高速公路道路交通智能预测分析与设计

摘 要本文对交通流预测的历史、背景、意义、发展现状以及路段交通流预测的基本框架、模型作了比较深入的探讨，通过对现有高速公路交通流预测模型和高速公路交通流特性分析的基础上，先对江门市目标路段进行了交通调查，采用神经网络的方法解决高速公路道路交通交通流量预测问题。论文首先介绍道路交通流量预测方法和BP神经网络的原理，然后建立交通流量智能预测模型，再用MATLAB软件对样本数据进行训练，在用训练好的模型对交通流量进行预测并对结果进行分析。实验表明，此种预测方法为路段短时交通流预测提供了一种有效的途径，对高速公路交通流量的预测具有积极的意义。关键词: 高速公路；交通流；BP神经网络；预测Abstract. Traffic flow prediction, the history, background, significance, developing status quo and basic framework of road traffic flow prediction, model are made a in-depth discussion in this paper. Based on the existing highway traffic flow prediction model and based on the analysis of highway traffic flow characteristics, the first target sections of jiangmen city traffic survey was carried out, using the neural network method to solve the problem of highway road traffic flow prediction. It introduces road traffic flow prediction method and the principle of BP neural network, and then establish traffic flow intelligent prediction model, then use MATLAB software to training sample data, in using the trained model to forecast the traffic flow and analyze the results. Experiments show that the prediction method of short-term traffic flow prediction, provides an effective way for the highway traffic flow forecast has the positive significance.Key words the highway Traffic flow The BP neural network prediction目 录摘 要IAbstractII第1章 绪 论11.1课题背景11.2 研究目的和意义11.3 国内外文献综述21.4 本论文主要内容2第2章 交通流预测模型32.1 交通流理论基础32.2 高速公路交通流模型62.2.1引言62.2.2宏观稳态交通模型72.2.3动态交通模型72.2.4 交通流预测的特点82.2.5 短时交通流预测系统的基本原理92.3交通流预测模型102.4本章小结10第3章 神经网络113.1 概述113.2.1 人工神经元模型113.2.2 神经网络的结构模型123.2.3 神经网络的特点133.2.4 神经网络的学习方式133.3 本章小结14第4章 短时交通流BP神经网络预测的仿真154.1 BP神经网络154.1.1 BP神经网络的结构154.1.2 BP神经网络的学习过程154.1.3 BP神经网络的初始化174.2 BP神经网络预测的仿真184.2.1 仿真的背景184.2.2 样本数据的选择184.2.3 BP神经网络的创建与训练184.2.4 仿真程序及结果204.3 本章小结22结 论23参考文献24致谢25第1章 绪 论1.1课题背景近年来，世界各个国家都会面临交通拥堵问题，尤其是那些发达国家，比如欧美、日本等。