基于bp神经网络的快速路小时交通量预测本科毕业设计(编辑修改稿)

基于bp神经网络的快速路小时交通量预测本科毕业设计(编辑修改稿)内容摘要：

内容差异 划分。 分类方式的多样化目的 是不同模型 针对 相对应 的 预测参数能 使预测效率更高，结果更精确。 随着其他领域预测问题的不断研究深入与成功经验的总结， 越来越多越来越有效的 在其他 领域应用成熟的预测模型 被 逐渐 用于交通 流量 预测领域。 大量实践表明 基于人工神经网络理论方法 （包括基于 BP 神经网络的 交通信息预测方法， Elman网络 交通信息预测方法等等 ）对交通信息预测效果非常好， 很多交通信息预测都往偏向组合预测的方向发展，因为对精度要求较高的预测 ，组合预测可以取长补短， 但相对于单项预测而言，组合预测一般都采用两种以上预测模型，这无疑会使预测工作量 加大。 在一个预测模型能满足预测条件的情况下，本设计采用单项预测 中的 BP 神经网络交通量预测方法， 详细情况接下来介绍。 本章小结 对 交通 流 量及 其 预测的概念 进行阐述 ， 简要分析交通流预测的现状，并 列 出几种交通流量 预测的方法， “ 凡事预则立，不预则废 ” 说明对事物进行预测的重要性，根据事物特性选择一个合适的预测方法同样重要。 五邑大学本科毕业 设计 7 第 3 章 BP 神经网络 人工 神经网络 基本知识 人工神经网络是由大量神经元联接 成的复杂的网络结构，主要是模拟人脑来进行信息处理。 它能根据系统的复杂度来自动的调整网络内部结构关系，进而很好地模拟系统信息的传递情况，因此神经网络的自组织、自学习的 优越性极为明显。 另外，神经网络允许输入信息有畸变、不完整等，因此它的容错性很强，并且有很好的鲁棒性。 人工神经网络本质是神经细胞之间联接权重的调整，联接权重的调整规则构成神经网络学习算法，学习算法又决定了神经网络学习能力的高低。 其 处理单元 一般有三个 ：输入单元、输出单元和隐含层单元。 各个神经元之间的连接强度反映着信息表示到信息处理的一个过程，是网络 学习 训练 中的 关键所在。 有必要说明一点， 隐含层单元主要对输入信息进行处理，它的构造对网络来说非常重要 ，隐层越多学习算法所得结果越精确，但是算法会更繁琐，所以要根据精度的要求来确定隐层个数，避免做无用功。 神经网络能够逼近任意非线性映射，拥有学习、泛化及高度并行实现能力， 它能 同时运行定性和定量的数据， 能被 很容易 地 应用于多变量系统， 适用于 复杂系统的建模方面 的研究。 图 31 人工神经元模型 其中 p=( Rppp ,..., 21 )表示神经元 输入向量； w=( R ,..., 21 )表示其他神经元与该神经元 R 个突触的连接强度即权值向量；  为神经元阈值 (*)f 为传输函数 ，常用的静态非线性输出函数有以下几种： 1. 阈值函数 1, 0() 0, 0xfx x  （ 31） 2. 分段线性函数 ... 1w2wRw (*)f2pRp1py五邑大学本科毕业 设计 8 1, 1( ) , 1 11, 1xf x x xx      （ 32） 3. Sigmoid 函数 1() 1xfx e  （ 33） 4. 双曲正切函数 xxxx ee eexf)( （ 34） 5. 高斯函数 22/)( xexf  ； 2 为标准化参数（ RBF 网络） （ 35） 活；如果值，则该神经网络被激，如果其值大于相应阈表示神经网络加权值和Ri ii pw1y权值也称激活值；激活，所以输入向量加值，则该神经网络不被其值小于或等于相应阈关系可表示为：非线性元件，输入输出是一个多输入单输出的表示输出，这个神经元 )(1 Ri iipwfy  （ 36） BP 神经网络 BP 神经网络 概述 BP 神经元结构图如 32 所示 ， b 表示阈值向量 ； n 表示输出单元数 ； f 表示 神经元传输函数 ； 图 32 BP 神经元的一般模型 除了 传输函数为非线性函数 以外， BP 神经元与其他神经元类似。 其 常用的函数是f )(xf 2p1pRp1,w2,1wRw,1nb输入 神经元 … y五邑大学本科毕业 设计 9 logsig和 tansig函数，有的输出层也采用线性函数 purelin。 输出 y 表示为： y=tansig(Wp+b) （ 37） BP 神经网络是一种多层前馈神经网络，采用误差反向传播算法。 结构上 BP 神经网络在输入层和输出层之间 有 了一层或多层隐含单元。 鉴于交通量的强非线性，为了尽可能提高预测模型的预测精度，本设计选择利用两个隐层的 BP 神经网络建立模型，即在单隐层BP 网络的基础上添加 一 个隐层。 如图 33 所示为 含两个 隐层的 BP 神经网络，相邻层实现全联接，每个隐层内部神经元之间不联接。 图 33 BP 神经网络结构图 数据处理器构成的样本的维数确定了输入层单元数，输 出层含神经元一个，训练用输出值由数据处理器提供。 当输出的结果与目标不一致时，通过对权值与阈值的调整，使其达到误差要求进而得到输出结果。 BP 神经网络学习算法 BP 算法的基本思想是：给定用于 BP 网络训练的样本输入与期望输出，通过 前 向逐层计算，然后的到网络的实际输出，若该实际输出与期望输出存在偏差，就将偏差沿网络反向传播， 通过 反向逐层修改联接权 值和阈值， 使其 满足误差要求 从而 获得 满足 期望 输出 的网络。 