（计算机应用技术专业论文）广义神经网络的研究及其在交通流预测中的应用.pdf

大连理工大学硕士学位论文 摘要 作为智能交通系统的重要研究方面，交通流诱导系统是目前公认的提高交通效率和 机动性的最佳途径。交通流诱导系统的实质是向出行者提供实时准确的交通信息。交通 流量是城市道路交通状况的一种重要信息，因此交通流量预测具有重要的现实意义。由 于影响交通流量的因素众多，这就给交通流量预测，尤其是短时的交通流量预测带来了 困难。 神经网络技术由于其较好的适应性，已经成为信息预钡5 的常用模型。本文在传统神 经网络的基础上，利用线性独立函数和带有可调参数的s i g m o i d 函数构造了一种新的智 能神经元模型，分析表明，这种智能神经元有较高的信息存储能力，使神经网络的信息 处理能力大大增强。同时为了缩小神经网络输入模式的规模，本文利用相关性理论分析 相邻路段不同时段流量的相关性，选择与被预测路段相关性大的路段流量作为神经网络 输入，建立了基于广义神经网络的交通流量预测模型。实验结果表明，本文设计的广义 神经网络模型的收敛速度和预测精度较传统b p 神经网络大大提高。 神经网络计算具有内在的并行性，并行处理方法是减少神经网络学习时间的有效方 法，为了进一步加快神经网络的学习速度，本文设计了一种基于训练集分解的广义神经 网络并行学习算法，采用一种新的任务问的通信策略，减少了算法执行过程中的通信 量，本文在机群环境下对该算法进行了测试，实验结果表明，该并行算法在加快神经网 络的学习速度方面是很有效的。同时本文实现了网格环境下的广义神经网络的并行学习 算法。 关键词：智能神经元；广义神经网络；交通流量预测；并行计算；网格计算 广义神经网络的研究及其在交通流预测中的应用 r e s e a r c ho fg e n e r a l i z e dn e u r a ln e t w o r ka n di t sa p p l i c a t i o ni n t r a f f i cf l o w f o r e c a s t i n g a b s t r a c t a sa ni m p o r t a n ta s p e c to f i n t e l l i g e mt r a n s p o r t a t i o ns y s t e m sor s ) ，t r i gf l o wg u i d a n c e i sc o n s i d e r e da sa no p t i m u m w a y t oi m p r o v et r r f 并ce f f i c i e n c ya n dm o b i l i t y t h ee s s e n t i a lo f t h e t r a f f i cf l o wg u i d a n c es y s t e m s ( t f g s ) a r es u p p l i n gr e a l - t i m ee x a c t 蛐ci n f o r m a t i o n t r a f f i cf l o wi si m p o r t a n ti n f o r m a t i o ni nu r b a nt r a f f i c ，s ot r a f f i cf l o wf o r e c a s t i n gh a si m p o r t a n t s i g n i f i c a n c e t h e r ea r em a n y f a c t o r st h a tc a r li n f l u e n c et h et r a f i c i cf l o w ，a l lo f t h e s er e s u l t si nt h e d i f f i c u l t i e so f r e a l - t i m ew a f f i cf l o w f o r e c a s t i n g o w i n gt o t h eg o o da d a p t a b i l i t y ，n e u r a ln e t w o r kh a sb e c o m eac o m m o nm o d e lf o r i n f o r m a t i o nf o r e c a s t i n g b a s e do nt r a d i t i o n a ln e u r a ln e t w o r k , t h i sp a p e rp r e s e n t sai n t