基于BP神经网络的快速路小时交通量预测本科毕业设计

五邑大学本科毕业设计PAGE2PAGE34基于BP神经网络的快速路小时交通量预测摘要快速路高效运行是解决城市交通拥堵问题的关键所在，城市ITS的应用提高了城市路网使用效率以及发挥环路运营管理的使用功效，准确的快速路交通量预测数据为城市ITS提供数据基础。本设计应用BP神经网络对快速路小时交通量进行预测，通过确定BP神经网络的结构和采用MATLAB神经网络工具箱函数建立神经网络预测模型，把已知的历史交通量数据作为输入、输出训练的样本集，依据已知数据和实际输出间的误差，用学习系统来调节系统参数提高预测的精度，然后使用MATLAB对仿真程序进行仿真得出结果，仿真结果表明BP神经网络对交通量进行预测效果很好。关键词：快速路；交通量预测；BP神经网络；仿真AbstractTheefficiencyofexpresswayisthekeytosolvetheproblemoftheurbantrafficcongestion.Moreover,TheapplicationofITSdevelopstheefficiencyoftheurbanexpresswaynetworkandgivesscopetothepotentialoftheloop’soperationmanagement,theITSdataisbasedontheaccurateforecastfiguresofexpresswaytrafficflow.Inthisdesign,BPneuralnetworkisusedtopredictthetrafficvolumeofexpressway,bydeterminingthestructureoftheBPneuralnetworkandadoptingMATLABneuralnetworktoolboxfunctiontocreateaneuralnetworkpredictionmodel,useknownhistoricaltrafficdataasthesamplesetofinputandoutputtraining.Anduselearningsystemtoadjustthesystemparameterstoimprovethepredictionaccuracyaccordingtotheerrorbetweentheknowndataandtheactualoutput.ThenuseMATLABsimulationprogramforthesimulationresults,thesimulationresultsshowthattheBPneuralnetworktoforecastthetrafficvolumeeffectisverygood.Keywords:expressway;trafficforecast;BPneuralnetwork;simulation

目录摘要 IAbstract II第1章绪论 11.1课题背景 11.2研究目的和意义 11.3国内外文献综述 21.4论文的主要内容 3第2章交通量预测 42.1交通量 42.1.1交通量概述 42.1.2交通流量特性 42.2交通流量预测研究现状 52.3交通流量预测方法 62.4本章小结 6第3章BP神经网络 73.1人工神经网络基本知识 73.2BP神经网络 83.2.1BP神经网络概述 83.2.2BP神经网络学习算法 93.2.3BP神经网络算法改进 113.3本章小结 11第4章基于BP神经网络的快速路小时交通量预测与仿真 134.1BP神经网络在交通信息预测中的应用 134.2基于BP神经网络的快速路小时交通量预测 134.3仿真研究 164.3.1四输入法仿真结果 164.3.2五输入法仿真结果 224.4本章小结 27结论 28参考文献 29致谢 30附录 31第1章绪论1.1课题背景交通系统是承载城市社会经济活动的基础设施，随着我国经济资源的迅速发展，加快了城市之间的经济快速流转，在不同的城市之间物质等各方面资源在不断的调动。改革开放以来城镇化的快速发展，机动车保有量激增使得城市交通需求快速增长，发展带来巨大财富的同时城市交通的供需矛盾日趋激化，这直接导致在我国多数城市引发一系列交通问题如道路拥堵、环境严重污染、交通事故频发等，严重影响着社会及经济的正常发展，研究新的交通管理系统和改善基础交通设施刻不容缓。世界各国都投入大量的人力物力去开发新的交通管理系统和不断改善各种对交通的控制管理。相继研发出了许多不同的交通控制手段和系统，智能交通运输系统(IntelligentTransportationSystem，简称ITS)的提出为解决交通问题、缓解交通拥挤和减少交通事故发挥了巨大的作用。快速路作为连接城市与城市、城市与地区的纽带，是交通的大动脉，为促进城乡经济的发展起着重要的桥梁作用。快速路的建成，的确暂时地缓和了拥挤的交通，引起沿线地区经济再次加速发展。但与此同时，汽车拥有量及货物运输量不断增加，源源不断的交通问题又困扰了人们。要从根本上解决交通问题，实现最大限度使用快速路，在扩建和完善公路网络的基础上，不断提高现有交通系统的现代化管理水平，使用科学技术的智能优势来管理现有的道路网络，进而得到最高效率的使用。快速路小时交通量预测对现有交通系统的控制与管理起着非常重要的作用，精确交通流量预测对交通控制、交通流分配、车流疏导及确保道路安全畅通具有很大作用，并关乎到ITS能否得以实现其职能。交通量是一个随机数，具有时变性、非线性的特点，常规的线性预测模型与方法对城市交通量的预测在准确度方面明显不足，基于交通流量对交通控制管理的重要性，种种交通信息预测理论方法应时而生，如模糊理论预测模型、神经网络预测模型等，对交通量的预测有很好的效果，本设计采用的BP神经网络便是神经网络预测模型的其中一种。1.2研究目的和意义基于BP神经网络的快速路小时交通量预测相对目前广泛应用于交通量预测的其他方法（如：四阶段法等）来说，其并行处理功能、容错性及非线性等有很大的优越性，特别是BP神经网络误差反向传播以此修正误差的特性极大提高预测的精度，进而得到更精确的交通量预测数据，为交通控制、管理措施提供基础数据，使城市快速路高效运行，这便是本设计研究的目的所在。