您的当前位置:首页正文

基于混沌理论和PSO神经网络的短时交通流预测

2023-12-02 来源:易榕旅网
2010年第32卷第2期总第188期

物流工程与管理

LOGISTICSENGINEERINGANDMANAGEMENT

交通运输

doi:10.3969/j.issn.1674-4993.2010.02.028

基于混沌理论和PSO神经网络的短时交通流预测

□魏

文,余立建,龚

(西南交通大学交通信息工程及控制实验室,四川成都610031)

【摘要】交通流预测已成为智能交通的重要组成部分,针对短时交通流的非线性和不确定性,文中根据实际交通流中

存在的混沌,利用C-C方法和小数据量法对交通流混沌进行了分析,在交通流混沌时间序列相空间重构的基础上构建了基于粒子群优化神经网络的单点单步预测模型,运用该模型对实际采集的美国加州城市快速路交通流数据进行了仿真研究,结果表明,该预测模型具有较高的预测精度,能够满足智能交通控制和诱导的需求。

【关键词】短时交通流;预测;混沌时间序列;粒子群优化;神经网络【中图分类号】

U495

【文献标识码】

A

【文章编号】1674-4993(2010)02-0075-03

Short-timeTrafficFlowPredictionbasedonChaosandParticleSwarmOptimizedNeuralNetwork

□WEIWen,YULi-jian,GONGJiong

(TrafficInformationEngineering&ControlLab,SouthwestJiaotongUniversity,Chengdu610031,China)

【Abstract】Trafficflowpredictionhasbecomeanimportantpartofintelligenttransportationsystem.Aimingatthenonlinearanduncertaintyoftheshort-termtrafficflow.Inthispaper,chaosofthetrafficflowisanalyzedwithC-Cmethodandsmalldatasets.Afterthephasespacereconstructionusingthetrafficflowdata,apredictionmodelisdevelopedbasedonparticleswarmoptimizedneuralnetwork.ThemodelproposedinthispaperisappliedtopredicttherealtrafficflowinCalifornia,USA,Itisprovedthatproposedmethodhashigherpredictionaccuracyandmeetstherequirementoftheintelligenttrafficcontrolandinduction.

【Keywords】Short-timeTrafficFlow;Prediction;ChaoticTimeSeries;ParticleSwarmOptimization;NeuralNetwork

1引言间序列的混沌特征表明了交通系统中混沌系统的存在。混沌吸引子是混沌系统的特征之一,体现着混沌系统的规律性。相空间重构理论,由Packard等人提出,其目的是从高维相空间中恢复混沌吸引子。它将一维的时间序列扩展到3维甚至更高维的空间中,并且保证高维相空间与原时间序列的微分同胚性,从而从一维时间序列的变化中提取系统的变化规律,刻画整个系统的性质特征,更好地为预测和控制服务。

设交通流时间序列的时间延迟为τ,嵌入维m,延迟时间窗口的长度定义为τw,原始序列长度为N,定义对M=N-(m-1)τ,原始的长度为N的一维时间序列是:{xi,i=1,2,…,N},相空间重构的目的是重构以下相空间中的点:

{Xi=(xi,xi+τ,…,xi+(m-1)τ),Xi∈Rm,i=1,2…M}

由上面的定义可以看出相空间重构实际上是从原始序列中按时间延迟τ抽取出长度为m的子序列,将每个子序列作

实时准确的预测交通状态信息是实现智能交通诱导和控制的前提与关键,也是智能化交通管理的客观需求[1]。由于交通流的运行存在高度的复杂性、随机性和不确定性,传统的预测技术已不能满足实践中越来越高的预测精度要求[2]。理论上更精确的方法是用符合短期交通流特性的非线性动力学理论对交通流进行预测[3]。混沌理论研究非线性动力学系统随时间变化的规律,神经网络具有良好的自学习、自组织、容错及模拟非线性关系的能力,基于混沌理论和神经网络,可以不必建立精确的预测数学模型,而直接根据交通流序列计算出的客观规律进行预测,这样的预测具有更高的精确度和可信度。粒子群优化神经网络进一步提高了模型的预测精度。2