e u i g e n t n e u r o nm o d e l ，w h i c hi sc o m p o s e do f l i n e a r l yi n d e p e n d e mf u n c t i o n sa n ds i g m o i df u n c t i o nw i t h a d j u s t a b l ep a r a m e t e r s i t i sp r o v e dt h a tt h ei n f o r m a t i o ns t o r a g ea b i l i t yo ft h i si n t e f i i g e mn e u r o n i s g r e a t l yi m p m v e dc o m p a r e d w i t ht r a d i t i o n a l o n e s ，c o n s e q u e n t l yg r e a t l yi m p r o v e s t h e i n f o r m a t i o np r o c e s s i n ga b i l i t yo f t h ew h o l en e u r a ln e t w o r k m e a n w h i l e ，i no r d e rt or e d u c et h e s i z eo ft h en e u r a ln e t w o r k si n p u t , t h i sp a p e ru s e st h ec o r r e l a t i o nt h e o r yt oa n a l y z et h e c o r r e l a t i o nb e t w e e nn e i g h b o rr o a ds e c t i o i l s ，a n dc h o o s et h et r a 伍cf l o wo fd i f f e r e n tr o a d s e c t i o n s ，w h i c hh a ss t r o n g c o r r e l a t i o nw i t ht h eb e i n g f o r e c a s t i n go n e a sn e u r a ln e t w o r k s i n p u t s ， a n de s t a b l i s ht h et r a f f i cf l o wm o d e lb a s e do ng e n e r a l i z e dn e u r a ln e t w o r k e x p e r i m e n tr e s u l t s s h o wt h a t , t h eg e n e r a l i z e dn e u r a ln e t w o r kc o n v e r g e sf a s t e rt h a nt r a d i t i o n a lb pn e u r a ln e t w o r k , a n dm e e t p r a c t i c a lr e q u i r e m e n t s w e l l i no r d e rt og r e a t l yi m p r o v e dt h ec o n v e r g es p e e do fg e n e r a l i z en e u r a ln e t w o r k ，t h i sp a p e r d e s i g n sap a r a l l e lt r a i r f i n ga l g o r i t h m ，w h i c h i sb a s e do n t r a i n i n gs e td e c o m p o s i t i o n t h i sp a r a l l e l t r a i n i n ga l g o r i t h m u s e s an e wc o m m u n i c a t i o np r o f i l e t h i s p r o f i l eg r e a t l y r e d u c e st h e c o m m u n i c a t i o nc o s to ft h ep a r a l l e l a l g o r i t h m e x p e r i m e n tr e s u l t s s h o wt h a t ，t h i s p a r