1、第27卷第l2期 计算机仿真 2010年12月 文章编号：10069348(2010)12032304 粒子群优化RBF神经网络的短时交通流量预测 冯明发 ，卢锦川 (1深圳职业技术学院，广东深圳518055； 2中国联通北海分公司，广西北海536000) 摘要：根据交通流量数据具有非周期性、非线性和随机性等特点，为了更准确地对交通流量进行预测，实现交通智能控制和 规划是主要问题。交通流量预测中存在容易陷入局部极小值、收敛速度慢，泛化能力差等问题，影响了交通流量预测的实用 件和准确性。提出基于粒子群(PSO)优化RBF神经网络的交通流量预测方法。利用PSO算法操作简单、容易实现等特点 及其深刻
2、的智能背景，对RBF神经网络的参数(中心和宽度)、连接权重进行优化，并用经PSO算法优化的RBF神经网络对 短时交通流量进行仿真预测，仿真结果表明，PSO算法优化的RBF神经网络具有较高的预测精度，比RBF预测模型精度高、 收敛快。PSO算法优化的RBF神经网络，适用于短时交通流量预测，预测精度较高，具有推广应用价值。 关键词：交通流量；神经网络；粒子群算法；优化 中图分类号：TB24 文献标识码：B Study on Short Time Traffic Flow Prediction Based on RBF Neural Network Optimized by PSO FENG Min
3、gfa LU Jinchuan (1Shenzhen PolytechnicS，Shenzhen Guangdong 518055，China； 2China United Telecommunications Corporation Beihai Branch，Beihai Guangxi 536000，China) ABSTRACT：Traffic flow data are unperiodical，nonlinear and stochastic，the practicability and accuracy are affect ed by its drawbacks of fall
4、ing into local optimization and low convergence rateThus，RBF neural network optimized by particle swarlTl optimization algorithm(PSORBFNN)is proposed to predict traffic flow in the paperBeing easy to realize，simple to operate with profound intelligence background，the parameters and connection weight
5、 are opti mized by the algorithm and short time traffic flow prediction is simulated by the optimized RBF Neural NetworkThe predictiion results of the instance show that it has better prediction results，higher precision，faster convergence speed than that of RBf predicton mode1The optimized RBF Neura
6、l Network is suitable for short time traffic flow prediction The method has good prediction accuracy and popularization value KEYWORDS：Traffic flow；Nerual network；Particle swarnq algorithm；Optimization 1 引言 随着交通基础设施建没和智能运输系统的发展，交通规 划和交通诱导成为交通领域研究的热点。对于交通规划和 交通诱导来说，准确的交通流量预测是其实现的前提和关 键。交通流量预测根据时问跨度可以
