基于人工神经网络的交通流预测模型研究

基于人工神经网络的交通流预测模型研究

该系统是促进社会和经济发展的基础设施和“循环系统”，在社会和经济体系中发挥着重要作用。交通问题解决的好与坏,直接影响着国民经济的发展与人民生活质量的提高。当今世界各国的大城市无不存在着交通拥挤问题。交通问题在一定程度上已经成为制约经济、社会稳定发展的“瓶颈”问题。然而有限的土地和经济制约等使得道路建设不可能达到相对满意的里程数,所以就需要在不扩张路网规模的前提下,综合运用现代信息与通讯技术等手段来提高交通运输的效率,以提高交通路网的通行能力。于是,运用各种高新技术系统地解决道路交通问题的思想就应运而生了,这就是智能交通系统ITS(intelligenttransportsystem)。交通控制与诱导系统是ITS研究的热门核心课题,而实现交通流诱导系统的关键问题是实时准确的交通流量预测,即如何有效地利用实时交通数据信息去滚动预测未来几分钟内的交通状况。其结果可以直接送到先进的交通信息系统(ATIS)和先进的交通管理系统(ATMS)当中,给出行者提供实时有效的信息,帮助他们更好地进行路径选择,实现路径诱导,以缩减出行时间,减少交通拥挤。这种预测称为短期预测(short-termforecasting),它是微观意义上的,与中观和宏观意义上的以小时、天、月甚至是年计算的基于交通规划的战略预测(strategicforecasting)是有本质区别的。1交通量检测技术的发展最初的交通参数信息采集方法都是非自动的人工采集方法,包括人工观测法和摄影法等。自20世纪30年代美国研制出“声控”式感应式交通信号控制机以来,交通量检测器技术得到了迅速发展,特别是近20年来出现了大量的新型交通量检测器。交通量检测器的种类很多,主要有:环形线圈检测器,超声波检测器,磁感应式检测器,光辐射式检测器,雷达检测器,视频检测器等。目前应用较多的是环形线圈检测器、超声波检测器和视频检测器。1.1车辆检测传感器环形线圈检测器出现于20世纪60年代,是目前交通控制中应用最广的交通量检测器。该检测器是一种基于电磁感应原理的车辆检测器,它的传感器是一个埋设在路面下、通有一定交变电流的环形线圈。当车辆通过线圈或停在线圈上时,车辆引起线圈回路电感量的变化,检测器可检测出该变化,基于此原理采集交通量。1.2检测方法的影响超声波检测器是通过接收由超声波探头发出并经过车辆反射的超声波来检测车辆的。超声波检测器的工作原理可分为两种:传播时间差法和多普勒法。传播时间差法,超声波检测器的探头向路面发射超声波然后接受其反射波,当有车辆时,超声波会经车辆反射提前返回。多普勒法,超声波探头向空间发射超声波同时接收信号,如果有移动物体,那么接收到的反射波信号就会呈现多普勒效应。利用此方法可检测正在行驶或正在远离的车辆,但不能检测处于检测范围内的静止车辆。1.3图像采集原理视频检测器主要由摄像机和图像识别单元(含计算机)组成,其工作原理是:由CCD摄像机连续摄的两帧图像(数字图像),对其全部或部分区域进行比较,如有差异则说明检测范围内有运动物体,从而检测出通过的车辆,采集交通量。2交通流预测的数据预处理当利用一些实际数据建立数学模型时,有时不能直接使用这些数据,而要经过数据预处理。由于交通参数的数值较大,应对其进行一定的预处理,通过这些处理可以有效缩短交通流预测模型的预测时间。同样短时交通流预测也需要进行数据的预处理工作,以提高预测精度及实时性。2.1平均说的判断通常由于交通传感器硬件故障、噪声干扰和通讯故障所引发错误数据的发生,所以必须对错误数据进行剔除,否则这些错误数据会大大降低预测的准确度。错误数据往往与正确数据的偏差非常大,基于这个特点,首先采用阀值法去除明显错误的数据,如果数据在阀值之内,也未必是正确数据,所以还需进行基于多条规则的判断。