城市主干道交通状态预测方案的设计

城市主干道交通状态预测方案的设计本文在参考国内外研究的基础上，针对都市主干道交通的非线性和时变特性给出了拥堵的定义，成因，分类和特点,对经典拥堵算法和常见交通流推测模型进行分析阐述,重点对算法和模型的原理使用条件进行探讨，分析交通流推测与拥堵识别之间的关系。另外，在阐述主干道定义，特点和速度和流量变化的基础上，建立基于交通流量的主干道交通推测模型，重点对模型的形式进行研究分析。最后，用MATLAB软件进行系统仿真，通过仿真表明基于交通流量的推测方案能够对都市主干道交通状态进行有效地推测分析。关键词交通拥堵推测速度系统仿真 AbstractThisstudybasedonthereferencetodomesticandforeign,accordingtothedefinitionofthemaincityroadtraffic,nonlinearandtime-varyingcharacteristicsgivencongestioncauses,classificationandcharacteristicoftheclassicalalgorithm,congestionandtrafficflowpredictionmodelwereanalyzed,withemphasisonthealgorithmandmodelprincipleusingconditionswerestudied,therelationshipbetweentrafficanalysisflowpredictionandcongestionidentification.Inaddition,themaindefinition,basiccharacteristicsandvelocityandflowratechanges,establishmentoftrunkroadtrafficpredictionmodelbasedontrafficflow,keyformofmodelanalysis.Finally,thesystemsimulationwithMATLABsoftware,thesimulationshowsthatthetrafficflowpredictionschemecaneffectivelyforecastandanalysisoftrafficstatebasedonthecityroads.Keywords:trafficcongestionpredictionspeedsystemsimulation目录HYPERLINK摘要 IHYPERLINKAbstract IIHYPERLINK第一章绪论 1HYPERLINK1.1课题的背景及理论 1HYPERLINK1.2研究的实际意义 1HYPERLINK1.3都市交通信息推测理论的进展和研究现状 1HYPERLINK1.4要紧研究内容 2HYPERLINK1.5本文内容安排 2HYPERLINK1.6本章小结 2HYPERLINK第二章交通流的有关理论及推测 3HYPERLINK2.1交通流的定义 3HYPERLINK2.2交通流理论进展 3HYPERLINK2.3交通数据的采集及讲明 3HYPERLINK2.4交通流参数间的对应关系 4HYPERLINK2.4.1密度和速度的关系 4HYPERLINK2.4.2密度和流量的关系 5HYPERLINK2.4.3速度和流量的关系 5HYPERLINK2.5本章小结 5HYPERLINK第三章神经网络理论 6HYPERLINK3.1神经网络的概述 6HYPERLINK3.2人工神经元模型 6HYPERLINK3.2.1神经网络节点描述 6HYPERLINK3.2.2神经元状态转移函数类型 7HYPERLINK3.3神经网络模型 8HYPERLINK3.3.1前向网络 8HYPERLINK3.3.2反馈网络 9HYPERLINK3.3.3自组织网络 9HYPERLINK3.4神经网络的特点及其应用 9HYPERLINK3.4.1神经网络的特点 9HYPERLINK3.4.2神经网络的应用 9HYPERLINK3.5神经网络的学习 10HYPERLINK3.5.1学习方式 10HYPERLINK3.5.2学习算法 10HYPERLINK3.6本章小结 11HYPERLINK第四章基于Elman神经网络的交通流推测的仿真 12HYPERLINK4.1Elman神经网络 12HYPERLINK4.1.1概述 12HYPERLINK4.1.2Elman神经网络的结构及原理 12HYPERLINK4.1.3Elman神经网络的创建 13HYPERLINK4.1.4Elman神经网络的训练 