7、分为长期交通流量预 测和短时交通流量预测，其中短时交通流量预测是智能运输 系统的核心内容，智能运输系统中多个子系统的功能实现都 是以其为基础的。 收稿日期：20100529 短时交通流量数据具有高度非线性和不确定性等特点， 并且与时间相关性很强，是一种典型的时间序列预测问题， 日前，比较常见的交通网络流量预测模型包括ARIMA(Auto Regression Integrated Moving Average)方法 、卡尔曼滤波 模型(Kalman Filtering Mode1) 和神经网络模型(Neural Net- work Mode1) 。ARIMA是一种典型的时间序列预测方法， 有着
8、良好的预测性能，其基于线性的模型，而短时交通流量 具有非线性特征，所以预测结果不理想 。卡尔曼滤波是一 个非常适用于实时动态预测交通流量的方法，但是由于卡尔 曼滤波模型的误差项不好确定，因为交通流量的随机性非常 大，这样卡尔曼滤波模型中存在着大量的矩阵运算和复杂的 323 参数估计，在实际应用中难以掌握，所以对于预测结果来说 还是存在很多不尽人意的地方。BP神经网络(BP Neural Network，BPNN)预测模型能较精确的描述因素之间的映射 关系，其中RBF神经网络(RBFNN)是一种前向神经网络模 型，具有全局寻优能力与良好的泛化推广能力，同时计算量 少，在交能通流量中得到了广泛的应
9、用 。但是在实际臆用 中，RBF神经网络中输出权重，隐单元中心和宽度的取值对 它的性能有着较大的影响 。目前，用遗传算法优化RBF 神经网络结构和权重等参数的方法已经有很多报道，但遗传 算法复杂的遗传操作(如选择、交叉、变异)使神经网络的训 练时问随问题规模及复杂程度的增大而呈指数级增长，且存 在局部最优等问题 J。粒子群优化算法(panicle swarm opti mization，PSO)是一种智能群体搜索方法，它 仅具有很强的 全局搜索能力，而且容易实现，非常适用于RBFNN参数 优化 。 针对当前交通流量预测中存在的问题，本文提出一种基 于粒子群优化RBF神经网络(PSORBFNN)
10、的短时交通流 量预测方法。用粒子群来优化RBF神经，。井进行r仿真 实验，实验结果表明，相于BP神经网络，基于粒子群优化 RBF神经网络有着更高的预测精度，收敛速度也相应加快。 2交通流量预测原理 交通流量预测是对具有非周期性、非线性和随机性的交 通流量数据序列根据当前和历史数据特征对未来流量态势 做出合理的判断，通用的交通流量预测模型如图1所示。首 先收集历史交通流量数据，然后对原始数据进行处理和分 析，选择预测模型，最后确定模型的最优参数，从而对未来时 刻的交通流量进行预测。 图1交通流量预测原理 众所周知，道路交通系统是一个有人参与的、时变的、复 杂的非线性大系统，其显著特点就是就有高度
11、的不确定性， 这种不确定性不但有来自于自然界方面的原因(如季节和气 候因素等)，也有来自人为因素的原因(如交通事故、突发事 324 件、司机的心理状态)，其中后者更加难以估计。这些因素都 给交通流量的预测带来 困难，尤其是短时交通流量预测则 受随机干扰因素影响更大，其不确定性更强，规律性更不明 显。因此，埘于短时交通流量预测而言，随着预测尺度的缩 短交通表现出高度的随机性和不确定性，要设计出精度较高 的基于确定数学模型的预测方法越来越困难，基于数学模型 的预测方法不可能满足短时交通流量预测实时性的要求。 RBF神经网络模拟 人类神经元活动原理，具有自学习、联 想、对比、推理和概括能力，并且，具
12、有能够逼近任意的非线 性函数、并行化处理信息、容错能力强。因此，它为解决交通 流量预测这种复杂非线性的预测问题提供了新的途径。 3粒子群优化RBF神经网络算法 31 RBF神经网络 RBF神经网络是一个三层前馈神经网络，其基本思想是 用径向基函数作为隐单元的“基”，构成隐含层空间，隐含层 对输入矢量进行变换，将低维的模式输入数据变换到高维空 间内，使得低维空间内的线性不口f分问题在高维空间内可 分。RBFNN网络结构简 ，收敛速度快，具有逼近任意非线 性函数的能力，在时间序列预测中具有广泛的应用前景。如 图2所示。 图2 RBF神经网络预测模型结构 RBF神经网络由n个输入节点、m个隐层节点和