判断规则如下:(1)如果平均占有率为0,而流量不为0,应剔除;(2)如果流量为0,而平均占有率不为0,应剔除;(3)平均车长判断法:如果采用交通机理公式由流量、速度、占有率得出平均车长,如果所得的车长小于等于5米或者大于等于12米(此时重型车辆占居优势),那么这条记录是正确的。经过此数据过滤若不能成为精简的数据,还可以通过数据密集度这个指标来评价历史数据库中数据的分布是否符合要求,以提高算法的实时性。2.2图像恢复nmf当用视频检测器来采集交通数据的时候,通常系统采用图像采集卡,可将摄像头拍摄的视频图像转换为BMP格式的数字图像存储在计算机内存中。在交通参数的视频监测系统中,运动模糊是造成图象退化的主要原因,所以要对运动图像进行恢复。传统的图像恢复方法有很多:如基于Bayes估计的恢复方法、基于调和理论的迭代算法和滤波方法等,但是这些方法都面临着高维方程组的求解问题,或要求恢复过程满足广义平稳过程的假设,难以满足视频检测的实时性要求。由于神经网络在并行非线性处理及大容量计算方面存在着巨大潜力,因此被用于解决图像处理领域内的多种问题。基于S函数的全并行自反馈Hopfield神经网络,用S函数代替了分段线性函数,使得网络能量能够精确地达到最小,且恢复过程快,能保证图像恢复的精度,显示出较强的容错性。3单一预测模型据统计,目前应用于各个控制领域的预测模型和方法己将近300余种,其中一些预测方法在中、长期交通流预测的应用中取得了较好的预测效果。但短时交通流呈现出高度的非线性、时变性和不确定性,使得各种单一预测方法的预测精度难以提高。较早期的预测方法主要有:自回归模型(AR)、滑动平均模型(MA)、自回归滑动平均模型(ARMA)、历史平均模型(HA)和Box-Cox法等等。随着该领域研究的逐渐深入,又出现了一批更复杂的、精度更高的预测方法。总结起来,大概可以分成4类方法:基于传统统计理论的方法、基于神经网络的方法、基于非线性理论的方法和基于新兴技术的预测方法。3.1传统统计分析的预测方法这类方法是用数理统计的方法处理交通历史数据,对交通流、交通速度、旅行时间等用于预测。一般来说统计模型使用历史数据进行预测,它假设未来预测的数据与过去的数据有相同的特性。基于传统统计理论的预测方法主要有历史平均模型(historyaveragemodel)、回归分析预测方法、时间序列模型(timeserialmodel)、卡尔曼滤波模型(kalmanfilteringmodel)、markov预测、极大似然估计模型(maxiumlidelihoodformulationmodel)等。研究较早的历史平均模型方法简单,但精度较差,虽然可以在一定程度内解决不同时间、不同时段里的交通流变化问题,但静态的预测有其先天性的不足,因为它不能解决非常规和突发的交通状况,如交通事故等。3.1.1最优估计函数之二回归分析预测方法是一种通过分析事物之间的因果关系和影响程度进行预测的方法,常用于对多条路段进行分析,其中运用逐步回归方法建立多元回归预测模型受到了极大重视。该方法可描述为:设X为观测值集,Y为预测值集,xT=(x1,x2,…,xd)∈Rd,求一组使目标函数∑ni=1i=1n{Yi-β0-∑dj=1j=1dβ(Xij-xj)}2KB(Xi-x)最小的最优估计系数βˆβ^,从而利用y˙=βˆ0+∑dj=1βˆj(Xij−xj)y˙=β^0+∑j=1dβ^j(Xij-xj)进行估计,其中{(XTiiΤ,Yi),i=1,2,…,n}为观测值,Xi=(Xi1,Xi2,…,Xid)T,Ka(·)为概率密度函数,常为高斯分布函数。回归分析预测方法是在可以获得多路段交通数据的基础上,建立起各路段参数之间的线性回归方程,当数据有限时,此方法无法实现。3.1.2自回归和滑动平均模型时间序列模型是描述时间序列统计特性的一种常用方法,它是参数化模型处理动态随机数据的一种实用方法。