基于小波變換遺傳過程神經(jīng)元網(wǎng)絡(luò)的交通流預(yù)測(cè)

高 為

(廣東廣珠西線高速公路有限公司，廣東 佛山 528305)

基于小波變換遺傳過程神經(jīng)元網(wǎng)絡(luò)的交通流預(yù)測(cè)

高 為

(廣東廣珠西線高速公路有限公司，廣東 佛山 528305)

針對(duì)短時(shí)交通流時(shí)間序列的缺點(diǎn)，應(yīng)用小波變換理論，將含有綜合信息的時(shí)間序列分離為低頻確定信號(hào)和高頻干擾信號(hào)，用遺傳過程神經(jīng)元網(wǎng)絡(luò)分別進(jìn)行預(yù)測(cè)，得到了原時(shí)間序列的實(shí)際預(yù)測(cè)結(jié)果，通過實(shí)測(cè)數(shù)據(jù)驗(yàn)證表明，該預(yù)測(cè)方法具有較好的預(yù)測(cè)精度。

短時(shí)交通流預(yù)測(cè)，小波變換，過程神經(jīng)元網(wǎng)絡(luò)

0 引言

智能交通系統(tǒng)(ITS)是近些年來熱門的研究方向，而短時(shí)交通流預(yù)測(cè)是智能交通系統(tǒng)實(shí)現(xiàn)的前提和關(guān)鍵。由于道路交通系統(tǒng)是一個(gè)人、車、路、環(huán)境共同作用的復(fù)雜的非線性系統(tǒng)，故短時(shí)交通流具有受隨機(jī)干擾因素影響大、不確定性強(qiáng)和規(guī)律性不明顯的特點(diǎn)，盡管迄今為止研究了近30多種短時(shí)交通流預(yù)測(cè)方法，但仍然有很多問題亟待解決[1]。

針對(duì)短時(shí)交通流具有受隨機(jī)干擾因素影響大、不確定性強(qiáng)和規(guī)律性不明顯的特點(diǎn)，本文提出利用小波變換技術(shù)將短時(shí)交通流時(shí)間序列按照一定的尺度進(jìn)行分解和單支重構(gòu)，從而將短時(shí)交通流時(shí)間序列分離為低頻確定信號(hào)和高頻干擾信號(hào)，然后用遺傳過程神經(jīng)元網(wǎng)絡(luò)(即用遺傳算法優(yōu)化過程神經(jīng)元網(wǎng)絡(luò))分別進(jìn)行預(yù)測(cè)，最后將各預(yù)測(cè)結(jié)果進(jìn)行相加求和，就可得到原時(shí)間序列的實(shí)際預(yù)測(cè)結(jié)果。

1 小波變換[2]

一個(gè)能量有限信號(hào)f∈L2(R)的小波變換定義為：

(1)

(2)

這時(shí)相應(yīng)的離散族為:

(3)

相應(yīng)的離散小波變換為:

(4)

其重構(gòu)公式為:

(5)

多尺度分析是將待處理的信號(hào)在不同的尺度上分離為低頻確定信號(hào)和高頻干擾信號(hào)，而小波變換則是連接不同尺度信號(hào)的紐帶[3]。

給定一個(gè)尺度i及信號(hào)x(i,k)∈Vi?l2(Z)，k∈Z,通過一個(gè)脈沖響應(yīng)為h(k)的低通濾波器，從而可以獲得低頻確定信號(hào)xc(i-1,k)∈Vi-1，則：

(6)

而信號(hào)x(i,k)在低通濾波器中丟失的干擾信號(hào)則可以在x(i,k)通過另一個(gè)脈沖響應(yīng)為g(k)的高通濾波器得到xd(i-1,k)∈Wi-1：

(7)

(8)

式(6)和式(7)是對(duì)信號(hào)進(jìn)行小波分解，而式(8)是對(duì)信號(hào)進(jìn)行小波重構(gòu)[4]。

2 遺傳過程神經(jīng)元網(wǎng)絡(luò)

