（计算机应用技术专业论文）短时交通流预测模型及预测方法的研究.pdf

兰奎堑堕盔兰堡主堂垡笙奎! 删 o o o o o o o o o 。o 。- 。_ _ _ - _ - _ _ - - _ _ - _ _ _ _ _ - _ - i - - _ - _ _ - l - i - _ _ _ _ _ _ _ _ _ - _ _ _ - _ _ _ _ - - - _ - - _ - _ _ _ _ - _ - - _ _ _ _ _ _ - - - _ _ _ _ _ _ _ _ _ _ _ - _ _ - _ 一i1 _ t h e s i sf o rm a s t e rd e g r e e ，2 011 s c h o o lc o d e ：l0 2 6 9 s t u d e n tn o ：5 1 0 8 1 2 0 1 0 3 6 eas tchi na n or ma l u n i v e r s i t y t h er e s e a r c ho np r e d i c t i o nm o d e la n d p r e d i c t i o nm e t h o do fs h o r t t e r mt r a f f i cf l o w s c h o o l ： l u o r ： t u t o r ： s t u d e n t ：y a g a o c o m p l e t e di na p r i l ，2 011 华东师范人学硕士学位论文 郑重声明：本人呈交的学位论文短时交通流预测模型及预测方法的研究，是 在华东师范大学攻读硕左博士( 请勾选) 学位期间，在导师的指导下进行的研究工 作及取得的研究成果。除文中已经注明引用的内容外，本论文不包含其他个人已经 发表或撰写过的研究成果。对本文的研究做出重要贡献的个人和集体，均已在文中 作了明确说明并表示谢意。 作者签名：直缝 日期：刃f f 年岁月劣日 短时交通流预测模型及预测方法的研究系本人在华东师范大学攻读学位期 间在导师指导下完成的硕博士( 请勾选) 学位论文，本论文的研究成果归华东师 范大学所有。本人同意华东师范大学根据相关规定保留和使用此学位论文，并向主 管部门和相关机构如国家图书馆、中信所和“知网”送交学位论文的印刷版和电子 版；允许学位论文进入华东师范大学图书馆及数据库被查阅、借阅：同意学校将学 位论文加入全国博士、硕士学位论文共建单位数据库进行检索，将学位论文的标题 和摘要汇编出版，采用影印、缩印或者其它方式合理复制学位论文。 本学位论文属于( 请勾选) ( ) 1 经华东师范大学相关部门审查核定的“内部或“涉密”学位论文幸， 于年月日解密，解密后适用上述授权。 ( 力2 不保密，适用上述授权。 导师签名 本人签名高：缝 如| 年岁月宓同 “涉密”学位论文应是已经华东师范人学学位评定委员会办公室或保密委员会审定过的学位 论文( 需附获批的华东师范人学研究生申请学位论文“涉密”审批表方为有效) ，未经上述 部门审定的学位论文均为公开学位论文。此声明栏不填写的。默认为公开学位论文。均适用上 述授权) 。 华东师范大学硕士学位论文 直壁硕士学位论文答辩委员会成员名单 姓名职称单位备注 张桂戌教授华东师范大学计算机系主席 续晋华副教授华东师范大学计算机系 王荣良副教授华东师范大学计算机系 华东师范大学硕士论文 摘要 本文对短时交通流预测模型及预测方法进行了大量研究，提出了多链路的交 通流预测模型，研究了神经网络及高斯过程回归在交通流预测中的应用，最后利 用图l a s s o 进行的稀疏图模型建立对多链路交通流预测进行了进一步的优化。 短时交通流预测一直是智能交通系统研究中的一个热门话题。传统的预测模 型采用的都是单链路预测模型，即在对一条链路上的未来时刻交通流进行预测 时，使用的仅是该链路上的历史数据，而没有考虑到相邻链路上的交通流量提供 的相关信息。事实上，在整个交通系统中，各条链路之间的交通流量是存在相关 性的，特别足相邻路口，这种相关性体现的更为明显。在本文巾，我们提出了多 链路交通流预测模型，对相邻路口的交通流量进行了相关性考虑。通过大景实验， 我们验证了多链路交通流预测模型的优越性。 神经网络在机器学习中的应用备受熟知，其中，b p ( b a c k - p r o p o g a t i o n ) 神 经网络更是被广泛用于如视觉场景分析、语音识别等多种具体的机器学习领域。 由于具有出色的处理复杂问题的能力和高度的自学习自组织以及自适应能力，神 经网络在机器学习应用中一直表现良好。在本文中，我们以神经网络预测方法为 基础，对单链路交通流预测模型和多链路交通流预测模型进行了大量实验上的比 较，并且结合了多任务学习和单任务学习，共构建出了四组预测模型。