主要有线性平稳模型和非线性平稳模型。线性平稳模型主要有:自回归模型(AR)、滑动平均模型(MA)、自回归滑动平均混合模型(ARMA);非线性平稳模型主要有:ARIMA模型和IMA模型。自回归求和滑动平均模型(ARIMA)是一种应用得最为广泛的时间序列模型,是自回归模型和滑动平均模型的混合形式。该模型不像其它时间序列方法一样需要固定的初始化模拟,它将某一时刻的交通流量看成是更为一般的非平稳随机序列。ARIMA有3个模型参数p,d,q,其预测模型可写成:ᐁly(t)=φ(y(t-1)+…+φpy(t-p)+ε(t)-θ1ε(t-1)-·-θpε(t-p))式中:p为自回归周期;d为差分阶数;q为移动平均周期。在实际预测中,大多数的时间序列都可以用p,d,q不超过2的ARIMA模型描述。在大量不间断数据的基础上,此模型拥有较高的预测精度,但需要复杂的参数估计,而且计算出的参数不能移植。在实际情况中,经常由于各种各样的原因容易造成数据遗漏,导致模型精度降低,而且依赖大量的历史数据,成本很高。3.1.3模型估计的变积分法卡尔曼滤波理论是Kalman于1960年提出的,是一种在现代控制理论中被广泛采用的先进的埋单序列方法,采用由状态方程和观测方程组成的线性随机系统的状态空间模型来描述滤波器,并利用状态方程的递推性,按线性无偏最小均方误差估计准则,采用一套递推算法对该滤波器的状态变量作最佳估计,从而求得滤掉噪声的有用信号的最佳估计。卡尔曼滤波是线性预测模型,可描述为:vi(t+k)=H0(t)vi(t)+H1(t)vi(t-1)+…+Hp(t)vi(t-p)+w(t)其中的参数向量Hk(t)采用线性迭代的方式进行估计。在每次迭代中,用捕捉的上一次迭代的误差信息对预测因子向量vi(t-k)和系统本身的状态向量不断进行修正,从而力求在噪声项w(t)干扰情况下,使估计参数向量趋于最优,以准确地预测vi(t+k)。由于卡尔曼滤波采用较灵活的递推状态空间模型,因此卡尔曼滤波方法既适应于处理平稳数据,又可用于非平稳数据处理,且对状态变量作不同的假设,可使其描述及处理不同类型的问题,同时减少了计算机存储量和计算时间;模型具有线性、无偏、最小均方差性。卡尔曼增益矩阵可在计算中自动改变,调节信息的修正作用以保持滤波估计的最佳性,具有在线预测的功能。但该方法是线性模型,所以在预测非线性、不确定性的交通流时,模型性能变差。在每次计算时都要调整权值,因此,计算量过大,预测输出值有时要延迟几个时间段。总体来说,基于传统统计理论的预测方法理论简单、容易理解,但是由于大部分模型都是基于线性的基础,当预测间隔小于5min时,由于交通流量变化的随机性和非线性加强,使得模型的性能变差。预测时仅仅利用了本路段的历史资料,没有考虑相邻路段的影响,这是影响其预测精度的原因之一。3.2神经网络模型预测人工神经网络诞生于20世纪40年代。1964年,Hu应用自适应线性网络进行天气预报,开创了人工神经网络预测的先河;1993年,VythoulkasPC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。随着神经网络的发展,基于神经网络的短期交通流预测的研究也越来越多。基于神经网络模型的预测原理为: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,用剩余部分数据进行预测。总结起来,大体可以分成3类:单一的一类神经网络模型;多种神经网络相结合的优化模型;有神经网络结合其他方法进行预测的综合模型等,下面分别进行阐述。