1、五邑大学本科毕业设计I基于概率神经网络的道路拥堵判别摘 要近年来，交通拥堵严重不仅给人们的日常生活带来诸多的不便，甚至成为了经济发展的阻碍因素。本文针对道路拥堵判别这种非线性分类问题，提出了基于概率神经网络的道路拥堵判别方法。充分结合概率神经网络的理论知识，以前一时刻与后一时刻的交通量 q、 速度 v 和车辆占有率作为概率神经网络的输入量，通过样本数据对概率神经网络的训练，可以分析在输入量因素的影响下道路的畅通情况，最后用样本数据进行了仿真实验，得到的结果令人满意。关键词 城市交通；道路拥堵；概率神经网络；测试数据；仿真研究五邑大学本科毕业设计IIAbstractIn recent years
2、, traffic congestion has not only brought inconvenience to peoples daily life, but also has become a factor hindering economic development. Aiming at the problem of nonlinear classification in traffic congestion judgment, a method based on probabilistic neural network (PNN) is proposed. Combined the
3、 theory of probabilistic neural network, speed, traffic volume and occupation ratio of a previous moment and the later moment are taken as inputs. Simulation research is carried out with the sample data, the result is satisfying.Key words urban traffic road congestion probabilistic neural network te
4、st data simulation study五邑大学本科毕业设计III目 录摘 要 .IAbstract.II第 1 章 绪论 .11.1 课题背景 .11.2 研究的目的和意义 .11.3 国内外文献综述 .21.4 本文的主要内容 .3第 2 章 概率神经网络原理 .42.1 概率神经网络模型 .42.2 概率神经网络的网络结构 .62.3 概率神经网络的训练 .62.4 概率神经网络的优点 .72.5 本章小结 .8第 3 章 MATLAB 神经网络工具箱的使用 .93.1 引言 .93.2 神经网络工具箱下的系统建立与仿真 .93.2.1 使用神经网络工具箱的命令行方式建立 .93
5、.2.2 使用神经网络工具箱的图形用户界面建立 .103.3 本章小结 .14第 4 章 基于概率神经网络的拥堵判别设计与仿真 .154.1 道路拥堵判别的系统 .154.1.1 概率神经网络输入变量的选择 .154.1.2 概率神经网络的训练数据和测试数据 .154.1.3 基于概率神经网络的拥堵判别系统建立 .174.2 概率神经网络的拥堵判别仿真 .174.3 MATLAB 程序及仿真结果 .174.3.1 MATLAB 程序 .174.3.2 仿真过程数据 .214.3.3 仿真结果 .274.4 本章小结 .27结 论 .28参考文献 .29致 谢 .30五邑大学本科毕业设计1第 1
6、 章 绪论1.1 课题背景随着经济的发展，人们生活水平的不断提高，汽车逐渐成为了许多市民出行首选的交通工具，并以倍数增长的速度进入千家万户。然而，由于汽车拥有量不断增加，人们出行频率不断地提高，道路的通行能力不足以满足人们的日常出行需要，由此引发了各种各样的交通问题，而交通拥堵就是最为常见的一种交通问题。从小的方面来看，交通拥堵会导致车辆延误、行驶时间延长，影响着人们的日常生活；从大的方面来看，交通拥堵会使空气污染加重、燃油能耗增大，同时交通拥堵还会影响经济活动的进行，最终成为制约经济发展的重要因素之一，阻碍经济发展。对于交通拥堵这个问题，主要是由外部因素和内部因素两种影响因素导致的。外部因素
7、是国内经济的高速发展，汽车拥有量的剧增；而内部因素则是车辆的日益增长速度与城市的道路发展落后之间的不协调。针对交通拥堵的情况，我们常常会通过浮动车法等传统方法来分析连续时间和空间内速度与密度的比例分布，以此来确定道路的拥堵情况。但是，这种方法在运行时间延误的情况下是有它的局限性的，所以单纯使用传统的检测方法得到的结果并不理想。近年来，仿真建模方法进入了我们的视线。利用算法分析数据，能够有效评估判别道路的拥堵情况，得到的结果也是比较合理准确的。面对交通拥堵这个严峻的挑战，我们急需一种能够判别道路拥堵与否的方法，对城市大大小小的道路进行检测，从而保证时效性和准确性地检测出道路拥堵的情况，进而由交通
