基于数据挖掘技术的交通流量分析

2016-03-16黄柏然

环球市场 2016年13期

关键词：交通流量特征向量数据挖掘

黄柏然

广西博联信息通信技术有限责任公司

基于数据挖掘技术的交通流量分析

黄柏然

广西博联信息通信技术有限责任公司

交通流量预测是研究智能交通系统的重要课题，通过交通流量预测方法对相关数据进行建模，预测未来交通流量，进一步更好地制定忙时交通分流预案，配备合适的运营资源。本文阐述了数据挖掘技术的主要方法以及交通流量预测与BP神经网络模型预测的主要步骤，对基于数据挖掘技术的交通流量进行了探讨分析。

数据挖掘技术；交通流量预测；BP神经网络模型；Matlab软件

随着城市建设的不断推进，促进了交通运输的发展，同时交通拥堵和事故、环境污染以及能源消耗问题越来越严重。为了保障交通运输的健康发展，必须加强交通流量预测的分析。

一、数据挖掘技术的主要方法

数据挖掘技术的主要方法：（1）聚类分析法。聚类分析是通过将数据对象进行聚类分组，然后形成板块，将毫无逻辑的数据变成了有联系性的分组数据，然后从其中获取具有一定价值的数据内容进行进一步的利用。由于这种分析方法不能够较好的就数据类别、属性进行分类，所以聚类分析法一般都运用在心理学、统计学、数据识别等方面。（2）人工神经网络。人工神经网络是通过大批量的数据进行分析，而这种数据分析方式本身是建立在一定的数据模型基础上的，因此通常都可以随时根据数据需求进行分类，所以人工神经网络也是当下数据挖掘技术中最常用的一种数据分析方式之一。（3）关联性分析法。有时数据本身存在一定的隐蔽性使得很难通过普通的数据分析法进行数据挖掘和利用，这就需要通过关联性分析法完成对于数据信息的关联性识别，来帮助人力完成对于数据分辨的任务，这种数据分析方法通常是带着某种目的性进行的，因此比较适用于对数据精准度相对较高的信息管理工作。（4）特征性数据分析法。网络数据随着信息时代的到来变成了数据爆炸式，其数据资源十分广泛并且得到了一定的普及，如何就网络爆炸式数据进行关于特性的分类就成为了当下数据整理分类的主要内容。在上文中提到的人工神经网络数据分析也属于这其中的一种，此外还有很多方法都是通过计算机来进行虚拟数据的分类，寻找数据之间存在的普遍规律性完成数据的特性分析从而进行进一步分类。

二、交通流量预测与BP神经网络模型预测的主要步骤

1、交通流量预测的分析。现有短时交通流量预测方法大致可以分为：第一、以数理统计和微积分等传统数学和物理方法为基础的，其主要包括早期的历史平均模型，自回归滑动平均模型（ARMA），以及后来研究的更复杂、更精度的多元回归模型，Kalman滤波模型，ARIMA模型等；第二、无数学模型的预测方法，其需要自己建立新的算法来实现，主要方法有非参数回归，谱分析法，基于小波理论的方法，神经网络等。

2、BP神经网络模型预测的主要步骤。BP神经网络模型把一组样本的I/O的输入输出问题转化一个非线性优化的问题，其实际是优化中梯度下降法。假如把这种神经网络的看作是从输入层到输出层的映射，则这个映射是一个高度非线性得关系。

首先是要对训练样本进行选取和预处理，结合研究状况以及目标，选取合适的训练样本和检验样本，由于BP神经网络各层转换函数以及学习规则是不同的，所以在输入样本之前要对输入的样本作预处理；然后再去确定建造BP网络的结构，这包括变量的选取，隐层和隐层节点数的选取等问题；把输入样本输入到BP神经网络模型中，再进行仿真训练；而后预测出该网络的输出值，再拿该期望值与实际输出进行比较，根据误差去反复的修改误差，从而改变权值以及阈值，直到误差一个可接受的范围，完了再用检验样本进行对比，判断结果；然后对结果进行比较分析，最后认可该网络模型的算法，就可以对未来交通流量进行精确地预测。

三、基于数据挖掘技术的交通流量分析

BP神经网络的设计：首先是对模型的建立、数据采集并且预处理，然后对输入到模型特征向量的数据进行预测、通过预测的数值去判断是否符合实际数值等。该模型网络的建立是整个系统是否成功的关键，并且只要选择的数据完备、可靠、准确，才有可能得到符合预测的网络模型。数据的采取需要有实时的数据采集系统。事实上预处理的过程要求根据数据的实际情况进行预处理，本文研究的交通流量数据都是来自交通监控部门，故具有完备的、一致的，因此要首先要对其进行数据变换。对于系统的输出数值是否满足实际数值，只要将其所得到的预测值和数学期望值进行比较，所得的数值满足在数学期望值的附近且其误差值小于预先设定的误差值时，就可以认为该系统可以成功预测交通流量，可以先把它记下来；反之，认为将得不到合适的数值，需要不断的改变权值。

对输入到网络模型特征向量数据进行预测：首先建立合适的网络模型，将对应的交通流量的特征向量数据预处理后，输入到网络进行训练，仿真训练结束后，用检验样本的特征向量进行检验，然后用最后一组数据对该模型测试，分析其模型的实际是否有效，判断其是否是符合实际交通流量预测的模型。只要特征向量的数值的选择较为合适，就有可能建立起较为合适的模型，可以用此来对交通流量进行预测。所以BP神经网络应用于交通流量的预测中是可行的。

应用BP神经网络的交通流量预测模型建立可以知道，在应用BP神经网络解决现实存在的问题中，网络结构参数的确定，训练算法和参数的选取，只能通过大量的科学实验，最后通过计算获得，这占用了大量编程人员的大量时间和精力，然而Matlab软件提供了这些便捷，其提供了现成的神经网络工具箱，即是它拥有这方面大量地函数库。Matlab软件的神经网络工具箱应该是囊括了现在所有的网络模型，例如：径向基函数网络，BP网络，线性网络，感知器等等网络模型。对于这些模型，Matlab软件中的库函数提供了大量地算法模型。