3.2.1误差反传算法除下面详细介绍的反向传播BP(BcckPropagation)神经网络、径向基RBF(RadialBasisfunction)神经网络外,已用于短期交通流预测领域的神经网络模型还有:递归神经网络(recurrentneuralnetworks)、时间延迟神经网络(timedelayedneuralnetwork)、多层反馈神经网络(multilayerfeedforwardneuralnetworks)、谱分析人工神经网络(spectralbasisartificialneuralnetwork,SNN)、对偶传播神经网络(counterpropagationneuralnetwork,CPN)等。3.2.1.1反向传播BP(BackPropagation)神经网络BP神经网络是一个具有三层或三层以上的阶层神经网络。误差反传算法的主要思想是把学习过程分为两个阶段,即正向传播和反向传播。基于BP算法的多层前馈型神经网络的结构如图1所示,输入层为已知的上游路口的流量、速度及其他历史数据,经隐含层输出为当前路口的预测流量。经实际数据预测,得出BP神经网络模型虽然结构简单容易编程仿真,但是也存在着其固有的缺点:对于网络结构的确定,其隐层节点个数的选取,只能靠经验选取;由于数学角度上的非线性优化,此网络结构存在局部极小值问题;此学习算法相比于其他算法收敛速度慢很多,通常需要几千步迭代或者更多;而且此网络运行是单向传播,没有反馈,所以只是一个非线性映射系统;再者,在训练中,此网络结构学习新样本有遗忘旧样本的趋势。针对BP算法的缺点,国内外进行了不少的改进,BP算法最优化的方向主要有权值调整、自适应学习速率调整、网络结构调整等。常用的改进方法有以下几种:加入动量项;自适应学习速率调整;共轭梯度算法;Levenberg-Marquart算法。除了改进算法以外,通过改变神经网络结构(隐层结点数和网络层数)、调整误差等方法,也能加快BP算法的收敛速度。3.2.1.2径向基RBF(radialbasisfunction)神经网络同BP网络一样,RBF网络也是一种前向网络。其结构如图2所示,它只有一个隐含层,输出单元是线性求和单元,即输出是各隐单元的加权求和。隐单元的转移函数用径向基函数(RadialBasisFunction,RBF),输入单元和隐单元的连接权值固定为1,只有隐单元和输出单元的连接权值为可调。从理论上说,RBF网络能以任意精度逼近任意非线性映射。一般认为,RBF网络中所利用的非线性函数的形式对网络性能的影响并不是至关重要的,关键因素是基函数中心的选择。在实践中,可以将中心取为数据的某个子集,这种子集的选取应当是输入域的适当抽样。RBF网络的学习可用聚类(或类似的其他方法)确定函数中心,隐单元到输出的权可直接计算,避免了学习中的反复选代过程,所以学习速度较快。经过对实际交通流数据预测结果比较可知,RBF网络不仅具有良好的推广能力,而且避免了像反向传播那样繁琐、冗长的计算,学习速度比通常的BP方法快103～104倍,但是存在着聚类中心的选择问题,同时训练所需的样本数量较多。3.2.2混合网络模型神经网络在短期交通流预测领域应用较多,但是每种神经网络模型都有其优势和局限性,不同的神经网络相结合,能相互“取长补短”,也促进了多种神经网络相结合的混合优化预测模型的研究。如:1997年Ohba等提出的混合结构的神经网络模型具有学习功能。3.2.3神经网络模型随着科学的发展,出现了多学科的交叉与融合。神经网络技术与其他领域的先进方法相结合的综合模型也逐渐应用于交通流预测领域,如神经网络与优化算法(遗传算法、粒子群优化算法、蚁群优化算法、模拟退火算法等)的结合、神经网络与模糊逻辑相结合、神经网络与粗集理论相结合、神经网络与时间序列相结合等等,预测精度较单一的、优化的神经网络模型有很大的提高。神经网络具有识别复杂非线性系统的特性,因此比较适合用于短期交通流预测。