为保障城市快速路在运营期间的日常管理、提高城市快速路路网运行的效率，对快速路交通量进行预测是至关重要的，预测准不准确对城市快速路的规划、设计及管理有巨大、深刻而长远的影响。如果预测过大则必定会造成在规划设计时过早投入大量资金的同时造成土地等资源浪费，而修建的快速路系统交通流分布不合理；如果交通量预测过小，则规划设计并花费巨大投入资金、土地资源和劳动力建设的快速路在投入使用后会因实际交通量激增而过早造成交通饱和，进而使该快速路车辆拥堵、运行效率低、交通事故频繁等后果。本研究的意义是利用BP神经网络对高速路小时交通量实现较高精度的预测，从而使城市高速路运输系统得到更高的运行效率，使人们出行更安全，时间更短，能耗更低，更好地解决当下的交通问题，服务人民。1.3国内外文献综述文献1参阅此书的目的是对完成本课题首先要对交通工程的基本概念、理论及方法尤其是关于交通量知识加以了解，除此之外这本书还提到世界各国的研究新动态。文献2对世界各地有关交通工程学的理论和最新研究成果进行阐述，介绍了交通流量的定义与特性。文献3对ITS进行介绍，并对ITS的在实际运用中的关键加以说明。文献4全面介绍ITS的产生、发展、基本理论、基本技术、体系结构及应用研究，内容丰富、取材新颖、编写严谨规范，参阅这本书主要是对ITS有一个更深入的了解。文献5针对现今道路交通状态短时预测问题，介绍了多种预测方法和模型的基本原理，分别以时间序列、线性、非线性和人工智能预测系统为基础，建立多断面的交通状态预测模型，并用这些方法解决给出相应算法应用案例。文献6以城市快速路为研究对象，实时的而城市交通流数据作为基础，利用微观仿真对城市快速路交通流进行预测，并得出较好的预测结果证明这种预测方法的可行性。文献7从交通信息获取、可预测性分析、预测建模及预测系统设计等方面，建立了较为完善的智能交通信息预测体系框架，重点介绍了灰色系统理论、卡尔曼滤波理论、BP神经网络、支持向量机及组合预测理论在交通信息预测方面的新应用和新成果。文献8主要介绍通过应用BP神经网络对高速路交通量进行预测，MATLAB建模通过对高速路的收费预测得出该高速公路的交通量预测数据。文献9与MATLAB神经网络工具箱的神经网络模型紧密结合，列举出多种模型并对相应结构、原理和有关算法、MATLAB中神经网络对象及对象属性加以阐述，以实例说明了各种神经网络模型的MATLAB仿真程序设计方法。文献10本书详细介绍了MATLABR2007b的基本功能和使用方法，并按照由浅入深的顺序安排章节，依次介绍了MATLABR2007b的应用、数学计算功能及更高级应用如编程功能、绘图、GUI设计及Simulink建模等。1.4论文的主要内容第1章绪论阐明课题研究的背景、研究目的和意义，以及对国内外交通控制的研究状况进行综述。第2章交通量预测简要介绍交通量、交通量特性，交通量预测研究现状，并列举多种目前使用的交通信息预测方法。第3章BP神经网络对人工神经网络概述，重点对BP神经网络结构、原理及学习算法作出相应介绍，并浅谈如何改进BP网络。第4章基于BP神经网络的快速路小时交通量预测与仿真使用BP神经网络预测交通量，原始数据处理、建立预测模型、仿真程序编写训练并用四输入和五输入法进行仿真，最后对得出的仿真结果交通量预测值和实际值加以分析。

第2章交通量预测2.1交通量2.1.1交通量概述1.交通量的含义交通量是指在选定的时间段内，通过道路某一断面、某一地点或某一条车道交通体的数量，它是描述交通流特性最重要的三个参数的其中一个，分为机动车、非机动车和行人交通量，对不加说明材料则交通量是指且指来往两个方向的车辆数。2.常规交通量分类常用的交通量表达方式有以下几种：（1）平均日交通量，根据观测总天数的不同有多种分类详见表2-1。表2-1平均日交通量（ADT）所得观测期内统计交通量的总和与观测总天数的比值年平均日交通量（AADT）一年内观测的交通量总和与一年的总天数（365）的比值月平均日交通量（MADT）一月内观测的交通量总和与一月总天数的比值周平均日交通量（WADT）一周内观测的交通量总和与一周总天数（7）的比值（2）小时交通量：一小时内通过观测断面的车辆数（辆/h）。（3）高峰小时交通量：一天内的高峰期间连续1小时的最大交通量(辆/h)。（4）第30小时交通量：一年中8760个小时交通量按大小次序排列，从打到小序号第30的那个小时交通量。2.1.2交通流量特性众所周知交通量每时每刻都在变化，每小时、每天、每个月、每年的交通量都不尽相同，其大小还与人民生活水平、人口分布、社会经济发展的速度等很多方面因素有关，所以在相同的时间或相似条件下随地域、路线、车道等情况的差异而有所不同，城市中路网比较复杂，随机因素更大。对城市交通的研究不是仅仅停留的交通量研究上的，而是结合城市交通流的交通量、速度和密度。交通流量具有网状特性、时空特性、随机性、时变特性、不确定性、不可预知性、内在相关性、内在约定性、长程相关性、自组织特性以及速度——密度关系特性，所以交通流是一个随机的相互联系、相互影响的不断变化的复杂的整体，交通流量任何的变化都并不是偶然存在的一种现象而是其各方面因素相互作用的必然结果，同样每一个因素发生的变化都将作用于接下来的短时交通流量，使其发生变化。短时交通流量存在的自相似性使得交通流量具有可预测性，而它的随机性、时空性、不可预知性、不确定性等特性更加表明交通流量呈现出的错综复杂的特性，导致交通流量信号中的频率成分繁杂，为精确进行交通流量预测造成了巨大的障碍和困难。人工智能对解决不确定性问题、弱结构化问题的优势尤为明显，因此强化ITS的交通流预测智能化成为世界研究的重要课题之一。2.2交通流量预测研究现状综合交通量的特性，可以这么说，城市交通系统有人参与、时变且复杂，交通预测之所以遇到极大困难主要原因主要是其高度不确定性和非线性这两个特点，随机因素对短时交通量预测的影响是很明显的。短期交通量预测时变性、不确定性更强，较中期和长期预测其预测难度大，但也是短期交通量预测的优越性所在，我们都知道随着时间间隔的增大，不可预知的突发性偶然事件发生的概率会增大，在这一点短时交通量预测比长期预测的精度更高。根据短时交通流量预测的这个特点，用于交通流量预测的模型应具备实时性、准确性及可靠性（抗干扰能力）这些特性。