通过对实 验结果进行整体和局部上的比较和分析，我们对神经网络在交通流预测中的应用 有了一个更深入更全面的认识。 高斯过程回归是基于贝叶斯理论的经典回归算法，由于具有实现容易、参数 较少以及模型解释性强等特点，在机器学习领域具有广泛的研究。高斯过程是广 义上的高斯概率分布，这里的随机过程指的是函数，不同于高斯概率分布中的随 机变量是标量或者向量( 多元概率分布情况下) 。高斯过程回归中的相关推理均 是在函数空间进行的，算法最终给出的是测试集上目标输出的后验分布。这个后 验分布也是服从高斯分布的，高斯过程回归算法的输出为分布的均值和协方差两 项。本文通过对高斯过程回归进行理论上学习和研究，并结合实际的实验，对其 华东师范大学硕士论文 在交通流预测中的应用进行了分析，并指出了其在机器学习应用中的巨大潜力。 图l a s s o 是建立在l a s s o 回归上的稀疏图模型建构的一种算法。它基于的数据 模型是假设服从多元高斯概率分布的，算法的核心是通过使用l 1 正则来使得逆 协方差矩阵尽可能的稀疏，进而依据矩阵中元素是否为0 来进行稀疏图模型的建 立。协方差矩阵的每一行每一列都对应稀疏图模型中的一个结点，若矩阵中某行 列元素为0 ，则认为对应的两个变量条件独立，进而在图模型中，对应的两个结 点之间无连线。本文对图l a s s o 建模进行了详细的理论上的学习和研究，并通过 具体实验证实了其在具体应用上的优越性。通过使用图l a s s o 算法对多链路交通 流模型中相邻路口上的交通流信息进行进一步的信息筛选和提取，我们构建了一 个更为优化的多链路交通流预测模型。 关键词：交通流预测，多链路，神经网络，高斯过程回归，图l a s s o ，图模型 n 华东师范大学硕士论文 a b s t r a c t i nt h i sp a p e r ，w ed oal o to fr e s e a r c ho np r e d i c t i o nm o d e la n d p r e d i c t i o nm e t h o d o fs h o r t - t e r mt r a f f i cf l o w w ep r o p o s ean e wm u l t i l i n km o d e lf o rt r a f f i cf l o w f o r e c a s t i n gb a s i n go nn e u r a ln e t w o r k ，a n da p p l yg a u s s i a np r o c e s sr e g r e s s i o ni n t r a f f i cf l o wf o r e c a s t i n gf o rt h ef i r s tt i m e f u r t h e r m o r e ，w ec o n s t r u c tam o r ee f f i c i e n t m u l t i - l i n km o d e lu s i n gg r a p h i c a ll a s s o s h o r t - t e r mt r a f f i cf l o w f o r e c a s t i n g i sa l w a y sah o tt o p i ci n i 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 d i t i o n a lp r e d i c t i o n m o d e l sa r e n o r m a l l ys i n g l e l i n k p r e d i c t i o nm o d e l s ，t h a ti s ，t h e yp r e d i c tt h ef u t u r et r a f f i cf l o wo na li n ku s i n go n l yt h e h i s t o r i c a lf l o w so nt h es a m eli n kb u tn o tt a k et h ef l o w so nt h ea d j a c e n tli n k si n t o a c c o u n t i nf a c t ，e a c hl i n ki sr e l a t e dt ot h eo t h e rl i n k si nt h ew h o l et r a n s p o r ts y s t e m , e s p e c i a l l yt h ea d j a c e n tl i n k s i nt h i sp a p e r , w ep u tf o r w a