灰色模型和BP神经网络组合模型在交通流预测中的应用

Prediction of Road Traffic Accidents Based on Grey BP Neural Network Models
作者： 王小凡[1];朱永强[1]
作者机构： [1]青岛理工大学机械与汽车工程学院,山东青岛266520
出版物刊名： 白城师范学院学报
页码： 36-40页
年卷期： 2019年 第6期
主题词： 道路交通事故;灰色预测;BP神经网络;预测
摘要：预防道路交通事故是道路交通安全的重要环节,通过对未来交通事故发生次数的准确
预测,能够为交通管理和规划工作提供重要依据.本文以2006年至2016年山东省交通事故发生次数为样本,分别使用灰色GM(1,1)模型和灰色BP神经组合模型进行预测并对比数据,结果表明,灰
色BP神经网络模型预测精度更高,预测结果相对误差为4.45%,符合实际情况,证明该模型合理可靠,能为道路安全的管理提供依据.。

神经网络修正灰色残差模型的交通量预测交厦与安至?COMMUNICATIONSSTANDARDIZA TIONISSUENo.149神经网络修正灰色残差模型的交通量预测王谷,汪洋(1.重庆交通学院,重庆400074;2.I司济大学建筑设计研究院,上海200092)摘要:通过比较神经网络,GM模型的预测结果,融合GM(GreyMode1)模型与神经网络模型并构建组合模型进行交通量的预测,可以克服单个模型所存在的不足.结果证明,该组合模型在交通预测中是可行的.关键词:交通量预测;新陈代谢GM(1,1)模型;BP神经网络:灰色残差序列中图分类号:U491.113文献标识码:A文章编号:1002-4786(2006)01—0076—03 TrafficV olumeForecastingBased0nRemnantDifierence CorrectModelofBPNeuralNetworkW ANGGu,W ANGrand(1.ChongqingJiaotongUniversity,Chongqing400074,China;2.ArchitecturalDesignand ResearchInstituteofTongjiUniversity,Shanghai200092,China)Abstract:BycomparingtheforecastresultofBPneuralnetworkmodelandGM(GreyMode1) ,thecombinationofGMandneuralmodeliSfeasibleintrafficvolume.whichcanovercomethedef iciencyofsinglemodelandgetgoodeffect.Keywords:trafficvolumeforecasting;metabolicGM(1,1);BPneuralnetwork;greyresidual sequenceCOMMUNICA TIONSSTANDARDIZA TIONISSUENM49?交圈与安呈研究和观察交通量的变化规律,并对未来时刻交通量及其发展趋势进行科学合理的预测,对于交通规划,交通诱导,交通管理与控制,交通安全等具有重要的意义.实践中,灰色模型}l_,神经网络模型鲫及灰色神经网络模型都已被运用于交通量的预测中.本文通过研究数据序列构成的一般规律,结合GM模型与神经网络模型的特长,以GM 模型提取数据趋势,以神经网络修正灰色残差,分阶段地对交通量进行了预测,并将其运用于某实际公路断面的实时交通流预测当中.试验表明,模型的精度和预测结果都比较理想,优于单一的灰色GM(1,1)模型和神经网络预测模型,同时证明这样一种新的信息处理和预测方法是有效可行的.1模型组合1.1灰色GM(1,1)模型在原始数据序列中一般同时包含或者部分包含趋势性成分和周期性,随机性的成分.本文首先使用GM(1,1)模型筛选出趋势性成分,然后对残差序列运用神经网络模型进行修正.灰色预测具有要求样本少,原理简单,运算方便,短期预测精度高等优点,但是与其他预测方法相比还存在一定的局限性,具体表现为:a)GM(1,1)模型主要适用于单一指数增长模式.对序列数据出现异常的情况难以考虑;b)GM(1,1)模型是对于单一的数据序列进行预测.要对多个序列同时预测只能分别建立模型.不能充分利用各序列间的相互关系.基于以上原因,有必要对GM(1,1)模型进行改进.GM模型本身具有弱化序列随机性,挖掘系统演化规律的独特功效.且对一般模型具有很强的融合力和渗透力.将GM模型融人一般模型的建模过程中将会使得预测精度大大提高.1.2采用神经网络模型修正灰色残差+-+-+一+-+-+-+-+-+-+-+-+-——+_-——+_-—+一-——+_-——+_-——+_-——+_-[2]李洪港.四轮定位检测与调整[M].北京:人民交通出版社,2004.[3]罗进益.轿车四轮定位检测与调整[M].北京:人民交通出版社,2002.[4]崔靖,周忠川.汽车综合性能检测[M].上海:上海科学技术多层节点模型与误差反向传播(ErrorBackPropagation—BP)算法是目前比较成熟而又应用广泛的人工神经网络模型和算法.它把一组样本的输入输出问题转化为一个非线性优化问题,是从大量数据中总结规律的有力手段.以人工神经网络(ANN)模型拟和数据序列时具有以下几个潜在的优点:a)ANN模型具有模仿多种函数的能力;b)ANN模型能利用所提供数据的变量自身属性或内涵建立相关的函数关系式,而不必预先假设基本的参数分布;C)ANN模型对信息的利用率高,避免了系统数据辨识方法在序列相加时因正负抵消而产生的信息失真现象.因此人工神经网络特别适用于对GM(1,1)模型进行残差修正.2采用神经网络修正灰色残差的建模方法设有数据序列{(.()),i=1,2,…,n,利用GM(1,1)模型毫=似+6对其进行拟合得互(o(￡),i=1,2,口…,n,则定义时刻的原始数据(.(L)与GM(1,1)模型拟合值互(o()之差为时刻的残差,记为e(.),即e(.()(.()一(.()2.1建立残差序列{e(.()l的BP神经网络模型设{e(o()l为残差序列,Is为预测阶数,则输入样本为:e(.(一1),e(.(一2),…,e(.(i-S)对应的输出值为e(.(),其中i=1,2,…,n.2.2确定{e(.()l的新预测值BP网络训练预测出的残差序列为{;(o()},在此基础上构建新的预测值互(.(,1),即(.(,1)=(.()+e(.(1)文献出版社.1999.[5]李卓森.悬架系统及转向系统[M].吉林:科学技术出版社,1998.[6]高国恒.汽车检测诊断方法[M].北京:人民交通出版社,1998.[7]张建俊.汽车检测与故障诊-+-+-+-+-+-+-+-+-+-+-—'+_-+断技术[M].北京:机械工业出版社.1999.[8]陈焕江.汽车诊断与检测[M].北京:机械工业出版社,2002.作者简介:崔海梁(1962一),男,安徽蚌埠人.解放军汽车管理学院副教授.主要从事汽车运用方面的研究.收稿日期:2005-06-24交瞳与安呈?COMMUNICATIONSSTANDARDIZA TIONISSUENo.149 则(o(,1)即为灰色人工神经网络组合模型的预测结果.3实例分析分别使用三种预测方法,即单一的GM(1,1)预测,单一的神经网络预测,组合模型预测,来预测某路段断面的5min间隔观测交通量,共得7O个数据,下面利用后1O个数据作为预测结果对模型的精度进行检验.3.1新陈代谢GM(1,1)模型预测新陈代谢GM(1,1)模型作为GM(1,1)模型的一种,较全数据GM(1,1)模型,新信息GM(1,1)模型有更高的预测精度.其建模思想是保持数据长度不变,不断补充新的数据,及时去掉老的数据.这样建立的的模型序列更能反映系统目前的特征.同时不断的新陈代谢避免了随着信息的增加而产生建模运算量不断增大的困难.本算例建模序列长度为lO,等维递推建立新陈代谢GM(1,1)模型,计算结果见表1.表1新陈代谢GM(1,1)模型预测结果误差分析序号61626364656667686970实际值36353229414331284439拟合值35.7334.7633.4535.6o31.7431.O731.8630.8130.9729.77相对误差0.760.69-4.54-22.7622.5827.76—2.79—10.0229.6123.67(%)平均相对14.52误差(%)3.2ANN模型预测构建4xSxl的BP神经网络,输入层,隐含层采用tansig传递函数,输出层采~purelin传递函数.最大循环次数取2000,收敛误差取0.1.用Matlab建立网络进行训练,模拟,预测结果如表2所示.表2BP神经网络模型预测结果误差分析序号6162『6364656667686970实际值3635I3229414331284439拟合值一3.87—8-40I一6.460.6219.8133.507.30—6.4218.2511.94 相对误差O.760.69I'4.54—22.7622.5827.76-2.79—1O.O229.6123.67(%)平均相对误差(%)l1.663.3采用神经网络的灰色残差修正模型预测使用3.1中预测的灰色残差序列e(o'()(i=1,2,…,60),构建4x4xl的BP神经网络预测残差分布.共有56对输入,输出.其中输入层,隐含层采用tansig传递函数,输出层采用purelin传递函数.最大循环次数取5000,收敛误差取O.01.BP网络的每组输人,输出为:e'.(i-1),e'.(i-2),e'.(i-3),e'.(i-4),e'.(i)其中i=5,6,…,6O.据此建立模型并预测结果如表3所示.表3残差修正组合模型预测结果误差分析序号61626364656667686970实际值36353229414331284439GM拟合值35.7334.7633.4535.6o31.7431.0731.8630.8130.9729.77 GM残差0.270,24—1,45—6,69,2611.93-0.86—2.8113.039.23BP残差拟合值0-320.29—1.25—6.810.0810.8-1.12—1.9812.218.45组合模型值36.0535.0532.228.841.8241.8730.7428.8343.1838.22 相对误差-0.14—0.14一O.630.69—2.0o2.630.84-2.961.862.0o(%)平均相对误差(%)1.394结语因为路段交通量处于大系统中.不具有明显的趋势特征和显着的周期性.本文通过对复杂数据序列的分步预测,构造了形如"组合预测模型=趋势预测模型/GM(1,1)模型+周期性,随机性预测模型/神经网络模型"的组合模型.两种预测模型发挥了各自的特长,发掘出原始数据序列不同部分的规律性.算例结果表明,基于灰色残差修正的组合模型具有精度高,样本小的优点.参考文献[1】张新天,罗晓辉.灰色理论与模型在交通量预测中的应用[J].公路,2001,(8):4—7.[2】王苏芳,卢兰萍,谭燕秋,崔邯龙.基于Matlab的人工神经网络在交通量预测中的应用[J1.河北建筑科技学院,2004,21(2):41—43.[3]周骞.基于人工神经网络的交通量预测[J].湖南交通科技,1999,25(3):16—17,25.[4】ChenShuyan,QuGaofeng,WangXinghe,eta1. Trafficflowforecastingbasedongreyneuralnetwork model[A].In:ProceedingoftheSecondInternational ConferenceonMachineLearningandCybernetics[C]. Xian,2003,(11):2-5.[5]陈淑燕,王炜.交通量的灰色神经网络预测方法【J].东南大学(自然科学版),2004,(7):541—544.[6]刘思峰.灰色系统理论及其应用[M].北京:科学出版社.1999.收稿日期:2005—06—13。