a l l e l t r a i n i n ga l g o r i t h m i se f f e c t i v ef o rr e d u c i n gt h et r a i n i n gt i m eo f g e n e r a l i z e dn e u r a ln e t w o r k k e yw o r d s ：i n t e l l i g e n tn e u r o n ；g e n e r a l i z e d n e u r a l n e t w o r k ；t r a f f i cf l o wf o r e c a s t i n g ； p a r a l l e lc o m p u t i n g ；g r i dc o m p u t e r i n g 独创性说明 作者郑重声明：本硕士学位论文是我个人在导师指导下进行的研究 工作及取得研究成果。尽我所知，除了文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得 大连理工大学或其他单位的学位或证书所使用过的材料。与我一同工作 的同志对本研究所做的贡献均已在论文中做了明确的说明并表示了谢 意。 - 7 作者签名：丝塾! ! 日期： 7 一f ，；，o 大连理工大学硕士学位论文 1 引言 1 1 选题背景和研究意义 交通运输业的发展水平是国家兴旺发达的重要标志之一。交通运输业的高速发展， 一方面促进了物资交流和人们的往来，大大的缩短了出行时间，提高了工作效率；另一 方面也带来了许多弊端，特别是汽车交通运输。近半个世纪以来，交通拥挤、道路阻塞 和交通事故频繁发生正越来越严重的困扰着世界各国的大城市。为了提高运输网络的使 用效率，解决交通拥挤和交通安全问题，世界各国纷纷开展了智能交通系统的研究工作 1 a 智能交通系统( i t s ) 是在关键基础理论模型研究的前提下，把先进的信息技术、 数据通信技术、电子控制技术及计算机处理技术等有效的综合运用于地面交通管理体 系，从而建立起一种大范围、全方位发挥作用，并实时、准确、高效的交通运输管理系 统。智能交通系统是目前国际公认的解决城市以及高速公路交通拥挤、改善行车安全、 提高运行效率、减少空气污染的最佳途径。 作为智能交通系统( i t s ) 的重要研究方面，交通流诱导系统是目前公认的提高交 通效率和机动性的最佳途径。交通流诱导以交通流预测和实时动态交通分配为基础。交 通流诱导系统的实质是向出行者提供实时准确的交通信息，以便使出行者做出正确的出 行选择。路段上的交通流量是城市道路交通状况的一种重要信息，因此交通流量预测倍 受研究者重视。现代交通管理系统的一项重要功能是进行交通控制，即利用可变信息对 车辆进行诱导实现对交通流的动态分配。实现这些控制系统需要对现实交通状况有即时 的了解，因此需要在道路上安装大量先进的车辆监测器来收集交通信息，并对这些数据 收集处理产生新的数据信息，这就要求交通分析模型能够对交通状况进行分析并做出一 定的交通预测。交通流量预测是交通分析的主要功能之一，它能为实时自适应信号控制 系统和动态交通分配系统提供流量预测信息。交通流量预测结果的好坏直接关系到交通 控制与诱导的效果。因此，研究城市路网中路段上的短时的交通流量预测具有重要的现 实意义。 道路交通系统是一个有人参与的、时变的、复杂的非线性大系统，其显著特点之一 就是具有高度的不确定性，这种不确定性给交通流量预测尤其是短时交通流量预测带来 了很大的困难。同时，由于城市路网中相邻路段间的相互影响，使进行流量预测时所须 考虑的因素增加，直接造成了交通流量预测的计算量的增大，当路网规模增大或者需要 3 广义神经网络的研究及其在交通流预测中的应用 预测的路段增多时，求解更加复杂，所需的计算时间已经达到人们难以容忍的地步。并 行计算为求解大规模计算问题提供了个有效的途径。然而专用的高性能并行计算机价 格昂贵，因此，网络并行计算成为国际上并行计算环境的一个重要方向。网络并行，就 是通过高速信息网络，充分利用网上的计算机资源，实现大型问题的并行计算。网络并 行计算具有投资少，见效快，灵活性强等有点。集群计算已被认为是未来解决大型科学 或商业计算的主流方案。使用集群建立原型、调试、运行并行程序越来越成为代替专 用、特别是昂贵并行计算机平台的发展趋势。现代p c 机的性能不断大幅度的提高，价 格大幅度下降，其性能价格比已经优于工作站。同时，网络上约有9 5 左右的计算机处 于空闲状态，因此开发p c 机上的并行计算环境，利用网络上空闲的计算机进行分布式 并行算法的研究是非常有实际意义的。 