13HYPERLINK4.2Elman回来神经网络推测的仿真 14HYPERLINK4.2.1仿真背景 14HYPERLINK4.2.2样本数据选择 14HYPERLINK4.2.3神经网络输入数据的归一化处理 14HYPERLINK4.2.4Elman回来神经网络的创建及训练 15HYPERLINK4.2.5仿真程序及结果 16HYPERLINK4.3本章小结 21HYPERLINK结论 22HYPERLINK参考文献 23HYPERLINK致谢 24第一章绪论1.1课题的背景及理论随着现今社会都市化的加剧，都市交通拥挤以及突发性的交通事故正严峻地困扰着世界各国的大中都市，解决这些咨询题的社会意义、经济意义已成为全球的共识。从近几年世界各国的进展趋势来看，本课题研究的重点是为了解决交通基础设施供应不足、交通纷乱和交通效率低下这些方面的咨询题。通过交通规则和交通操纵能够解决交通基础设施供应不足、交通纷乱造成的咨询题，而交通流诱导则是目前公认的解决交通效率和提升机动性的最佳途径。在没有诱导的时候，驾驶员只能靠体会选择路线，如此，一旦在某个路段发生交通意外或者车辆多过就会导致交通受到干扰，从而使都市交通网的使用效率降低。交通拥挤大大减慢了人们的出行效率，白费时刻的同时机动车尾气的排放量大大增加，燃料消耗严峻，给居民健康造成风险的同时也严峻白费了全球的石油资源，造成重大的污染，甚至给环境的治理都提升了许多难度。有报告显示，北京的交通拥挤使北京市每年要缺失其GDP的7.5%即1056亿元。另外，交通拥挤所带来的种种环境咨询题也是不容忽视的。噪声污染，温室效应，都市热岛效应和臭氧空泛种种都与交通拥挤所排放出的废弃物有重大的关系，而政府每年花在治理这些咨询题上的支出也是令人瞠目结舌的，因此，有一个好的交通操纵系统，对都市的进展和人们的生活都有重大的阻碍，是政府及每个人都应重视的咨询题。1.2研究的实际意义都市道路交通系统是一个复杂的大系统，包括道路、汽车、人与环境的组成部分，因而具有强大的非线性、随机性、多变性以及不确定性。传统的理论和方法在面对如此大的系统咨询题，往往是无能为力。阻碍交通流量和道路交通时刻的因素具有高度的非线性和随时刻变化的特点，专门难给出精确的解析表达式和相应的校准。人工神经网络具有非线性、大规模并行分布处理、善于处理多个变量的系统以及方便硬件实现等特点，适合用于大系统非线性时刻变化大的模拟以及在线操纵，相对适合于交通流量和道路交通时刻的推测。1.3都市交通信息推测理论的进展和研究现状都市交通状态的最要紧的信息是交通流量和道路交通时刻，动态交通分配的核心内容对交通流量和道路交通时刻的推测，也是交通流诱导系统以及ITS中其它系统的最重要的基础应用之一，因此，专门多研究人员在研究此技术。美、日、德等比较发达的国家起步较早，并取得了一些具有阻碍力的成果。目前，都市道路交通状态推测的方法要紧有三种：1．基于历史数据法，即建立推测模型时用的是实时的交通流量数据和历史数据；2．时刻序列法，是统计方法的一种，在已知过去的某些时刻段的交通流量，以此为基础上建立模型推测以后流量，常见的有ARIMA模型、MA模型等。3．人工智能方法，即使用神经网络等人工智能技术，输入量为当前实际测量的交通流量、历史交通流量、车辆行驶平均速度等对为了某时刻的交通流量进行推测。与前两种方法向相比较，第三种方法没有时刻延迟，动态特性相对较好。然而其网络结构设计和算法缺乏好的理论指导依据，可使用性不强。1.4要紧研究内容路段上的实时交通状态与历史时刻上的交通状态是有着必定的联系，同时每个路段都只是路网的一部分，每个路段的交通状态都会受到上下游各路段的交通状态的阻碍，因此每个路段的交通状况必定会和相连路段过去的时段的交通状况有着密不可分的内在联系。这些交通状况的信息量就能够用来推测路段以后的某个时刻段的交通状态。按照以上的原理，本课题研究的内容要紧有：运用神经网络结合短时交通流量的理论基础来建立都市主干道交通状态推测模型，找出符合都市交通时变性要求的算法。使用Elman神经网络技术来设计都市主干道交通状态实时、动态的推测方法。1.5本文内容安排全文共分成四章，各章内容安排如下：绪论。重在讲明本课题的研究背景、目的和意义，以及国内外交通操纵系统研究状况的综述。第二章交通流的有关理论及研究。运用数学和力学定律，研究道路交通流运行规律的理论，具体为概论论，排队论，车流波动理论的研究。第三章神经网络。本章描述了神经网络的组成部分，及其算法和学习方式。第四章Elman神经网络推测的仿真。本章要紧介绍了Elman神经网络的原理，创建及训练方式，然后利用原先所测交通流数据进行仿真，并将仿真数据与实际对比。