r dam u l t i l i n kp r e d i c t i o n m o d e lw h i c ht a k e st h er e l a t i o n sb e t w e e na d j a c e n tli n k si n t o a c c o u n t t h r o u g h s u f f i c i e n te x p e r i m e n t s ，w ev e r i f i e dt h es u p e r i o r i t yo fm u l t i - l i n km o d e l n e u r a ln e t w o r ki sw e l lk n o w ni nm a c h i n el e a r n i n ga r e a e s p e c i a l l y , b p ( b a c k - p r o p o g a t i o n ) n e t w o r ki sw i d e l yu s e di nm a n ya r e a ss u c ha sv i s u a ls c e n e a n a l y s i s ，s p e e c hr e c o g n i t i o ne t c d u et ot h ee x c e l l e n ta b i l i t yi nh a n d i n gc o m p l e x p r o b l e m s ，a n dt h ec h a r a c t e r i s t i co fs e l f - l e a r n i n g ，s e l f - o r g a n i z a t i o na n ds e l f - a d a p t i o n , n e u r a ln e t w o r k sa l w a y sd ow e l li nm a c h i n el e a r n i n g i nt h i sp a p e r , b a s i n go nn e u r a l n e t w o r k ，w em a k ee x p e r i m e n t a lc o m p a r i s o nb e t w e e ns i n g l e - l i n ka n dm u l t i - l i n k m o r e o v e r , c o m b i n gw i ms i n g l e - t a s ka n dm u l t i - t a s kl e a r n i n g , w ec o n s t r u c tf o u r m o d e l si na 1 1 t h r o u g ht h eg l o b a la n dl o c a lc o m p a r i s o no ft h er e s u l to fa l lt h e c o r r e s p o n d i n ge x p e r i m e n t s ，w ea c h i e v eac o m p r e h e n s i v eu n d e r s t a n d i n go fn e u r a l n e t w o r k su s e di nt r a f f i cf l o wf o r e c a s t i n g g a u s s i a np r o c e s sr e g r e s s i o ni sac l a s s i cr e g r e s s i o na p p r o a c hb a s i n go nb a y e s i a n t h e o r y d u et ot h ec h a r a c t e r i s t i c so ft r a c t a b i l i t y , i n t e r p r e t a b i l i t ya n df e w - p a r m n e t e r s ，i t m 华东师范人学硕士论文 i sw i d e l ys t u d i e di nm a c h i n el e a r n i n g c j a u s s i a n p r o c e s si sag e n e r a l i z a t i o no f g a u s s i a np r o b a b i l i t yd i s t r i b u t i o n i ng a u s s i a np r o b a b i l i t yd i s t r i b u t i o n ，t h er a n d