交通流状态每时每刻都在变化着，对交通流的每一次诱导都会实时影响其下一个运行状态，由此可见，在作出诱导决策之前，对诱导指令作用路段的下一个时段的交通流情况有一定了解，作出的诱导就会更有实用价值，因此及时、准确地对未来交通流状态进行预测成为了交通控制与诱导研究中无法避免的先决工作。作为交通流的三个基本参数的其中之一的交通量，其预测是基于动态获取的道路断面或交叉口等路段的交通量数据的短期历史记录来推测未来某时段的交通量。近几年我国道路上交通信息数据采集设备经过不断完善，通过信息采集、数据处理与数据分析，使得提供实时动态信息给道路使用对象已经成为可能。短时交通流量预测的研究受到广泛关注，时至今日，已经有许多理论和方法用于这方面。比较具有代表性的，如历史趋势法、时间序列法等等。但是这些模型因自身不足难以反映交通流量的不确定与非线性这些特性，且对干扰没有较较好的抵抗能力，缺陷同样是出发点，一个正确的研究方向展示在人们面前。针对交通流量的非线性，近年来神经网络等非线性理论被应用于交通状态预测这个方面，使得交通信息的预测精确性有了很大提高，其中模糊推理主要应用于驾驶员的跟驰和超车的微观行为判断；神经网络模仿大脑神经网络结构和功能，能对复杂的信息进行高速传递和处理，具有学习、记忆、处理实际数据等能力，并且有抗干扰能力较强等等，总结交通信息预测方面的成果，可以说我国已经形成了由数学界、物理学界、力学界、交通流理论学界以及系统科学与信息学界联合攻关的可喜局面。然而预测方法理论还有很多不足的地方，这是关系到我国交通科学的研究原始创新、ITS进一步发展的重要问题。2.3交通流量预测方法经过几十年的不断发展，预测科学种类已是一个可观的数量而其中可用于交通预测的方法模型不少，根据分类方式的不同大概可分为以下几种：1.根据周期的长短的不同，预测分为长期、中期和短期预测三类，预测需求不同，预测的周期是可以是年、月、日、时甚至可以是分。其中相对长期预测而言短期预测精度会更高。2.根据预测性质不同分类，主要包括定性预测和定量预测方法。如果系统中没有或量化信息比较少，没法量化描述对预测对象，未来情况只能以专家经验等定性信息为依据作定性估计，那就采用定性预测，比如调查法、类推法和主观概率法等等；所谓定量预测自然便是将获得的信息量化为数字形式，然后建立描述目标和因素之间相互关系的数学模型，根据模型和规律推断出预测结果，其针对对象是可表征为一系列数据指标的交通信息，比如回归法、时间序列法等等。3.根据预测模型数量差异来分，主要是单项预测和组合预测，前者在整个预测过程中只涉及到一种预测模型；而后者则与之相反，使用多个预测模型，利用模型之间互补的特点进行信息预测，根据组合预测组合形式的不同又可将其划分为线性和非线性两种。4.根据预测技术手段分类，主要包括常规预测和智能预测，前者主要有回归分析、趋势曲线模型预测法，以及移动分解法、季节系数、Box-Jenkins方法等时间序列预测法；后者主要包括灰色系统理论、混沌理论、支持向量机、卡尔曼滤波理论预测法以及神经网络预测法等等。此外还可以根据动力学特征差异、预测时态差异和预测内容差异划分。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。2.4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。

第3章BP神经网络3.1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3-1人工神经元模型其中p=()表示神经元输入向量；w=()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（3-1）2.分段线性函数（3-2）3.Sigmoid函数（3-3）4.双曲正切函数（3-4）5.高斯函数；为标准化参数（RBF网络）（3-5）（3-6）3.2BP神经网络3.2.1BP神经网络概述BP神经元结构图如3-2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；输入神经元输入神经元…图3-2BP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)（3-7）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3-3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。输出输出输入层隐层隐层输出层输入图3-3BP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。3.2.2BP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，，对应输出层输出为，，为训练样本个数用，为输入层单元个数，为输出层单元数。令隐层单元数为，输入层至隐层、隐层至输出层的连接权值分别为、，隐层单元、输出层单元阈值分别为、,则隐层单元的输入可为：，，（3-8）Sigmoid函数：，（3-9）隐层的输出为：，（3-10）输出单元的输入为：，，（3-11）输出单元输出为：，。（3-12）Step2误差反向传播：（3-13）全局总误差为：（3-14）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：（3-15）上式中，方向与次训练中误差函数梯度变化方向相反。根据推出调整量为：（3-16）上式中,为学习率且，。。隐层权值调整量为：（3-17）隐层阈值调整量为：（3-18）上式中，。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练步数为止方可利用此网络进行预测。3.2.3BP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{，（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：（3-19）其中：。（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：，（3-20）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。3.3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。