1.6本章小结本章第一介绍了课题的学术背景及理论与实际意义，接着描述了都市交通信息推测理论的进展和研究现状，然后阐述了课题的要紧研究内容，最后介绍了本文的内容章节安排。第二章交通流的有关理论及推测2.1交通流的定义研究在一定环境条件下交通流随时刻和空间变化规律的模型和方法体系称为交通流理论体系。交通流是研究道路上行人和机动车在成列和个别行动中的规律，通过研究车流流量、车流速度和密度之间的关系，使道路交通设施的利用率得到提升，以减少事故发生和出行时刻的延误。2.2交通流理论进展从时刻顺序上来讲，大致可从三个时期论述交通流理论：1．20世纪30~40年代，自由车流的统计分布理论这一时期车辆保有量低，大部分公路上行驶的车辆相互干扰较少，能够相对自由的前行。由于发达国家汽车产业的进展和道路建设，道路交通状态的规律需要摸索并进行科学治理，道路交通所产生的交通流量需要有人去研究。因此现在期要紧是利用概率与数理统计的方法建立的模型描述交通流量和速度之间的关系，研究各类型路口交通状态。2．20世纪50~60年代，动力学仿真与车辆跟驰模型这一时期发达国家的道路和汽车保有量快速增长，道路线程急剧增加，交通规划和操纵得到越来越多的关注。因此，要进展交通流理论来保证规划和操纵得更好、更科学。车辆数目的明显增长，车辆之间相互阻碍严峻，自由流的情形较少显现，大多数的车辆差不多上处于跟随行驶的状态中。因此现在期的研究开始运用动力学方法研究车辆队列在无法超车的单一车道上的行驶时后车跟随前车的行驶状态，并用动力学模型表达及进行数学分析。3．20世纪60年代后，交通波理论由于汽车普及到宽敞老百姓家中，该时期交通咨询题在世界各国大中都市中尤显严峻，大大地制约的都市的进展，因此，需要进展交通波理论来解决都市交通咨询题。现在期都市车辆差不多迅速猛增，交通状态差不多严峻阻碍人们的出行时刻，专门多时候交通差不多上处于拥挤状态。因此这时期应用流体力学的基础原理，模拟流体的连续性方程，建立车流的联系方程，用水波而抽象的车流波来比喻车流密度的稀疏变化，通过对车流波的传播速度的认真分析，查找车流流量，车速与密度之间的关系。2.3交通数据的采集及讲明 交通数据是交通状态和交通流诱导的基础，目前要紧是利用环形线圈检测工具进行交通数据的采集。可得到的交通数据有：车速、车流量和道路占有率。1．车流量Q：(2-1)其中：Q、T、N分别指车流量（辆/h），时刻间隙（h），在T内通过检测工具的车辆数（辆）。2．车速：地点车速V和区间平均车速。(2-2)其中：（1）检测工具对单一车辆闭环时刻（h）用表示；（2）有效检测工具长度跟车的均长之和（km）用表示。另一个V的公式为：(2-3)区间平均车速：(2-4)其中：、l、、n、分别指为区间平均车速（m/s），道路长度（m），第i辆车的行驶时刻（s），车辆行驶于路段长度l的次数，第i辆车的行驶速度（m/s）。3．道路占有率：(2-5)其中：、N、T、分别指道路占有率，在时刻间隙T内测得的通过检测工具的车辆数（辆），时刻间隙（h），对应车辆引起的检测工具闭环时刻（h）2.4交通流参数间的对应关系2.4.1密度和速度的关系速度和密度模型有许多，用得最多的是线性模型)，即：（2-6）按照上式有：（1）当密度k趋向于0时，速度v接近自由流车速，则；（2）当密度大到车辆没法行驶时，其对应的密度称堵塞密度，当时，，得，将a和b代入上式，得速度—密度关系式：（2-7）2.4.2密度和流量的关系由式2-7和得，得流量—密度模型：（2-8）即q和k成二次函数关系，因此最大流量对应最佳密度（临界密度），即：令得，即，代入式（2-8）得：（2-9）2.4.3速度和流量的关系由式得并代入到中，得流量—车速模型：（2-10）由此可知，自由车速的为临界车速，即。当时，，交通流状态为拥挤；当时，交通流状态是自由流。2.5本章小结本章简单介绍了交通流的概念及其差不多模型，并分析研究了交通流参数之间相互的关系。第三章神经网络理论3.1神经网络的概述人工神经网络（ANN）是智能操纵领域研究历史上相对比较长但进展历经曲折的交叉学科。其网络是由大量处理单元(神经元Neurons)广泛互连而成的，是对人脑的抽象、简化和模拟，反映人脑的差不多特点，用它能够模拟人的大脑的许多差不多功能和简单的思维方式，此外，它还有学习功能，通过学习来猎取外部的知识并将其储备在网络内，尽管无法与人脑的完美无缺相比美，但它能够解决运算机不易处理的难题，专门是组合优化运算，智能操纵，语音和图像的懂得、识别和知识的处理等一系列本质上为非运算的咨询题。此外，它是一种多输入，单输出的非线性元件。从连接方式上看可分成相互结合型和前向型神经网络两类。其中，由输入层、中间层和输出层组成的为前向神经网络。中间层中各层的神经元只接收前一层神经元的输出。