程山英

(江西科技師范大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，南昌 330038)

基于模糊神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法研究

程山英

(江西科技師范大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，南昌 330038)

為滿足交通控制和誘導(dǎo)系統(tǒng)的實(shí)時(shí)性需求，減少交通擁擠狀況，降低交通事故突發(fā)頻率，需要對(duì)短時(shí)交通流進(jìn)行預(yù)測(cè);當(dāng)前的短時(shí)交通流預(yù)測(cè)方法是采用K-近鄰的非參數(shù)回歸對(duì)其進(jìn)行預(yù)測(cè)，預(yù)測(cè)過程中沒有將預(yù)測(cè)模型中關(guān)鍵因素對(duì)交通流的影響進(jìn)行詳細(xì)的說明，導(dǎo)致預(yù)測(cè)結(jié)果不準(zhǔn)確，存在短時(shí)交通流預(yù)測(cè)誤差較大的問題;為此，提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法;該方法首先以歷史短時(shí)交通流數(shù)據(jù)樣本序列為基礎(chǔ)，將提取的關(guān)聯(lián)維數(shù)作為短時(shí)交通流的混沌特征量，然后以該特征量為依據(jù)，對(duì)短時(shí)交通流數(shù)據(jù)進(jìn)行聚類，使相同的短時(shí)交通流聚合類樣本比不同的交通流聚合類樣本更為貼近，采用高斯過程回歸對(duì)短時(shí)交通流預(yù)測(cè)模型進(jìn)行建設(shè)，建設(shè)過程中利用差分方法對(duì)短時(shí)交通流預(yù)測(cè)序列進(jìn)行平穩(wěn)化操作之后，對(duì)短時(shí)交通流預(yù)測(cè)模型進(jìn)行訓(xùn)練，將GPR模型引入至短時(shí)交通流預(yù)測(cè)過程中，得到交通流預(yù)測(cè)方差估計(jì)值，并確定交通流預(yù)測(cè)值置信區(qū)間，由此實(shí)現(xiàn)短時(shí)交通流的預(yù)測(cè);由此實(shí)現(xiàn)短時(shí)交通流的預(yù)測(cè);實(shí)驗(yàn)結(jié)果證明，所提方法可以準(zhǔn)確地預(yù)測(cè)交通運(yùn)輸系統(tǒng)的實(shí)時(shí)狀況，為車輛行駛的最佳路線進(jìn)行了有效引導(dǎo)，減少了自然影響方面和人為因素對(duì)短時(shí)交通流預(yù)測(cè)結(jié)果的干擾，為交通部門對(duì)交通路況的控制管理提供了依據(jù)。

模糊神經(jīng)網(wǎng)絡(luò)；短時(shí)交通流；預(yù)測(cè)方法

0 引言

如今，私家車越來越多，導(dǎo)致交通堵塞，以及交通事故突發(fā)的狀況時(shí)有發(fā)生。而短時(shí)交通流預(yù)測(cè)不僅可以減少道路上突發(fā)狀況的發(fā)生頻率，而且還可以為出行者的路徑選擇和出行時(shí)間提供參考。是交通管理方面十分重要的組成部分[1-2]。也正是因?yàn)槎虝r(shí)交通流預(yù)測(cè)的深遠(yuǎn)影響，使其成為了人們關(guān)注的熱點(diǎn)問題[3]。但是由于短時(shí)交通流預(yù)測(cè)具有不確定性、靈活性、不穩(wěn)定性等特點(diǎn)，導(dǎo)致大多數(shù)的預(yù)測(cè)方法無法對(duì)短時(shí)交通流進(jìn)行高效、準(zhǔn)確、穩(wěn)定地預(yù)測(cè)，經(jīng)常出現(xiàn)預(yù)測(cè)效果不理想，預(yù)測(cè)結(jié)果與實(shí)際路況偏差大等問題[4]。在這種情況下，如何增強(qiáng)短時(shí)交通流預(yù)測(cè)的穩(wěn)定性，減少預(yù)測(cè)所用時(shí)間，提高預(yù)測(cè)的效率和準(zhǔn)確性成為亟待解決的問題[5]。而基于模糊神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法，可以對(duì)短時(shí)交通流進(jìn)行安全、可靠有效地預(yù)測(cè)，是解決上述問題的可行途徑[6]。鑒于短時(shí)交通流預(yù)測(cè)對(duì)人們?nèi)粘Ｉ罹哂泻艽蟮囊饬x，所以引起了廣大研究學(xué)者的高度重視，同時(shí)也出現(xiàn)很多優(yōu)秀的預(yù)測(cè)方法[7]。