为了解决交通拥堵问题，国内外很多专家学者都付出了很多时间与精力。交通拥堵形成的因素比较复杂，例如，城市规划、道路建设、道路交通环境、交通信号系统协调度、以及交通参与者素质等因素。智能交通系统是通过实时的信息更新，以及便捷的通信技术为解决这些交通拥堵问题提供了很好的途径。近年来，随着ITS的发展，智能交通控制和车辆疏导系统为ITS研究的热门领域。现在，交通流预测理论体系还没统一，正处于逐步发展阶段，每个模型都有自身的缺点和不足，预测的精度也存在差异。因此预测出来的结果也存在差异。本文在分析现有交通流预测模型的优缺点基础上，充分吸收国内外专家学者的研究成果，利用BP神经网络预测精度高的优点，提出了基于BP神经网络的交通流预测模型，从而解决交通流预测问题。1.2 研究目的和意义 交通流预测是智能交通系统研究中非常重要的环节，为实现智能交通提供了理论基础和数据支持。一方面，利用先进的交通管理技术对道路上交通情况的监控和采集，从而获取相应的实时交通信息，然后为出行者提供交通流信息；另一方面，出行者可以根据接收到的交通信息和结合自身的情况，对出行前和出行中的路径，出发时间，交通工具做出正确的选择。本课题研究的目的：通过对高速公路交通流进行探讨，建立交通流BP神经网络预测方法，有效地防止交通事故的频繁发生和避免交通堵塞，从而实现道路网畅通、高效运行的目的。本课题研究还具有重要的实际意义，近年来，交通不畅带来诸多不便和巨大损失，解决此类问题最实际的方法就是先对道路上的交通情况进行预测，特别是对道路的短时交通流进行预测。随着智能控制理论的发展，越来越多的研究者开始使用智能预测方法，本课题研究的交通流预测方法就是其中之一。其次，本课题的研究能促进城市交通的发展，对道路交通产生积极的影响。 1.3 国内外文献综述交通流量是一个不断变化的，容易受外部随机因素干扰而变化的因素。在现代社会发展的基础上，对预测领域的要求越来越高，传统的预测技术已经不能满足越来越高的精度要求，因此要借助高新科技的力量去尝试新的方法进行预测。文献1 2从人工智能及信息融合的角度研究了目前交通个信息领域的热点问题，也介绍了智能交通系统的发展情况、理论基础及应用方法，分析了高速公路入口匝道控制的先进智能算法，让我们对高速公路的智能交通控制有了进一步的了解。 文献3 介绍了神经网络理论的发展情况、基本原理和模型，并在此基础上探讨了神经网络的分类和学习规则。文献4根据交通流的特性，结合Matlab工具，采用BP神经网络对交通流量预测进行设计。文献5分析论述了建立智能预测模型的方法。首先对高速公路入口匝道控制作了简要介绍，并对其基本原理做了分析与研究，对其作用做了评估，文献6介绍了BP网络的构建过程以及如何运用Matlab仿真和训练BP神经网络。文献7分析了高速公路交通流数学模型，并用神经网络建立了交通流模型，最后进行了仿真训练研究。文献8分析了高速公路交通流模型。结合交通调查的数据和BP神经网络理论，利用MATLAB工具对神经网络进行训练，从而获得比较准确的描述交通流真实行为的模型。文献9介绍了BP神经网络的结构和学习过程，BP神经网络的设计、应用及其MATLAB实现。文献10介绍了交通流短时预测的相关概念和基础知识。1.4 本论文主要内容本文一共四章，章节布置如下：第1章 绪论。先介绍课题背景，接着描述本课题的研究目的与意义，再总结了交通流预测研究现状。第2章 交通流预测模型。对交通流预测作出综述，再描述交通流预测及其预测模型。第3章 神经网络。介绍神经网络的理论，结构模型，特点和学习方式等。第4章 短时交通流BP神经网络预测的仿真。介绍了BP神经网络的相关理论知识，如何创建和训练模型，然后利用MATLAB得出最后的仿真结果。第2章 交通流预测模型2.1 交通流理论基础交通流理论是研究交通问题中基础学科，分析基础的交通状况，描述常见的交通问题，让人们更容易去了解交通问题，为道路的规划和运营管理提供了理论基础。(1) 交通流的基本参数交通量、行车速度、车流密度，为三个基本的参数。a 交通量 在相对规定的时间段内，通过某一车道的车辆数目，是个随机变化数。它们之间的关系可表示如下： (2-1)式中为各规定时间段内的交通量，为规定的时间段的段数。 b 车流密度 车流密度是指某一瞬间内单位道路长度上的车辆数目。 (2-2)式中为车辆数()，为路段长度()。 c 行车速度 行车速度又称区间平均速度。是指在某一特定瞬间，行驶于道路某一特定长度内全部车辆车速分布的平均值。 (2-3)式中为第辆车的行驶时间，为车辆行驶于路段长度的次数，为第辆车行驶速度，为区间平均速度。 (2) 交通流参数的关系各个参数之间存在一定的关系，其关系式为： (2-4)式中为平均流量()，v为区间平均速度()，为平均密度()。流量、密度、速度三者之间的关系可由图2-1表示。图2-1 ,关系曲线a 速度与密度的关系它们之间的关系式为： (2-5) (2-6)如图2-2所示，当时， ，畅行。当时，拥堵。由于，所以流量等于图中所示阴影部分面积。图2-2 速度-密度关系曲线当交通密度很大时()，采用Grenberg的对数模型： (2-7)当交通密度很小时()，采用安特伍德的指数模型： (2-8)b 流量与密度的关系交通流的最基本关系是流量-密度关系，如下： (2-9)图2-3为流量-密度关系曲线。图中点C代表通行能力或最大流量。以原点A起点，曲线上点B、C和D为终点做矢径，这些矢径的斜率表示速度。通过点A与曲线相切的矢径，其斜率为畅行速度。在流量-密度曲线上，位于C点左侧的点()表示交通不拥挤；位于C点右侧的点()表示交通拥挤。 图2-3 流量-密度关系曲线c 流量与速度的关系流量与速度的关系为： (2-10)图2-4为流量与速度的关系，从图中得，曲线在拥挤部份时，流量和速度都降低。图2-4 流量-速度关系曲线2.2 高速公路交通流模型2.2.1引言交通流理论的不断发展为人们追求更精确的交通流模型创造了理论基础。从最初的简单的去描述速度，密度和流量之间的关系，到追求稳定，精确，快速的交通流模型。由于道路交通流的高度复杂性，非线性。这些影响到了建模的准确性。因此，根据实时的道路交通情况，如何去建立准确的交通流模型是当前重要的任务之一。从而对建立的模型的准确性提出了更高的要求。随着流体力学理论和车辆跟驰理论的不断发展成熟，常用的两种模型分别是宏观模型和微观模型。微观模型主要是自身模型的复杂性和较长的计算时间，不适合实时性。宏观模型能较好描述交通流空间与时间不同的变化规律，反映真实的交通流情况。在交通控制不断发展的过程中，这两种模型在交通流建模发展中有着重要的地位。2.2.2宏观稳态交通模型假如高速公路按实际几何分布情况以及实时交通状况划分为N个路段，每段车道数维持不变，最多包含一个入口匝道和一个出口匝道，每段内的交通状况可认为是均匀分配的，则可知： (2-11)式中表示第i路段入口匝道的交通量，表示路段的入口匝道进入的车辆中到达路段i的百分比。式(2-11)也可写成向量形式： (2-12)式中,，为一下三角阵，称为起始-到达矩阵。交通模型的作用是探讨不同的参数对车流运动的影响，是通过利用数学和物理方法模拟路网上车流的运动状况实现的。其中车辆在信号灯控制下的等待时间和预报车辆的到达率是配时参数优化过程中的重要依据。2.2.3动态交通模型高速公路没有平面交叉口，它交通流是连续的。下面主要介绍MACK高速公路交通模型。设每个路段的长度为。该模型属于确定性宏观模型，它由一组守恒方程及相应的动态速度-密度方程组成。其入口和出口匝道流量分别记为、， 采样周期为T，第i路段交通流量、交通密度和平均速度分别记为、。根据车辆守恒关系有： (2-13)平均速度v(x, t)不可能瞬时地跟随(x, t)而变化，根据关系式(2-1)， q(x, t)也是如此。所以，在动态条件下，稳态关系不能照搬使用。事实上，x处的密度的变化要比车速的变化提前一个时间。即 (2-14)把上式的左边对、右边对x进行Taylor展开，略去高阶项，得： (2-15)通过对微观交通的研究和观察发现，取x为车头距的一半为宜，即x=1/(2)；再把近似地看作常数，定义，并利用全导数： (2-16)代入式(3-13)，得到： (2-17)对式(3-15)作空间离散化和时间离散化处理，得： (2-18)2.2.4 交通流预测的特点在交通流的预测工作中，准确的交通流预测是我们所追求的。但交通流的高度非线性，复杂性，不确定性给我们的预测工作带来了一定的难度。(1) 当前，利用单一的方法对交通流预测的研究都没有取得很好的效果。每一种方法的预测环境都不同的，交通流自身的高度非线性，复杂性，不确定性使得预测工作变得困难。空间和时间等不同环境下的预测，效果的差异也是很大的。因此，采用多种方法，互相补充是交通流预测应该采取的方法。(2) 预测模型的结构建立的是实际预测中的准备工作。