第4章基于BP神经网络的快速路小时交通量预测与仿真4.1BP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富的内部层次有序结构，它介于随机性和确定性之间，有很强的规律可寻。基于交通量具有强非线性这一显著特点，BP神经网络是人工神经网络中的一种，具有拟合任意非线性函数的功能，所以我们可以利用BP神经网络来代替复杂的非线性数学关系式，实现对现实交通系统的较准确刻画，当然BP神经网络多样本训练要求很高，而且所需要的样本规模较大，最常用于城市道路及高速路断面的交通量等微观交通信息预测，也就是说，采取BP神经网络模型进行交通量预测在理论上是可行的。文利用BP圣经网络对城市快速路交通量进行预测便以此作为基本出发点。应用BP神经网络进行交通量预测算法大致步骤如下：Step1原始数据采集及预处理；Step2设计网络结构，确定网络层数、输入层神经元个数、隐层层神经元个数、输出层神经元个数；Step3利用原始数据构造训练样本对；Step4设计学习计算训练神经网络；Step5用检验样本对结合预设误差评价网络性能，若训练出来的网络达到误差要求，则网络构造成功，否则，调整学习算法对网络重新进行训练，直到达到期望标准为止；Step6对于经训练满足要求的BP神经网络，输入一组已知数据得到相应的交通量预测值。4.2基于BP神经网络的快速路小时交通量预测本设计借用梁新荣教授的实验数据，选取广州某快速路段2008年六月和八月共六十多天的实际交通量。1.原始数据采集作为输入数据样本,并对样本进行规范化处理，随机产生输入样本和检验样本。城市快速路的性质决定了运行车辆种类的不一致性，一般来说除了小型汽车之外还有大型客车、大型货车等很多不同的车型，而车型之间的不同对道路交通的运行压力也是不一样的，所以在进行交通量有关研究的时候必须考虑这个因素。鉴于道路交通的这一特点，在对快速路小时交通量交通量进行预测之前，要对交通量调查数据加以处理，换算成统一标准车型。在本设计中，调查的交通量数据是依据交通部的统一规定采用小汽车为标准车型进行换算，折算系数表如表4-1所示：表4-1交通调查车型分类及车辆折算系数表车型折算系数额载及功率备注机动车汽车小客车1额定座位19座大客车1.5额定座位>19座小型货车1载重2吨中型货车1.52吨<载重7吨含吊车大型货车27吨<载重14吨特大型货车3载重>14吨拖挂车3集装箱车3通过折算后的交通量实际值8月30号和31号交通量实际值表如表4-2所示：表4-28月30号和31号交通量实际值表日期时间段30号31号日期时间段30号31号第1小时797771第13小时18531950第2小时668644第14小时21382309第3小时566536第15小时27802809第4小时479459第16小时31683027第5小时453453第17小时22612644第6小时489474第18小时31112860第7小时669714第19小时23112439第8小时10021070第20小时18061786第9小时13341571第21小时19612106第10小时24122139第22小时18491827第11小时26382507第23小时13611438第12小时26462403第24小时10011070通过折算后的交通量实际值8月22至29号所有工作日交通量实际值表如表4-3所示：表4-38月22至29号工作日交通量实际值表日期时间段22号25号26号27号28号29号第1小时659742740892741695第2小时526610591740547526第3小时495515513553484495第4小时410449509512431410第5小时506481483485474506第6小时428459477492488428第7小时616936733865570616第8小时934141311091065855934第9小时181121742107238818051811第10小时251627202899288927832516第11小时293527873206255631312935第12小时265425152714283228612654第13小时190420362081228719341904第14小时230422252527252621782304第15小时287025982789285927782870第16小时323025703003303129833230第17小时285624282971281728852856第18小时335826612806286532013358第19小时257420412452243624532574第20小时182013491647168117221820第21小时218217141900164020972182第22小时186115781924190718541861第23小时133012701553131913971330第24小时96893211699709149682.设计网络结构选取图3-3的BP神经网络结构，该网络含输入层、中间层和输出层，其中中间层由两个隐层。采用四输入和五输入两种方法的输入层神经元个数分别为4个和5个。3.利用通过换算后的数据构造训练样本对。4.设计学习计算训练神经网络，用MATLAB语言编写应用程序，用检验样本对结合预设误差评价网络性能，适时调整学习算法，直到训练出来的网络达到误差要求为止。5.利用训练好的BP网络，利用训练好的BP网络，对MATLAB语言编制程序M文件进行仿真，输入一组参数得到相应的交通量预测值。本文使用MATLAB经过大量的仿真实验得出，采用四输入和五输入两种输入对交通流量进行预测效果最好，所以采用四输入和五输入两种输入对交通量进行预测，并对着两种不同的输入方式进行对比。