文獻(xiàn)[8]提出了一種基于K近鄰非參數(shù)回歸的短時(shí)交通流預(yù)測(cè)方法。該方法首先對(duì)交通流的空間特征進(jìn)行提取，利用特征提取結(jié)果對(duì)道路網(wǎng)進(jìn)行劃分，然后以劃分結(jié)果為基礎(chǔ)，采用Elman神經(jīng)網(wǎng)絡(luò)對(duì)道路網(wǎng)中的多斷面短時(shí)交通流同時(shí)進(jìn)行預(yù)測(cè)，最后以多斷面短時(shí)交通流數(shù)據(jù)量為依據(jù)，對(duì)該方法進(jìn)行驗(yàn)證。該方法預(yù)測(cè)效率較高，但是存在過程繁瑣的問題。文獻(xiàn)[9]提出了一種基于SVM的短時(shí)交通流預(yù)測(cè)方法。該方法首先利用SVM的獨(dú)立成分，分析獲得同一道路上各觀測(cè)點(diǎn)交通流量獨(dú)立源信號(hào)，然后采用支持向量機(jī)預(yù)測(cè)模型，對(duì)獨(dú)立源信號(hào)進(jìn)行預(yù)測(cè)與建模，最后依據(jù)遺傳算法的優(yōu)化參數(shù)將上述模型轉(zhuǎn)化為短時(shí)交通流量數(shù)據(jù)，并獲得預(yù)測(cè)結(jié)果。該方法雖然較為簡(jiǎn)單，但是存在預(yù)測(cè)結(jié)果偏差大的問題。文獻(xiàn)[10]提出了一種基于ICA的短時(shí)交通流預(yù)測(cè)方法，該方法首先分析短時(shí)交通流的特性，從原理上描述非參數(shù)回歸方法對(duì)短時(shí)交通流預(yù)測(cè)的適用性，然后依據(jù)應(yīng)用非參數(shù)回歸，對(duì)短時(shí)交通流預(yù)測(cè)的關(guān)鍵影響因素進(jìn)行討論，最后以討論結(jié)果為依據(jù)，完成對(duì)短時(shí)交通流的預(yù)測(cè)。該方法雖然用時(shí)較短，但是存在預(yù)測(cè)效率低的問題。

針對(duì)上述產(chǎn)生的問題，提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法。仿真實(shí)驗(yàn)證明，所提方法可以對(duì)短時(shí)交通流進(jìn)行準(zhǔn)確有效地預(yù)測(cè)。

1 基于模糊神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法

1.1 短時(shí)交通流混沌關(guān)聯(lián)維特征提取與交通流數(shù)據(jù)聚類

為了提高短時(shí)交通流預(yù)測(cè)效率，以歷史短時(shí)交通流數(shù)據(jù)樣本序列為基礎(chǔ)，將提取的關(guān)聯(lián)維數(shù)作為短時(shí)交通流的混沌特征量，然后以該特征量為依據(jù)，對(duì)短時(shí)交通流數(shù)據(jù)進(jìn)行聚類。交通流中的混沌特征一般表現(xiàn)為無明顯規(guī)則與次序、非同期性復(fù)雜的折疊與扭曲，所以必須利用關(guān)聯(lián)維數(shù)對(duì)交通流的混沌特征進(jìn)行描述。

假設(shè)，將關(guān)聯(lián)維數(shù)當(dāng)作短時(shí)交通流聚類的混沌特征量，以短時(shí)交通流特征相空間的重構(gòu)為依據(jù)，將相空間的一維時(shí)間序列在多維相空間中可以進(jìn)行擴(kuò)展。由此提取短時(shí)交通流混沌關(guān)聯(lián)維特征。本文對(duì)短時(shí)交通流特征相空間的重構(gòu)不做研究。利用對(duì)交通流特征相空間重構(gòu)的分析，可以得到相空間的重構(gòu)時(shí)間序列為：