交通流混沌分析与相空间重构

大量的实验证明,交通流系统中存在混沌现象,交通流时

【收稿日期】2010-01-12

【作者简介】魏文(1986-),男,汉族,湖北广水人,硕士研究生,研究方向:智能交通系统。

余立建(1956-),男,汉族,教授,硕士生导师,研究方向:智能交通,网络测控系统,数据挖掘技术等。龚炯(1984-),男,汉族,江苏无锡人,硕士研究生,研究方向:智能交通系统。

物流工程与管理

为m维空间中的一个点,因此将原时间序列变换成m维相空间中的M个相点的序列。从而利用这m维序列来刻画混沌系统的吸引子。本文采用H.S.Kim等人在1999年提出的C-C方法来估计时间延迟为τ和嵌入维m,它利用时间序列的统计稳定可靠、能同时计算τ和m等结果得到,具有算法代价小、軈(t)的第一个过零点或优点。C-C算法的结果如图1所示。通过S軈(t)的第一个极小值发现时间延迟τ=24,者ΔS通过Scor(t)的最小值发现时间窗口τw=51,从而利用τw=(m-1)τ换算出嵌入维m=3。

第32卷

图1C-C方法计算结果

第2期魏文等:基于混沌理论和PSO神经网络的短时交通流预测

77

将前三天的交通流数据作为训练样本,第四天的交通流数据作为测试样本,即对第四天的交通流进行预测,预测值与真实值对比图及绝对误差如图5所示。

刻的交通流量的实测值;N为预测时段长度;EC值是评价交通EC值的大小充分反应了预测的流预测效果的重要指标之一,

效果的好坏,凡是EC值大于0.85的预测都被视为较好的预EC值越测,凡是大于EC值0.9的预测都被视为满意的预测,高,则整体预测效果越与实际测量值接近,效果也越接近理想。经过计算,相空间中的粒子群神经网络预测数据的平均相对误EC值为0.9287,说明预测精度很高,完全能够满差为1.17%,

足城市交通控制和诱导所需要的精度。5

结论与展望

针对短时交通流的非线性和不确定性,本文从对交通流中存在的混沌进行了分析,并对交通流时间序列进行了相空间重构,在此基础上构建了基于粒子群神经网络的预测模型,并对实际交通流数据进行了仿真研究,结果表明该预测模型具有很强的拟合能力和较高的预测精度。进一步的研究将结合交通系统的其他参数进行建模预测,以期得到更为精确的预测效果。

[参考文献]

[1]覃明贵,崔中发等.城市交通监控与管理系统[J].计算机应用

与软件.2005,1,(26):30-34.

图5

预测值与真实值对比及绝对误差

[2]杨兆升,谷远利.实时动态交通流预测模型研究[J].公路交通

科技.1998,15,(3):4~7.

ΣY

Nt

pred

(t)-Yreal(t)Yreal(t)(t)-Yreal(t))2

[3]张玉梅,曲仕茹,温凯歌等.基于混沌和RBF神经网络的短

时交通流量预测[J].系统工程.2007,25,(11):26.

均等系数:EC=1-

其中Ypred(t)表示在时刻t的神经网络的预测值,即t时刻的交通流量预测值;Yreal(t)表示在时刻t的实际测量值,即t时

姨姨t

Σ(Y

treal

[4]吕金虎,陆君安,陈士华.混沌时间序列分析及其应用[M].

武汉:武汉大学出版社.2002.

2

(t))

pred

Σ(Y

2(t))+

姨Σ(Y

t

pred

[5]凌浩,陈峻,王炜.用BP神经网络预测下游交叉口进口交通

量[J].交通标准化.2005,1:39~40.

[6]倪庆剑,邢汉承等.粒子群优化算法研究进展[J].模式识别与

人工智能.2007,20,(3):350~351.

因篇幅问题不能全部显示,请点此查看更多更全内容