13、1个输 出节点组成，隐层节点是RBF函数，表示为： exp一 1 1，2，m (1) 口i 式中：W 是输出权重，C 为第i个RBF隐节点的中心， 为 RBF隐节点的宽度。 RBF神经网络中的输出权重 ，隐单元中心c 和宽度 的取值对RBF神经网络预测模型预测性能有着很大影 响，因此必须选取合适的 ，C ， ，以提高RBF神经网络预 测性能。 32粒子群优化算法 PSO算法是由Eberhart等于1995年开发的一种演化计 算技术，来源于对一个简化社会模型的模拟。在PSO算法 中，将每个个体看作D维搜索空间中的一个粒子，在搜索空 间中以一定的速度飞行，这个速度根据其本身的飞行经验以 及同伴的飞
14、行经验进行动态调整，所有的粒子都有一个被日 标函数决定的适应值。粒子们追随当前的最优粒子在解空 间中搜索，通过迭代找到最优解。每一次迭代中，粒子通过 跟踪个体极值P 和全局极值g 来更新自己，在找寻这两 个极值过程中，粒子根据如下式来更新自己的速度和位置： d( +1)=X d( )+c1 X rand()X(P6 一 (i)+c2 X rand()X(g (i) (2) d(i+1)=X (i)+ d(i+1) (3) = (4) = ， 式中，和 为当前进化代数和最大进化代数； (i)当前 粒子速度， ( +1)为粒子更新后的速度； ( )是当前粒子 的位置； (i+1)是粒子更新后的位置
15、；W为惯性权重，用于 平衡全局搜索和局部搜索；rand()为介于(0，1)的随机数， C，c：是学爿因子，通常，C =C ：2。PSO根据自己的速度来 决定搜索，并且粒子还有一个重要的特点，具有记忆能力。 33基于粒子群算法的RBF神经网络优化过程 RBF神经网络中的输出卡义重J ，隐单元中心C 和宽度 ，的取值对RBF神经网络预测模型预测性能有着很大影 响，然而，很难预先确定合适的 ，c ， 取值。由于PSO有 着很强的全局搜索能力，本文采用PSO算法RBF神经网络 的参数W ，c ， 进行寻优，具体步骤如下： 1)确定速度变量 和位置变量 的范围，并初始化个 体极值P 和全局极值g ； 2
16、)将粒子群中每一个体的分量转化为神经网络的参数， 构成一个神经网络，对每一个神经网络输入训练样本进行训 练，并计算其在训练集上的均方误差； 3)根据每个体的适应度来评价每个粒子的搜索位置，计 算当前每个粒子的个体极值和种群全局极值； 4)根据J 述的式(2)、(3)和(4)更新每个粒子的搜索位 置、速度和连接权重； 5)如果达到最大迭代次数或均方误差达到最初设定值， 则结束粒子搜索，输出最优粒子位置；否则转到3)，重复迭 代优化。将得到的一组粒子最佳参数值作为优化结果，输入 实测数据进行交通流量预测。具体流程见图3。 4 RBF神经网络在短时交通流量预测 41数据源 采集4天的交通流量数据，每
17、隔15分钟记录一次该段 时问内的交通流量流量，一共收集到384个时间点的数据， 用前3天288对数据用于训练神经网络，最后用第4天的96 个交通数据用来验证交通流量预测的准确性，交通数据见图 4。运行环境：CPU为Pentium4 3GMHz，内存：1G，操作系统： WindowsXP，Matlab70下的神经网络工具箱。 42影响短时交通流量预测结果的因素选取 大量研究表明，城市交通路网中交通路段上某时刻的交 通流量与本路段前几个时段的交通流量有着必然的联系，就 可以利用路段前几个时段的交通流量数据序列去预测未来 图3基于PSO的RBFNN参数优化流程 图4流量原始数据 时段的交通流量。设
18、(t)为路段i上的t时刻的交通流量， (t1)为路段i上的t一1时刻的交通流量。作者采用当前 时间段和前s个时问段的交通流量对未来时间段的交通流 量进行预测。将 (t)， (t一1)， (ts)作为样本t时刻 的输入值，即 ， (t+1)作为样本的输出值Y 。 43数据归一化处理 为l取消各维数数据问数量级差别，避免困为输入输出 数据数量级差别较大而造成网络预测误差较大，同时加快网 络训练速度，对数据进行归一化处理，将所有数据归化到0， 1之间的数。本文采用最大最小化对数据进行归一化。 ： (5) 式中， 为数据中的最小值， 为数据中的最大值。 -325- 44 RBFNN参数的粒子群优化 应