2.1 過程神經(jīng)元模型

過程神經(jīng)元是由加權(quán)、聚合和激勵(lì)運(yùn)算三部分組成，其模型結(jié)構(gòu)如圖1所示。圖中，x1(t)，xi(t),…,xn(t)是過程神經(jīng)元輸入函數(shù)向量；W1(t)，Wi(t),…,Wn(t)是相應(yīng)的權(quán)函數(shù)；K(.)是過程神經(jīng)元的聚合基函數(shù)；f(.)是激勵(lì)函數(shù)，可取線性函數(shù)、Gauss型函數(shù)、Sigrnoid函數(shù)等[5]。

其輸入輸出關(guān)系式為：

(9)

2.2 過程神經(jīng)元網(wǎng)絡(luò)模型

若干個(gè)過程神經(jīng)元按照一定的拓?fù)浣Y(jié)構(gòu)組成的網(wǎng)絡(luò)模型稱為過程神經(jīng)元網(wǎng)絡(luò)模型。其模型結(jié)構(gòu)如圖2所示。

其輸入輸出關(guān)系式為：

(10)

其中，wij為輸入層與隱層的連接權(quán)函數(shù)；vj為隱層過程神經(jīng)元到輸出層的連接權(quán)值；θj為隱層的輸出閾值；[0，T]為時(shí)間采樣區(qū)間。

2.3 遺傳過程神經(jīng)元網(wǎng)絡(luò)模型[6,7]

遺傳過程神經(jīng)元網(wǎng)絡(luò)是用遺傳算法訓(xùn)練過程神經(jīng)元網(wǎng)絡(luò)的權(quán)值和閾值的搜索，用以克服單一過程神經(jīng)元網(wǎng)絡(luò)易陷入局部最小的缺點(diǎn)[8,9]。

基于遺傳算法優(yōu)化過程神經(jīng)元網(wǎng)絡(luò)的具體算法步驟為：

1)用某種編碼方法對(duì)一權(quán)值(閾值)進(jìn)行編碼，隨機(jī)產(chǎn)生一組分布，其相應(yīng)對(duì)應(yīng)一組過程神經(jīng)元網(wǎng)絡(luò)的連接權(quán)值(閾值)。

2)輸入訓(xùn)練樣本，計(jì)算每個(gè)個(gè)體的適應(yīng)度，并以此來評(píng)價(jià)連接權(quán)(閾值)的優(yōu)劣。

3)按適應(yīng)度比例挑選出父本群體。

4)對(duì)父本群體進(jìn)行雜交、變異操作得到新的群體。

5)重復(fù)步驟2)～4)，使初始確定的一組權(quán)值(閾值)不斷進(jìn)化，直到滿足訓(xùn)練目標(biāo)。

6)由遺傳算法得到的次優(yōu)權(quán)值再運(yùn)用BP算法進(jìn)行迭代訓(xùn)練，得到最優(yōu)權(quán)值。

3 基于小波變換、遺傳過程神經(jīng)元網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)

基于小波變換、遺傳過程神經(jīng)元網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)模型的預(yù)測(cè)過程如圖3所示。

其具體的預(yù)測(cè)過程是：

1)選擇合適的小波和分解層次對(duì)實(shí)測(cè)短時(shí)交通流數(shù)據(jù)進(jìn)行小波分解；

2)對(duì)分解后的各短時(shí)交通流時(shí)間序列進(jìn)行單支重構(gòu)；

3)對(duì)重構(gòu)后各短時(shí)交通流時(shí)間序列分別進(jìn)行遺傳過程神經(jīng)元網(wǎng)絡(luò)的預(yù)測(cè)；

4)將各預(yù)測(cè)數(shù)據(jù)相加得到原時(shí)間序列的預(yù)測(cè)值。

4 試驗(yàn)結(jié)果及分析

4.1 試驗(yàn)數(shù)據(jù)

試驗(yàn)數(shù)據(jù)來源于2010年8月某城市主干路上7:00～16:00這段時(shí)間內(nèi)每隔5 min的實(shí)測(cè)值，共測(cè)得108個(gè)數(shù)據(jù)。

4.2 誤差指標(biāo)

平均絕對(duì)相對(duì)誤差：

(11)

最大絕對(duì)相對(duì)誤差：

(12)

均方根誤差：

(13)