1 2 研究现状 在交通规划、交通控制、道路与交通工程设施设计等都在广泛地应用着交通流理 论。按照研究手段和方法，交通流理论可划分为两类：( 1 ) 传统交通流理论。所谓的传 统交通流理论是指以数理统计和微积分等传统数学和物理方法为基础的交通流理论。其 明显特点是交通流模型的限制条件比较苛刻，模型推导过程比较严谨，模型物理意义明 确。如交通流分布的统计特性模型、车辆跟驰模型、交通波模型、车辆排队模型等。( 2 ) 现代交通流理论。现代交通流理论是指以现代科学技术和方法( 如模拟技术、神经网 络、模糊控制等) 为主要研究手段而形成的交通流理论。其特点是所采用的模型和方法 不追求严格意义上的数学推导和明确的物理意义，而更重视模型或方法对真实交通流的 拟合效果。这类模型主要用于对复杂交通流现象的模拟、解释和预测，而使用传统交通 流理论要达到这些目的就显得很困难。 交通流诱导系统的实质是向出行者提供实时的交通信息，以便使出行者做出正确的 出行选择，交通流量是城市交通状态的一种重要信息，因此，交通流量的预测倍受研究 者重视。已有的交通流量预测研究可以分为三类：基于历史数据的迭代方法、时间序列 法和模拟 2 。 众所周知，道路交通系统是一个有人参与的、时变的、复杂的非线性大系统，其显 著特点之一就是具有高度的不确定性，这种不确定性不但有来自自然界方面的原因( 如 季节和气候因素等) ，也有来自人为因素的原因( 如交通事故、突发事件、司机的心理 状态等) ，其中后者更加难以估计，这些都给交通流量的预测尤其是短时交通流量的预 测带来了困难。 4 大连理工大学硕士学位论文 出于交通实时控制系统的需要，人们在六、七十年代开始把在其他领域应用成熟的 预测模型用于交通流量预测领域，较早期的方法主要有自回归滑动平均模型( a r m a ) 、 自回归模型( a r ) 、滑动平均模型( m a ) 和历史平均模型( h a ) 等等，这些线性预测模 型考虑的因素都较为简单，参数一般都用最小二乘法( l s ) 在线估计，具有计算简便， 易于实时更新数据，便于大规模应用的特点。但是，由于这些模型未能反映交通流过程 的不确定性与非线性，无法克服随机干扰因素对交通流量的影响，随着预测时间间隔的 缩短，这些模型的预测精度就会变的很差。为了适应短时交通流量变化的非线性特点， 一种改良的具有变型参数 的回归分析模型( 又称b o x - c o x 法) 被应用到了此领域中来， 该模型由于增强了回归分析对非线性系统的适应能力，所以对短时交通流量的预测效果 有所改善，但并未从根本上解决问题 3 。 随着交通流量预测理论研究的深入，人们又提出了一批更复杂的、精度更高的预测 方法。从表现形式上分，可将它们分成基于确定的数学模型的方法和无模型算法两大 类。前者包括多元回归模型、a r i m a 模型、自适应权重联合模型、k a l m a n 滤波模型、基 准函数一指数平滑模型、u t c s 一2 ( 3 ) 模型以及由这些模型构成的各种组合预测模型等； 后者则包括非参数回归、k a r i m a 算法、谱分析法、状态空间重构模型、小波网络、基 于多维分形的方法、基于小波分解与重构的方法和多种与神经网络相关的复合预测模型 等 3 2 6 2 8 。文献c 2 7 给出了一种基于马尔可夫链的交通流预测方法。文献 2 9 给 出了一种基于数据挖掘的交通流预测方法，取得了较好的效果。文献e 3 0 给出了一种基 于仿真的预测方法。近几年来，人们将模糊数学与其他一些模型相结合，构造了一些交 通流量预测算法，取得了一定的效果。 近几年的研究表明，在信息预测方面，人工神经网络优于k a l m a n 滤波、m a 以及 a r i m a 等模型 4 。人工神经网络是旨在模拟人脑结构及其功能的种新型处理系统， 它是由大量简单的称之为神经元的处理单元以某种拓扑结构广泛的相互连接而构成的非 线性动力学系统。到目前为止，研究者们提出了不少种类的神经网络，按其学习方式可 分为有导师学习网络和无导师学习网络：按网络的拓扑结构可以分为分层结构网络和相 互连接结构网络。经历了5 0 余年发展的神经网络，其应用已渗透到智能控制、模式识 别、计算机视觉、图像处理、信号处理、系统识别、及非线性组合优化等各个领域。 目前，神经网络模型是进行信息预测的常用模型。然而在传统神经网络中，神经元 的结构和功能较单一，神经元内部采用固定的转移函数，因此神经元只具有信息处理能 力而不具有信息存储能力，从而造成整个网络的信息存储能力有限，使其存在寻优速度 慢、实时性差、推广能力低等缺点，对于规模稍大，精度要求稍高的问题，传统神经网 5 广义神经网络的研究及其在交通流预测中的应用 络很难收敛。