一种应用径向基神经网络和PCA分析的交通流预测方法
2014-10-29牛兴旺
牛兴旺
摘 要
在现代交通控制中，交通流量预测是一个重要基本环节，本文对其设计了径向基网络结合PCA的方法来预测，PCA减小相关路口维数，而网络实现预测权值的计算，最终达到应用相关路口历史数据预测目标路口流量的目的。
【关键词】PCA方法 流量 预测 交通控制 系统工程
随着中国城市不断发展，包括电动车在内的各种车辆在不断增长。然而现有主城区内的道路空间却越来越有限，节假日及上下班高峰期，部分路段日渐拥堵。当机动车数量达到一定程度的时候，原有的道路交通道路、标志、设施等，不能满足现代交通的需要，就会出现堵车现象。堵车只是现象和结果，原因是由于机动车数量达到一定程度以后，原有的道路交通设计已经不适合新的发展要求。一般来说出现原因有一是机动车数量过多； 二是交通设计不合理； 三是城市的整体规划有问题；四是外来人口过多。解决的渠道是多方面的，从技术层面，交通流量预测可以通过交通控制发挥有力的作用，这里主要采用一种径向基网络的方法进行交通流的预测。
1 系统处理方案
将一组相关到路口的数据流量进行了错误剔除等预处理后，继而加载到所提出的模型中来实现预测计算。这个计算总的实现框架如下：根据每个路口所记录的历史数据，应用主成分分析方法，对路网中路口关联度进行分析，求解出跟目标路口之间的相关度函数和指数，然后利用主贡献成分来求解相关路口；根据径向基神经网络，由相关路口数据流来训练有关权值，得到下一时刻预测的目标路口交通流与相关路口历史数据流之间的关系；最后综合利用训练好的神经网络，以及采集到的数据，求解预测未来的交通流量。
2 PCA的路口数据相关性降维
单个路口的交通流信息往往是由大量的多源数据组成，并且城市路网中的交叉口路口也是非常之多，所有城市路网的交通流信息数据量是无法想象的。利用主成分分析法定量的分析路口间交通流量的相关性，可以用来降低数据维度和压缩数据量。具体的操作步骤为：
（1）克服原始数据单位的不统一等问题，对原始数据进行必要的规格化处理，使规格化后的数据样本成为标准的正态分布。
（2）所有路口都可是为一个独立的样本，如此建立路口间流量的相关系数矩阵，关系数矩阵表明了n个路口彼此之间的相关程度。
（3）通过矩阵运算求出相关系数矩阵 R 的所有特征值，进一步得到主成分，主成分基本上包含了所有成分的大部分信息。
通过主成分的计算和分析，就知道目标路口交通流主要相关的路口，就简化了模型，使得预测模型更加精简和实际。
3 径向基神经网络流量预测
3.1 径向基网络
神经网络的基本单元称为神经元，它是对生物神经元的简化与模拟。神经元的特性在某中程度上决定了神经网络的总体特性。大量简单神经元的相互连结皆构成了神经网络。一个典型的具有N维输入的神经元组成，神经元的作用可用下面的数学式表达。
uk=wkjxj-θk （1）
yk=f（uk） （2）
常用的激励函数有线形函数、分段线形函数、Sigmoid函数、双曲正切函数等。神经网络是由大量简单神经元相互连结构成复杂网络系统。单个神经元的功能是有限的，只有用许多神经元按一定的规则连接，构成神经网络才具有强大的功能。径向基函数（Radial Basic Function，RBF）神经网络由三层组成。输入层节点只传递输入信号到隐层，隐层节点由像高斯核函数那样的辐射状作用函数构成，而输出层节点通常是简单的线形函数。隐层节点中的作用函数（基函数）对输入信号将在局部产生响应。当输入信号靠近基函数的中央范围时，隐层节点将产生较大的输出，由此看出来这种网络具有局部逼近能力，所以径向基函数网络也称为局部感知场网络。基函数最常用的是高斯函数：
RI（x）=exp[] i=1，2，…，m （3）