由于交通流的高度非线性，不确定性，模型结构不是一成不变的，要根据不同环境条件进行修改，修改到模型能准确的反映交通流过程的特征。(3) 短时交通流的预测对实时性的要求较高。预测工作能在规定的最短周期内完成一系列的工作，同时数据检测、传输也是在线实时完成的，并及时的对下一时刻和周期的交通流进行准确的估计。综合目前的研究结果来看，暂时还没出现有一种交通流的预测方法能比其它预测方法预测具有绝对的优势，而完全可以替代另一种。实践表明了，每一种方法和模型的应用都有它的适应范围和应用的条件，但也有相应的不足与缺陷。2.2.5 短时交通流预测系统的基本原理预测系统的基本流程如图2-5所示。1预测模型的选择在当前的交通状况和以往预测的效果基础上，从系统已有的数据库中选取需要的模型。而有关预测模型的描述性知识和有关模型预测性能的评价型知识是该数据库中存贮的两大类知识。智能交通控制与诱导系统数据库数据库预测模型选择外部数据接口预测结果处理数据采集图2-5 交通流预测系统2模型参数的确定(1) 参数生成的方法参数少时，可以利用已有的历史数据和当前的数据去确定参数。(2) 参数选择的方法根据预测当时的情况，利用相关的历史数据确定不同条件下模型的参数，再选择需要的模型去预测。2.3交通流预测模型 人们对未来事物的发展和变化表现出越来越浓厚的兴趣，即喜欢对未来事物进行预测，从而使预测领域的不断扩大，其中有气象预测，军事预测，经济预测，交通信息的预测等。随着计算机技术和人工智能技术不断发展，为信息获取，信息处理，信息存储与信息预测提供了基础，使现代预测领域朝智能化的方向发展。随着预测领域的不断发展，在交通信息的预测理论方法也不断完善。有两类主要的预测方法，其中一类是以传统数学和物理方法为基础建立的预测模型。一类是注重对真实交通流现象的拟合，不追求复杂的数学计算，该预测模型是建立在现代科学技术方法的基础上。各种预测模型简单介绍如下；1历史平均模型：算法步骤简单，速度快，该模型在路径诱导系统中有重要的应用。2卡尔曼滤波模型：该模型主要描述了预测时间间隔的变化对该模型的预测精度的影响不大。该模型在预测过程中，每次计算都要对权值进行调整。该工作量较为复杂，可能出现时间延误。但卡尔曼滤波预测因子的自身优点，使得在预测领域中有着较为广泛的应用。3非参数回归模型：该模型回归形式单一，动态变化能力较差，是兴起的一种建模方法。需要足够的历史数据才能进行实现“进邻”的预测。模型性能的变化与交通流随机变化有关。拟合的效果也不同。4神经网络模型：神经网络居于自身的特征，不局限于建立精确的数学模型。自适应性与自学习的优势，在交通流的预测中有着广泛的应用。主要有这几种模型，BP神经网络-误差反传神经网络模型，模糊神经网络模型等。当前，各种交通流的预测方法都是有缺陷的，每种方法都有自己的适应条件。而交通流自身的高度非线性，不确定性，使预测的工作变得更加复杂。采用多种方法，互相补充的手段是今后主要的预测方向。当在综合应用多种预测模型城市道路进行交通流预测时，首先需要确定这些模型的参数，要根据各个方面的需要和经验来确定模型的各个待定参数,完整交通流预测模型的结构。与其它的预测相比，短时交通流的预测是实时的，严格要求其对交通流的预测数据的实时性。2.4本章小结本章首先介绍了交通流理论基础知识，接着介绍高速公路交通流模型，其中主要对宏观稳态交通模型和动态交通模型这两类模型进行说明；然后对交通流预测的特点进行分析，在这些基础知识上对交通流预测模型进行简单的说明。最后简单的介绍了短时交通流预测系统的基本原理。第3章 神经网络3.1 概述人工神经网络简称神经网络，是人们根据生物神经网络进行信息处理的研究模拟出的一种数学模型。为了实现一些指定的功能，神经网络根据大脑的生理研究成果模拟了大脑的一些功能。神经网络有很强大的自适应以及学习能力，同时鲁棒性和容错能力也相当优秀，因此神经网络得到很广泛应用。人工神经网络当前已广泛应用与人工智能、模式识别、控制科学与理论、计算机控制基础、信号处理、优化计算等领域。神经元是其最基本的单位，也是大脑传递、处理、收发信息的重要环节。人们通过长期的研究总结出生物神经元的重要功能与特性，这些重要的功能和特性包括时空整合功能，兴奋与抑制特性，不应期特性，记忆与学习功能，遗忘与疲劳特性，输入与输出。并在这些基础上建立了人工神经元模型。3.2 神经网络理论3.2.1 人工神经元模型神经元是神经系统的基本组成单位。神经元的树突非常丰富，它能充分接受其他神经元传来的兴奋。