8、管理部门对拥堵情况采取适当的交通措施，降低交通拥堵发生的频率，尽可能提高道路的通行能力，保证城市道路的畅通。本文综合考虑道路拥堵的实际情况，提出了基于概率神经网络的道路拥堵判别方法。根据历史的交通数据对概率神经网络进行训练，然后可对测试样本进行分析并分类，可判别出道路拥堵的位置，给后续的解决方案提供了有效而准确的方向指引，从而避免交通拥堵频繁发生，并且减少因为交通拥堵造成交通事故的数量。1.2 研究的目的和意义本课题研究的目的就是在道路拥堵情况下，探讨得出较为完善的判别方法去解决道路拥堵问题。着眼于现有城市道路规划，基于概率神经网络的前提下，找出科学的、有效的、全面的方法，判断出道路拥堵的位置
9、所在，发现潜在的道路拥堵问题，从而有效五邑大学本科毕业设计2引导道路交通，让道路保持畅通，达到出行轻松方便快捷的目标，同时也可以降低由于道路交通所引起的各种大气环境污染。道路拥堵判别除了应用于处理交通拥堵中，在智能交通系统方面也有重要的作用。道路拥堵判别为这些系统提供重要的、实时的非周期性交通流状态变化信息，建立有时效性、准确性高的道路拥堵判别系统。因此，本课题研究的目的在于采用概率神经网络算法实现对道路拥堵的判别。从目前的情况来看，世界各国专家也专注于对交通拥堵的研究，但是缺少了一个对交通拥堵的定量标准，所以解决道路上的拥堵问题值得深入探究。准确的道路交通信息从道路拥堵判别的系统中实时提取，
10、以便能及时发现路网中的交通拥挤情况，可以对道路交通进行统一管理和控制，制定疏导策略，对缓解交通拥堵具有重要的意义。1.3 国内外文献综述文献 1 系统介绍了智能控制技术中神经网络的理论知识，同时还包含 MATLAB 的神经网络工具箱、函数以及各种类型的神经网络的学习方法和训练方法等多方面的内容，并给出多个设计的例子作为学习参考。文献 2 针对目前城市交通道路拥堵服务质量评价的局限性，创新性地提出了与交通流量、速度、密度有关的拥挤度系数的概念，利用模糊综合评价的方法进行判别并作仿真研究。文献 3 阐述了基于学习向量量化（LVQ）神经网络的算法理论，运用这种神经网络的算法设计出拥堵预测的系统，并利
11、用相关的数据和 MATLAB 神经网络工具箱对网络进行训练，最终系统的仿真效果良好。文献 4 介绍了神经网络的基本原理、训练方法、网络结构等知识，系统阐述了各种类型的神经网络在 MATLAB 上的实现方法，并给出了实际生活中的真实例子、实现的步骤和程序。文献 5 提出了小波分析的算法，并把小波分析和神经网络应用于事件检测中，小波变换的方法可以对采样信号进行奇异点检测，然后使用神经网络对检测的结果进行分类，最后给出检测的结果，结果分成有事件和无事件两种类型，仿真的结果表明该算法相对于传统的事件检测算法有时效和准确率上的优势。文献 6 介绍了概率神经网络的算法和模型，设计出能够预测泵车臂架疲劳寿命
12、的网络模型，通过数据对网络进行训练与仿真研究，仿真的结果表明，概率神经网络的预测分类方法是可行的。 文献 7 提出支持向量机(SVM)的算法，把这种算法运用于高速公路事件检测，用改进的模糊 C 均值聚类方法进行预处理训练数据，不但提高了支持向量机的训练速度，而且能够大幅度减少训练样本的数量。文献 8 提出对向传播网络的算法，系统全面地阐述了对向传播网络的理论知识、网络结构和学习算法，并作仿真实验，实验的结果表明了对向传播算法的检测用时短，又能保证其检测的准确度。五邑大学本科毕业设计3文献 9 结合考虑实际交通状况中可能有的模糊条件，以此作为输入量，根据模糊推理规则，提出模糊推理算法并进行仿真实
13、验，实验验证了这种算法能够把交通状况分类为非常畅通、畅通、轻微拥堵、较拥堵和很拥堵五个类别，而且判别的结果与实际交通状况吻合。文献 10 提出了自组织特征映射模型、前向神经网络模型和自适应共振理论神经网络这三种模型并比较、运用在事件检测中，仿真结果表明前向神经网络模型的性能优于另外的两种网络。1.4 本文的主要内容全文共分 4 章。第 1 章 概括性地阐述了本论文的选题背景、研究目的和意义，并对国内外道路拥堵问题的研究动态进行综述。第 2 章 主要讲述了概率神经网络的基本原理、拓扑网络结构、训练方法，并总结归纳出概率神经网络的优点。第 3 章 首先介绍了 MATLAB 神经网络工具箱的发展，接
14、着着重介绍了利用神经网络工具箱进行神经网络的建立：利用命令行语句和 GUI 两种方法，同时展示了神经网络建立、训练和仿真的步骤。第 4 章 主要利用概率神经网络工具箱，根据交通量、车辆速度和占有率的样本数据，设计了用于判别道路拥堵的概率神经网络，并用样本数据对其进行训练与仿真，得到令人满意的结果。结论部分对本论文内容进行归纳总结，并陈述了基于概率神经网络的道路拥堵判别方法的意义。五邑大学本科毕业设计4第 2 章 概率神经网络原理2.1 概率神经网络模型概率神经网络(probabilistic neural network, PNN)是由基于贝叶斯最小风险准则理论延伸的一种算法，它是由径向基神经