为了克服传统神经网络的缺点，d o n g j o op a r k 等人用输入层扩展的b p 神 经网络建立交通流预测模型 5 ，扩展输入层实质是增加了输入层与隐含层的连接权的 数目，从而提高神经网络的信息存储能力。为了进一步提高神经网络的信息存储能力， 有关学者提出了广义神经网络理论。广义神经网络的神经元不仅可以是传统神经网络中 的简单神经元，还可以是具有信息存储能力的智能神经元，以及由一个神经网络抽象成 的( 多输入多输出) 神经元 6 。所谓智能神经元就是具有信息存储能力，并可以通过 一定的学习规则在一类或几类函数中调整其处理函数的神经元 6 。本文在进一步研究广 义神经网络处理函数的基础上，建立起一种新的智能神经元模型，用这种智能神经元构 建起广义神经网络模型，建立了交通流预测模型，取得较好效果e 3 4 3 5 。 在实际的交通流预测中，由于被预测路段与其相邻的路段之间的相互影响，这就使 整个神经网络的输入模式规模大大增加 7 ，因此整个网络的学习时间也大大增加，难 以满足实际问题的需要。为了克服上述缺点，相关学者对神经网络的结构和学习算法进 行了大量的研究。神经网络的结构是并行的，其处理顺序也是并行的，大规模并行处理 是神经网络计算的主要特征 2 5 。并行处理方法已经被证明是减少网络学习时间的有效 方法 8 9 1 0 。神经网络的并行学习方法可以分为两大类：节点并行和数据并行 1 1 。从神经网络的结构上分，神经网络的并行学习方法可以分为五个级别：网络级、 训练集级、层级、神经元级和突触级 1 2 。 神经网络的并行性的改进主要可以分为三类：训练集分解( 范围分解) 、按层分解 ( 功能分解) 、按神经元分解( 功能分解) 。在此基础上，相关学者提出了许多神经网 络的并行学习算法，来加快神经网络的收敛速度。 文献 1 0 给出了一种将搜索空间分割的b p 神经网络并行算法，将权值的搜索空间 分成若干个子空问，扩大了算法的寻优空间，有效的克服了神经网络学习过程中易陷入 局部极小的缺点，同时将这种方法用于模式识别，取得了良好的效果。文献 1 3 将并行 神经网络用于短时负载预测，预测效果较其它方法大大提高。文献 2 4 给出了一种训练 集分解的神经网络并行学习算法，该算法使相邻子任务的训练集部分重叠，从而使每个 子任务得到的权值相近，以此减少整个算法的循环次数和通信开销。文献 8 给出的并 行学习算法中，权值的学习采用了优化方法中收敛速度较快的拟牛顿法，进一步加快了 神经网络的学习速度。 并行计算需要高性能的并行计算机，然而由于专用的高性能计算机价格昂贵，因此 一些部门和科研单位纷纷利用p c 集群技术来获得原来只有并行计算机才能提供的超级 计算能力。目前p c 集群计算环境已经得到了很大的发展，基于p v m 或m p i 的高性能计 6 大连理工大学硕士学位论文 算集群不断出现，很多性能已经超过了专用的并行计算机。然而，集群计算技术由于受 到网络范围的限制，且一般单位的能用来做集群的计算机数日有限，而近几年流行的网 格计算技术为我们提供了一条利用网络上空闲的高性能计算机来获得超级计算能力的途 径，本文在传统的p c 集群环境下，设计了一种广义神经网络的并行学习算法，加快了 网络的收敛速度。同时在网格并行环境下做了实验测试，为获得超级计算能力提供了一 个很好的借鉴。 综上所述，神经网络由于较好的适应性和稳定性，已经成为信息预测领域的常用技 术，然而由于在预测之前需要对神经网络进行训练，且随着输入数据规模的增大和预测 精度的提高，神经网络的训练所花费的时间急剧增加，因此，如何加快神经网络的学习 速度成为人们研究的热点，这也是本文的研究重点。 1 3 本文的主要工作 针对交通流量预测方法的研究要求，基于已有的研究成果，本文主要做了一下几方 面的工作： ( 1 ) 在对传统的误差逆传播神经网络研究的基础上，采用带有可调参数的s i g m o i d 函数和线性独立函数设计了一种新的智能神经元模型，由该模型构建起了广义神经网络 模型用于交通流量预测。 ( 2 ) 分析了城市路网中相关路段不同时段交通流量之间的相关性，选择与被预测路 段相关性强的相关路段的交通流泪数据作为神经网络的输入，构建起基于广义神经网络 的交通流量预测模型。 ( 3 ) 用大连市实际的交通流量数据对广义神经网络模型的预测效果进行验证，并和 传统b p 神经网络在收敛速度和预澳i 精度方面做了对比。 ( 4 ) 在研究神经网络并行性的基础上，给出了一种广义神经网络的基于训练集分解 的并行学习算法，设计了一种节点间的通信策略，用于并行学习算法执行过程中并行节 点间的通信，加快了神经网络的收敛速度，同时搭建了一个p c 集群并行计算环境，进 行算法的测试。 ( 5 ) 在网格环境下实现了广义神经网络的并行学习算法。 1 4 本文的组织结构 本文余下部分的组织结构如下 7 广义神经网络的研究及其在交通流预测中的应用 第二章基于广义神经网络的交通流量预测。主要介绍了传统误差逆传播神经网络 的基本理论，在此基础上，提出了一种新的的智能神经元模型以及由此智能神经元构建 的广义神经网络，根据相关性理论分析路段间的相关性，建立了基于广义神经网络的城 市路网交通预测模型，最后给出了实验结果。 第三章并行计算的基本理论。主要介绍了并行计算的基本概念，并行算法的一般 概念及p c 集群并行计算。 第四章广义神经网络的并行学习算法。主要介绍了神经网络的并行性，在此基础 上，设计了一种广义神经网络的并行学习算法，算法中采用一种新的通信测量进行并行 节点间的信息交互，同时分析了该算法的优缺点，最后在机群环境下对该并行算法进行 实验测试。 第五章网格环境下广义神经网络的并行学习。给出了广义神经网络并行学习算法 在网格环境下的实现，并做了实验蓼0 0 试。 最后给出本文的结论以及对下一步工作的展望。 8 大连理丁大学硕士学位论文 2 基于广义神经网络的交通流量预测 作为智能交通系统( i t s ) 的重要研究方面，交通流诱导是目前公认的提高交通效率 和机动性的最佳途径。交通诱导的前提是实时准确的交通流量预测，相关学者已经给出 了许多短时交通流预测方法。目前，常用的交通流预测方法大致可以分为两大类：基于 确定的数学模型的方法和无模型算法 3 。但是，由于城市道路交通流量具有高度的时 变性和非线性的特点，很难给出比较精确的解析表达式，这就给许多方法带来了收敛速 度慢、精度低、适应性差、受随机干扰要素影响大的缺点，难以满足城市交通诱导系统 的需求。 人工神经网络由于适应性和稳定性较好。不需要给出精确的解析表达式，预测精度 较高，已经被广泛用于信息预测领域。人工神经网络是旨在模拟人脑结构及其功能的一 种新型处理系统，它是由大量简单的称之为神经元的处理单元以某种拓扑结构广泛的相 互连接而构成的非线性动力学系统。自1 9 6 3 年心理学家w s m c u o c h 和数学家m p i g s 合作提出形式神经元的数学模型( 称为m p 模型) 之后，研究者们提出了不少种类的神 经网络，按其学习方式可分为有导师学习网络和无导师学习网络；按网络的拓扑结构可 以分为分层结构网络和相互连接结构网络。分层结构的网络具有明显的层次，信息的流 向由输入层到输出层，由此构成一大类网络，即前向网络。对于相互连接结构的网络， 没有明显的层次，任意两个处理单元都是可达的，具有输出单元到隐层单元( 或输入单 元) 的连接，这样就形成另一类网络反馈网络。目前常见的有十几种神经网络模 型。进入9 0 年代后，神经网络在交通运输系统中已得到较广泛的应用，涉及的领域有 汽车驾驶员行为的模拟、参数估计、车辆检测与分类、交通预测、交通控制等等。神经 网络是种新兴的数学建模方法，它具有识别复杂非线性系统的特性，比较适合于交通 流量和行程时删的预测。在常见的神经网络模型中，误差逆传播( b a c kp r o p a g a t i o n n e u r a ln e t w o r k ) 神经网络常被用来进行预测、模式分类、映射、特征抽取等。 近几年的研究表明，在信息预测方面，人工神经网络优于卡尔曼滤波、m a 、 a r i m a 等模型 4 】。然而，在传统神经网络中，神经元的结构和功能较单一，神经元内 部采用固定的转移函数，因此神经元只具有信息处理能力而不具有信息存储能力，从而 造成整个网络的信息存储能力有限，对于规模稍大的学习问题，传统神经网络很难收 敛。为了解决以上缺点，相关学者对神经网络的结构和学习算法进行了大量的研究。为 了增加了网络的信息存储能力，d o n g j o op a r k 等人用输入层扩展的b p 神经网络建立交 通流预测模 1 】，扩展输入层实质是增加了输入层与隐含层的连接权的数目。为了提高神 9 广义神经网络的研究及其在交通流预测中的应用 经网络信息存储能力，有关学者提出了广义神经网络理论。广义神经网络的神经元不仅 可以是传统神经网络中的简单神经元，还可以是具有信息存储能力的智能神经元，以及 由一个神经网络抽象成的( 多输入多输出) 神经元。传统智能神经元是以抽样函数为 基础构建的。本章在传统b p 神经网络的基础上，采用线性独立函数和带有可调参数的 s i g m o i d 函数构造了一种新型的智能神经元，由这种神经元组成的广义神经网络较传统 神经网络在收敛速度、预测精度等方面有很大的提高。 