Xi=(xi,xi+τ,…,xi+(m-1)τ)T

(1)

其中:Xi代表短時(shí)交通流特征相空間重構(gòu)時(shí)間序列，i代表短時(shí)交通流特征數(shù)量，xi代表短時(shí)交通流特征相空間重構(gòu)時(shí)間序列中的子集，τ代表影響上述相空間重構(gòu)的參數(shù)，m代表相空間維數(shù)，T代表相空間重構(gòu)的控制閾值。利用上述相空間重構(gòu)中的m維相空間，相點(diǎn)xj除了到xi本身的距離可以遠(yuǎn)于r，否則不得遠(yuǎn)于r，則相點(diǎn)數(shù)目Q可表示為：

(2)

(3)

其中:N代表相空間重構(gòu)中的向量數(shù)目，2代表為了排除重復(fù)的計(jì)數(shù)，CN(r)代表關(guān)聯(lián)函數(shù)。利用范數(shù)對(duì)兩個(gè)相點(diǎn)間的距離進(jìn)行描述，由此可以獲得兩個(gè)相點(diǎn)間的距離，也可以稱為兩個(gè)矢量間最大的分差量：

(4)

N=m-(m-1)τ

(5)

對(duì)相點(diǎn)中存在的關(guān)聯(lián)相點(diǎn)對(duì)數(shù)占全部可能的N(N-1)/2種配對(duì)比例進(jìn)行計(jì)算，并將其稱為關(guān)聯(lián)維數(shù)，則有公式如下：

(6)

其中:Cm(r)代表上述中的關(guān)聯(lián)維數(shù)，通過上述得到的關(guān)聯(lián)維數(shù)，就是短時(shí)交通流聚類的混沌特征量，通過此關(guān)聯(lián)維數(shù)完成短時(shí)交通流的聚類。短時(shí)交通流的聚類就是將短時(shí)交通流數(shù)據(jù)劃分為幾個(gè)類，使相同的短時(shí)交通流數(shù)據(jù)聚合類樣本，比不同的短時(shí)交通流數(shù)據(jù)聚合類樣本更為貼近。以上述的短時(shí)交通流混沌關(guān)聯(lián)維特征為基礎(chǔ)，對(duì)短時(shí)交通流數(shù)據(jù)進(jìn)行聚類，具體過程如下。

假設(shè)，輸入n個(gè)交通流數(shù)據(jù)樣本{x1,x2,…,xn}，利用短時(shí)交通流混沌關(guān)聯(lián)維特征，在上述樣本中選取出U個(gè)短時(shí)交通流數(shù)據(jù)聚類中心，通過{z1,z2,…,zn}對(duì)其進(jìn)行描述。

假設(shè)，將n個(gè)短時(shí)交通流數(shù)據(jù)樣本通過下列原則，按順序進(jìn)行劃分到距離最近的類別ωj中，則有公式為：

(7)

(8)

(9)

(10)

其中:zIJ代表短時(shí)交通流數(shù)據(jù)ωI、ωJ的合并中心，NI和NJ分別代表數(shù)據(jù)聚類的控制閾值，zI和zJ分別代表新的聚類中心。假設(shè)l>d2，則結(jié)束迭代。將有相同混沌關(guān)聯(lián)特征的短時(shí)交通流數(shù)據(jù)依據(jù)上述過程合并成一類，由此實(shí)現(xiàn)短時(shí)交通流數(shù)據(jù)的聚類。

1.2 短時(shí)交通流預(yù)測(cè)

以1.1各項(xiàng)數(shù)據(jù)為基礎(chǔ)，利用高斯過程回歸對(duì)短時(shí)交通流進(jìn)行預(yù)測(cè)。預(yù)測(cè)過程中，利用差分方法對(duì)短時(shí)交通流預(yù)測(cè)序列進(jìn)行平穩(wěn)化操作之后，對(duì)短時(shí)交通流預(yù)測(cè)模型進(jìn)行訓(xùn)練，將GPR模型引入至短時(shí)交通流預(yù)測(cè)過程中，得到交通流預(yù)測(cè)方差估計(jì)值，并確定交通流預(yù)測(cè)值置信區(qū)間，從而完成對(duì)短時(shí)交通流的預(yù)測(cè)。則短時(shí)交通流的預(yù)測(cè)問題可表示為：