4.3仿真研究4.3.1四输入法仿真结果分别采集周一到周五共四十二天的1008个数据和周末共20天的480个数据，首先采用四输入对周末的交通量进行预测，前18个数据作为样本集，8月30号和31号的交通量作为测试集，得8月30号和31号的交通量预测值和误差如表4-4所示：表4-48月30号和31号交通量预测值和相对误差表预测值预测值的相对误差日期时间段30号31号30号31号第1小时7867841.38021.6861第2小时6626430.89820.1553第3小时5695360.53000.0000第4小时4734581.25260.2179第5小时4574570.88300.8830第6小时4794862.04502.5316第7小时58765012.25718.9636第8小时102511242.29545.0467第9小时161915552.70431.0185第10小时236821571.82420.8415第11小时262225290.60650.8775第12小时259523971.92740.2497第13小时188119291.51111.0769第14小时212223230.74840.6063第15小时277728140.10790.1780第16小时310530541.98860.8920第17小时218827343.22873.4039第18小时307127901.28582.4476第19小时229224530.82220.5740第20小时179217910.77520.2800第21小时194619720.76496.3628第22小时186018290.59490.1095第23小时136614560.36741.2517第24小时100710500.59941.8692注：6月2号至6月30号，8月1号至8月23号的工作日也就是前三十六天的数据作为样本集，8月22号至29号（周一至周五）六天的数据作为测试集，计算前首先对样本进行归一化处理，表4-5是8月22号至29号所有工作日第一小时到第二十四小时的交通量预测值：表4-5四输入8月22号至29号工作日交通流量预测值数据表日期时间段22号25号26号27号28号29号第1小时711746763818735690第2小时541591617686572538第3小时489494498508503502第4小时369408536520439369第5小时483475492463483483第6小时452500435519507467第7小时776834792728575783第8小时110414811153122710191114第9小时180223062135228319261831第10小时276327762853279527302726第11小时300826723020264029013067第12小时277626742613276127432774第13小时205919801940211018941865第14小时238223772453229320742344第15小时288026902771275328032806第16小时324026842722262128263209第17小时316425612797316826213101第18小时330326522673286230993338第19小时238422962155258223482410第20小时193813781754159216861931第21小时201317491944180521202076第22小时173216151896184919571732第23小时142612951422143315121429第24小时9739501053933917954四输入法8月22号至29号工作日交通流量预测值的相对误差如表4-6：表4-6预测值相对误差表日期时间段22号25号26号27号28号29号第1小时2.30220.53913.10818.29600.80970.7194第2小时2.85173.11484.04727.29734.57042.2814第3小时1.21214.07772.92408.13743.92561.4141第4小时10.00009.13145.30451.56251.856110.0000第5小时4.54551.24741.86344.53611.89874.5455第6小时5.60758.93258.80505.48783.89349.1121第7小时25.974010.89748.049115.83820.877227.1104第8小时18.20134.81253.967515.211319.181319.2719第9小时0.49706.07181.32894.39706.70361.1044第10小时9.81722.05881.58683.25371.90448.3466第11小时2.48724.12635.80163.28647.34594.4974第12小时4.59686.32213.72142.50714.12444.5215第13小时8.14082.75056.77567.73942.06832.0483第14小时3.38546.83152.92849.22414.77501.7361第15小时0.34843.54120.64543.70760.89992.2300第16小时0.30964.43589.357313.52695.26320.6502第17小时10.78435.47785.856612.46019.15088.5784第18小时1.63790.33824.73980.10473.18650.5956第19小时7.381512.493912.11265.99344.28056.3714第20小时6.48352.14976.49675.29452.09066.0989第21小时7.74522.04202.315810.06101.09684.8579第22小时6.93182.34471.45533.04145.55566.9318第23小时7.21801.96858.43538.64298.23197.4436第24小时0.51651.93139.92303.81440.32821.4463四输入8月30号和31号（周末）的实际值与预测值做图对比如下：图4-18月30号实际值与BP预测值对比图图4-28月31号实际值与BP预测值对比图四输入6天的预测值和实际值作图对比如下：图4-38月22号实际值与BP预测值对比图图4-48月25号实际值与BP预测值对比图图4-58月26号实际值与BP预测值对比图图4-68月27号实际值与BP预测值对比图图4-78月28号实际值与BP预测值对比图图4-88月29号实际值与BP预测值对比图分析实际值与BP预测值对比图不难看出，对该路段交通量进行预测，周末交通量的预测值比工作日的预测值更接近对应实际值。