而轴突很长为兴奋的传导奠定基础，轴突末梢也非常多，能把兴奋传至其他神经元，树突作为输入端，接收信息，然后通过突触传递出去，神经元与神经元之间的连接是靠突触实现的3。它的结构如图3-1所示：图3-1 生物神经元人工神经元可以视为生物神经元的简化以及模拟，它作为网络中的基础级别的处理单元。其输入输出关系可以描述为： (3-1) (3-2)3.2.2 神经网络的结构模型人工神经网络是一种对生物神经的简单化和模拟的系统。该系统是用工程技术方法对人脑神经元进行模拟的。(1) 前馈型神经网络前馈型神经网络，又称前向网络。如图3-1所示，神经元的输入方向具有单向性，并且排列方式为分层。图3-2 前馈型神经网络结构从不同的角度去看，前馈网络所表现出的学习行为是不同的，典型的前馈网络有感知器网络、BP网络等。从学习的观点来看，前馈网络在分类处理能力和模式识别能力中，都好于反馈网络。在学习上，编程容易和结构简单，表现出较强的学习能力。在计算上，乏化性较差，学习行为单一，不能处理复杂的计算。但在非线性处理单元复合映射的基础上，会表现出非线性处理能力。(2) 反馈型神经网络通常，反馈型神经网络的一般结构如图3-2所示。设总节点数为N，所有的节点都可以相互连接，从图中可看出，有N个输入与一个输出对每个节点都适用。图3-3 反馈型神经网络结构Hopfield神经网络是一种结构简单，联想记忆能力强，在反馈动力系统中有着较普遍的应用。3.2.3 神经网络的特点神经网络的主要特点是：(1)分布存贮和容错性信息在众多神经元中是按内容的形式存贮。神经元之所以具有容错性和联想记忆特征，是因为网络具有较强大的联想记忆功能，神经元中存储着各类不同的信息，对信息的存储具有相同的作用， (2)并行处理性网络的大规模并行处理能力使它能快速完成复杂的计算，传统数字计算机则是信息处理算法串行的。人工神经元是对生物神经元的简单化和模拟，而信息在神经元中传递的速度要计算机慢很多。网络进行信息处理是对同类的信息进行类似的处理。与传统计算机对信息开始采集到处理的时间相比，比人类要快速的多。(3)层次性不同感觉信息的加工过程也不同，信息在不同层次神经回路的加工和处理是逐步逐级的。3.2.4 神经网络的学习方式(1) 有监督学习在有监督学习方式中，网络的连接权值的调整是根据我们给出的规则，并且对比一定的样本标准进行的，它的原理如图3-3所示， 图3-4 有监督学习框图(2) 无监督学习无监督学习可以实现主分量、编码、聚类等功能。它的学习过程如下图3-4所示。是一种自我学习的过程。即不需要请教外部教师，输出的结果不需要网络自身的处理，可以利用协调、自放大、等功能实现。图3-5 无监督学习框图 (3)无监督Hebb学习该种学习方式在无监督学习中有着重要的地位，在输入模式的激励中，利用Hebb学习规则去调整网络的连接权值，是自组织学习过程中有着普遍的应用。3.3 本章小结本章先描述人工神经网络的基本情况，然后对神经元模型进行了分析介绍，并说明了神经网络的主要结构和特点。最后阐述了神经网络的学习方式。第4章 短时交通流BP神经网络预测的仿真4.1 BP神经网络4.1.1 BP神经网络的结构BP神经网络是目前人工神经网络中研究最深入、应用最为广泛的单向传播的多层一种模型，其结构如图4-1所示。BP神经网络又被人们称为误差反向传播（error back - propagation）网络,它是一种多层的前馈网络。误差反向传播这一思想最早由Bryson等人在1969年提出，经过多人的研究论证形成了目前最流行的反向传播网络以及它附带产生的反向传播算法。由图4-1可见，BP神经网络一般是三层前馈网或三层感知器，包括输入层、中间层(隐层)和输出层。反向传播网络有以下2个突出的特点：一，网络中的每一个存在的神经元模型拥有一个非线性激活函数，其中非线性是光滑的。二，网络可以存在一层或存在多层的隐含层，必须说明的是，这个层不是网络的输入或者输出的部分。输入数据中的有用特征会被这些隐含层慢慢地提取，学到存在于输入和输出中的某种关系。图4-1 BP神经网络结构4.1.2 BP神经网络的学习过程我们以一个三层BP神经网络系统为例，介绍BP网络的学习过程及步骤。在介绍之前对各类符号进行详细说明如下。网络输入向量网络目标向量中间层单元输入向量，输出向量；输出层单元输入向量，输出向量；输入层至中间层的连接权，；中间层至输出层的连接权，；中间层各单元的输出阈值，；输出层各单元的输出阈值，；参数。