基于蚁群聚类算法的RBF神经网络交通流预测

1、基于蚁群聚类算法的rbf神经网络交通流预测第39卷第3期v.01.39no.3河北工业大学学报j0urnalofhebeiuniversity0ftechnol0gy2010年6月june2010文章编号:1007-2373(2010)03-004204基于蚁群聚类算法的rbf神经网络交通流预测林鑫,王晓晔,王卓,张德干(1.天津理工大学天津市智能计算及软件新技术重点实验室,天津300191;2.天津理工大学计算机视觉与系统省部共建教育部重点实验室,天津300191)摘要短时交通流因其不确定性等特点而导致预测很复杂,准确率不高.本文把蚁群聚类算法和rbf神经网络结合来构建交通流预测模型,用蚁群

2、聚类确定rbf网络隐层神经元的中心值,并且为了找到最优的聚类结果,在蚁群算法中加入了局部搜索.此模型具有较强的局部泛化能力和较高的准确率.实例仿真研究表明此方法预测效果较好.关键词短时交通流;预测;蚁群聚类;rbf神经网络;局部搜索中图分类号tp391文献标识码atrafficflowforecastingbasedonantcolonyclusteringalgorithmandrbfneuralnetworklinxin.一,wangxiao.ve,ngzhuo,一,zhangde.gan(1.tianjinkeylaboratoryofintelligencecomputingandno

3、velsoftwaretechnology,tianjinuniversityoftechnology,tianjin300191,china;2.keylaboratoryofcomputervisionandsystem,ministryofeducation,tianjinuniversityoftechnology,tianjin300191,china)abstractforitsuncertainty,theforecastingofshorttermtrafficflowiscomplicated,andtheaccuracyisnothigh.thispapercombines

4、antcolonyclusteringalgorithmandrbfneuralnetworktodesigntrafficflowforecastingmodel,usingantcolonyclusteringalgorithmtogetthecentersofhiddenlayerneurons.tofindthebestclusteringresult,localsearchisusedinantcolonyalgorithm.themodelhassonglocalgeneralizationabilitiesandhighaccuracy.thesimu?lationexperim

5、entresultsilluminatethattheapplicationisfairlyeffective.keywordsshort-termtrafficflow;forecast;antcolonyclustering;rbfneuralnetwork;localsearch0引言随着社会的进步,交通事业也在逐步发展,但各种交通问题也随之产生,如交通拥挤,交通事故等.而交通问题的好坏,不仅影响着人民的日常生活,也制约着经济和社会的发展.智能交通系统是近年来迅速发展起来的城市道路和高速公路控制管理新技术.它是运用高科技手段解决当今交通运输问题(包括运输能力,运输效率,运输安全以及运输服

6、务等)的新技术,是人工智能技术在交通运输系统的应用”.交通流量的预测是its的重要组成部分,而短时交通流预测又是其中的难点之一.短时交通流是指观测时间间隔很短的交通流,一般不超过15min.正由于观测时间间隔很短,交通流数据表现出高度的复杂性,随机性和不确定性.因此,要想准确的预测短时交通流量就比较困难.神经网络由于具有逼近任意非线性关系的能力,因此在智能交通系统中得到了广泛应用0j.rbf0经网络因其在逼近能力,分类能力和学习速度等方面的优点,被广泛应用于各个领域,包括图像处理,交通预测,语音识别等方面.文献【2和文献8】把rbf神经网络用于交通流的预测,证明此模型的有效性.在rbf网络中,

7、最重要的是选择隐层函数的中心点.目前主要的网络中心选取法有随机法,最小二乘法,聚类法等.蚁群算法作为一种分布式寻优算法,展示了其优良的搜索最优解的能力,能够应用于各收稿日期:2009.0428基金项目:国家863计划项目(2007aa01z188)作者简介:林鑫(1984一),男(汉族),硕士生;导师简介:王晓哗(1972.),女(汉族),副敦授,博士第3期林鑫,等:基于蚁群聚类算法的rbf神经网络交通流预测43种优化组合问题.文献4】4虽然把蚁群聚类和rbf结合并用于gdp增长值的预测,但并没有用蚁群聚类确定rbf神经网络隐含层的中心点,只是用蚁群算法对数据聚类,然后在每个聚类中选取一些数据

