小波神经网络在短时交通流量预测中的应用.pdf

1 6 6 2 0 2 4年1期2 0 2 4年第4 6卷第1期小波神经网络在短时交通流量预测中的应用张瑞华 黄文学基金项目:“通信原理”虚拟仿真实验教学应用研究(2 0 1 9 0 1 2);基于移动学习的计算机实践课程“翻转课堂”教学模式实践研究(2 0 1 9 0 6 7)作者简介:张瑞华(1 9 8 0-),博士,讲师,研究方向为信号与信息处理。(江汉大学人工智能学院 武汉4 3 0 0 0 0)摘 要 随着交通基础设施建设和智能运输系统的发展,交通规划和交通诱导成为交通领域的研究热点,对交通规划和交通诱导而言,准确的交通流量预测是其实现的前提和关键。短时交通流量预测是一个时间序列预测问题,文中应用小波神经网络对短时交通流量进行了预测。首先,对神经网络、小波分析等相关理论进行了简要介绍。在此基础上,采用5-7-1小波神经网络结构,以M o r l e t小波基函数作为隐含层节点的传递函数,将车流量数据输入该模型中,以训练小波神经网络,并用训练好的神经网络来预测短时交通流量。从预测结果来看,小波神经网络的预测结果较为准确,网络预测值接近期望值,效果较好。关键词:交通流量预测;小波神经网络;激活函数中图分类号 T N 3 9 1.9A p p l i c a t i o no fW a v e l e tN e u r a lN e t w o r k i nS h o r t-t e r mT r a f f i cF l o wP r e d i c t i o nZ HAN GR u i h u aa n dHUAN G W e n x u e(S c h o o l o fP h y s i c sa n dI n f o r m a t i o nE n g i n e e r i n g,J i a n g h a nU n i v e r s i t y,W u h a n4 3 0 0 0 0,C h i n a)A b s t r a c t W i t ht h ed e v e l o p m e n to f t r a f f i c i n f r a s t r u c t u r eb u i l d i n ga n di n t e l l i g e n t t r a n s p o r t a t i o ns y s t e m,t r a f f i cp l a n n i n ga n dt r a f f i cg u i d a n c eh a sb e c o m ea r e s e a r c hh o t s p o t i nt h e f i e l do f t r a n s p o r t a t i o n.F o r t r a f f i cp l a n n i n ga n d t r a f f i cg u i d a n c e,a c c u r a t e t r a f f i c f l o wp r e d i c t i o n i s t h ep r e m i s ea n dk e yt o i t s r e a l i z a t i o n.S h o r t-t e r mt r a f f i c f l o wp r e d i c t i o n i sat i m es e r i e sf o r e c a s t i n gp r o b l e m.T h i sp a p e ra p p l i e sw a v e l e tn e u r a ln e t w o r k st op r e d i c ts h o r t-t e r mt r a f f i cf l o w.F i r s t,t h er e l e v a n tt h e o r i e ss u c ha sn e u r a l n e t w o r k s a n dw a v e l e t a n a l y s i s a r eb r i e f l y i n t r o d u c e d.O n t h i sb a s i s,a 5-7-1w a v e l e t n e u r a l n e t w o r ki su s e d,w i t ht h eM o r l e tw a v e l e t b a s i s f u n c t i o na s t h e t r a n s f e r f u n c t i o no f t h eh i d d e n l a y e r n o d e s.T r a f f i c f l o wd a t a i s i