其中x是n维输入向量；ci是第i个基函数的中心，与x具有相同维数的向量，σi是第i个感知的变量（可以自由选择的参数），它决定了该基函数围绕中心点的宽度；m是感知单元的个数。||x?ci||是向量x?ci的范数，它通常表示x和ci之间的距离，Ri（x）在ci处有一个唯一的最大值，随着||x?ci||的增大，Ri（x）迅速衰减到零。对于给定的输入x∈Rn，只有一小部分靠近x的中心被激活。输入层实现从x→Ri（x）的非线形映射，输出层实现从Ri（x）到 yk的线形映射，p是输出节点数。即
yi=wikRi（x） k=1，2，…，p （4）
3.2 预测方法研究
本文以径向基神经网络作为基础的预测模型，将相关路口历史交通流量数据作为神经网络的输入，对目标路口交通流量进行短时预测。利用了相关路口的大量数据信息，又充分发挥了径向基神经网络特各种优点，使得更加预测更加高效，预测结果更加精确。针对待预测路口，将历史数据第t时刻，第t1时刻，第t2时刻，第t3时刻的交通流量f （t），f（t1），f（t2），f（t3），等等共四个数据作为神经网络的输入，将 t4时刻的交通流量数据作为网络的输出结果。神经网络模型为四个输入，一个输出。径向基神经网络模型通过计算软件进行交通流预测计算。采用数据是部分历史数据，过训练调整网络参数模型的权值。在权值得到以后，就可以利用相关路口对目标路口的交通流进行实时预测了。
作者单位
广东水粤智能科技公司 广东省广州市 510631endprint
摘 要
在现代交通控制中，交通流量预测是一个重要基本环节，本文对其设计了径向基网络结合PCA的方法来预测，PCA减小相关路口维数，而网络实现预测权值的计算，最终达到应用相关路口历史数据预测目标路口流量的目的。
【关键词】PCA方法 流量 预测 交通控制 系统工程
随着中国城市不断发展，包括电动车在内的各种车辆在不断增长。然而现有主城区内的道路空间却越来越有限，节假日及上下班高峰期，部分路段日渐拥堵。当机动车数量达到一定程度的时候，原有的道路交通道路、标志、设施等，不能满足现代交通的需要，就会出现堵车现象。堵车只是现象和结果，原因是由于机动车数量达到一定程度以后，原有的道路交通设计已经不适合新的发展要求。一般来说出现原因有一是机动车数量过多； 二是交通设计不合理； 三是城市的整体规划有问题；四是外来人口过多。解决的渠道是多方面的，从技术层面，交通流量预测可以通过交通控制发挥有力的作用，这里主要采用一种径向基网络的方法进行交通流的预测。
1 系统处理方案
将一组相关到路口的数据流量进行了错误剔除等预处理后，继而加载到所提出的模型中来实现预测计算。这个计算总的实现框架如下：根据每个路口所记录的历史数据，应用主成分分析方法，对路网中路口关联度进行分析，求解出跟目标路口之间的相关度函数和指数，然后利用主贡献成分来求解相关路口；根据径向基神经网络，由相关路口数据流来训练有关权值，得到下一时刻预测的目标路口交通流与相关路口历史数据流之间的关系；最后综合利用训练好的神经网络，以及采集到的数据，求解预测未来的交通流量。
2 PCA的路口数据相关性降维
单个路口的交通流信息往往是由大量的多源数据组成，并且城市路网中的交叉口路口也是非常之多，所有城市路网的交通流信息数据量是无法想象的。利用主成分分析法定量的分析路口间交通流量的相关性，可以用来降低数据维度和压缩数据量。具体的操作步骤为：
（1）克服原始数据单位的不统一等问题，对原始数据进行必要的规格化处理，使规格化后的数据样本成为标准的正态分布。
（2）所有路口都可是为一个独立的样本，如此建立路口间流量的相关系数矩阵，关系数矩阵表明了n个路口彼此之间的相关程度。
（3）通过矩阵运算求出相关系数矩阵 R 的所有特征值，进一步得到主成分，主成分基本上包含了所有成分的大部分信息。
通过主成分的计算和分析，就知道目标路口交通流主要相关的路口，就简化了模型，使得预测模型更加精简和实际。
3 径向基神经网络流量预测
3.1 径向基网络