8、代表整个样本进行rbf网络训练.而且此方法对于一些实时性较强的数据如交通流数据并不适用.本文用蚁群聚类算法确定rbf网络的隐层中心值,对基本的蚁群算法进行了进一步改进,并且加入了局部搜索.然后把改进的蚁群聚类算法与rbf神经网络结合用于短时交通流的预测.1rbf神经网络rbf(径向基)神经网络是一个3层前馈神经网络,包括一个输入层,一个隐藏层和一个输出层,其结构如图l所示.输入层节点只是传递输入信号到隐藏层,隐藏层节点(也称rbf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性函数.图1中,网络输入x为维向量,输出j,为三维向量,输入输出样本对长度为t.rbf网络隐藏

9、层节点的作用函数一般用的是高斯激活函数,即u,=exp一,(j=l,2,点的输出,oi是第i个隐节点的标准化常数,h是隐含层节点数,=,:,?隐节点高斯函数的中心向量.rbf网络的隐含层到输出层实现h)一y的线性映射,即=wk/.4(七=1,2,),式中,1是隐含层第i个节点的输出;是输出层第k个节点的输出;是隐含层到输出层的加权系数.2蚁群聚类算法,),式中,是第i个隐节?,lv)是输入样本;c是第i个图1rbf网络的结构fig.1thestructureofrbfnetwork蚁群算法是受真实的蚂蚁的群体合作行为而提出的一种随机搜索算法.蚁群中的蚂蚁通过一种叫做信息素的化学物质进行相互交流

10、通信.蚂蚁在运动过程中能感知这种物质的存在及其强度,并朝着信息素强的方向移动,直到找到最优解.在自然界中,蚁群的这种寻找路径的过程被称为正反馈机制51.蚁群算法通过对候选解组成的群体进化来寻求最优解.其主要特征是具有较强的鲁棒性,适用于分布式计算和采用正反馈机制,已经被证明可用于解决各种复杂的优化问题.因此可以用来解决聚类分析问题.对于蚁群聚类,需要考虑以下几个方面盯.2.1蚂蚁的结构在蚁群聚类算法中,每只蚂蚁都表示一种可能的聚类结果.每只蚂蚁在搜索之前都分配一个空的长度为样品个数的解集,解集中的第i个位置对应于第i个样品所属的类号.在搜索结束后,解集中的值表示的是第i个样品所归属的类.2.2

11、信息素矩阵的构造信息素是蚂蚁相互交流通信的机制.初始时刻,信息素f被初始化同一个值,设t(0)=c(c为常数),代表样品i分配到它所属的类/的信息素值.2.3目标函数的构造已知模式样品集加有个样品和个模式分类sj,=1,2,mi,每个样品有,z个特征.以每个模式样品到聚类中心的距离之和达到最小作为目标函数,其数学模型表示为wcj=u=l,m;p=1,n)w.f:i(2)0一mlicnm河北工业大学学报第39卷其中:为第i个样品的第p个属性;为第个类中心的第p个属性.若样品i属于,类,则i,否则=0.2.4蚁群更新对每只蚂蚁所构成的每个样品,系统产生一个随机数g,预先定义好概率qo(0<q

12、o<1).若随机数小于g.,则选择与样品间具有的最大信息素的类为样品要归属的类.若此随机数大于,根据转换概率随机选择样品要转换的类.计算样品i到类/的转换概率p这里为样品i和所属类.,间的标准化信息素.2.5局部搜索为提高算法中蚂蚁找到近视解的效率,对蚁群算法加入局部搜索,即对目标值较小的前上个蚂蚁解集进行变换.方法如下:1)为解集中每个样品产生随机数,预先设定一个01问的随机数;2)选择类中心与这个样品的距离最短的类为第个样品被分配的类,重新聚类;3)根据式(1)重新计算变换操作后的目标值,若比原解集的目标函数值小,保留新解集,否则还原旧解集;4)对前个解集进行上述操作.在前个蚂蚁中选

13、择具有最小目标函数的蚂蚁作为最优解.2.6信息素更新进行局部搜索之后,利用前个蚂蚁对信息素进行更新.信息素更新采用式(4),(f+1)=(1一,.),()+(f)(4)=ais)titj其中:p(0<,.<1)为信息素蒸发参数;(为样品i与类在t时刻的信息素浓度;勺表示本次循环信息量的增量;西表示第k只蚂蚁在本次循环中所释放的信息量.设厶为蚂蚁的目标函数值,q为一参数常量值.若蚂蚁k中的样品i属于.,类,则=,否则砖=0.循环迭代,直到达到最大迭代次数,返回最优解为聚类结果.3基于蚁群聚类算法的rbf神经网络交通流预测模型3.1交通流预测模型整个交通流模型分为3部分:数据归一化,蚁