o m v a r i a b l e sa r es c a l a r so rv e c t o r s ( m u l t i v a r i a t ed i s t r i b u t i o nc a s e ) ，w h i l et h er a n d o m v a r i a b l e sa r ef u n c t i o n si ng a u s s i a np r o c e s s i n f e r e n c ei ng a u s s i a np r o c e s si sa l s o t a k e ni nf u n c t i o ns p a c e g a u s s i a np r o c e s sr e g r e s s i o np r e d i c t i o na l g o r i t h mo u t p u t sa p o s t e r i o rd i s t r i b u t i o no nt h et a r g e to ft h et r a i n i n gs e t t h i sp a p e rd o e sa b u n d a n t t h e o r e t i c a la n a l y s i so fg a u s s i a np r o c e s sr e g r e s s i o na n df i n a l l ya p p l i e si ti na c t u a l t r a f f i cf l o wf o r e c a s t i n g g r a p h i c a ll a s s oi sa na p p r o a c ho fc o n s t r u c t i n gs p a r s eg r a p h i c a lm o d e l t h r o u g h a d d i n gal 1 r e g u l a r i z a t i o nt e r mt ot h ei n v e r s ec o v a r i a n c em a t r i x , g r a p h i c a ll a s s o a i m st om a k et h em a t r i xa ss p a r s ea sp o s s i b l e e a c hr o wo rc o l u m no ft h em a t r i x r e p r e s e n t san o d ei nt h eg r a p h i c a lm o d e l ，w h i c ha l s oc o r r e s p o n d st oav a r i a b l eo ft h e d a t as e t i ft h e r ei saz e r oc o m p o n e n ti nt h ei n v e r s ec o v a r i a n c em a t r i x , t h e nt h e r ei sn o l i n kb e t w e e nt h et w oc o r r e s p o n d i n gn o d e si nt h eg r a p h i c a lm o d e l i no t h e rw o r d s ，t h e t w ov a r i a b l e sa r ei n d e p e n d e n tg i v e no t h e rv a r i a b l e s i nt h i sp a p e r , w eg i v et h e o r e t i c a l a n a l y s i so fg r a p h i c a ll a s s o ，a n dc o m b i n et h es p a r s em o d e lw i t ha c t u a lp r e d i c t i o n m o d e l s e x p e r i m e n t a lr e s u l t ss h o wg r a p h i c a ll a s s oi sa ne f f i c i e n ta p p r o a c hi n e x t r a c t i n gi n f o r m a t i o na n di tb r i n g saf u r t h e ri m p r o v e m e n to fm u l t i - l i n km o d e lf o r s h o r t - t e r mt r a f f i cf l o wf o r e