15、元和竞争神经元一起共同组建的可用于模式分类的神经网络。 基于概率神经网络的道路拥堵判别方法之所以能够判断出道路的实时状况，主要是利用概率神经网络模型的非线性分类能力，将样本空间映射到模式空间中，从而形成一个具有容错能力强和结构自适应能力好的特点的道路拥堵检测系统。 4概率神经网络拓扑结构图如图 2-1 所示。概率神经网络的结构包括了输入层、隐层、求和层以及输出层共 4 层，它们各层的功能图如图 2-2 所示：xx1 1x1 2x1 N 1xM 1xM 2xM Nf1 N ( x )fM N ( x )p ( x )输入层隐层求和层输出层图 2-1 概率神经网络的拓扑结构五邑大学本科毕业设计5输
16、入层 ：接收来自训练样本值X ( x1, x2, , xn)隐层 ：计算输入层和隐层的加权和求和层 ：事件模式与神经元对应并求和输出层 ：在各事件模式的估计概率密度中选择最大后验概率密度的神经元作为输出图 2-2 概率神经网络结构功能图综上所述，概率神经网络的输出层只有 1 个节点，输出值在0，1范围，输出的状态包括了状态1 和状态2这两种输出状态，其中，状态 1代表拥堵状态，状态2代表无拥堵状态。五邑大学本科毕业设计62.2 概率神经网络的网络结构概率神经网络的结构如图 2-3 所示。QR Q1 n1 a1 n2 a2=y P R1 Q1 Q1 K1 K1 KQ Q1 IW1,1 W b1
17、径 向 基函 数 LW2,1 竞 争 传递 函 数 |dist| 图 2-3 概率神经网络结构图图 2-3 中的 IW1,1 表示网络第一层(径向基函数层)的权值矩阵，IW 1,1 为 QR 矩阵，Q为第一层的神经元个数，也就是训练样本对的数量，R 为网络输入的维数，K 为预定义的分类类别数，即第二层(竞争层)的神经元个数；P 为待检特征向量(R 1), b1 为第一层的阈值向量( Q1), n1 为第一层径向基传递函数的输入向量(Q 1), a1 为第一层径向基传递函数的输出向量( Q1)； LW2,1 是连接第一层和第二层的权值矩阵；假设有 Q 组训练样本对I1/O1, I2/O2, ,
18、IQ/OQ, 其中 Ii, i=1, 2, , Q 为训练样本对的输入向量 (R1), Oi, i=1, 2, , Q为训练样本对的目标向量，O it 的形式是 K 维列向量(K1), 其中 t 的含义是转置，K 个分量分别对应 K 个分类类别，每个分量有且只有一个元素为 1，其余元素都是为 0，表示所对应的输入向量属于与该分量相对应的一种类别，另外，训练的时候，输入向量 Ii, i=1, 2, , Q 主要是以列向量形式组成一个 RQ 的输入向量矩阵 Pm, 目标向量则组成一个 KQ的目标向量矩阵 T，即：（2-,tt2t1O1）2.3 概率神经网络的训练概率神经网络的训练过程与 BP 神经
19、网络的训练过程相比较，概率神经网络相对较为简单。概率神经网络的权值矩阵 IW1,1 被设置为输入向量矩阵 Pm 的转置矩阵，权值矩阵LW2,1 被设置为目标向量矩阵 T。 4 概率神经网络分类的预测值与实际值极其吻合。当已经训练好的网络获得输入的待检向量 时，概率神经网络的第tRp.,2,1P五邑大学本科毕业设计7一层将对该输入向量与训练样本对的输入向量 Ii , i=1, 2, , Q 的欧氏距离进行计算，得到的结果为向量 D，即：（2-t21 , PIP2）径向基函数的输入量 n1 是向量 D 与阈值向量 b1 相乘得到的结果，即：（2-t,12,1, , Qb III3）式中 b1,i,
20、 i=1, 2, , 阈值向量 b1 的第 i 个元素即为 Q。径向基函数的输入 n1 和输出 a1 满足以下的关系式：（2-t,12,1, )(Rdsaa4）式中 0a1,i1, i=1, 2, , Q当待检向量 P 与训练样本对的某个输入向量 Ii 的欧氏距离越接近的时候， a1 中相应位置的输出值就会越接近 1；网络的第二层把 a1 中的分量按分类类别求和，得到概率向量 n2, n2=n2,1, n2,2, , n2,K t，式中 n2, j, j=1, 2, , K 为向量 n2 的第 j 个元素；（2-11,2TaLW5）其中 K 是 n2 的维数, a1 中的每一个分量都会对应一种分类类别，待检向量 P 归类到该对应类别的概率则可以用分量数值的大小来表示；最后，n 2 作为竞争传递函数的输入，采用以下的竞争传递函数运算规则进行分类：（2-),max(0,22,1,2,2 Kjj nn6）概率神经网络的目的是选出概率向量中最大数值的元素，并在竞争层输出向量 a2 中将其置 1，其余元素置 0，表示网络把待检向量 P 归类到此类别。 6综上所述，在训练网络时，网络直接存储训练样本向量作为网络的模式样本向量，在完成非线性处理后，再送入求和层中。求和层求和估计各类的概率。在输出层中，根据对输入向量的概率估计，按照贝叶斯分类规则将输入向量分到概率向量最大值的类别中去。