BP 神经网络的学习过程 以下 这两步所组成： Step1 模式正向传播 设定所有权值和阈值的初始值， 权值 可置为任意 小的随机数， 从输入层开始，输入向量为 ),...,( 321 nk xxxxX  ， mk ,...,2,1 ， 对应输出层输出为 ),...,( 321 qk yyyyY  ， mk ,...,2,1 ， m 为 训练样本个数 用 ， n 为输入层单元个数 ， q 为 输出层单元数。 令 隐层单元数 为 p ， 输 入层 至隐层、隐层至输出层的连接权值 分别为 ijW 、 jtV ，隐层单元、输出层单元阈值 分别为 j 、 t ,则隐层单元的输入可为： jni jijj XWS  1 ， pj ,...2,1 ， （ 38） 传递函数通常采用 Sigmoid 函数： 2x 输出 输入层 隐层 隐层 输出层 kY输入 kX1xnx1y2yqy五邑大学本科毕业 设计 10 xexf  1 1)(， （ 39） 隐层 的输出为： )]e xp(1[11 jjni ijj XWb  ， （ 310） 输出单元的输入为： tjpi jtt bVL 1， qt ,...,2,1 ， （ 311） 输出单 元输出为： )]e x p (1[11 tjpj jtt bVO  ， qt ,...,2,。 （ 312） Step2 误差 反向传播 实际输出的误差为个训练样本期望输出与设第 k ： 2)(12 qtktktk OyE （ 313） 全局总误差为： 2)(1 12   mkqtktkt OyE （ 314） 根据误差不断调节权值，调节权值的目的就是使误差不断的减少，通常采用误差梯度下降算法 调整 权值： ))(()()1( kEkk   （ 315） 上式中， ))(( kE 方向与 k 次 训练中误差函数梯度变化方向 相反。 根据 jtkjt VEV  / 推出调整量 为： mkpjntbdV jktjt , . . . ,2,1。 , . . . ,2,1。 , . . . ,2,1,   （ 316） 上式中 , 为学习率 且 0 ， )1()( ktkjkjkt OtOyd 。 ktd 为：对输出层的阈值调整量。 隐层权值调整量为 ： mkpjnixeW ikjij , . . . ,2,1。 , . . . ,2,1。 , . . . ,2,1,   （ 317） 隐层阈值调整量为： mkpje kjj , . . . ,2,1。 , . . . ,2,1,   （ 318） 上式中， )1()(1 jjjtqtktkj bbVde  。 根据以上得出的对应调整值对隐层和输出层的权值和阈值作出相应调整，到这一步整个模型算是完成一个正向、反向传播过程，也就是以此完整的学习过程，如果误差依旧不能满足精度条件，重新返回 Step1 开始计算，直到误差在满足要求或者达到预先设定的训五邑大学本科毕业 设计 11 练步数为止方可利用此 网络 进行预测。 BP 神经网络算法改进 BP 神经网络 与 BP 神经网络 变化形式 在神经网络中应用比例占半数以上 ， 之所以有如此大的影响力 ，最主 要的便是有很多神经网络研究方面的专家 针对 其 缺 限 进行 不断改进从而 出现改进型 的 BP 神经网络算法。 1. 针对学习率与稳定性的矛盾及缺乏有效选择学习率的方法这一问题，加快其收敛速度是 首当其冲的 ， 对此， 有以下几种方法： （ 1） 可以选择通过学习率  渐小法 {rkt  1)0()(  ，（ r 是大于 0 的常数） }、自适应调节  以及基于符号变化的  自适应法改变学习率进而加快收敛速度； （ 2） 引进动量因子 )10(  把上一次权重调整时产生的误差附加到本次调整中，新的权重调整公式为： )1()([))(()()1(  kkkEkk  （ 319） 其中： 变化的反方向次训练中误差函数梯度为 kkE ))(( 。 （ 3） 本章上节提到传统 BP 算法同上采用 Sigmoid 函数作为激励函数，其函数特性将误差修正率限制在 0025 以内，一定程度上影响了收敛速度， 用下面这一函数取代原激励函数： 221 2)( xxxf ，  11  x （ 320） 其中：  为较小正数。 2. 为避免训练过程中陷入局部 极 小，只能通过改变算法来解决 ，在实际应用中，可以采取模拟退火法，通过改变其初始值，并经过多次训练，以达到理想效果，但学习速度比较慢。 3. 建模时因为没有确定隐层节点数的有效方法，过多过少的隐层节点都会对训练产生影响，所以应合理确定网络结构。 本章小结 本章先对人工神经网络定义 、感知器 及 BP 神经网络结构作出 简单介绍，着重阐述 BP神经网络 学习算法， 误差的沿原来的连接通路返回随后修改联接权值然后正向传播，这样的反复计算对减小预测误差作用是很明显的。 五邑大学本科毕业 设计 12 第 4 章 基于 BP 神经网络 的 快速路小时交通量 预测 与仿真 BP 神经网络在交通信息预测中的应用 第 2 章 已经提到 城市交通流量虽然随机性 比较强 ，但是并不 能说明 它 的 不可预测， 事实上 ，在一个短的时间内，每条道的流量、路口总流量和交通控制网络流量的变化都具有丰。