交通预测可划分为以下两个部分，预测过程也相应分别进行，最后累加得到总的预测交通量。 背景交通量预测——由两部分构成，其一为背境交通量，即相关道路上的穿越交通量，起止点均在项目范围之外，主要由项目相关道路的现有交通量在研究期限内相应增长而得到；其二为研究区域内其它新建项目的交通量，由交通影响范围内其它建设项目所产生的交通量，在道路网上分配而获得。背景交通量预测采用国际通用的四步骤预测法，并利用国际上较为流行的交通规划软件（TransCAD）作为计算工具。通过对现状与规划资料（土地、人口、社会、经济、交通）的调查研究，通过进行交通小区的划分，并据此建立交通模型。通过社会经济发展预测、城市土地使用规划，得到交通生成量；采用重力模型进行收敛计算，得到小区分布交通量；通过交通方 式划分，得到机动车的出行量；采用均衡分配法进行分配，得到拟建项目的路段及交叉口流量。 拟建项目交通量预测——根据项目的建设性质及规模，预测目标年的项目交通生成量，即交通产生量与吸引量。在此基础上进一步对其进行交通分布和交通分配，将因项目而产生的交通量分配到周围道路上，得到拟建项目交通量。交通需求预测主要根据该项目的开发强度及不同用地类型出行发生和吸引率，预测该开发项目目标年内部生成的交通需求。 图3-24 交通量预测流程图 3.3.1.2 预测依据 预测的主要依据如下： 1）《珠江三角洲地区改革发展规划纲要（2008-2020）》 2）《眉山城市空间发展战略（眉山2030）》 3）《眉山市国民经济和社会发展十一五规划纲要》 3）《眉山市城市总体规划（2009-2030）》 4）《眉山市城市规划条例》 5）《眉山市城市规划技术标准与准则》 6）《眉山市城市交通规划》（1999-2020） 7）《横琴新区城市总体规划（2009-2020）》广东省城乡规划设计研究院8）《横琴新区控制性详细规划》（广东省城乡规划设计研究院） 9）《眉山市统计年鉴2009》 10）《眉山重大交通基础设施布局集疏运网络规划》
第三章交通量分析及预测 3、1 公路交通调查与分析 3、1、1调查综述 交通调查得目得就是了解现状区域路网得交通特性,掌握路段交通量及其特征。通过交通调查来分析路段交通量及车种组成、时空分布特征等,了解区域交通发生、集中及分布状况。 本项目有关得交通调查主要就是交通量调查。 交通量调查就是收集沿线主要相关道路得历年交通量状况,交通量得车种构成以及有关连续式观测站点得交通量时空变化特征等资料。 3、2 相关运输方式得调查与分析 拟建项目X922荔波县翁昂至瑶山(捞村至瑶山段)公路改扩建工程路线起点位于荔波县捞村,顺接X922翁昂至捞村段,终点位于荔波县瑶山与X418平交,终点桩号K20+762、250。路线推荐方案全长20、762公里。 根据贵州省公路局及地方观测点提供得交通量统计资料,现有与该项目相关得公路主要有X922翁昂至捞村段(原Y101乡道),X418线。公路沿线历年得交通量观测值见表3-1。 表3-1 X922捞村至瑶山段(原Y007乡道)公路历年平均交通量单位:辆/日
3、3 预测思路与方法 3、3、1 交通量预测得总体思路 公路远景交通量得预测,就是为正确制定公路修建计划提供分析基础,为项目得决策提供依据。 根据对项目所在地区社会经济与交通运输调查得资料分析,计划建设得荔波县瑶山至捞村改扩建公路工程就是荔波县境内得重要公路项目。本项目得建设,将有力地促进公路沿线工业与乡镇得社会经济及交通运输发展、为精准脱贫提供交通保障。 预测远景交通量一般由趋势交通量、诱增交通量与转移交通量三部分组成。 趋势交通量就是指现有公路交通量按照它固有得发展规律、自然增长得交通量。 诱增交通量就是指公路得开通,使它所覆盖得影响区内经济与交通体系得深刻变化,诱使经济、产业迅猛增长,则会新产生交通量。 转移交通量就是指公路建成后,由于竞争关系而从其它运输方式(铁路、水运与航空)转移过来得交通量。对本项目而言,由于没有与本项目有竞争关系得其它运输方式存在,因此本项目不考虑转移交通量。 根据分析,本项目得远景交通量主要由趋势交通量与诱增交通量组成。 3、3、2 交通量预测方法及步骤 由于该项目属于老路改造工程,大部分为改造路段,且公路沿线均设有交通观测点,因此该项目不作OD调查,采用沿线历年断面交通量与影响区社会经济得发展情况及规划,进行相关分析,预测未来特征年得远景交通量。 3、4 交通量预测 3、4、1 预测年限与特征年确定 根据交通运输部交规划发[2010]178号文件发布得《公路建设项目可行性研究报告编制办法》得规定,公路建设项目交通量得预测年限为调查年到项目建成后20年;《公路工程技术标准》(JTG B01—2014)中规定:三级公路得设计交通量应按15年预测。 结合本项目所在地区得社会经济发展规划,本项目预测得特征年设定为2018年(公路通车年)、2023年、2028年、2033年与2038年。预测基年为2015年。交通量预测流程图见图3-1所示: