【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。

图1.1 人工神经网络分类

Fig. 1.1 Classification of artificial neural network

1.2 短时交通流预测

短时交通流量[7]是指在一定时间内经过监测点的车辆的实际数量，是交通流最重要的参数之一。利用已有的交通数据信息，采用人工智能等方法对未来交通流量进行预测的技术，就是对交通流的预测。短时交通流具有不确定性、随机性和时变性、长期相关性、周期性等特点。

当下，在智能交通系统(ITS)领域中，短时交通流预测已处于核心地位，它能够提供实时有效的信息，有助于出行者进行路径选择，节约出行时间，也有助于交通管理者采取合适的交通诱导措施，提高路网的运行效率和安全性，变被动应对为主动管理[8]。

基于神经网络的预测原理，通常是用一部分数据训练模型，即确定网络结构(包括隐含层数、各层节点数、各层连接权值、各层神经元的传递函数)，网路结构确定以后，再用实时数据进行预测。与卡尔曼滤波不同，神经网络可以离线训练，这样就减少了在线预测的计算量[9]。

1.3 短时交通流预测领域神经网络应用概况

自从1993年，Vythoulkas PC[10]首次提出用系统识别和人工神经网络进行城市道路网络交通状态的预测以来，基于神经网络的短期交通流预测的研究也越来越多。

其中，有用单一的一类神经网络模型直接用于交通流预测的，如Rilett L R等[11]，首先使用以谱为基础的神经网络(SNN)直接预测高速路径旅行时间，提出预测路径旅行时间的标准方法是两步过程：路段旅行时间先预测，然后再合成路径旅行时间。如果路段旅行时间不独立，就得不到正确的路径旅行时间，提出的高速路径预测一步方法能自动考虑路段旅行时间之间的关系。该模型用观测数据进行测试，结果表明直接预测方法比其他模型都好；Chen等[12]，用动态神经网络预测公路交通，建立了三种不同的神经网络模型，用包含未知事故的数据进行训练。研究认为，仅用事故数据训练的动态网络表现不好，要用全部混合的数据对网络进行训练。同时还发现，每种神经网络模型都有其优势和局限性，只有不同的神经网络相结合，才能相互补充。

因此，也有了多种神经网络相结合的混合优化模型的研究。Chen等[12]便是描述了混合神经网络的应用和在高速路交通流预测中数据确实的影响。采用自组织映射(SOM),应用两种混合方法把交通分为不同的状态 ,第一种方法包括四种自回归综合移动平均模型(ARIMA),第二种方法使用两种多层感知器模型(MLP)。研究表明ARIMA 模型比神经网络模型对缺失数据更敏感。Ishak S等[13]用多层感知器网络(MLPN)、单元神经网络(Modular Network)、混合主成分分析网络(PCAN)、协适应性类神经模糊推论系统(CANFIS)进行短期交通流预测，并相互结合进行在不同人工神经网络前馈型人工神经网络线性神经元网络非线性变换单元组成的前馈网络（BP）径向基函数网络（PBF）多项式网络（GMDH）反馈式人工神经网络单层反馈网络Elman神经网络细胞神经网络（CNN）自组织竞争人工神经网络其他类型人工神经网络随机网络模型、模糊神经网络等

网络和不同交通条件下的短期交通流预测的比较。研究表明多模型的技术比单一模型方法能提高预测的效果。

接着，为了获得更好的预测效果，神经网络开始和其他领域的先进算法进行结合。如Abdulhai

B等[14]将时间延迟神经网络模型用于高速路短期交通流预测，神经网络的结构用遗传算法进行优化；Lingras P等[15]提出在短期交通流预测的统计方法和神经网络方法中输入参数的选择非常重要, 提出用遗传算法进行输入参数的选择, 即用遗传算法找出历史数据中与下一时段流量非常相关的历史数据；Yin H 等[16]将模糊—神经网络用于城市道路网络交通流量的预测。

本文所介绍的一些神经网络在短时交通流预测中的应用，都是属于将神经网络与其他先进的算法相结合，从而提高神经网络的收敛速度和模型精度。

2 BP神经网络与短时交通流预测

2.1 BP神经网络模型

采用BP算法的多层神经网络模型一般称为BP网络。BP神经网络是由输入层，若干隐层和输出层相互连接构成。连接的结构是，前后相邻层的两节点均相连，非相邻层的节点无任何连接，从输入层开始逐层相互连接，到输出层连接结束。同层节点间亦无任何连接。下图所示为典型的三层BP网络。

输入输入层输出层隐层输出

图2.1 三层BP模型

Fig2.1 Three Layers BP Model

BP神经网络主要是用于解决3层神经网络结构中的隐层单元无法直接计算误差的问题，它将传输层误差以从后向前的方式逐层传递，最终间接的计算出隐层的误差。整个算法分为2个阶段：正向过程和反向过程。其中，正向过程完成将输入信息从输入层经隐层向后逐层传递并计算各单元的输出值，反向过程将输出误差逐层向前传递从而计算出隐层各单元的误差并用此误差修正前层权值。

由于BP网络可应用于函数逼近，适用于对非线性控制函数建模，且网络结构简单，学习解析式明确，实现起来比较容易，因此很多研究采用BP网络进行实现神经网络控制[17]。

但是BP网络也存在着一些问题。比如局部极小值问题；算法收敛速度慢；网络单向传播、无反馈，因而只是一个非线性映射系统；网络隐层节点个数的选取只能根据经验来选取；在训练中，学习新样本有遗忘旧样本的趋势，并且描述每个样本的特征数目也要求相同[18]。

因而，针对这些问题，国内外对BP算法进行了不少的改进。如文献[19]提出让每个权值都对应有其自己的学习率的DBD算法，文献[20]采用Cauchy不等式和线性函数去求最优权值。

2.2 PSO-BP算法

使用PSO算法可以实现对神经网络模型结构和模型参数的优化[21-22]。理论上，3层模型能以任意精度逼近一个连续函数，而PSO优化主要是针对模型参数的优化。PSO-BP算法训练过程如下[23]：

1） 基于BP神经网络结构决定PSO算法的粒子数N，最大迭代次数T，粒子维度D，迭