Yi+1=f(Xi)+ε

(11)

其中:Yi+1代表i+1時(shí)刻的短時(shí)交通流預(yù)測(cè)值，f(Xi)代表與第i+1時(shí)刻短時(shí)交通流的相關(guān)預(yù)測(cè)因子，f代表短時(shí)交通流的預(yù)測(cè)模型，ε代表未知短時(shí)交通流統(tǒng)計(jì)特性預(yù)測(cè)的噪聲。

因?yàn)閷?shí)際短時(shí)交通流預(yù)測(cè)序列，具有非平穩(wěn)性，綜上可知短時(shí)交通流的預(yù)測(cè)模型，有隱含零均值的假設(shè)，容易對(duì)短時(shí)交通流預(yù)測(cè)產(chǎn)生誤差，所以需要采用差分法對(duì)交通流預(yù)測(cè)序列，進(jìn)行穩(wěn)定化處理之后再完成短時(shí)交通流預(yù)測(cè)模型的訓(xùn)練與預(yù)測(cè)，假設(shè)短時(shí)交通流預(yù)測(cè)序列為{Ai:i=1,…,n}，那么差分之后的預(yù)測(cè)序列為{▽BxO=xO-xO-B:O=B+1,B+2…}，式中,B代表差分間隔，O代表當(dāng)前預(yù)測(cè)值，▽BxO代表第B+1時(shí)刻的短時(shí)交通流預(yù)測(cè)因子，為了將原有的短時(shí)交通流預(yù)測(cè)序列實(shí)現(xiàn)平穩(wěn)化，必須先確定差分間隔B，依據(jù)時(shí)間序列的分析理論，可利用樣本自相關(guān)函數(shù)對(duì)選取的短時(shí)交通流數(shù)據(jù)進(jìn)行詳細(xì)分析，將短時(shí)交通流數(shù)據(jù)樣本的自相關(guān)函數(shù)估計(jì)值的相關(guān)周期，作為差分間隔B的估計(jì)值，則樣本的自相關(guān)函數(shù)估計(jì)值可表示為：

(12)

YO+1=xO-B+1+▽BxO+1=xO-B+1+h(▽BxO)

(13)

其中:YO+1代表第O+1時(shí)刻的短時(shí)交通流預(yù)測(cè)值，xO-B+1代表原短時(shí)交通流序列中第O-B+1時(shí)刻的預(yù)測(cè)值，h(▽BxO)代表短時(shí)交通流均值預(yù)測(cè)函數(shù)。綜上所述，短時(shí)交通流預(yù)測(cè)方法如下：

1)對(duì)原有的短時(shí)交通流預(yù)測(cè)序列{Ai:i=1,…,n}，利用樣本自相關(guān)函數(shù)得到樣本ACF的估計(jì)值，并依據(jù)樣本ACF估計(jì)的差分間隔B，轉(zhuǎn)2)。

2)以原有的短時(shí)交通流預(yù)測(cè)序列為基礎(chǔ)，得到差分序列{▽BxO=xO-xO-B:O=B,B+1,…}，對(duì)其進(jìn)行歸一化處理，并對(duì)公式(14)給出的數(shù)據(jù)集進(jìn)行訓(xùn)練。

(14)

3)假設(shè)，短時(shí)交通流預(yù)測(cè)超參數(shù)初始值為θ0，在訓(xùn)練短時(shí)交通流數(shù)據(jù)集D時(shí)，計(jì)算出最佳超參數(shù)θ*。

4)進(jìn)入短時(shí)交通流預(yù)測(cè)，依據(jù)對(duì)數(shù)據(jù)集的測(cè)試，獲得短時(shí)交通流預(yù)測(cè)因子Bxm*=xm-xm-B，并將預(yù)測(cè)因子帶入短時(shí)交通流預(yù)測(cè)模型中，得到預(yù)測(cè)值為ym + 1*=xm-B + 1+h*(Bxm*)，式中，h*(Bxm*)代表最佳超參數(shù)的表達(dá)式，綜上所述，同樣可對(duì)該次的短時(shí)交通流預(yù)測(cè)方差估計(jì)值進(jìn)行計(jì)算。