神经网络的基本单元称为神经元，它是对生物神经元的简化与模拟。神经元的特性在某中程度上决定了神经网络的总体特性。大量简单神经元的相互连结皆构成了神经网络。一个典型的具有N维输入的神经元组成，神经元的作用可用下面的数学式表达。
uk=wkjxj-θk （1）
yk=f（uk） （2）
常用的激励函数有线形函数、分段线形函数、Sigmoid函数、双曲正切函数等。神经网络是由大量简单神经元相互连结构成复杂网络系统。单个神经元的功能是有限的，只有用许多神经元按一定的规则连接，构成神经网络才具有强大的功能。径向基函数（Radial Basic Function，RBF）神经网络由三层组成。输入层节点只传递输入信号到隐层，隐层节点由像高斯核函数那样的辐射状作用函数构成，而输出层节点通常是简单的线形函数。隐层节点中的作用函数（基函数）对输入信号将在局部产生响应。当输入信号靠近基函数的中央范围时，隐层节点将产生较大的输出，由此看出来这种网络具有局部逼近能力，所以径向基函数网络也称为局部感知场网络。基函数最常用的是高斯函数：
RI（x）=exp[] i=1，2，…，m （3）
其中x是n维输入向量；ci是第i个基函数的中心，与x具有相同维数的向量，σi是第i个感知的变量（可以自由选择的参数），它决定了该基函数围绕中心点的宽度；m是感知单元的个数。||x?ci||是向量x?ci的范数，它通常表示x和ci之间的距离，Ri（x）在ci处有一个唯一的最大值，随着||x?ci||的增大，Ri（x）迅速衰减到零。对于给定的输入x∈Rn，只有一小部分靠近x的中心被激活。输入层实现从x→Ri（x）的非线形映射，输出层实现从Ri（x）到 yk的线形映射，p是输出节点数。即
yi=wikRi（x） k=1，2，…，p （4）
3.2 预测方法研究
本文以径向基神经网络作为基础的预测模型，将相关路口历史交通流量数据作为神经网络的输入，对目标路口交通流量进行短时预测。利用了相关路口的大量数据信息，又充分发挥了径向基神经网络特各种优点，使得更加预测更加高效，预测结果更加精确。针对待预测路口，将历史数据第t时刻，第t1时刻，第t2时刻，第t3时刻的交通流量f （t），f（t1），f（t2），f（t3），等等共四个数据作为神经网络的输入，将 t4时刻的交通流量数据作为网络的输出结果。神经网络模型为四个输入，一个输出。径向基神经网络模型通过计算软件进行交通流预测计算。采用数据是部分历史数据，过训练调整网络参数模型的权值。在权值得到以后，就可以利用相关路口对目标路口的交通流进行实时预测了。
作者单位
广东水粤智能科技公司 广东省广州市 510631endprint
摘 要
在现代交通控制中，交通流量预测是一个重要基本环节，本文对其设计了径向基网络结合PCA的方法来预测，PCA减小相关路口维数，而网络实现预测权值的计算，最终达到应用相关路口历史数据预测目标路口流量的目的。
【关键词】PCA方法 流量 预测 交通控制 系统工程
随着中国城市不断发展，包括电动车在内的各种车辆在不断增长。然而现有主城区内的道路空间却越来越有限，节假日及上下班高峰期，部分路段日渐拥堵。当机动车数量达到一定程度的时候，原有的道路交通道路、标志、设施等，不能满足现代交通的需要，就会出现堵车现象。堵车只是现象和结果，原因是由于机动车数量达到一定程度以后，原有的道路交通设计已经不适合新的发展要求。一般来说出现原因有一是机动车数量过多； 二是交通设计不合理； 三是城市的整体规划有问题；四是外来人口过多。解决的渠道是多方面的，从技术层面，交通流量预测可以通过交通控制发挥有力的作用，这里主要采用一种径向基网络的方法进行交通流的预测。
1 系统处理方案