(1) 初始化。给每个连接权值、阈值与赋予区间内的随机值11。(2) 随机选取一组输入和目标样本、提供给网络11。(3) 用输入样本、连接权和阈值计算中间层各单元的输入，然后用通过传递函数计算中间层各单元的输出11。 (4-1) (4-2)(4) 利用中间层的输出、连接权和阈值计算输出层各单元的输出,然后利用通过传递函数计算输出层各单元的响应11。 (4-3) (4-4)(5) 利用网络目标向量，网络的实际输出,计算输出层的各单元一般化误差。 (4-5)(6) 利用连接权、输出层的一般化误差和中间层的输出计算中间层的输出计算中间层各单元的一般化误差11 (4-6) (7) 利用输出层各单元的一般化误差与中间层各单元的输出来修正连接权和阈值11。 (4-7) (4-8)(8) 利用中间层各单元的一般化误差,输入层各单元的输入来修正连接权和阈值11。 (4-9) (4-10) (4-11)(9) 随机提供给网络下一个学习样本向量,返回到步骤(3)，直到m个训练样本全部都训练完成11。(10) 重新从m个学习样本中随机选取一组输入和目标样本，返回步骤(3)，直到网络全局误差E小于预先设定好的一个极小值,如果学习次数大于预先设定的值，网络就无法收敛11。(11) 学习结束。 可以看出，(7)(8)步为网络误差的“逆传播过程”， (9)(10)步则用于完成训练和收敛过程。4.1.3 BP神经网络的初始化对于神经网络的训练，我们首先要初始化系统，包括对权值和阈值的初始化设置。初始化设置可以通过函数init()来实现，当我们使用函数newff创建好神经网络时，系统会自动地初始化网络的权值以及阈值，初始化后的权值和阈值都为0。BP神经网络常用的初始化命令为： (4-12)函数init()的执行过程为：首先根据网络的相关参数值设置神经网络的权值以及阈值，可以分别通过net.initFcn和net.initParam表示来实现，系统初始初始化后我们可以对神经网络中的相关训练参数进行设置，可以使用BP神经网络对系统进行训练以及仿真。4.2 BP神经网络预测的仿真4.2.1 仿真的背景高速公路道路交通是一个复杂的，非线性强，受外部各种随机因素的干扰会随时发生变化的一个系统。即使高速公路交通流量有很强的随机性和非线性，但在一个相对短的时间内（15分钟，20分钟，或者一个小时），道路的流量、路口总流量的变化都较强的规律可寻，是一种介于随机性和确定性之间的现象，这就是混沌现象。本节结合高速公路交通的混沌性，采用BP神经网络的交通流量进行预测。4.2.2 样本数据的选择在创建网络时样本数据的选择是至关重要的，样本的数量太少，网络波动性大，拟合程度度差；样本越多，拟合程度相对来说会好些。但样本不是越多越好，要考虑样本的质量，数量和代表性这三个重要的特征。同时，要考虑到系统外界因素的影响和突变的特征，才能兼顾系统稳态时的性能。1训练样本数的确定样本数的适当选取对样本的质量有着重要的影响，一般来说样本数据太少达不到训练的要求，太多却增加了工作的复杂性。而网络的规模也影响样本数的选取。样本的准备收集工作又受时间，空间的影响。因此样本本身就有误差的，样本所含的噪声越大，其映射关系越复杂。2样本的选择和组织 样本必须具有一定的代表性，因为样本中隐含着网络训练的规律。样本的选择要尽量使各个类别的样本数量大体相等，也就是使样本具有一定的均衡性，同时同一样本要考虑样本的多样性和均衡性。这样样本能使网络的训练实用性强，也可以避免网络对样本数量多的类别敏感，忽略样本数量少的类别。不同的样本应交叉输入或者随机从训练集中输入。当各类样本轮流集中输入时，网络的训练会出现振荡，使训练时间延长。4.2.3 BP神经网络的创建与训练设计说明：本文设计的神经网络为3输入，1输出，使用的数据为中江高速（江门段）的交通量，使用采集的15组历史数据，使用其中9组为正常训练数据，其中有3组为变量数据，另外3组为测试数据。输入数据为P，共15组，每组3个输入；输出数据T，共15组，每组1个输出，T是训练的目标值。（其中，正常数据，是用来正常训练用；变量数据，主要目的是防止训练中出现过拟合状态；测试数据，是用来看训练效果的)。先创建BP神经网络，然后对BP神经网络进行训练，最后对BP神经网络进行仿真。创建训练仿真的过程如下：1.创建网络：网络名=newff(PR，SN，TF，BTF，BLF，PF)；PR=输入取值范围，区间形式或函数形式minmax(p)，多个变量用；号分隔。