14、群聚类,rbf神经网络建模.3,1.1数据归一化对于一些跨度较大的数据,由于会对结果产生影响,需对其进行归一化.本文中的交通流数据归一化方法为:a-一min(x)/(max(x)一min(x),=,:,)为样本.归一化后的数据可以避免训练过程中计算的溢出以及加快学习训练过程的收敛速度.3.1.2蚁群聚类对归一化后的样本进行聚类,寻找最优的聚类结果.其实现步骤为初始化蚁群参数.需要初始化的参数主要有:蚂蚁数目antnum,类的个数centernum,转换规则参数g,信息素衰减系数rho,局部搜索阈值pls,迭代次数iternum,初始信息素tau,初始解集solution_string等.计算各

15、类中心,计算每只蚂蚁的目标函数,并对蚂蚁按目标函数值排序.局部搜索.在排序后的蚂蚁解集中,取前个蚂蚁作为要交换样品的蚂蚁,对要交换样品的蚂蚁实施局部搜索操作.信息素的更新.利用前个蚂蚁按式(4)对信息素进行更新.如果达到最大迭代次数,输出最优聚类解集.否则继续迭代.0u第3期林鑫,等:基于蚁群聚类算法的rbf神经网络交通流预测453.1-3rbf神经网络建模把蚁群聚类的结果用于rbf建模,步骤如下:1)样本训练a)隐层中心值和隐层节点个数的确定.这里rbf网络的隐中心值取蚁群聚类的中心值,隐层节点个数取聚类个数.b)计算各隐节点的扩展常数(宽度).计算隐节点数据中心间的距离,以隐节点间的最小距

16、离作为扩展常数.c)计算隐层节点到输出层节点的权值.先计算各样本输入离各数据中心的距离,然后计算隐节点的输出阵,最后得到输出权值和偏移量.2)样本测试a)根据样本训练中得到的参数对样本进行测试.b)对测试结果反归一化,分析结果.3.2实验与结果分析本文使用的交通流数据来自北京市某条公路,数据采样问隔为5min,选取相邻的两个路口各125组数据来进行短时交通流预测.其中,前100组用来训练,后25组用来测试.因为交通流数据存在着时间和空间相关性,所以为了充分利用历史数据和提高预测准确率,实验中预测路口2在时刻的流量是根据本路口在f一1,t-2,t-3,r一4时刻的流量以及路口1在fl时刻的流量来

17、进行预测的,即(.(卜1),q2(t一1),q2(t-2),q2(t一3),q:(f一4)-.q(.ql(卜1)表示路口1在t-1时刻的流量;q2(t-1)表示路el2在f一1时刻的流量;qdt一2)表示路口2在t-2时刻的流量;q2(t一3)表示路口2在t-3时刻的流量;q2(t一4)表示路i:32在t-4时刻的流量;:()表示路口2在t时刻的流量;路口1与路口2是两个相邻的路口.本文用matlab进行编程,在蚁群聚类中参数设置如下:antnum=l00,centernum=10,iternum=500,q=0.9,rho=0.1,pls=0.05,l=2.采用本文算法的预测结果如图2所示.

18、图3是用均值与rbf结合的预测结果.从图中可以发现,基于蚁群算法的rbf神经网络交通流预测整体上比基于均值的网络模型效果好,准确率较高.薜噩i】图2基于蚁群.rbf方法的预测结果fig.2thepredictionresultofantcolonyrbf驿图3基于kmeansrbf方法的预测结果果fig.3thepredictionresultofkmeansrbf4结束语交通流预测一直是一个倍受关注的课题,主要是因为其不确定性等特点导致预测精度不高,预测效果不好.本文把蚁群聚类算法和rbf神经网络进行结合,用改进的蚁群聚类算法确定rbf神经网络的隐层神经元的中心值.然后把此模型用于短时交通流预测,发现其准确率较高.此方法可进一步研究用于实际的交通流预测和诱导领域.参考文献:1】张国伍.智能交通系统工程导论m】.北京:电子工业出版社,2003.2况爱武,黄中祥.基于rbf神经网络的短时交通流预测j.系统工程,2004,22(2):6365.3doughertymark.areviewofneuralnetworksappliedtotransport【j.transportati