将一组相关到路口的数据流量进行了错误剔除等预处理后，继而加载到所提出的模型中来实现预测计算。这个计算总的实现框架如下：根据每个路口所记录的历史数据，应用主成分分析方法，对路网中路口关联度进行分析，求解出跟目标路口之间的相关度函数和指数，然后利用主贡献成分来求解相关路口；根据径向基神经网络，由相关路口数据流来训练有关权值，得到下一时刻预测的目标路口交通流与相关路口历史数据流之间的关系；最后综合利用训练好的神经网络，以及采集到的数据，求解预测未来的交通流量。
2 PCA的路口数据相关性降维
单个路口的交通流信息往往是由大量的多源数据组成，并且城市路网中的交叉口路口也是非常之多，所有城市路网的交通流信息数据量是无法想象的。利用主成分分析法定量的分析路口间交通流量的相关性，可以用来降低数据维度和压缩数据量。具体的操作步骤为：
（1）克服原始数据单位的不统一等问题，对原始数据进行必要的规格化处理，使规格化后的数据样本成为标准的正态分布。
（2）所有路口都可是为一个独立的样本，如此建立路口间流量的相关系数矩阵，关系数矩阵表明了n个路口彼此之间的相关程度。
（3）通过矩阵运算求出相关系数矩阵 R 的所有特征值，进一步得到主成分，主成分基本上包含了所有成分的大部分信息。
通过主成分的计算和分析，就知道目标路口交通流主要相关的路口，就简化了模型，使得预测模型更加精简和实际。
3 径向基神经网络流量预测
3.1 径向基网络
神经网络的基本单元称为神经元，它是对生物神经元的简化与模拟。神经元的特性在某中程度上决定了神经网络的总体特性。大量简单神经元的相互连结皆构成了神经网络。一个典型的具有N维输入的神经元组成，神经元的作用可用下面的数学式表达。
uk=wkjxj-θk （1）
yk=f（uk） （2）
常用的激励函数有线形函数、分段线形函数、Sigmoid函数、双曲正切函数等。神经网络是由大量简单神经元相互连结构成复杂网络系统。单个神经元的功能是有限的，只有用许多神经元按一定的规则连接，构成神经网络才具有强大的功能。径向基函数（Radial Basic Function，RBF）神经网络由三层组成。输入层节点只传递输入信号到隐层，隐层节点由像高斯核函数那样的辐射状作用函数构成，而输出层节点通常是简单的线形函数。隐层节点中的作用函数（基函数）对输入信号将在局部产生响应。当输入信号靠近基函数的中央范围时，隐层节点将产生较大的输出，由此看出来这种网络具有局部逼近能力，所以径向基函数网络也称为局部感知场网络。基函数最常用的是高斯函数：
RI（x）=exp[] i=1，2，…，m （3）
其中x是n维输入向量；ci是第i个基函数的中心，与x具有相同维数的向量，σi是第i个感知的变量（可以自由选择的参数），它决定了该基函数围绕中心点的宽度；m是感知单元的个数。||x?ci||是向量x?ci的范数，它通常表示x和ci之间的距离，Ri（x）在ci处有一个唯一的最大值，随着||x?ci||的增大，Ri（x）迅速衰减到零。对于给定的输入x∈Rn，只有一小部分靠近x的中心被激活。输入层实现从x→Ri（x）的非线形映射，输出层实现从Ri（x）到 yk的线形映射，p是输出节点数。即
yi=wikRi（x） k=1，2，…，p （4）
3.2 预测方法研究
本文以径向基神经网络作为基础的预测模型，将相关路口历史交通流量数据作为神经网络的输入，对目标路口交通流量进行短时预测。利用了相关路口的大量数据信息，又充分发挥了径向基神经网络特各种优点，使得更加预测更加高效，预测结果更加精确。针对待预测路口，将历史数据第t时刻，第t1时刻，第t2时刻，第t3时刻的交通流量f （t），f（t1），f（t2），f（t3），等等共四个数据作为神经网络的输入，将 t4时刻的交通流量数据作为网络的输出结果。神经网络模型为四个输入，一个输出。径向基神经网络模型通过计算软件进行交通流预测计算。采用数据是部分历史数据，过训练调整网络参数模型的权值。在权值得到以后，就可以利用相关路口对目标路口的交通流进行实时预测了。
作者单位
广东水粤智能科技公司 广东省广州市 510631endprint
