基于小波變換遺傳過程神經元網絡的交通流預測

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元網絡的交通流預測

高 為

(廣東廣珠西線高速公路有限公司，廣東 佛山 528305)

針對短時交通流時間序列的缺點，應用小波變換理論，將含有綜合信息的時間序列分離為低頻確定信號和高頻干擾信號，用遺傳過程神經元網絡分別進行預測，得到了原時間序列的實際預測結果，通過實測數據驗證表明，該預測方法具有較好的預測精度。

短時交通流預測，小波變換，過程神經元網絡

0 引言

智能交通系統(ITS)是近些年來熱門的研究方向，而短時交通流預測是智能交通系統實現的前提和關鍵。由于道路交通系統是一個人、車、路、環境共同作用的復雜的非線性系統，故短時交通流具有受隨機干擾因素影響大、不確定性強和規律性不明顯的特點，盡管迄今為止研究了近30多種短時交通流預測方法，但仍然有很多問題亟待解決[1]。

針對短時交通流具有受隨機干擾因素影響大、不確定性強和規律性不明顯的特點，本文提出利用小波變換技術將短時交通流時間序列按照一定的尺度進行分解和單支重構，從而將短時交通流時間序列分離為低頻確定信號和高頻干擾信號，然后用遺傳過程神經元網絡(即用遺傳算法優化過程神經元網絡)分別進行預測，最后將各預測結果進行相加求和，就可得到原時間序列的實際預測結果。

1 小波變換[2]

一個能量有限信號f∈L2(R)的小波變換定義為：

(1)

(2)

這時相應的離散族為:

(3)

相應的離散小波變換為:

(4)

其重構公式為:

(5)

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

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

(6)

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

(7)

(8)

式(6)和式(7)是對信號進行小波分解，而式(8)是對信號進行小波重構[4]。

2 遺傳過程神經元網絡

2.1 過程神經元模型

過程神經元是由加權、聚合和激勵運算三部分組成，其模型結構如圖1所示。圖中，x1(t)，xi(t),…,xn(t)是過程神經元輸入函數向量；W1(t)，Wi(t),…,Wn(t)是相應的權函數；K(.)是過程神經元的聚合基函數；f(.)是激勵函數，可取線性函數、Gauss型函數、Sigrnoid函數等[5]。

其輸入輸出關系式為：

(9)

2.2 過程神經元網絡模型

若干個過程神經元按照一定的拓撲結構組成的網絡模型稱為過程神經元網絡模型。其模型結構如圖2所示。

其輸入輸出關系式為：

(10)

其中，wij為輸入層與隱層的連接權函數；vj為隱層過程神經元到輸出層的連接權值；θj為隱層的輸出閾值；[0，T]為時間采樣區間。

2.3 遺傳過程神經元網絡模型[6,7]

遺傳過程神經元網絡是用遺傳算法訓練過程神經元網絡的權值和閾值的搜索，用以克服單一過程神經元網絡易陷入局部最小的缺點[8,9]。

基于遺傳算法優化過程神經元網絡的具體算法步驟為：

1)用某種編碼方法對一權值(閾值)進行編碼，隨機產生一組分布，其相應對應一組過程神經元網絡的連接權值(閾值)。

2)輸入訓練樣本，計算每個個體的適應度，并以此來評價連接權(閾值)的優劣。

3)按適應度比例挑選出父本群體。

4)對父本群體進行雜交、變異操作得到新的群體。

5)重復步驟2)～4)，使初始確定的一組權值(閾值)不斷進化，直到滿足訓練目標。

6)由遺傳算法得到的次優權值再運用BP算法進行迭代訓練，得到最優權值。

3 基于小波變換、遺傳過程神經元網絡的短時交通流預測

基于小波變換、遺傳過程神經元網絡的短時交通流預測模型的預測過程如圖3所示。

其具體的預測過程是：

1)選擇合適的小波和分解層次對實測短時交通流數據進行小波分解；

2)對分解后的各短時交通流時間序列進行單支重構；

3)對重構后各短時交通流時間序列分別進行遺傳過程神經元網絡的預測；

4)將各預測數據相加得到原時間序列的預測值。

4 試驗結果及分析

4.1 試驗數據

試驗數據來源于2010年8月某城市主干路上7:00～16:00這段時間內每隔5 min的實測值，共測得108個數據。

4.2 誤差指標

平均絕對相對誤差：

(11)

最大絕對相對誤差：

(12)

均方根誤差：

(13)

其中，原數據序列為Yreal，預測結果為Ypred。

4.3 模型參數的設置

選用的小波是DB3，對短時交通流時間序列A0進行三層分解，得到4個子短時交通流時間序列，分別是：高頻干擾時間序列D1～D3，低頻確定時間序列A3。

遺傳神經元網絡設計為3層，輸入層數目設為4，隱層根據實際情況和多次試驗設定為10，輸出層設為1，即為下一個時間間隔內的交通流。遺傳算法的參數為：種群規模設置為60，交叉概率設置為0.2，變異概率設置為0.05，進化代數設置為100。

4.4 試驗結果及分析

從圖4中可以看出，基于小波變換、遺傳過程神經元網絡的預測值和實際值的變化基本相同，預測精度能滿足短時交通流預測的精度范圍要求。

5 結語

本文針對短時交通流具有受隨機干擾因素影響大、不確定性強、規律性不明顯的特點，建立了一種利用小波變換技術和遺傳過程神經元網絡的短時交通流預測模型，并用實測的短時交通流數據對模型進行了試驗。從試驗結果來看，基于小波變換、遺傳過程神經元網絡的短時交通流預測模型具有較好的預測精度。

[1] 陸海亭，張 寧，黃 衛.短時交通流預測方法研究進展[J].交通運輸工程與信息學報，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的交通流短時預測法[J].系統工程理論與實踐，2002(9):101-106.

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

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

[7] 劉 潔，魏連雨，楊春風.基于遺傳神經網絡的交通量預測[J].長安大學學報(自然科學版)，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