灰色理论在BP神经网络预测中的应用作者：刘明明来源：《中国新通信》2016年第19期【摘要】针对灰色系统的不确定性，将灰色理论应用到BP神经网络预测模型中。

首先深入研究了灰色系统理论以及BP神经网络的原理，并将二者结合建立灰色神经网络的预测模型。

最后，总结了该模型的特性，并对其进行展望。

【关键字】灰色理论 BP神经网络预测模型一、引言随着大数据时代的到来，BP神经网络预测模型已成为学术界研究的热点，并应用到多领域中。

BP神经网络具有很好的非线性逼近以及自学习的能力，可高精度拟合预测值，但是，由于很多系统存在不确定性，传统的BP神经网络将原始时间序列直接作为输入值，而原始时间序列中具有很大的随机性和不确定性，使得神经网络在预测结果中，存在较大偏差。

解决此问题的有效方法是将原始时间序列经过灰色理论进行白化处理，过滤掉数列中的不确定性和随机性等灰色特性，再将白化处理后的结果作为BP神经网络的输入。

二、灰色预测理论研究根据研究对象的特性可将其分为白、灰、黑三类，该分类取决于研究者对系统信息的掌握程度，是基于认识程度而言，具有相对性。

其中白色系统信息完全明确，黑色系统信息完全缺乏，而灰色系统是介于白色系统和黑色系统之间，其信息具有不充分、不完全的特性。

灰色预测为灰色系统最典型的应用，在样本数据量较少、预测结果具有一定的随机性时，灰色理论是应用最为广泛的，克服了系统周期短和数据不足的矛盾。

对于样本少、贫信息的不确定性系统[1]而言，由于原始数据毫无规律可循，因此灰色理论首先将原始时间序列进行累加，使其具有递增规律，然后对其进行拟合，最终将累加数据进行还原。

其具体原理如下所示：设原始时间序列为累加为时间序列为，累加后是单调不减时间序列，可见，一般累加可将非负的任意无规律数列转换为单调不减数列。

根据该时间序列，建立白化方程并得到方程的解。

所得即为的估计值，但是由原始数列累加变换所得，因此，还需对估计值进行累减处理，最终即为所求预测值。

船舶交通流量预测的灰色神经网络模型作者：张树奎肖英杰来源：《上海海事大学学报》2015年第01期摘要：为降低船舶交通流量的预测误差，提高预测精度，在分析传统的灰色模型和反向传播（BackPropagation，BP）神经网络模型优缺点的基础上，构建灰色神经网络模型预测船舶交通流量.以实际测量值作为初始数据构建不同的灰色模型，各种灰色模型的预测值作为神经网络的输入值，得到最佳预测模型.实例分析表明：灰色神经网络模型可提高预测精度，预测结果比较理想，优于单一预测模型；该模型具有所需初始数据少和非线性拟合能力强的特点，用于船舶交通流量预测是可行和有效的.关键词：船舶交通量；灰色模型；神经网络中图分类号： U691.32；U698.5；TP183文献标志码： AAbstract：In order to reduce the error and improve the accuracy of ship traffic flow prediction，a Grey neural network model is constructed based on the analysis of the advantages and disadvantages of the traditional Grey model and BackPropagation （BP） neural network model. The real measured data are used as initial data to construct different Grey models. Various prediction results of these models are used as the input of the neural network， and then the optimized prediction model is obtained. A case study shows that the Grey neural network model can improve prediction accuracy，is of good prediction results and better than the single prediction model. The model requires less initial data， is of strong nonlinear fitting ability， and is feasible and effective for the ship traffic flow prediction.Key words：ship traffic flow； Grey model； neural network0引言准确预测繁忙水道的船舶交通流量可为港口和航道管理部门提供可靠的数据，对缓解船舶交通拥堵、提高通航效率以及船舶交通管理系统（Vessel Traffic Services， VTS）服务水平等有重要的参考价值，同时可为减少船舶交通事故提供重大帮助.影响船舶交通流量的因素多且复杂，宏观上主要包括水域所在的自然环境、航运市场状况、世界经济和国家政策等，微观上主要包括港口规划、航道水深及尺度、分道通航制、交通管理的实施、船舶类型及吨位等，而且各种因素的作用机制很难用准确的数学语言描述，因此对船舶交通流量的预测是一个复杂的非线性系统问题.目前，常用的预测船舶交通流量的方法主要有灰色模型、线性回归分析[1]、神经网络[2]、极大似然估计、组合预测模型[3]、支持向量机[4]等，但这些单一的预测方法都有一定的局限性，预测误差较大，难以满足预测要求.灰色系统理论预测模型所需数据量较少，计算方法简单，不需要太多的关联因素，可用于短、中、长期预测；神经网络具有自学习、非线性映射以及并行分布处理的能力.本文将这两种方法相结合，发挥各自优势，避免其局限性，从而提高船舶交通流量预测精度.1预测模型的构建1.1建模原理灰色系统理论是根据部分信息已知、部分信息未知的历史数据，建立一个能够表达信息发展的灰色模型（Grey Model，GM），揭示信息未来发展规律并进行预测.[5] 目前，灰色预测方法在各领域的应用非常广泛，但是该方法缺乏自学习、自组织和自适应能力，处理信息的能力较差，难以对预测误差进行控制.神经网络是一种通过模仿动物神经网络行为特征，对信息进行并行分布处理的算法数学模型.[6]神经网络预测模型具有很强的非线性映射能力，能够对输出误差进行反馈校正，在一定条件下能够任意逼近模型，预测精度非常高，其中以反向传播神经网络（BackPropagation Neural Network，BPNN）的应用最为广泛和成功.