4.3.2五输入法仿真结果用五输入对周末的交通量进行预测，前18个数据作为样本集，8月30号和31号的交通量作为测试集，计算前首先对样本进行归一化处理，得8月30号和31号（周末）的交通量预测值和误差得表4-7：表4-78月30号和31号交通量预测值和相对误差表预测值预测值的相对误差日期时间段30号31号30号31号第1小时8057621.00381.1673第2小时6576351.64671.3975第3小时5675350.17670.1866第4小时4624412.92280.2179第5小时4544550.22080.4415第6小时4774892.45403.1646第7小时58263613.004510.9244第8小时100410210.19964.5794第9小时163915451.50241.6550第10小时229322084.93373.2258第11小时264525500.26541.7152第12小时267624201.13380.7074第13小时190419362.75230.7179第14小时218422672.15151.8190第15小时281028591.07911.7800第16小时313729890.97851.2554第17小时225525950.26541.8533第18小时293429505.68953.1469第19小时228224171.25490.9020第20小时180818150.11071.6237第21小时206521415.30341.6619第22小时184618490.16221.2042第23小时137714071.17562.1558第24小时102610512.49751.7757用五输入对8月22号至29号（周一至周五）进行预测，仍然6月2号至6月30号，8月1号至8月23号的工作日也就是前三十六天的数据作为样本集，8月22号至29号（周一至周五）六天的数据作为测试集，计算前首先对样本进行归一化处理，表4-8是五输入的8月22号至29号工作日第一小时到第二十四小时的交通量预测值：表4-8五输入8月22号至29号交通量预测值数据表日期时间段22号25号26号27号28号29号第1小时738742705896755729第2小时528582564704560529第3小时520512503553521526第4小时422450514529441412第5小时479487474486473486第6小时453421425466427428第7小时791860721675589703第8小时80514189631239805801第9小时185922902112232217791785第10小时261726442841287927992612第11小时290827143125272830373042第12小时276126662587264327342762第13小时199620302012213718371959第14小时232324002339244321452373第15小时286426642657282327142823第16小时345327423150292628663406第17小时291626372674294128832951第18小时325826082885291132263298第19小时233121112378214724022400第20小时190514801692173117121873第21小时213517251958175620571883第22小时180716671818188119171844第23小时135512051457127813641353第24小时1003951104910279819894-9：表4-9预测值相对误差表日期时间段22号25号26号27号28号29号第1小时6.18710.00014.72970.44841.88934.8921第2小时0.38024.59024.89044.86492.37660.5703第3小时5.05050.58251.94930.00007.64466.2626第4小时2.92680.22270.98233.32032.32020.4878第5小时5.33601.24741.86340.20620.21103.9526第6小时5.84118.278910.90155.284612.50000.0000第7小时28.40918.11971.637121.96533.333314.1234第8小时13.81160.353913.165016.33805.848014.2398第9小时2.65055.33580.23732.76381.44041.4357第10小时4.01432.79412.00070.34610.57493.8156第11小时0.91992.61932.52656.72933.00223.6457第12小时4.03176.00404.67946.67374.43904.0693第13小时4.83190.29473.31576.55885.01552.8887第14小时0.82477.86527.43973.28581.51522.9948第15小时0.20912.54044.73291.25922.30381.6376第16小时6.90406.69264.89513.46423.92225.4489第17小时2.10088.60799.99664.40180.06933.3263第18小时2.97801.99172.81541.60560.78101.7868第19小时9.44063.42973.017911.86372.07916.7599第20小时4.67039.71092.73222.97440.58072.9121第21小时2.15400.64183.05267.07321.907513.7030第22小时0.90175.64015.50941.