而相互结合型网络中任意两个神经元间都有可能连接，因此输入信号需在神经元间传来传去，开始于某一初态，变化多次，慢慢达到某一稳态或者周期振荡等状态。基于人工神经网络的操纵，神经网络的学习能力，容错能力，鲁棒性和非线性映射能力都极强，如果将其这些特性专门好地应用到操纵领域，那么操纵系统智能化必定会得到专门大的进展。系统能习惯不确定性、时变的对象与环境等功能在人们心目中越来越重要。此外，操纵系统自身复杂性的增强，使得基于精确模型的传统操纵难以于之相比美。因此，具有这些优点的神经网络让人们不得不重视它。3.2人工神经元模型3.2.1神经网络节点描述生物神经元的简单化和模拟构成了人工神经元，它是人工神经网络处理差不多信息的单元，是人工神经网络设计的基础。图3-1表示神经元结构，它是一个多输入单输出的非线性元件，其输入输出关系可描为(3-1)(3-2)其中，从其他细胞传来的输入信号用(=1,2,…..,n)表示，阈值用表示，自神经元到神经元的连接权值用表示，为作用函数。图3-1人工神经元模型图由以上分析可得出，人工神经元反映了生物神经元的差不多功能。作用函数又叫做变换函数，神经元的输出由它决定。作用函数通常为阶跃函数或S状曲线那样的非线性函数，但有时候也能够为线性函数。3.2.2神经元状态转移函数类型在神经元没有内部状态的时候，可令.常用的神经元状态转移函数如下：1．阶跃函数(1)自变量<0时，输出为0；(2)自变量时，输出为1。（3-3）2．分段线性函数函数在(-1,+1)内的放大系数相同 （3-4）3．S型函数实数域R到[0,1]的非连续函数，且其函数本身及其倒数差不多上连续的，其函数定义如下： （3-5）4.双曲正切函数函数定义如下： （3-6）3.3神经网络模型目前已存在的神经网模型尽管有数十种之多，但已有的神经网络大致能够分为三大类，即前向网络(FreedforwardNNs)、反馈网络(FeedbackNNs)、和自组织网络(Self-organizingNNs)。3.3.1前向网络前向型神经网络，在运算输出值的过程中，输入值从输入层单元向前逐层传播通过中间层最后到达输出层得到输出。前向网络第一层的单元与第二层所有单元相连，第二层又与其上一层单元相连，同一层中的各单元之间没有连接。前向网络中神经元的激发函数，可采纳线性硬阀值函数或单元上升的非线性函数等来表示。按照连接方式不同，神经网络可分为两大类：没有反馈的前向网络和相互结合型网络。1．前向网络：其组成为输入、输出层和中间层，中间层可有若干层，也能够没有，任何一层的神经元都只接收其前一层的输出，如图3-2所示。输入层隐含层输出层图3-2无反馈前向网络2．相互结合型网络：任意神经元间都有可能连接，因此输入信号需在神经元间传来传去，开始于某一初态，变化多次，慢慢达到某一稳态或者周期振荡等状态，如图3-3所示。图3-3相互结合型网络3.3.2反馈网络反馈网络又称动态神经网络或回来网络，与其他网络所不同的是，反馈网络的输出不仅和当前网络的输入有关，也和网络往常的输出、输入有关。它的输入包含有延迟的输入或者输出数据的反馈。反馈网络以回馈的形式来看，有两种：一种是输入有延迟的实践延迟回馈网络，另一种是输入有延迟，输出有回馈的层回馈网络。反馈网络中，系统的初始状态由输入信号决定，随后通过一系列状态转移达到最后的平稳状态即运算后的输出结果。由此可见，稳固性在反馈网络中有举足轻重的地位。如果能找到网络之Lyapunov数，则能保证网络从任一初始状态都可收敛至局部最小点。Elman神经网络是反馈网络中最有代表性的例子。3.3.3自组织网络自组织神经网络以无教师教学的方式进行网络训练，具有自组织特性，它是模拟人类按照过去体会自动习惯无法推测的环境变化。它无需期望输出，只是按照数据样本进行学习，并调整自身的权重以达到训练目的，其学习规则大都采纳竞争型的学习规则，要紧思想是网络竞争层中的各神经元通过竞争来猎取对输入模式的响应机会，最后仅剩一个输出最大的神经元成为竞争的胜利者，并对那些与获胜神经元有关的各连接权值朝着更有利于它竞争的方向调整。3.4神经网络的特点及其应用3.4.1神经网络的特点神经网络有如下特点：1．并行分布式处理神经网络不仅有高度并行结构，还有专门强的并行实现能力，网络的各单元能够同时进行类似的处理过程，整个网络的信息处理方式是大规模并行的。2．具有自学习功能从历史数据中学习，培养出特定的具有归纳全部数据能力的神经网络。对推测来讲，自学习功能有着极其重要的意义。3．非线性处理神经网络模拟人的思维跟人脑思维一样也是非线性的，对处理非线性咨询题有专门大的关心。4．神经网络的硬件实现超大规模集成电路（VLSI)硬件的实现，使人工神经网络能有效且快速地解决规模专门大的咨询题。3.4.2神经网络的应用1．