其中，原數(shù)據(jù)序列為Yreal，預(yù)測(cè)結(jié)果為Ypred。

4.3 模型參數(shù)的設(shè)置

選用的小波是DB3，對(duì)短時(shí)交通流時(shí)間序列A0進(jìn)行三層分解，得到4個(gè)子短時(shí)交通流時(shí)間序列，分別是：高頻干擾時(shí)間序列D1～D3，低頻確定時(shí)間序列A3。

遺傳神經(jīng)元網(wǎng)絡(luò)設(shè)計(jì)為3層，輸入層數(shù)目設(shè)為4，隱層根據(jù)實(shí)際情況和多次試驗(yàn)設(shè)定為10，輸出層設(shè)為1，即為下一個(gè)時(shí)間間隔內(nèi)的交通流。遺傳算法的參數(shù)為：種群規(guī)模設(shè)置為60，交叉概率設(shè)置為0.2，變異概率設(shè)置為0.05，進(jìn)化代數(shù)設(shè)置為100。

4.4 試驗(yàn)結(jié)果及分析

從圖4中可以看出，基于小波變換、遺傳過程神經(jīng)元網(wǎng)絡(luò)的預(yù)測(cè)值和實(shí)際值的變化基本相同，預(yù)測(cè)精度能滿足短時(shí)交通流預(yù)測(cè)的精度范圍要求。

5 結(jié)語

本文針對(duì)短時(shí)交通流具有受隨機(jī)干擾因素影響大、不確定性強(qiáng)、規(guī)律性不明顯的特點(diǎn)，建立了一種利用小波變換技術(shù)和遺傳過程神經(jīng)元網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)模型，并用實(shí)測(cè)的短時(shí)交通流數(shù)據(jù)對(duì)模型進(jìn)行了試驗(yàn)。從試驗(yàn)結(jié)果來看，基于小波變換、遺傳過程神經(jīng)元網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)模型具有較好的預(yù)測(cè)精度。

[1] 陸海亭，張 寧，黃 衛(wèi).短時(shí)交通流預(yù)測(cè)方法研究進(jìn)展[J].交通運(yùn)輸工程與信息學(xué)報(bào)，2009，7(4):84-91.

[2] TAN Manchun,LI Yingjun,XU Jianmin.A Hybrid ARIMA and SVM Model for Traffic Flow Prediction Based on Wavelet Denoising [J].Computer Engineering and Applications,2009,26(7):127-131.

[3] SkanderS.On the use of the wavelet decom position for time series prediction[J].Neurocomputing,2002(48):267-693.

[4] 賀國光，馬壽峰，李 宇.基于小波分解與重構(gòu)的交通流短時(shí)預(yù)測(cè)法[J].系統(tǒng)工程理論與實(shí)踐，2002(9):101-106.

[5] 何新貴，梁久禎.過程神經(jīng)元網(wǎng)絡(luò)的若干理論問題[J].中國過程科學(xué),2000,2(12)：40-44.

[6] 何長英.基于遺傳算法的微分方程模型參數(shù)優(yōu)化[J].電腦知識(shí)與技術(shù)，2005,23(18)：96-99.

[7] 劉 潔，魏連雨，楊春風(fēng).基于遺傳神經(jīng)網(wǎng)絡(luò)的交通量預(yù)測(cè)[J].長安大學(xué)學(xué)報(bào)(自然科學(xué)版)，2003,23(1)：68-70.

[8] Pop R L,Paltipati K R,Bar-Shalom Y.M-best S-D assignment algorithm with application to multitarget tracing[J].IEEE Trans on AC,2001,37(1):22-38.

[9] YU B,YANG Z Z,YAO B Z.Bus arrival time prediction using support vector machines[J].Journal of Intelligent Transportation Systems,2006,11(4):151-158.

Traffic flow prediction based on wavelet transformation epigenetic process neural networks

GAO Wei

(GuangdongGuang-ZhuWestLineHighwayCo.,Ltd,Foshan528305,China)

In light of defects of short-time traffic flow time series, the paper applies wavelet transformation theory, divides comprehensive time series into low-frequency determination signal and high-frequency disturbing signal, carries out a prediction by using epigenetic process neural networks, and obtains the actual prediction results of original time series. As a result, the actual testing data proves that, the prediction method has better prediction accuracy.

short-time traffic flow prediction, wavelet transformation, process neural networks

1009-6825(2014)03-0160-03

2013-11-17

高 為(1984- )，女

U491

A