5)對(duì)短時(shí)交通流預(yù)測(cè)誤差進(jìn)行計(jì)算，如果需要再次預(yù)測(cè)，則返回4)。

6)對(duì)累計(jì)的短時(shí)交通流預(yù)測(cè)誤差進(jìn)行計(jì)算，并對(duì)預(yù)測(cè)結(jié)果進(jìn)行分析與評(píng)價(jià)，由此完成了對(duì)短時(shí)交通流的預(yù)測(cè)。

2 仿真實(shí)驗(yàn)結(jié)果與分析

為證明基于模糊神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法的可行性，需要進(jìn)行一次仿真實(shí)驗(yàn)。在Matlab的環(huán)境下搭建短時(shí)交通流預(yù)測(cè)實(shí)驗(yàn)仿真平臺(tái)。實(shí)驗(yàn)數(shù)據(jù)取自于北京三環(huán)道路的全天交通流量，利用本文所提方法對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)測(cè)，觀察本文所提方法的整體有效性和可靠性。表1是不同方法下全天短時(shí)交通流預(yù)測(cè)的相對(duì)誤差率(%)對(duì)比。相對(duì)誤差率公式為：

(15)

表1 不同方法下全天短時(shí)交通流預(yù)測(cè)相對(duì)誤差率對(duì)比

分析表1可知，文獻(xiàn)[9]所提方法的全天短時(shí)交通流預(yù)測(cè)相對(duì)誤差率，要高于本文所提方法的相對(duì)誤差率，由于文獻(xiàn)[9]所提方法在進(jìn)行短時(shí)交通流預(yù)測(cè)時(shí)，利用SVM的獨(dú)立成分，分析的是同一道路上各觀測(cè)點(diǎn)交通流量獨(dú)立源信號(hào)，并沒有根據(jù)不同路徑的具體情況進(jìn)行分析，導(dǎo)致在進(jìn)行短時(shí)交通流預(yù)測(cè)時(shí)，相對(duì)誤差率較大，而本文所提方法在進(jìn)行短時(shí)交通流預(yù)測(cè)時(shí)對(duì)各種短時(shí)交通流數(shù)據(jù)進(jìn)行聚類，針對(duì)不同交通流數(shù)據(jù)類進(jìn)行預(yù)測(cè)，所以相對(duì)誤差率較小，證明本文所提方法在進(jìn)行短時(shí)交通流預(yù)測(cè)時(shí)具有穩(wěn)定性。表2是不同方法下，高峰時(shí)段的短時(shí)交通流預(yù)測(cè)相對(duì)誤差率(%)對(duì)比。

表2 不同方法下高峰時(shí)段交通流預(yù)測(cè)相對(duì)誤差率對(duì)比

通過表2可以看出，在高峰時(shí)段，文獻(xiàn)[10]所提方法下的短時(shí)交通流預(yù)測(cè)相對(duì)誤差率較高。由于上下班屬于路況的高峰期，所以短時(shí)交通流的預(yù)測(cè)相對(duì)誤差率會(huì)比較大。文獻(xiàn)[10]所提方法依據(jù)非參數(shù)回歸，對(duì)短時(shí)交通流預(yù)測(cè)的關(guān)鍵影響因素進(jìn)行討論，以討論結(jié)果為依據(jù)，完成對(duì)短時(shí)交通流的預(yù)測(cè)，并沒有進(jìn)行具體實(shí)驗(yàn)分析，由于討論結(jié)果與實(shí)際應(yīng)用得到的結(jié)果有很大差別，所以使文獻(xiàn)[10]所提方法下的短時(shí)交通流預(yù)測(cè)效果不是很理想，存在預(yù)測(cè)的相對(duì)誤差率較大的問題，依據(jù)表1對(duì)本文所提預(yù)測(cè)方法的分析，說明本文所提方法優(yōu)于文獻(xiàn)所提方法，證明本文所提方法具有可實(shí)踐性。圖1是不同方法下短時(shí)交通流預(yù)測(cè)耗時(shí)(s)對(duì)比。