19、用粒子群算法产生的参数训练神经网络，产生新一代 个体，淘汰父代个体，直至达到最大进化代数或者产生最优 解，最后得到神经网络的最优，输出权重 ，隐单元中心c 和 宽度 。 45最优模型的建立并预测 得到RBF神经网络的最优参数后，根据系统输入输出 数据确定BP神经网络的结构，根据交通流量的规律，本文 RBF神经网络的结构为461，即输入层有4个节点，隐含 层有6个节点，输出层有1个节点，即预测的交通流量。用 训练数掘训练BRF神经网络，网络反复训练100次，用训练 好的BRF神经网络预测短时交通流量，并对预测结果进行 分析，预测结果如图5所示。 46结果分析 从图5预测结果可以看出，基于粒子群优
20、化RBF神经网 络的交通流量预测方法具有较高的准确性，能够准确预测交 通流量的趋势，说明了粒子群优化PtBF神经网络 交通流 量预测上的有效忡。 。 们 20 30 加时 6o 加 8。 90 佃 图5 RBF神经网络预测结果 为了更进一步验汪RBF神经网络的优越性，我们同时 进行了一些对比实验，它们为：传统的RBF神经网络和遗传 算法优化的RBF神经网络，其结果见1。 表1各种算法预测能力评价 从表1可以看出，PSORBF神经网络短时交通流龟预 测模型优于RBF和GARBF的交通流量预测模型，主要体 现在以下3个方面： 1)预测精度。根据表l中的误差评价中的平均卡H对误 -326- 筹和最大
21、相对误差对比值可以看出基于PSORBF神经网 络预测模型的预测精度最高，适合于交通流量实际应用。 2)泛化推广能力。从表1可以看出，基于PSORBF神 经网络的泛化能力强于RBF和GARBF模型。POSRBF 在拟合误差较大时，其预测误差也会相对稳定。但是RBF 和GARBF神经网络很容易出现过拟合，拟合误差减小，预 测误差会很快变大。 3)收敛速度。根据表1的评价指标，基于粒子群的RBF 神经网络迭代数100远远小于RBF神经网络500和GA RBF的300，本文方法的收敛速度高于对比模模型，从而使训 练时间大大减少。 5结束语 短时交通流量预测是城市智能交通系统中的重要组成 部分；实时、准
22、确的完成预测是实现交通控制与诱导的关键； 而由于影响流量预测冈素众多，以至时变性、不确定性更大， 因此预测难度更大。本文将粒子群优化算法和RBF神经网 络相结合应用于智能交通巾的短时交通量预测。其预测结 果与其它方法比较，具有较高的预测精度。仿真诊断结果表 明，经PSO算法优化的RBF神经网络训练效率较高，结构性 能稳定，住短时交通黾预测中具有一定的推广价值。 参考文献： 1刘静，关伟交通流预测方法综述J公路交通技，2004，21 (3)：8285 2 贺围光，李宁，马寿峰基于数学模型的短时交通流预测方法 探讨J系统工程理论与实践，2000，12：5156 3 杨兆升，朱巾基于卡尔曼滤波理论的
23、交通流量实时预测模型 J中国公路学报，1999，12(3)：6367 4 尚宁，覃明贵，王亚琴基r BP神经网络的路口短时交通流量 预测方法J计算机应片j与软件，2006，23(2)：3233 5 裴玉龙，王晓宁皋于BP神经网络的交通影响预测模型J 哈尔滨工业大学学报，2004，36(8)：10341037 6 蒋宗礼人工神经网络导论M北京：高等教育出版 ，2001 7朱万富，赵仕俊基于粗糙集的神经网络结构优化设计J 计算机仿真，2006(4)：1214 8 刘洁，魏连雨，杨春风基于遗传一神经网络的交通量预测 J长安大学学报(自然科学版)，2003，23(1)：6870 9 王婧，田澎，田忐友粒子群算法在季节性商品最优定价中的 应用J计算机仿真，2006，23(2)：219211 作者简介 冯明发(1958一)，男(汉族)，黑龙江省哈尔滨市 人，副教授，研究方向：自动化控制系统，嵌入式系 统的研究和开发。 卢锦川(1984一)，女(壮族)，广西省南宁市人，硕 士研究生，工程师，研究方向：通信与信息系统。 如 瑚 瑚 佃 0 蜘 删 l霍8