民用：语言识别、图像识别与懂得、智能机器人故障检测、市场分析、决策优化、物资调运、智能操纵、交通推测等2．军用：雷达、声呐的多目标识别与跟踪、战场治理和决策支持系统、军用机器人操纵、信息的快速录用、导弹的智能引导等等。3.5神经网络的学习3.5.1学习方式神经网络分无导师学习、有导师学习和再励学习三种学习方式。1．无导师学习与有导师学习不同的是，它仅有一批输入数据。网络初始状态下，将均为小正数的权值反复加载后使网络持续受到刺激，直到产生同样的刺激，并最终使相应的连接权增大到接近1的某值。简单来讲确实是加入了相似的或已学习过的刺激后，输出端的输出是按权值矩阵相应产生的。2．有导师学习也叫监督学习，它以组织准确的输入输出数据对为研究目的。在网络输入端加载输入数据，再通过比较网络的实际和期望输出得到误差，然后由误差的情形绝大部分要修改各连接权值，使网络向正确响应的方向变化到实际输出减去期望输出在承诺范畴之内为止。3．再励学习是介于对上两种情形之间的一种方式，系统输出的结果受到外部环境的阻碍，学习系统改善自身性能靠强化受奖励的动作来实现。3.5.2学习算法1．Hebb学习规则Heb由生理学条件反射原理，于1949年发觉了神经元的交接强度变换规则，并成为了人工神经网络的基础。换句话讲，Hebb学习规则能够推演出其他人工神经网络学习规则。其运算规律为：（3-7）式中：为神经元i到j的连接权值；S为样本序号，取值为[0，M-1]；和分别为第S个样本的第i和j神经元的输入由上式可知，连接权值的大小由M个样本里所有的第i和j个元素决定,即越多，越大。换种讲法来讲，两个神经元的连接加大与否，决定于它们是否处于兴奋状态。2．学习规则即误差校正规则，是在对网络学习时采纳已知样本作为教师的一种学习方法。第一设置一个较小的随机非0值作为初始权值，输入的样本对和输出的样本对也先给定；然后再算目标函数，那么神经元以第组样本为输入的输出公式为：（3-8）（3-9）（3-10）（3-11）3．Perception学习规则采纳的是有导师学习方法。第一设置一个较小的随机非0值作为初始权值。然后给定输入的样本对和输出的样本对。其次求出感知器的输出。最后求出权值的调整公式：（3-12）其中，第次调整权值用表示；学习率用表示，且，用来掌控权值调整的快慢。4．内、外星学习规则设神经元到神经元的连接权值是，神经元的输入为，则连接权值的调整公式为（3-13）现在，是使趋向输入的值，因此是内星学习规则。当神经元的输出为时，采纳公式3-13是使趋向输出的值，是外星学习规则。适图形识别等领域用内星学习规则，而信号传递领域用外星学习规则会更佳。3.6本章小结本章第一对神经网络进行了详细的概述，然后再对其结构模型进行了详细的讲明，最后论述了其特点及学习方式、算法，使人对神经网络有初步认知。第四章基于Elman神经网络的交通流推测的仿真4.1Elman神经网络4.1.1概述Elman于1990年提出了Elman神经网络模型。为了达到经历目的，该模型增加了一个承接层在前馈网络的隐含层中，让系统具有了习惯时变特性的能力。因此，它实现的是动态映射，比前向网络更适于解决动态系统咨询题。4.1.2Elman神经网络的结构及原理Elman型回来神经元网络通常分为4层：输入层、输出层、中间层和承接层。其中输入、输出层和隐含层有类似于前馈网络的连接方式。输入层单元和输出层单元分别起信号传输作用和线性加权作用，隐含层单元用线性或非线性函数作为传递函数，承接层即上下文层，顾名思义是用来经历中间层单元前一时刻的输出值并返回给输入。它通过储备内部状态使其具备映射动态特点的功能，从而使系统具有习惯时变特性的能力，它能够更生动、更直截了当地反映系统的动态特性。Elman神经网络原理如图4-1所示。图4-1Elman神经网络原理Elman型神经网络的特点是中间层的输出通过承接层的延迟和储备后，自联到中间层的输入，此自联方式使其敏锐于历史状态的数据。同时，网络本身处理动态信息的能力也随内部反馈网络的加入大大增强，最后达到了动态建模的目的。此外，承接层从中间层同意反馈信号，用它来经历中间层单元前一时刻的输出值。前馈网络的输入包括外部输入值和中间层前一时刻的输出值，可通过反向传播算法来训练它。训练完后，k时刻中间层的输出值将以递归方式连接部分反馈到承接层单元，并保留至下一个训练k+1时刻。设外部输入为，输出为y(k)，中间层的输出为x(k)，则可得到的非线性状态空间表达式如下：(4-1)(4-2)(4-3)式中指承接层到中间层，指输入层到中间层，指中间层到输出层的连接权矩阵，中间层和输出层的传递函数分别用f和g表示。由式（4-1）-（4-3）得：(4-4)又因为=，上式能连续展开。讲明了与过去不同时刻的连接权（，…）有关,也确实是讲是一个动态递推过程。