c a s t i n g k e yw o r d ：t r a f f i cf l o wf o r e c a s t i n g ，m u l t i l i n k , n e u r a ln e t w o r k , g a u s s i a np r o c e s s r e g r e s s i o n , g r a p h i c a ll a s s o ，g r a p h i c a lm o d e l i v 华东师范大学硕士论文 目录 摘要i a b s t r a c t i 第1 章绪论1 1 1 背景概述1 1 2 主要工作1 1 3 论文的组织结构2 第2 章多链路交通流预测模型的建立3 2 1 短时交通流预测3 2 1 1 学术定义3 2 1 2 特性分析3 2 2 传统的交通流预测模型3 2 2 1 现状分析3 2 2 2 模型腱示5 2 3 多链路交通流预测模型一6 2 3 1 架构提出6 2 3 2 模型展示7 2 4 本章小结一7 第3 章基于神经网络的交通流预测8 3 1 神经网络8 3 1 2 概述8 3 1 2 神经元的学习机制8 3 1 3b p 神经网络9 3 2 四种预测模型1 l 3 2 1 单链路单任务交通流预测( s s t l ) 一1 2 3 2 2 单链路多任务交通流预测( s m t l ) 13 3 2 3 多链路单任务交通流预澳t j ( m s t l ) 13 3 2 4 多链路多任务交通流预测( m m t l ) 1 4 3 3 实验1 4 3 3 1 数据描述1 5 3 3 2 参数设置1 5 3 3 3 结果分析1 6 3 4 本章小结l8 第4 章高斯过程回归的研究与应用1 9 4 1 概述1 9 4 2 权重空间角度2 0 4 2 1 标准线性模型2 0 4 2 2 高维特征空间的线性模型2 2 v 华东师范大学硕士论文 4 3 函数空间角度2 4 4 3 。1 无噪预测2 5 4 3 2 有噪预测2 6 4 4 实验2 6 4 4 1 数据描述2 6 4 4 2 参数设置2 7 4 4 3 结果分析2 7 4 5 本章小结3 0 第5 章基于图l a s s o 的稀疏劁模型的构建3 1 5 1 概述3 l 5 2 理论分析3 2 5 2 1 问题提出3 2 5 2 2 块坐标下降算法3 3 5 2 3 图l a s s o 算法3 3 5 3 实验3 4 5 3 1 数据描述3 4 5 3 2 图模型建立3 4 5 3 3 参数设置3 6 5 3 3 结果分析3 6 5 4 本章小结3 8 第6 章总结与展望3 9 6 1 总结3 9 6 2 展望3 9 附录4 0 参考文献4 l 致谢4 4 v i 华东师范大学硕士论文 1 1 背景概述 第1 章绪论 随着物质生活的富足和生活节奏的加快，越来越多的车辆被投入到日常生活 中。车辆的增加，一方面给公众带来了迅捷便利，另一方面也带来了许多严重的 社会问题，比如：交通拥塞、交通事故以及进而引起的环境污染、能源消耗、人 员伤亡等。简单依靠人工进行交通管理已经不再可行，智能交通系统( i t s ， i n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m ) 应运而生，它将先进的物理通讯设备和智能的计 算机技术结合起来，从而建立针对整个交通网络的信息预测和管理系统。智能交 通系统检测的数据种类包括流量、流速、占有率等各项，其中流量被认为是衡量 道路交通状况的典型尺度。 交通流量是交通路况的重要信息，驾驶者可以根据智能交通系统提供的流量 预测信息来选择路线，从而避开即将拥塞或者已经出现拥塞的道路，进而实现整 个交通网络的有序和顺畅。因此，智能交通系统不仅要能实时的检测道路交通流 数据，更要能利用各种检测设备及预测模型和方法来得到实时、可靠、准确的预 测信息。短时交通流预测正是从此意义上出发的交通流预测研究，它利用已采集 到的历史数据对道路上下一个未来时刻的流量进行预测。近年来，关于短时交通 流量的预测的研究一直是机器学习领域的热点。 1 2 主要工作 本文对短时交通流预测模型及预测方法分别进行了不同程度的创新和改进， 具体总结为以下几点： 1 提出了多链路交通流预测的模型。并将单链路、多链路预测模型和单任 务、多任务学习相结合，进行了大量基于神经网络的交通流预测的实验，在验证 多链路交通流预测模型优势的同时，进一步验证了多任务学习和神经网络预测在 交通流预测中的优越性。另外，对神经网络预测模型建构以及预测过程也进行了 l 华东师范大学硕士论文 一定程度的剖析。 2 研究了高斯过程回归的相关理论并将其应用于交通流预测。这也是本文 在短时交通流预测上进行的新工作之一。