[7]然而，这种模型也有缺点，反向传播（BackPropagation，BP）算法是一种梯度搜索算法，网络的权值是沿着局部改善的方向逐渐进行调整的，这样会使算法陷入局部极小值问题，从而导致网络训练失败.本文将灰色系统理论与神经网络相结合，构建灰色神经网络（Grey Neural Network，GNN）模型对船舶交通流量进行预测，充分发挥这两种方法的优势.1.2模型构建2实例及数据分析采用江苏镇江尹公洲断面2012年3月1日—4月10日共41 d的船舶交通流量数据作为实验数据验证模型，设计GM1，GM2，GM3，BPNN模型和GNN模型，应用前31 d的数据作为初始数据，预测后10 d内的船舶交通流量.GM1，GM2和GM3建模所用的时间序列长度分别为10，8和6，为确保预测精度，采用等维递推滚动预测方法[910]，即每次预测一个船舶交通流量后，添加一个新的数据，去掉最早的一个数据，以保持数据序列等维，重新建模预测下一个值，这样依次递补进行预测.BPNN模型采用3×6×1结构，输入层和隐含层的传递函数为Sigmoid型.取前31 d的实测船舶交通流量作为样本训练网络，并对样本进行归一化处理[11]，其值域为[0，1]；将前3个实测值作为输入，第4个实测值作为输出，设计最大学习次数为18 000次，学习速度为0.01，取学习目标误差平方和为0.1.采用GNN模型进行预测时，GM1，GM2和GM3的预测值作为输入值，因此输入神经元个数为3，输出为1.设计最大学习次数为18 000次，学习速度为0.002，取学习目标误差平方和为0.1.设计训练步数为3 000时，训练误差达到1×9-3，为满足预计设计学习精度，取GNN 结构为3×9×1.分别对GM1，GM2，GM3，BPNN模型和GNN模型进行MATLAB仿真，采用后10 d的实测数据预测船舶交通流量，预测结果见表1.从表1可以看出，GNN模型预测值更接近实测值，说明GNN模型优于其他各单一预测模型.将表1中各模型的预测值相对于实测值取平均相对误差（见表3）作为评价指标，对各预测模型进行评价.从表3可以看出：与各单一预测模型比较，GNN模型的平均相对误差均小于其他单一预测模型对应的平均相对误差；最大平均相对误差也均小于其他单一预测模型的最大平均相对误差；特别是在实测值变化幅度较大的第33天和第40天，GNN模型的平均相对误差比其他单一预测模型的平均相对误差要小得多，预测效果明显.对后10 d的预测值取平均相对误差、均方根误差、最大相对误差和最小相对误差（见表4）作为评价指标，评价各预测模型.从表4中可以看出，GNN模型预测结果明显优于各单一预测模型的预测结果，表现为GNN模型的4个评价指标值均小于各单一预测模型的4个评价指标值.GNN模型预测更接近实测值，误差最小，因此GNN模型预测值可以视为水上交通运行状态评价的重要依据.3结论通过采用5个预测模型对江苏镇江尹公洲断面船舶交通流量进行预测，并对其相对误差进行比较，发现GNN模型优于GM1，GM2，GM3和BPNN模型，预测效果明显，体现出GNN 模型的优越性.主要结论：（1）与其他4个单一预测模型比较，GNN模型的预测结果更接近实测值，预测精度更高；（2）GNN模型充分利用GM所需初始数据少、计算方法简单和BPNN 模型非线性强的优点，提高预测精度；（3）GNN模型不仅适用于船舶交通流量预测，还适用于其他领域的预测，应用范围广泛.参考文献：[1]郑友银，徐志京. 基于灰色自回归模型的船舶流量预测方法[J]. 船海工程， 2011， 40（1）： 122124.[2]王东. 基于BP人工神经网络的船舶交通流量预测模型[D]. 武汉：武汉理工大学， 2009.[3]李红喜，付玉慧，张仁初. 港口船舶交通流量预测[J]. 大连海事大学学报， 2009， 35（3）： 4042.[4]冯宏祥，肖英杰，孔凡邨. 基于支持向量机的船舶交通流量预测模型[J]. 中国航海，2011， 34（4）： 6268.[5]傅立. 灰色系统理论及其应用[M]. 北京：科学技术文献出版社， 1992： 3438.[6]王伟. 人工神经网络原理[M]. 北京：北京航空航天大学出版社， 1995： 4755.[7]王凤伟，孔凡邨，廉清云. 基于混合神经网络的多波束图像底质分类[J]. 上海海事大学学报， 2013， 34（4）： 2730.[8]邓聚龙. 灰色系统预测与决策[M]. 武汉：华中理工大学出版社， 1986： 9297.[9]吴志周，范宇杰，马万经. 基于灰色神经网络的点速度预测模型[J]. 西南交通大学学报， 2012， 47（2）： 285290.[10]史德明，李林川，宋建文. 基于灰色预测和神经网络的电力系统负荷预测[J]. 电网技术， 2001， 25（12）： 1417.[11]陈淑燕，王炜. 交通量的灰色神经网络预测方法[J]. 东南大学学报， 2004， 34（4）：541544.[12]LEGATES D R， MCCABE G J. Evaluating the use of goodness of fit measures in hydropic and hydroclimatic model validation[J]. Water Resources， 1999， 35（1）： 233241.（编辑赵勉）。