圖1 不同方法下短時(shí)交通流預(yù)測(cè)耗時(shí)對(duì)比

由圖1可知，在相同數(shù)量的短時(shí)交通流下，本文所提方法在進(jìn)行短時(shí)交通流預(yù)測(cè)時(shí)，耗時(shí)較少，文獻(xiàn)[8]、文獻(xiàn)[9]和文獻(xiàn)[10]所提方法預(yù)測(cè)耗時(shí)較多，這主要是因?yàn)樵诶帽疚乃岱椒ㄟM(jìn)行短時(shí)交通流預(yù)測(cè)時(shí)，采用高斯過程回歸法，并利用樣本自相關(guān)函數(shù)法對(duì)選取的短時(shí)交通流數(shù)據(jù)進(jìn)行詳細(xì)分析，此操作減少短時(shí)交通流預(yù)測(cè)所用時(shí)間，提高預(yù)測(cè)效率，進(jìn)一步證明本文所提方法的可擴(kuò)展性。圖2是不同方法下短時(shí)交通流數(shù)據(jù)聚類時(shí)間(s)對(duì)比。

圖2 不同方法下短時(shí)交通流數(shù)據(jù)聚類時(shí)間對(duì)比

分析圖2可知，文獻(xiàn)[8]和文獻(xiàn)[10]所提方法的短時(shí)交通流數(shù)據(jù)聚類時(shí)間，比本文方法的交通流聚類時(shí)間要多，文獻(xiàn)[9]所提方法的聚類時(shí)間曲線波動(dòng)雖然不大，但上升趨勢(shì)很明顯，與之相比的本文所提方法，在短時(shí)交通流數(shù)據(jù)為200萬之前，聚類時(shí)間曲線略有上升趨勢(shì)，但在200萬之后得到了緩沖，聚類時(shí)間又有所減少，說明本文所提方法的數(shù)據(jù)聚類速度很快，為交通流的預(yù)測(cè)節(jié)省時(shí)間。圖3是不同方法下短時(shí)交通流預(yù)測(cè)準(zhǔn)確率(%)的對(duì)比。

通過圖3可知，文獻(xiàn)[8]所提方法在短時(shí)交通流預(yù)測(cè)準(zhǔn)確率方面優(yōu)于文獻(xiàn)[9]和文獻(xiàn)[10]所提方法，但是與本文所提方法做對(duì)比，預(yù)測(cè)準(zhǔn)確率有一定的差距。本文所提方法相應(yīng)的預(yù)測(cè)準(zhǔn)確率較高，是因?yàn)槔脤?duì)短時(shí)交通流的特征提取、交通流數(shù)據(jù)聚類等過程完成短時(shí)交通流預(yù)測(cè)。預(yù)測(cè)準(zhǔn)確率變化曲線說明本文所提方法的適用性和實(shí)用性都很強(qiáng)，可以廣泛地應(yīng)用于短時(shí)交通流預(yù)測(cè)中。

圖3 不同方法下短時(shí)交通流預(yù)測(cè)準(zhǔn)確率對(duì)比

仿真實(shí)驗(yàn)證明，本文所提方法可以準(zhǔn)確地對(duì)短時(shí)交通流進(jìn)行預(yù)測(cè)，具有較好的穩(wěn)定性和靈活性。

3 結(jié)束語

采用當(dāng)前方法對(duì)短時(shí)交通流進(jìn)行預(yù)測(cè)時(shí)，無法安全準(zhǔn)確地對(duì)其進(jìn)行預(yù)測(cè)，存在短時(shí)交通流預(yù)測(cè)偏差大的問題。提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法。并通過仿真實(shí)驗(yàn)證明，所提方法可以準(zhǔn)確地對(duì)短時(shí)交通流進(jìn)行預(yù)測(cè)，為該領(lǐng)域的鉆研提供支撐和依據(jù)。

[1] 周 桐,楊智勇,孫棣華,等.分車型的高速公路短時(shí)交通流量預(yù)測(cè)方法研究[J].計(jì)算機(jī)應(yīng)用研究,2015,32(7):1996-1999.

[2] 梁 軻,譚建軍,李英遠(yuǎn).一種基于MapReduce的短時(shí)交通流預(yù)測(cè)方法[J].計(jì)算機(jī)工程,2015,41(1):174-179.