高斯过程回归虽然是经典的回归算法， 但是目前还没有应用于交通流预测的相关研究。本文在理论上对高斯过程回归进 行了深入的研究，分析了其优势及所具有的潜力，并且在实际实验中进行了验证。 3 研究了图l a s s o 进行的稀疏图模型的建立。图l a s s o 建立的稀疏图模型 在已提出的多链路交通流预测的基础上进一步对相关信息进行了筛选和提取，使 得在对一条链路上的未来时刻交通流量进行预测时所给予的输入信息更为准确 和有效。文中还将建立的稀疏图模型与神经网络和高斯过程回归相结合，进行了 进一步的实验和分析，最终，从理论和实验上双重验证了图l a s s o 进行稀疏图模 型建立在交通流预测应用中的巨大优势。 1 3 论文的组织结构 本文共有六个章节，它们的划分是： 第一章绪论。主要介绍了本文的研究背景、相关领域的现行研究状况，提 出了论文研究的出发点和主要工作，并列出了全文的组织结构安排。 第二章多链路交通流预测模型的建立。剖析了传统的单链路预测模型所存 在的缺陷，并将新提出的多链路预测模型与单链路预测模型进行了图示上的对比 和分析，指出了多链路模型的优点。 第三章基于神经网络的交通流预测。分析了神经网络预测模型的构建和具 体预测的过程，将多链路、单链路预测和多任务、单任务学习结合起来共构建四 种交通流预测方式，并进行了大量的实验，突出了多链路多任务预测模型的优势。 第四章高斯过程回归的研究和应用。分别从权重空间和函数空间对高斯过 程的预测过程进行了理论上的学习和研究，并在具体实验中进行了验证，指出了 其在机器学习中的优势和潜力所在，。 第五章基于图l a s s o 的稀疏图模型的构建。对稀疏图模型的建立从问题提出 到算法形成进行了大量的理论分析，并结合具体的预测方法进行了验证。 第六章总结和展望。对论文的全部内容进行了总结，指出了在本文研究的 基础上还可以继续进行进一步研究的相关工作。 2 华东师范大学硕士论文 第2 章多链路交通流预测模型的建立 2 1 短时交通流预测 2 1 1 学术定义 交通流预测是利用已有的历史数据对未来时刻的交通流量进行预测的一种 智能计算机技术。实时交通流预测的定义是指在时刻t 对下一个时刻t + a t ( a t 为设定的预测时间间隔) 乃至其后若干时刻的交通流量进行的预测。特别地，当 t 不超过1 5 m i n 乃至小于5 m i n 的预测称为短时( s h o r t - t e r m ) 交通流预测。跟传 统交通规划中的以小时、天、年、月计算的宏观意义上的长中时交通流预测不同， 短时交通流预测具有更及时性，也因此，这部分预测数据在智能交通系统的应用 中具有更大的实际价值和意义 1 。 2 1 2 特性分析 由于交通系统是一个由人和车一起参与的并且与周围环境密切相关的时变 的复杂系统，因此它具有高度的不确定性、随机性和非线性性等特点，这在一定 程度上加大了交通流预测的难度。特别是短时交通流预测，受随机因素( 比如 天气、事故、施工、特殊事件等) 的影响更强，从而时变性和不确定性更明显， 比中长时交通流预测难度更大。但是，也由于预测时间间隔越长，不可预见的突 发事件发生的概率更大，所以，短时交通流预测的预测精度要比中长时交通流预 测精度高 1 。 2 2 传统的交通流预测模型 2 2 1 现状分析 近些年来，国内外关于交通流预测的研究非常多，也提出了一系列的从简单 3 华东师范大学硕士论文 到复杂的预测方法 2 。简单的比如随机行走法( r w ，r a n d o mw a l k ) 、历史平 均法( h a ，h i s t o r i c a la v e r a g e ) 以及将二者结合起来的告知历史平均法( i n f o r m e d h i s t o r i c a la v e r a g e ) 等。这些预测方法都是仅在特定的条件下才能表现良好，比 如随机行走法的预测结果受当前交通流量水平的影响比较大，当前交通状况比较 好则预测出来的下一时刻的交通状况也比较好，反之依然，易知这样是存在很大 的冒险性的；历史平均法的缺陷更是明显，其预测仅是基于所有观测到的相关数 据的平均值，这也是不切实的。很显然，在这些比较简单的预测方法中，都没有 考虑到交通系统的时变性和不确定性等特点。 另外，一些复杂的预测方法和模型也被提出了很多。比如时间序列法( t i m e s e r i e sb a s e da l g o r i t h m s ) 3 4 5 ，非参数回归法( n o n p a r a m e t r i em e t h o d s ) 6 ，局部回归模型( l o c a lr e g r e s s i o nm o d e l s ) 7 8 ，神经网络方式( n e u r a l n e t w o r ka p p r o a c h e s ) 9 ，卡尔曼滤波法( k a l m a nf i l t e r i n g ) 1 0 ，马尔科夫链 模型( m a r k o vc h a i nm o d e l ) 1 1 ，模糊神经方式( f u z z yn e u r a la p p r o a c h e s ) 1 2 等。