对应的，动态反向传播学习算法包含了用于Elman神经网络训练的反向传播算法。4.1.3Elman神经网络的创建指令格式为net=newelm(PR,[S1S2……SN1],{TF1TF2……TFN1},BTF,BLF,PF)参数意义：PR—R个输入元素的范畴矩阵。Si—第i层的神经元个数。TFi—第i层的传递函数，缺省值为“tansig”。BTF —反向传播网络的训练函数，能够是traind,traingdm,traingda,traingdx等函数，缺省值为“traingdx”。BLF—反向传播权值/阈值的学习函数，能够是learngd,learngdm缺省值为“learngdm”。PF—性能分析函数，能够是mse,msereg缺省值为“mse”。执行结果：创建一个Elman神经网络。该网络具有N1个神经元层，权函数为dotprod函数，输入函数为netsum函数，每层权值和阈值的初始化使用initnw函数。4.1.4Elman神经网络的训练Elman神经网络的训练可用train()函数和adapt()函数，训练函数能够选择traingd、traingdm、traingda、traingdx，学习函数可用learngd和learngdm。训练过程如下：1．运算网络输出与期望输出的误差。2．运算该误差对权值和阈值的梯度，进行反向传播。由于通过延时反馈，权值和阈值对误差的阻碍被忽略了，因此得的梯度实际上是近似值。3．如果使用train()函数，就调用训练函数来调整权值和阈值；如果使用adapt()函数，就调用学习函数来调整权值和阈值。4.2Elman回来神经网络推测的仿真4.2.1仿真背景都市主干道交通系统是一个非线性的系统，该系统既复杂又受诸多的外部因素所阻碍，如气候、时刻等等。但在某个特定的时刻段内，每条干道上的车流量、车速甚至是车的类型又是有规律可循的，其具有丰富的内部层次有序结构，是一种介于随机性和确定性之间的现象。针对其以上特点，本节采纳Elman神经网络的交通流量进行推测。4.2.2样本数据选择样本数据对网络泛化能力有关键性的阻碍，训练网络所使用的样本数据应从样本的质量、数量和代表性三个方面考虑。样本质量高低和样本数量的多少都阻碍着系统的准确性和可行性，样本的质量越高，数量越多，则所得到的系统盼函数越准确，系统的拟合程度越高。反之，所得的系统就不符合实际要求。然而实际应用中，样本数量不可能无限增加，这就使得样本选取时不仅要考虑到系统平稳的普遍性，还要兼顾系统突变时的专门性，只有这两方面都具备了才能提升网络的拟合能力。训练用的样本决定了网络性能的好坏，而一个注重了样本规模的同时又注重了样本质量的训练样本集才算得上一个好的样本。1．样本数的确定理论上来讲训练样本数越多，训练结果越符合要求，但当样本数到达一个特定程度时，网络的精度也专门难提升多少。此外，样本收集和整理过程中往往也会受到诸多客观因素的阻碍。因此，网络训练的输入-输出非线性映射关系的复杂与否决定了其所需要的样本数的多少。影射关系越复杂，则样本噪声就越大，所需要的样本数也越多，因而网络的规模也就越大。一样来讲我们都会参考如此的一个体会规则：训练样本数为网络连接权总数的5到10倍。2．样本的选择与组织样本能表现出网络训练的规律，因此样本的选取一定要富有代表性。选择样本时要注意均衡类别，尽量使各类别的样本数近乎相等。即使同一类样本也要照管其多样性和平均性。换句话讲，选择样本的时候就要用“平均主义”原则，使在样本训练时能涵盖网络的各个方面，幸免网络重视了样本数多的类别而忽略了样本数少的类别。组织样本的时候要注意交叉输入不同类别的样本，或随机选择输入训练集中的样本。因为太集中的同类样本会使网络在训练时倾向于仅仅建立与其相对应的映射关系，现在若有另一类样本集中输入，权值就会向新的映射关系去调整，同时也否定前面的训练结果。当轮番集中输入各类样本时，振荡会显现在网络训练中，造成了训练时刻的延长。4.2.3神经网络输入数据的归一化处理本文使用S型的鼓舞函数作为神经网络推测模型，该函数敏锐于中间输出部分对输入的变化，而两端的输出部分对输入的变化较为迟钝（详细可见3.3.2第（3）点），这就意味着中间部分推测比两端要精确得多。专门是在高端预估得一样比实际值低，而在低端预估得一样比实际值高，即是讲用神经网络推测出来的范畴要小于实际范畴。为此输出数据需被压缩到离中心点较近的范畴内，就像关于对数函数的输出，需缩放至0.1～0.9间甚至是0.2～0.8间。为了使每项输入在网络训练中能受到同等待遇，我们在处理网络输入数据时，需把它变换至一个相对较小的范畴内，如在0～1间。