n p u ti n t ot h em o d e l t ot r a i nt h ew a v e l e tn e u r a ln e t w o r k s,a n dt h et r a i n e dn e u r a ln e t w o r ki su s e dt op r e d i c ts h o r t-t e r mt r a f f i cf l o w.F r o mt h ep r e d i c t i o n r e s u l t s,t h ep r e d i c t i o n r e s u l t s o fw a v e l e t n e u r a l n e t w o r k s a r e r e l a t i v e l ya c c u r a t e,a n d t h ep r e d i c-t e dv a l u eo f t h en e t w o r k i sc l o s e t ot h ee x p e c t e dv a l u e,a n dt h ee f f e c t i sg o o d.K e y w o r d s T r a f f i c-f l o wp r e d i c t i o n,W a v e l e tn e u r a l n e t w o r k,A c t i v a t i o nf u n c t i o n0 引言短时交通流量预测是道路交通管理与控制中的一项重要技术。近十年来,国内外学者已提出了近2 0 0种短时交通流量预测方法。早年多以历史均值、时序、线性回归等单一线性模型为主,以最小二乘法为基础进行参数估计1。虽然这种方法计算简便,但未体现出短时交通流量的非线性、不确定特性,预测精度较差。近年来,自回归滑动均值模型、N N算法、非参数回归模型2以及其他更加成熟和准确的预测模型相继出现。目前,预测模型的研究主要集中在3个方面。(1)基于传统的数理统计模型,如回归、神经网络等。(2)基于非线性理论模型,如模糊数学、灰色系统、分形理论等。(3)基于智能预测模型,如蚁群算法、遗传算法等3-4。本文建立了基于小波神经网络的短时交通流量预测模型。首先,介绍了神经网络和小波理论的相关概念。其次,划分了小波神经网络的结构、功能和层级,确定了每个层级中的神经元数目,并对激发函数和学习方法的选择进行了研究。最后,用训练好的神经网络来预测短时交通流量,并对预测结果进行了分析。1 小波神经网络预测模型小波神经网络是一种以B P神经网络拓扑结构为基础,以小波基函数为隐含层节点传递函数的前馈型网络模型5。对于非稳定的车流数据,小波神经网络有着不错的效果,这离不开它较好的伸缩性能和局部时频特点。目前,小波神经网络的建模方法有两种,一种是宽松的,2 0 2 4年1期1 6 7 另一种是紧密的。本文采用紧密型,其拓扑结构如图1所示。实验数据来源于华盛顿西雅图某高速公路的车流量,该数据集由每隔5m i n记录一次的路口短时交通流量构成,可利用小波神经网络去推测下一时刻该路口的车流量。图1 紧密型小波神经网络的拓扑结构图1中,xi是输入信号,wi j是输入层i节点和隐含层j节点的连接权值,wj k是隐含层j节点和输出层k节点的连接权值,yi是输出信号。将M o r l e t函数作为小波基函数。M o r l e t函数具有良好的对称性和时频定位性,同时具有计算上的相对稳定性以及试验上的良好抗干扰性,被广泛用于交通流量预测6。利用梯度下降法校正小波神经网络的各个参数,从而使网络的预测结果与预期结果尽量保持一致,直至满足预定的准确度7,修正过程如下:(1)计算网络误差,如式(1)所示:e=mk=1yn(k)-y(k)(1)其中,yn(k)和y(k)分别是期望目标值和预测目标值。(2)基于误差e修正小波神经网络的权值和小波基函数系数8-9,如式(2)式(4)所示:wi+1n,k=win,k+wi+1n,k(2)ai+1k=aik+ai+1k(3)bi+1k=bik+bi+1k(4)其中,wi+1n,k,ai+1k,bi+1k是根据网络预测误差e,由梯度下降法计算得到的,如式(5)式(7)所示:wi+1n,k=-ewin,k(5)ai+1k=-eaik(6)bi+1k=-ebik(7)2 预测模型和评价指标本文使用华盛顿州西雅图某高速公路路口的交通流量数据集来训练模型,并预测下一时刻的相关数据。在训练模型的过程中,以4天内某路口的交通流量为数据集,间隔5 m i n采集经过该路口的交通流量,共采集了1 1 5 2个时间点数据,并用前3天的8 6 4个训练数据去预测第4天的2 8 8个时间点车流量。采用5-7-1结构的小波神经网络,其中输入层神经元5个,对应连续5个时间点数据;隐含层神经元7个;输出层神经元1个,对应预测的交通流量。