其中时问序列算法和卡尔曼滤波法被认为不适合在交通繁忙的地点使用，因 为那里的数据具有很强的不稳定性，而这两种算法对此没有泛化能力，且卡尔曼 滤波算法不适合预测数据采集问隔少于5 m i n 的交通流量预测；回归分析方法也是 假设交通流量和运行时间是严格周期性的而忽略了流量的不确定性和非线性 1 3 。在众多的预测模型中，基于神经网络的预测系统被认为是一种有效的方法 并且被研究者所推崇，由于其具有强大的处理复杂系统不确定性的能力，本文的 交通流预测研究亦有基于神经网络预测方法进行的相关模型的构建等的。 尽管现存的多种交通流预测方法均能在一定程度上改善预测的性能，但是通 过仔细观察，不难发现，几乎所有的预测模型的着手点或者应用目标都是对单个 链路进行交通流预测，即每次仅仅预测一条链路上的单向交通流量，且所使用的 预测数据也仅是所在链路上的历史数据。这也是本文所定义的传统上的单链路交 通流预测( s i n g l e l i n kt r a f f i cf l o wf o r e c a s t i n g ) 。 4 华东师范大学硕士论文 2 2 2 模型展示 整个交通网络包含大量的道路和结点，每个结点又多条来自或者去向不同方 向的链路。如下图2 1 所示，为北京某区的一份真实城市交通网络图。在图中， 处于圆圈内的每一个大写字母表示一个结点，即道路的交叉口；从每一个结点发 出的或来自结点的带箭头的直线，表示去往或者来自不同方向的链路，不同方向 的每条链路都是我们传统上定义的单链路，如结点b 和节点c 之间有一条道路相 连，但却具有两条单链路，分别为b h 和c b 。 图2 1 交通道路网络图 传统的单链路预测模型则是每次预测一条单链路上的交通流量并且仅使用 所在链路上的历史数据。以对b a 链路上的交通流量预测为例，基于神经网络的 单链路预测模型如图2 2 所示，即在对链路上第n 个时刻进行预测时，使用所在链 路上之前时刻( n - 5 ，n - 4 ，1 1 1 ) 流量数据作为输入。需要注意的是，历史数 据输入维数的选择并不固定，我们只是根据之前实验经验选择了5 维输入 1 4 。 5 华东师范大学硕士论文 t a n - 5 ) 铽l ) 味n - 1 ) 图2 2 基于神经网络的单链路预测模型 2 3 多链路交通流预测模型 2 3 1 架构提出 t a ( n ) 通过对传统单链路交通流预测模型的学习和分析可知，单链路交通流预测在 对链路交通流量进行预测时，并没有考虑相邻路口交通流量所提供的相关信息。 而实际上，在整个交通网络中，相邻路口上的交通流量是有相互影响的。比如某 一时刻，一条链路上交通流量过大，则下一时刻与其相连的几条链路的交通流量 也都会有所增大，因为交通网络系统是一个各链路之间有流量传输的完整系统。 另外，传统的单链路预测模型每次预测只是预测一条链路上的单向交通流量，我 们认为这是很低效的。 本文提出了多链路交通流预测模型，它可以每次预测一个路口结点上所有链 路的交通流量，并且在历史数据输入时考虑到相邻的多个链路的交通流量间的相 关性。这一方面不仅提高了预测效率，即每次预测多个路口；另一方面，也在一 定程度上提高了预测性能，因为综合考虑了相邻路口上的交通流量信息。并且， 在数据量不是十分庞大的情况下，我们还可以将整个交通网络的数据同时进行分 析和预测，这样得出的结果不仅具有整体性，而且影响因素的考虑更全面。鉴于 这样的全路口预测会很大程度上增加计算量，后续工作中我们还提出了相关性分 析算法，以使得对相关信息做进一步的筛选，从而提高整个系统的预测效率。 6 华东师范大学硕士论文 2 3 2 模型展示 为了和单链路交通流量预测模型作清晰的对比，我们仍依据图2 1 所示的交 通网络图进行多链路交通流预测模型的展示。以对结点b 的各链路上的交通流量 预测为例，把三条链路要预测的1 3 时刻流量同时作为输出，并且把各自链路上同 时间序列的5 个历史时刻一起作为输入，因此，共1 5 维输入，3 维输出。这样，在 对b 结点所在的三条链路上的未来时刻进行预测时，不仅考虑到了相邻路口的交 通流量信息，还对三条链路进行了同时预测。从而，在实验效果上，一方面提高 了预测精度，另一方面改进了实验效率。 