SN=每层神经元数，层数与传递函数数一致对应。输入元数由预测周期或影响因素确定，输出元数由研究对象确定。TF=每层传递函数，对数S形logsig，正切S形tansig，线性purelin。BTF=网络训练函数，普通训练traingdm：需设定学习速率、动量系数。快速训练trainlm：默认，网络训练的收敛速度较快。BLF=网络权值阈值函数，PF=网络性能函数，默认mse，网络输出和目标输出的均方误差。2.训练网络设置参数：网络名=init(网络名)；初始化网络权值和阈值（可不设定)网络名.trainparam.show=训练状态的显示幅度；（默认25）网络名.trainparam.lr=学习速率；（权值阈值的调整幅度）网络名.trainparam.mc=动量系数；（权阈值改变的重复度）网络名.trainparam.epochs=训练次数；（默认100）网络名.trainparam.goal=误差精度；（默认0）网络名.trainparam.time=训练秒数；（可不选）网络名=train(网络名,输入变量名,目标变量名)；此过程反复调整权值和阈值，以减小性能函数的值，直到达到预先设定的误差精度。模拟输出：sim(网络名,输入样本名) 图形输出：plot(横坐标，纵坐标，参数)查看参数：权值：网络名.iw层序号阈值：网络名.b层序号调整参数：学习速率、动量系数、训练次数、误差精度等。3.仿真预测：网络固定，输入新的样本集，模拟输出。2013年4月11号，这一天对中江高速（江门段）的出口处的交通流量进行人工调查，每20分钟记录一次数据，1小时需记录3次数据。（记录时间早上7:00到晚上21:00）一共45个数据，表41已列出，流量单位为PCU/h。表4-1 交通流量数据表时间段流量2013-4-11 7:00493 378 5272013-4-11 8:00372 429 6682013-4-11 9:00445 561 8412013-4-11 10:00372 429 6682013-4-11 11:00445 561 8412013-4-11 12:00176 651 5262013-4-11 13:00445 561 8412013-4-11 14:00176 651 5262013-4-11 15:00235 467 4802013-4-11 16:00176 651 5262013-4-11 17:00235 467 4802013-4-11 18:00378 527 5672013-4-11 19:00235 467 4802013-4-11 20:00378 527 5672013-4-11 21:00429 668 6854.2.4 仿真程序及结果在MATLAB上实现的程序：day=7:21 %高速公路流量预测%输入数据，共15组，每组3个输入，p=493 372 445 372 445 176 445 176 235 176 235 378 235 378 429;. 378 429 561 429 561 651 561 651 467 651 467 527 467 527 668;. 527 668 841 668 841 526 841 526 480 526 480 567 480 567 685;%输出数据，共15组，每组1个输出t=176 235 378 429 561 651 467 527 668 841 526 480 567 685 507;%对原始数据进行规范化处理pn,meanp,stdp,tn,meant,stdt=prestd(p,t);%建立相应的BP网络net = newff(minmax(pn),7,1,tansig purelin ,trainlm);% 设置训练参数net.trainParam.epochs = 1000; %设定循环次数net.trainParam.goal = 0.0001;%训练网络net = train(net,pn,tn);%对训练后的网络进行仿真an=sim(net,pn);a=poststd(an,meant,stdt);% 绘制仿真后图像figureplot(day,t,b-o,day,a,r:x);title(仿真后的图像，其中o为真实值，*为预测值)xlabel(小时);ylabel(中江高速公路（江门段）交通量（辆次/小时）)在MATLAB上实现的结果如下：图4-2 网络