在进行交通流量预测时，被预测路段的交通流量与本路段及相邻路段前几时段的交 通流量有着必然的联系。由于不同道路交通状况的差异，不能简单的选取相关路段前几 个连续时段的交通流量作为神经网络输入。在交通流预测中，选择与预测时段相关性强 的不同路段、不同时段的交通流信息作为神经网络输入，对于提高预测精度是有必要的 【1 4 。我们采用相关性理论判断路段间的相关性，选择与被预测路段相关性强的路段的 流量数据作为神经网络的输入，建立了基于广义神经网络的交通流量预测模型。本章从 传统神经网络的基本理论开始，逐步介绍由智能神经元构建的广义神经网络模型，然后 介绍基于广义神经网络的交通流量预测模型，最后给出事例分析。 2 1 误差逆传播神经网络的基本原理 2 1 1 误差逆传播神经网络的结构和学习过程 神经网络是一个由一些高度相关的处理单元所组成的计算系统 3 1 3 2 】。它是由一 下单元组成( 如图2 1 所示) ： x 输入泌隐禽艇输m 摇 图2 1 误差逆传播神经网络结构 f i g 2 1s t r u c t u r eo f b p n e u r a ln e t w o r k 1 0 、 大连理工大学硕士学位论文 1 ) 处理单元( 神经元) ：处理单元是神经网络的基本组成部分，输入层的处理单 元只是将输入值转入相邻的连接权值，隐含层和输出层的处理单元将它们的输入值求和 并根据转移函数计算输出值。2 ) 连接权值：连接权值是将神经网络中的处理单元联系 起来，其值是随各处理单元的连接程度而变化。3 ) 层：神经网络一般具有输入层、隐 含层和输出层。4 ) 阈值：阈值可使网络能更自由的获取所要描述的函数关系，其值可 为恒值或可变值。5 ) 转移函数：转移函数通常为非线性函数，它是将输入的数据转化 为输出的处理单元。 误差逆传播( b p ) 神经网络是一种具有三层或三层以上的阶层型神经网络，如图 1 1 所示，上下层各神经元实行全连接，即下层的每一个神经元与上层的每一个神经元 都实现权连接，而同一层的神经元之间无连接，最基本的b p 神经网络是三层前馈网 络，即输入层、隐含层和输出层。 b p 神经网络的学习过程是由模式的正向传播和误差的反向传播所组成。在正向传 播过程中，输入信息经隐含层处理单元逐层处理并传向输出层，如果输出层不能得到所 期望的输出，则转入反向传播过程，将实际值与网络输出之间的误差沿原来的连接通路 返回，通过修改各层神经元的连接权值使误差减少。然后再转入正向传播过程，如此反 复计算，直至误差小于设定值为止。 经过训练的神经网络提取了蕴藏再样本中的非线性映射关系，并以权值的分布形式 贮存起来。在运行阶段，当向神经网络输入非样本时，它便能完成从输入的行维空间到 输出的m 维空间的任意非线性映射，从而正确描述无法用数学关系来描述的规律。 2 1 2b p 神经网络的学习算法 设置为输入向量，x i = ( ，x 2 ，x 。) k = 1 , 2 ，m ； 式中，x 为与所要预测的交通流量相关的向量，如相关路段的交通流量、前几个时 段的交通流量，天气因素等。m 为学习模式对，? 为输入层单元个数。对应输入模式的 输出向量为，耳= ( 乃，y ：，y 。) ，q 为输出层单元个数。 隐含层各单元的输入为： s ，= 一一日 ，= l ，2 ，p f ；l ( 2 1 ) 广义神经网络的研究及其在交通流预测中的应用 式2 1 中，国，为输入层至隐含层的连接权值，q 为隐含层单元的阈值，p 为隐含 层单元的个数。转移函数采用s i g m o i d 函数j r ( x ) = 1 ( 1 - i - e - x ) ，则隐含层单元的输出值 为： 6 ，= 1 + e x p ( 一善n 叩。+ 刚 同理，输出层单元的输入、输出值分别为： l ，= c = v j t b j y f 1 + e x p ( 一v p b ，+ 一) 】 j = l ( 2 2 ) ( 2 3 ) 式2 3 中，v 。为隐含层到输出层的连接权值，一为输出层单元的阈值。 在误差反向传播过程中，首先要进行误差计算，设第k 个学习模式对期望输出与实 际输出的误差为： 毛= z ( y f c ? ) 2 2 ( 2 4 ) m目 则全局总误差为e = ( y ? 一 g 2 。为使邑不断按梯度原理减少，a v ，应与 女= tt = l 兰的负值成正比，即： 却，7 v ：一口堕 ” 却，r 堕：丝笪 钒 te c l 执 l 等叫y ；一c a c “。 1 2 ( 2 5 ) ( 2 6 ) ( 2 7 ) 。一 人连理工大学硕士学位论