36343.39810.9135第23小时1.87975.11816.18163.10842.36221.7293第24小时3.61572.038610.26525.87637.33042.1694五输入8月30号和31号（周末）的实际值与预测值做图对比如下：图4-98月30号实际值与BP预测值对比图图4-108月31号实际值与BP预测值对比图五输入6天的预测值和实际值作图对比如下：图4-118月22号实际值与BP预测值对比图图4-128月25号实际值与BP预测值对比图图4-138月26号实际值与BP预测值对比图图4-148月27号实际值与BP预测值对比图图4-158月28号实际值与BP预测值对比图图4-168月29号实际值与BP预测值对比图通过大量数据仿真之后，观察上述各表中数据误差和实际值与预测值的拟合曲线可以发现，采取BP神经网络方法对交通量进行预测所得预测值与实际值很接近，且对周末的交通量预测，采用四输入拟合曲线更接近、误差更小预测效果更好，而对工作日（周一和周五）交通量进行预测时，用五输入拟合曲线更接近、误差更小预测效果更好。4.4本章小结本章通过原始数据处理，预测模型建立并分别采用四输入和五输入仿真对周末及工作日交通量进行预测，得出预测结果并作出交通量预测值与实际值对比曲线，然后比较四输入和五输入仿真得出的预测值与实际值之间的绝对误差和对比曲线显示，对周一至周五交通量进行预测时，采用五输入仿真的方法效果最好，而对周末的交通量进行预测时，采用用四输入仿真的方法预测效果效果更理想。

结论随着社会经济的快速发展和汽车的普及，现实生活对交通提出了重大考验，城市交通拥挤和交通安全问题给人们的生活带来了极大的不便和麻烦，作为城市中有较高车速为长距离交通服务的重要道路的快速路，其发展与城市的经济发展紧密联系，城市快速路发展越好，可以在很大程度上带动城市经济的发展，如何提高城市快速路的运营效率？这基本上得取决于道路车道的设计和日常控制管理，而实现二者的前提就需要一个调研也就是对城市快速路交通量进行预测，根据预测数据实施控制管理手段，因此交通量预测在城市交通控制与管理中举足轻重。通过对BP神经网络结构算法的了解，结合交通量的特性，本文采用BP神经网络对某城市快速路段的实时交通量进行预测，并将交通量预测值与实际交通两预测值加以比较，选取的四输入和五输入两种输入方式下的预测结果显示，误差均在期望范围内，且实际值与BP预测值二者拟合得到的对比曲线很接近，这样的结果是令人非常满意的。实例证明BP神经网络应用于快速路小时交通量预测是可行的，这种基于BP神经网络的快速路小时交通量预测方法与传统预测方法相比有较好的灵活性，其数据容易得到，成本低，预测精度高，对短期交通量预测很适用。

参考文献1任福田.交通工程学.北京:人民交通出版社,2008:40-472王炜,过秀成.道路交通工程学.南京:东南大学出版社,2011:83-903HuiHu,DaweiHu.StudyontheapplicationofITSandkeytechnologiesinlogisticsoperation.2009InternationalConferenceonInformationManagement,InnovationManagementandIndustrialEngineering,Xi’an,China:IEEE,2009:263-2664杨兆升.智能运输系统概论.北京:人民交通出版社,20035邵福春,熊志华,姚志胜.道路网短时交通量需求预测理论方法及应用.北京:清华大学出版社,2011:167-1726马云龙,王坚,任子晖.基于微观仿真的快速路短时交通流预测研究.系统仿真学报,2009,21(14):4501-45037许伦辉,傅惠.交通信息智能预测理论与方法.北京:科学出版社,2009:97-1098王硕.BP神经网络在高速公路交通量预测中的应用.中国科技信息,2010(8):248-2519周开利,康耀红.神经网络模型及其MATLAB仿真程序设计.北京:清华大学出版社,2005:69-9010刘慧颖.MATLABR2007基础教程.北京:清华大学出版社,2008:136-176

致谢本课题的设计与成功离不开指导老师梁新荣教授的悉心指导和耐心教育。衷心感谢梁新荣教授对我毕业设计给予的指导和帮助！梁新荣教授不仅教授了我很多分析问题、解决问题的办法与思路，而且他认真负责的态度和严谨的治学精神也使我受益匪浅，再次感谢梁教授对我毕业设计得以顺利完成给予的莫大帮助，使我对自己的大学四年提交一份满意的答卷！毕业设计的结束也就意味着大学生涯即将结束。在此，我还要感谢所有母校辛勤耕耘的老师，感谢你们教育了专业知识，以及给了我良好的学习环境；感谢信息学院的老师在这四年来对我们的悉心栽培，感谢班导师徐颖老师对我的关心和指导；感谢我亲爱的同学们和朋友一直以来对我的默默关心与支持。感谢五邑大学给我一个大学四年学习知识和做人的平台，以及对我各个方面的培养！感谢参与论文评审和答辩的各位老师，能在百忙之中抽出您宝贵的时间对我的论文进行评阅，老师您辛苦了！附录周末第1小时的交通量预测四输入M-file文件程序，如下所示：clc;clearallcloseall;AA=[7646175814664695748681083173024152678268919942227287332612040263321741538160114941188875681567485411438567878120017792278250513261751143925652803268327962428154717231695134310177606205474644335357601050170023522771274419022202294232541924264421971478152815511155818667569469388415515770114217462299256923221776206625412751250326102397167717371702136399478868657450147060485910961777250427032712200622742972332220682673222915861562147711609006815554614464255