将输入输出数据变换为[-1,1]区间的值常用以下变换式(4-5)(4-6)其中，输入或输出数据用X表示；数据变化范畴的最小值用Xmin表示；数据变化范畴的最大值用表示。4.2.4Elman回来神经网络的创建及训练完成网络设计后，需用设计值进行训练。对所有样本正向运行一轮并反向修改权值一次称为一次训练。在训练过程中要反复随机使用样本集数据，通常需要成千上万次训练才能训练出一个网络。一个网络的泛化能力的好坏决定着其性能的优劣，而测试其泛化能力要用训练集以外的测试数据来进行检验而不能用训练集的数据进行。通常的做法是，将收集到的可用样本随机地分为两部分：一部分作为训练集；另一部分作为测试集。如果网络对训练集样本的误差专门小，而对测试集样本的误差专门大，讲明网络差不多被训练得过度吻合，因此泛化能力专门差。而网络实现的类似查表的功能会在过度训练的极端情形下显示。先创建Elman回来神经网络；然后对回来神经网络进行训练；最后对回来神经网络进行仿真。编写Matlab程序如下：net=newelm(minmax(p),[m,1],{'tansig','purelin'},'trainlm');net.trainParam.show=n;net.trainParam.epochs=N;net.trainParam.goal=2e-3;randn('seed',192736547);net=init(net);[net,tr]=train(net,p,t);an=sim(net,p);回来神经网络的输出层神经元数目为1个，隐含层神经元数目为m个。通过net＝newelm()创建Elman回来神经网络，隐含层采纳tansig传递函数，输出层采纳purelin线性传递函数，其中tansig为S型正切函数，purelin为纯线性函数。“trainlm”训练的输出向量与期望向量更为接近，网络训练过程中，误差曲线下降速度快，训练步数比“traindx”或“triangda”更少，因此采纳“trainlm”作为训练方法。通过[net,tr]=train(net,p,t)函数对回来神经网络进行训练。通过an=sim(net,p)函数对回来神经网络进行仿真。按照从广州市交警的SCATS系统采集上来的2004年4月14日和19日两天中山解放路的交通流量数据，具体操作位每小时记录一次，交通流实测数据192个。表4-1中山解放路某路口东西直行的部分交通流量数据时刻段流量时刻段流量2004-9-141：004902004-9-1413：0012362004-9-142：003842004-9-1414：0014072004-9-143：002702004-9-1415：0014262004-9-144：002292004-9-1416：0015772004-9-145：002552004-9-1417：0013712004-9-146：003992004-9-1418：0013712004-9-147：009612004-9-1419：0012422004-9-148：0011422004-9-1420：0012312004-9-149：0013802004-9-1421：0013712004-9-1410：0014652004-9-1422：0012962004-9-1411：0015122004-9-1423：008772004-9-1412：0012312004-9-1424：00604对以上两路口的交通流数据的分析得，其交通流存在混沌性能够用Elman回来神经网络对它进行训练和推测，应用MATLAB语言编制m文件程序来进行仿真。支持Elman回来神经网络的输入矢量为t-3h，t-2h，t-h，和t的流量，输出为t+h流量。每推测一个样本，重新训练Elman神经网络测下一个样本。4.2.5仿真程序及结果选取原始数据中的120个作为训练集，其余数据用作测试集，设置回来神经网络的输入层神经元数目为5个，输出层神经元数目为1个，另外通过改变隐含层神经元数目的个数m=30,m=35分别进行训练，然后对比仿真结果，选取与实际流量最接近的网络以下为神经网络1．隐含层m=30，goal=3e-7，epochs=500时，Matlab窗口显示如下：Columns1through1060449038427022925539996111421380282280221167126125159427455469452409360278232238334729844961Columns11through2014651512123112361407142615771371137112425185134174184844324153764324289081055844803943967904776785729Columns21through24123113711296