t a ( n 5 ) t a ( n - 1 ) t “n - 5 ) t 电( n - 1 ) t c ( n - 5 ) t , ( n - i ) 2 4 本章小结 图2 3 基于神经网络的多链路交通流预测模型 t a ( n ) t b ( n ) l n ) 本章给出了短时交通流预测的学术定义和特性分析，对传统交通流预测模 型的研究现状进行了分析，指出了传统交通流预测大部分都是单链路预测模型， 没有有效的利用相邻路口之间的流量相关性以及每次仅对一条链路上的一个未 来时刻进行预测的低效性。在此基础上，提出了多链路交通流预测模型并进行了 模型展示，通过和单链路预测模型的比较，分析了多链路预测模型所具有的优势。 7 华东师范大学硕士论文 第3 章基于神经网络的交通流预测 3 1 神经网络 3 i 2 概述 神经网络( n n ，n e u r a ln e t w o r k ) ，也称人工神经网络( a n n ，a r t i f i c i a ln e u r a l n e t w o r k ) ，是智能控制技术的主要分支之一。它是一种模仿动物神经网络行为 特征、进行分布式并行信息处理的数学算法模型。这种网络通过调整内部大量节 点相互之间的连接关系，从而达到处理信息的目的。作为生物神经系统的逼近和 变形，神经网络具有学习、记忆和预测等多种智能处理机能，它可以解决具有高 度不确定性和非线性性的复杂系统的建模问题。 在过去的十几年里，基于神经网络的预测一直被认为是一种有效的方法并且 被广大学者所推崇 1 5 。典型的基于神经网络的预测有反向传播( b p ，b a c kp p r o p o g a t i o n ) 网络 1 6 、径向基函数( r b f ，r a d i a lb a s i sf u n c t i o n ) 网络 1 7 1 8 和递归神经网络( r e c u r r e n t n e u r a ln e t w o r k ) 1 9 ，或者更复杂的模型比如时间 延迟神经网络 2 0 、资源定位网络 2 1 以及与面向目标学习方式相结合的神经网 络模型 2 2 等等。 交通系统是一个复杂的时变系统，它具有高度的不确定性、随机性和非线性 等特点，这是对其相应的预测方法进行研究时的一个难点问题。而神经网络具有 高度的自学习、自适应、自组织的能力，以及具有超强的解决不确定性和非线性 问题的能力 2 3 ，所以基于神经网络的交通流预测一直被广泛的研究着，其优势 也深被学者认可。本文所有基于神经网络进行预测的实验选择的都是b p 神经网 络，后文中会对b p 神经网络进行一定的相关介绍。 3 1 2 神经元的学习机制 神经元模型的种类繁多，在此我们只选择工程上常用的最简单的模型来介 b 华东师范大学硕士论文 绍，如下图3 1 所示。圆结点表示一个神经元，x 1 ，x 2 ，x n 为神经元的蚧输 入，相应的n 个权值1 ，2 ，o n 相当于神经元突触的连接强度，厂是一个非 线性函数。神经元的动作是： 玎 net = w f x f ( 3 1 ) 厶zz 、。 i = l y = f ( n et ) ( 3 2 ) 可以看出，输出函数选取的不同，y 的取值范围也会有相应的不同。 x l x 2 xn 图3 1 神经元模型 几乎所有神经网络的学习算法都可以看作是h e b b 学习规则的变形 2 4 。 h e b b 规则认为神经网络的学习过程最终是发生在神经元之间的突触部位，突触 的联结强度随着突触前后神经元的活动而变化，变化的量与两个神经元的活性之 和成正比。结合上图的神经元模型，即可用数学语言描述为： 彩f = r y x i ( 3 3 ) 其中，哆是对第f 个权值的修正量，q 是控制学习速度的系数。 3 1 3b p 神经网络 神经网络由多个神经元构成，多个神经元可以组成一层进行并行学习，然后 在层与层之间进行信息的传递。经典的神经网络包括三层：输入层、隐层和输出 层，如图3 2 所示。其中输入层和输出层由于直接与外界相连，所以二者又成为 可见层。隐层是属于不可见的计算单元，神经网络可以有多个隐层，从而构成多 9 华东师范大学硕士论文 层神经网络。在这里，我们只研究三层神经网络，因为在宽松的条件下，三层神 经网络就可以逼近任意的多元非线性函数 2 4 ，而且神经网络层数越多，相应的 计算量就越大，这样网络的规模及复杂度也相应的增大。 输入层隐层输出层 图3 2 三层b p 神经网络模型 b p 神经网络，即反向传播( b a c kp r o p o g a t i o n ) 神经网络，主要是用于解决 三层神经网络结构中的隐层单元无法直接计算误差的闷题。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。整个算法分为两个阶段： 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