在训练小波神经网络时,随机初始化输入层和输出层的连接权重、小波函数的伸缩因子和平移因子,学习率l r 1和l r 2为0.0 1 2,伸缩因子和平移因子为0.0 1,训练次数为2 0 0。用训练数据来训练网络,并用训练好的网络来预测短时交通流量,得到预测结果。通过MA P E(平均绝对百分比误差)、MS E(均方误差)、E C(拟合度)和MA E(平均绝对误差)来衡量预测效果,如式(8)式(1 1)所示:MA P E=1NtY p(t)-Yr(t)Yr(t)1 0 0%(8)MS E=t(Y p(t)-Yr(t)2(9)E C=1-t(Y p(t)-Yr(t)2t(Y p(t)2+t(Y r(t)2(1 0)MA E=1NtY p(t)-Yr(t)(1 1)MS E反映了模型的预测结果与实际结果的偏差,较低的MS E代表了较高的预测精度。E C代表在给定的误差范围内,拟合该模型的次数与预测值之间的平均偏差。在理论上,如果拟合值大于0.9,则预测效果较好1 0。3 实验结果与分析在实验仿真中,训练次数为2 0 0,学习速率l r 1和l r 2为0.0 1 2,得到各性能指标值MS E=1 3.2 9,RMS E=1 6.5 3 4 3,E C=0.9 7 0 4 5,MA E=1 1.2 9 7 8,MA P E=0.2 7 1 8。实验结果证明了WNN模型在短期交通流量预测中具有良好的预测效果。图2为车流量与样本序号的关系图。图2 小波神经网络结果(电子版为彩图)其中,横坐标是测试样本编号,共3 6个测试样本,时间共计3 h,一个测试样本时间节点为5 m i n;纵坐标为车流量,即每个时间节点的车辆通过个数。该图展现了模型对交通流时间序列的预测值与真实交通流数据的曲线拟合程度,在大多数情况下,预测值和真实值较为接近。图3为真实车流量与预测车流量之间的差值,单位是辆/5 m i n,除个别预测误差较大外,总体平均误差为1 3.2 9 7 8。移动信息1 6 8 2 0 2 4年1期图3 单个样本预测误差结果图4为预测误差与迭代次数关系图。图4 网络进化过程其中,第1次迭代的误差为0.0 6 5,第2 0次迭代的误差为0.0 0 5,第1 0 0次及以后的迭代误差基本保持不变,约为0.0 0 1。图5为预测值与实际值的关系图。图5 小波神经网络预测效果如果预测值和实际值一致,则这些点就分布在对角线上,散点图基本分布在对角线两边,且贴近对角线,说明预测效果较好。4 结语在公路建设中,交通流量预测是一项非常重要的工作,它不仅是确定公路建设的技术水平、规模和次序的基础,也是对工程进行经济和财政评价的基础。本文使用华盛顿州西雅图高速公路上的交通流数据来训练模型和预测数据,模型采用5-7-1的网络结构,以M o r-l e t小波基函数为隐含层节点的传递函数,可以将车流量数据输入该模型,以训练小波神经网络,并用训练好的神经网络来预测短时交通流量。从预测结果来看,小波神经网络的预测结果较好,网络预测值与期望值较为接近。参考文献1夏英,石栀琦.面向交通流量预测的多头注意力时空卷积图网络模型J.计算机应用研究,2 0 2 3,4 0(3):7 6 6-7 7 0.2陈美霞,梁师嵩,胡佳乔.基于向量自回归模型和小波分析法的列车充电机电流传感器故障检测方法J.城市轨道交通研究,2 0 2 2,2 5(4):1 5 2-1 5 5,1 7 3.3姚洁,邱劲.基于S S A-B P算法的道路交通流 量预 测 研究J.西南大学学报(自然科学版),2 0 2 2,4 4(1 0):1 9 3-2 0 1.4田晟,李嘉.基于GA-t B P模型的城市道路交通量预测J.科学技术与工程,2 0 2 3,2 3(7):2 5 3-2 5 6.5沈括,朱怡帆,孟祥毅,等.基于贝叶斯优化的L S TM高速交通流量预测J.现代计算机,2 0 2 2,2 8(1 1):5 1-5 5.6郑方圆,张光明.基于小波神经网络的飞行到达时刻预测研究J.现代计算机,2 0 2 2,2 8(3):1 3-1 8.7张蓓,姚亚锋,季京晨.基于小波神经网络的地铁基坑地表沉降随机预测J.铁道科学与工程学报,2 0 2 1,1 8(1 1):2 8 9 9-2 9 0 6.8张鹏,唐琴琴.基于小波神经网络对铁路客运量的预测研究J.山西大同大学学报(自然科学版),2 0 2 1,3 7(3):2 9-3 2,1 1 3.9魏娟,游磊,郭阳勇.基于小波神经网络的多楼层疏散模型J.系统仿真学报,2 0 2 2,3 4(2):2 6 9-2 7 7.1 0刘宝,吴宗德,杨金莹.生物智能算法优化小波神经网络研究及其在交通流预测应用J.北京交通大学学报,2 0 2 0,4 4(5):1 7-2 6.移动信息