877402382384331798805705534TRAINLM,Epoch0/150,MSE1.38976/3e-007,Gradient286.44/1e-010TRAINLM,Epoch30/150,MSE0.00595474/3e-007,Gradient3.32167/1e-010TRAINLM,Epoch60/150,MSE0.0027589/3e-007,Gradient3.94323/1e-010TRAINLM,Epoch90/150,MSE4.3947e-005/3e-007,Gradient0.153728/1e-010TRAINLM,Epoch97/150,MSE2.25496e-007/3e-007,Gradient0.181501/1e-010TRAINLM,Performancegoalmet.Elapsedtimeis66.049000seconds.b=973.1005b=-13.8286b=1.0647e+003b=1.0394e+003b=1.7880e+003b=-208.5238b=1.0822e+003b=1.0276e+003b=1.0189e+003b=-103.1675图4-2m=30仿真图2．隐层m=35,goal=3e-7，epochs=500时,Matlab窗口显示：Columns1through1060449038427022925539996111421380282280221167126125159452409360278232238334729844961Columns11through2014651512123112361407142615771371137112425185134174184844324153764324289081055844803943967904776785729Columns21through24123113711296877402382384331798805705534TRAINLM,Epoch0/500,MSE1.50194/3e-007,Gradient297.047/1e-010TRAINLM,Epoch30/500,MSE0.00486352/3e-007,Gradient1.74115/1e-010TRAINLM,Epoch60/500,MSE0.00296701/3e-007,Gradient0.115666/1e-010TRAINLM,Epoch90/500,MSE0.00169691/3e-007,Gradient0.983852/1e-010TRAINLM,Epoch119/500,MSE1.22582e-010/3e-007,Gradient0.00395959/1e-010TRAINLM,Performancegoalmet.Elapsedtimeis170.243000seconds.b=795.1123b=-1.4599e+003b=1.2622e+003b=829.8087b=575.8378b=-1.3325e+003b=1.3431e+003b=1.0935e+003b=665.3947b=-1.6242e+003图4-3m=35仿真图此外，在此m文件的基础上改变隐含层m值（m=30，m=35）可得到不同的仿真结果，结果如表4-2所示：表4-2部分数据仿真结果表时刻P流量实际值流量推测值m=30绝对误差(%)m=30流量推测值m=35绝对误差(%)m=3514日1时14904930．504288．9014日5时22552500．942520．6814日7时396198218．2198723．2314日11时4151215283．7715398．4314日14时51407145516．41144210．9419日10时6128612902．7412964．9819日16时7139814021．0814051．6719日12时8132113357．9713294．1319日8时91074101125．65102221．6119日5时102472501．882480．12

经运算，当隐含层m=30时，10组流量推测值的绝对误差最大为25.65%，平均值为7.92%；当隐含层m=35，10组流量推测值的绝对误差最大为23.23%，平均值为8.47%；当隐含层m=30时，10组流量推测值的绝对误差最大为20.08%，平均值为6.05%，容易看出当取隐含层m=30时，可获得最小绝对误差的仿真结果，而且误差在容许之内，满足流量推测要求，故用Elman回来神经网络进行短期交通流推测是可行的。4.3本章小结本章对Elman神经网络的原理和网络结构进行了介绍，然后构建了用于推测短时交通流量的Elman回来