[3] 康 軍,段宗濤,唐 蕾,等.高斯過程回歸短時(shí)交通流預(yù)測(cè)方法[J].交通運(yùn)輸系統(tǒng)工程與信息,2015,15(4):51-56.

[4] 張洪賓,孫小端,賀玉龍.短時(shí)交通流復(fù)雜動(dòng)力學(xué)特性分析及預(yù)測(cè)[J].物理學(xué)報(bào),2014,63(4):51-58.

[5] 楊春霞,符義琴,鮑鐵男,等.基于相似性的短時(shí)交通流預(yù)測(cè)[J].公路交通科技,2015,32(10):124-128.

[6] 譚國平,劉如通,譚林風(fēng).基于車輛合作的擁塞檢測(cè)機(jī)制研究[J].電子設(shè)計(jì)工程,2016,24(21):118-121.

[7] 袁 磊,梁丁文,蔡之華,等.基于正交差分演化無跡卡爾曼濾波的短時(shí)交通流量預(yù)測(cè)方法[J].計(jì)算機(jī)應(yīng)用,2015,35(11):3151-3156.

[8] 黃 杰,李 軍,郭 翔.遞推SOM神經(jīng)網(wǎng)絡(luò)在短時(shí)交通流預(yù)測(cè)中的應(yīng)用[J].公路,2015,36(4):1-5.

[9] 徐健鋒,湯 濤,嚴(yán)軍峰,等.基于多機(jī)器學(xué)習(xí)競(jìng)爭(zhēng)策略的短時(shí)交通流預(yù)測(cè)[J].交通運(yùn)輸系統(tǒng)工程與信息,2016,16(4):185-190.

[10] 羅向龍,焦琴琴,牛力瑤,等.基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用研究,2017,34(1):91-93.

Short-term Traffic Flow Prediction Method Based on Fuzzy Neural Network Research

Cheng Shanying

(College of Math and Computer of the Jiangxi Science & Technology Normal University, Nanchang 330038,China)

In order to satisfy the real time demand of traffic control and guidance system, reduce the occurrence of traffic congestion, reduce the frequency of traffic accident emergency, need to forecast the short-term traffic flow. Current short-term traffic flow prediction method is using K - nearest nonparametric regression to forecast and predict the process of no will be key factors in the prediction model of traffic flow in detail, the influence of lead to inaccurate prediction results, the problems of short-term traffic flow prediction error is bigger. For this, put forward a kind of short-term traffic flow prediction method based on fuzzy neural network. This method firstly on the basis of the history of short-term traffic flow data sample series, the extracted correlation dimension as a short-term traffic flow of the chaos characteristics, and then based on the characteristics, the clustering of the short-term traffic flow data and make the same short-term traffic flow aggregation class samples than the aggregation of different traffic flow class samples more press close to, by using the Gaussian process regression of short-term traffic flow forecasting model, using the finite difference method in the process of construction of short-term traffic flow forecasting sequences with smooth operation, after training for short-term traffic flow prediction model, introducing the Gaussian model to short-term traffic flow prediction in the process, get the traffic flow forecasting variance, and traffic flow prediction confidence interval were determined, thus realizing short-term traffic flow prediction. The realization of short-term traffic flow prediction. The experimental results show that the proposed method can accurately predict the transportation system of the real-time condition, the best way for vehicle is the effective guidance, reduces the impact on natural and human factors interference, the result of the short-term traffic flow prediction for the traffic department to provide a basis for the control of road traffic management.

fuzzy neural network; short-term traffic flow; prediction method

2017-04-21；

2017-05-09。

江西省科技計(jì)劃指導(dǎo)性項(xiàng)目(2015ZBAB201007)；江西科技師范大學(xué)校級(jí)科研重點(diǎn)項(xiàng)目(2016XJZD006)； 江西省高校人文社會(huì)科學(xué)研究項(xiàng)目(TQ1505)。

程山英(1979-)，女，江西南昌人，碩士，講師，主要從事智能交通方向的研究。

1671-4598(2017)08-0155-04

10.16526/j.cnki.11-4762/tp.2017.08.040

U491

A