目前已从一个简单的单一神经网络模型进行预测,发展到用不同的神经网络模型进行组合,提高了模型的精度和预测效果,再到用神经网络模型和其他领域的先进理论结合进行预测,弥补了神经网络的不足,提高了预测的精度。但应该看到神经网络用于短期交通流预测的局限性和不足,由于神经网络的“黑箱”式学习模式,训练过程需要大量的原始数据;训练完成的网络只适合于当前研究路段;同时,神经网络的学习算法采用经验风险最小化原理,不能使期望风险最小化,在理论上存在缺陷。神经网络模型的训练过程只能通过调整神经元的权值进行数据处理,即只有神经元外部的处理能力,这种不足导致这类网络存在着局部极小、收敛速度慢、推广能力差以及难以实现在线调整等问题。目前神经网络在交通流预测领域的研究大多属于验证性的研究,即用人工神经网络方法完成预测并与其他方法进行对比,没有指出神经网络的适用范围和应用条件。每一种预测模型或方法都有其适用性,应进一步研究各种神经网络模型的适用条件和范围。3.3非线性系统理论非线性预测主要以混沌理论、耗散结构论、协同论、自组织理论等非线性系统理论为理论基础,利用有关混沌吸引子概念、分形概念、相空间重构方法,数字生态模拟法(dataecology)等建立预测模型。其中发展较成熟的预测方法是混沌理论和小波分析。3.3.1交通流的混沌特性混沌学是一门新兴学科,混沌理论研究的是非线性动力学系统的混沌。混沌(Chaos)是指一种貌似无规则的运动,在确定性非线性系统中,不需附加任何随机因素亦可出现类似随机的行为(内在随机性)。要用混沌理论对交通流进行分析,首先要判别交通流的混沌特性,交通流系统是有人的群体参与的、开放的复杂巨系统,因此交通中存在着混沌。从理论上讲用混沌理论对非线性、不确定性很强的交通流进行预测是非常适合的,所以这类模型将会有很好的发展应用前景。3.3.2时间序列分解小波分析是20世纪80年代中期发展起来的一门新兴的分析方法,并已在逼近论、微分方程、分形识别、计算机视角及非线性科学等方面都有成功地应用。因小波具有良好的时——频局部化性质,人们将其应用于混沌、非平稳时间序列的分析与预测。小波分析方法是对一组已知的交通流时间序列v0ii0(将原始信号视为尺度0上的信号)和选定的尺度函数ϕ(t)、小波函数φ(t)及其对应的分解系数序列{an}、{bn},重构系数序列{pn}、{qn},进行N尺度的分解,得到一个基本时间序列信号vjiij和一组干扰信号wjiij(j=1,2,…,N),然后利用其他预测方法(如ARMA)对分解后的近似信号、干扰信号进行预侧,将分解信号及相应的预测结果利用重构算法(如Mallat算法)得到原尺度的信号及其预测结果。近年来发展了一些基于小波分析的预测方法,如将小波框架神经网络用于交通流量预测,取得了较好的效果。但由于该网络固有的参数较多且不易确定,使小波网络在交通流预测中的优势未能充分地发挥。正交小波网络不仅具有小波框架神经网络的优点,而且由于尺度函数的正交性,其参数更易确定,可以提供一个更加有效的函数表示或逼近。然而,鲁棒性较差的问题妨碍了小波网络的工程应用;应用于预测领域的还有小波理念与kalman滤波的结合模型、小波理论与时间序列的结合模型、小波理论与混沌理论的结合模型、非参数小波算法等。基于小波分析的模型有很大的应用前景,但在交通流预测领域应用不多,将有待继续研究。3.4基于新兴技术的预测方法随着科学的发展,预测领域出现了一些新兴技术。下面重点介绍一下数据融合技术。3.4.1融合模型方法与算法数据融合是一种信息的综合和处理过程,即对来自多源、多媒质、不同时间、不同模式、不同表示方法的传感器数据和信息按一定的准则,结合知识库,分析、综合为一个全面的情报,最后得到被感知对象的更精确的描述,并在此基础上为用户提供需求信息。数据融合技术的最大优势在于它能合理协调多元数据,充分综合有用信息,在较短的时间内、以较小的代价,得