541002130618552328268124111965219026142883278327972474164217631722139910288287305854774725928991157179523792856281019642265293432072052274021891569171215451262947747639515458484617942126017502261255723681855201922412426254427332460187719041871154811197436145764754496828551026166323812688268320092335287831962045269322941532157215561228905784589511412447598981125517532397254923541883211126292782267327202381156217081680132898971166057246544946267298915462330271527241952220828983216188826202113148715861495118589371559052642144947881011401643222024582341183121342507264525372701242416671819173314651056785671593521499546848104517352482293328981933228930013251205928142256153317021564123896476857558146550656188812061783245425902513189521672692285126102825251516481841179014061054797668566479453489669100216642412263826461853213827803168226131112311180619611849136110017716445364594534747141070157121392507240319502309280930272644286024391786210618271438107079766856647945348966910021664241226382646185321382780316822613111231118061961184913611001771644536459453474714107015712139250724031950230928093027264428602439178621061827143810707976685664794534896691002166424122638264618532138278031682261311123111806196118491361100177164453645945347471410701571213925072403195023092809302726442860243917862106182714381070];day=zeros(2,1);error=zeros(2,1);%fori=1:1:24i=6;p11=AA(:,i);m=length(p11);%p1=max(p11);p1=700;b=zeros(4,14);c=zeros(1,14);forj=1:1:14a=p11(j:j+3)';b(:,j)=a;d=p11(j+4);c(1,j)=d;endp=(1/p1)*b;%t1=max(c);t1=700;t=(1/t1)*c;net=newff(p,t,12,{'tansig','purelin'},'trainlm');net.trainParam.show=50;net.trainParam.epochs=2000;net.trainParam.goal=0.0001;randn('seed',192736547);net=init(net);[net,tr]=train(net,p,t);p2=zeros(4,2);t2=zeros(1,2);forh=1:1:2h1=p11(h+14:h+17);p2(:,h)=h1;e=p11(h+18);t2(1,h)=e;endp2=(1/700)*p2;t2;p3=sim(net,p2);p4=p3*700;day(:,1)=p4;p4forw=1:1:2PAE=abs(t2(w)-ceil(p4(w)))/t2(w)*100;error(w,1)=PAEend%endceil(day)周末第一小时四输入法交通量预测值与实际值对比图仿真程序，如下所示：clc;clearallclearall;aa=[79766856647945348966910021664241226382646185321382780316822613111231118061961184913611001];bb=[78666256947345747958710251619236826222595188121222777310521883071229217921946186013661007];fori=1:2ifi==1y(:,i)=aa;plot(y);endifi==2y(:,i)=bb;plot(y);xlabel('时间（小时）');ylabel('仿真输出结果');title('BP方法训练结果');endend基于C8051F单片机直流电动机反馈控制系统的设计与研究基于单片机的嵌入式Web服务器的研究MOTOROLA单片机MC68HC（8）05PV8/A内嵌EEPROM的工艺和制程方法及对良率的影响研究基于模糊控制的电阻钎焊单片机温度控制系统的研制基于MCS-51系列单片机的通用控制模块的研究基于单片机实现的供暖系统最佳启停自校正（STR）调节器单片机控制的二级倒立摆系统的研究基于增强型51系列单片机的TCP/IP协议栈的实现基于单片机的蓄电池自动监测系统基于32位嵌入式单片机系统的图像采集与处理技术的研究基于单片机的作物营养诊断专家系统的研究基于单片机的交流伺服电机运动控制系统研究与开发基于单片机的泵管内壁硬度测试仪的研制基于单片机的自动找平控制系统研究HYPERLINK"/detai