基于改进动态递归神经网络的交通量短时预测方法

›› 2012, Vol. 42 ›› Issue (04): 887-891.

基于改进动态递归神经网络的交通量短时预测方法

杨庆芳^1,2, 张彪², 高鹏²

1. 吉林大学汽车仿真与控制国家重点实验室, 长春 130022;
2. 吉林大学交通学院, 长春 130022

收稿日期:2011-07-13 出版日期:2012-07-01 发布日期:2012-07-01
通讯作者: 张彪(1985-),男,博士研究生.研究方向:交通状态判别.E-mail:zhangbiao0610@163.com E-mail:zhangbiao0610@163.com
基金资助:
"863"国家高技术研究发展计划项目(2009AA11Z208).

Short-term traffic flow prediction method based on improved dynamic recurrent neural network

YANG Qing-fang^1,2, ZHANG Biao², GAO Peng²

1. State Key Laboratory of Automotive Simulation and Control, Jilin University, Changchun 130022, China;
2. College of Transportation, Jilin University, Changchun 130022, China

Received:2011-07-13 Online:2012-07-01 Published:2012-07-01

摘要/Abstract

摘要： 针对已有基于改进动态递归神经网络预测方法的不足,并充分考虑交通流本身所存在的复杂性、非线性和不确定性特点,提出了一种基于可变增益Elman神经网络的交通量短时预测方法。该方法通过引入一个基于实时误差分析的可变增益因子,实现了网络的实时更新。通过长春市人民大街的实测数据对方法进行了验证。试验结果表明,本文方法在网络收敛时间和预测精度方面均优于已有的基于Elman神经网络的预测模型。

关键词: 交通运输工程, 交通流量预测, 动态递归网络, 可变增益因子

Abstract: To deal with the deficiencies of the existing prediction models based on dynamic recurrent neural network, considering the characteristics of the traffic flow itself such as complexity, nonlinearity and uncertainty, a short-term traffic flow prediction method using Elman neural network with variable gain was proposed. The real-time updates of the network were achieved by introducing a variable gain factor based on the real-time error analysis. The method was verified by the field measured data from Renmin Street, Changchun City. The results show that comparing with the existing Elman network based models the proposed method is superior on the aspects of convergence time and prediction accuracy.

Key words: engineering of communications and transportation, traffic flow prediction, dynamic recurrent neural network, variable gain factor

中图分类号:

U491.2

杨庆芳, 张彪, 高鹏. 基于改进动态递归神经网络的交通量短时预测方法[J]. , 2012, 42(04): 887-891.

YANG Qing-fang, ZHANG Biao, GAO Peng. Short-term traffic flow prediction method based on improved dynamic recurrent neural network[J]. , 2012, 42(04): 887-891.

参考文献

[1] 王进,史其信. 短时交通流预测模型综述[J]. 智能交通, 2005, 6(1):92-98. Wang Jin, Shi Qi-xin. A review of the short-term traffic flow prediction methods[J]. Intelligent Transport Systems, 2005, 6(1):92-98.
[2] 杨兆升,朱中. 基于BP神经网络的路径行程时间实时预测模型[J]. 系统工程理论与实践, 1999(8):59-64. Yang Zhao-sheng, Zhu Zhong. A real-time travel time estimation model based on back propagation neural network[J]. Systems Engineering Theory & Practice, 1999(8):59-64.
[3] 董春娇,邵春福. 基于Elman神经网络的道路网短时交通流预测方法[J]. 交通运输系统工程与信息, 2010,10(1):145-151. Dong Chun-jiao, Shao Chun-fu. Short-term traffic flow forecasting of road network based on Elman neural network[J]. Journal of Transportation Systems Engineering and Information Technology, 2010, 10(1):145-151.
[4] 徐启华,丁兆奎. 一种基于动态递归神经网络的交通流量实时预测方法[J]. 淮海工学院学报, 2003,12(4):14-17. Xu Qi-hua, Ding Zhao-kui. Traffic flow real-time prediction using a dynamic recurrent neural network model[J]. Journal of Huaihai Institute of Technology, 2003,12(4):14-17.
[5] Abdalla M I. Digital detection techniques via Elman neural network[J]. Journal of Engineering and Applied Science,2002,49(6):1197-1208.
[6] Gao X Z, Ovaska S J. Genetic algorithm training of elman neural network in motor fault detection[J]. Neural Comput & Applic, 2002,11:37-44.
[7] 刘亚斌,刘雪田,肖文晖. 基于改进Elman神经网络的燃气管网实时预测[J]. 系统工程学报,2003, 18(5):475-479. Liu Ya-bin, Liu Xue-tian, Xiao Wen-hui. Forecast of gas line status at real time based on modified Elman neural network[J]. Journal of Systems Engineering, 2003,18(5):475-479.
[8] Pham D T, Liu X. Training of Elman networks and dynamic system modeling[J]. International Journal of Systems Science,1996,27(2):221-226.
[9] 夏克文,李昌彪,沈钧毅. 前向神经网络隐含层节点数的一种优化方法[J]. 计算机科学, 2005, 32(10):143-145. Xia Ke-wen, Li Chang-biao, Shen Jun-yi. An optimization algorithm on the number of hidden layer nodes in feed-forward neural network[J]. Computer Science, 2005,32(10):143-145.
[10] 许东. 基于MATLAB 6.X的系统分析与设计:神经网络[M]. 西安:西安电子科技大学出版社,2002:35-54.

相关文章 15

[1]	徐洪峰, 高霜霜, 郑启明, 章琨. 信号控制交叉口的复合动态车道管理方法[J]. 吉林大学学报(工学版), 2018, 48(2): 430-439.
[2]	王海玮, 温惠英, 刘敏. 夜间环境驾驶员精神负荷的生理特性评估与实验[J]. 吉林大学学报(工学版), 2017, 47(2): 420-428.
[3]	姜桂艳, 刘彬, 隋晓艳, 马明芳. 基于IC卡收费系统的公交客流信息实时采集方法[J]. 吉林大学学报(工学版), 2016, 46(4): 1076-1082.
[4]	宗芳, 王占中, 贾洪飞, 焦玉玲, 吴杨. 基于支持向量机的通勤日活动-出行持续时间预测[J]. 吉林大学学报(工学版), 2016, 46(2): 406-411.
[5]	潘义勇, 马健霄, 孙璐. 基于可靠度的动态随机交通网络耗时最优路径[J]. 吉林大学学报(工学版), 2016, 46(2): 412-417.
[6]	李世武, 徐艺, 孙文财, 王琳虹, 郭梦竹, 柴萌. 基于瞳孔直径的撞固定物冲突自反馈识别方法[J]. 吉林大学学报(工学版), 2016, 46(2): 418-425.
[7]	赵淑芝, 梁士栋, 马明辉, 刘华胜, 朱永刚. 信号交叉口实时排队长度估计[J]. 吉林大学学报(工学版), 2016, 46(1): 85-91.
[8]	刘华胜，赵淑芝，朱永刚，李晓玉. 基于有效路径的轨道交通接运线路设计模型[J]. 吉林大学学报(工学版), 2015, 45(2): 371-378.
[9]	祝进城，肖峰，帅斌，刘晓波. 城市出租车拥挤收费[J]. 吉林大学学报(工学版), 2015, 45(1): 89-96.
[10]	游峰, 张荣辉, 王海玮, 徐建闽, 温惠英. 欠驱动半挂汽车列车的运动建模与跟踪控制[J]. 吉林大学学报(工学版), 2014, 44(5): 1296-1302.
[11]	程国柱, 李德欢, 吴立新, 莫宣艳, 徐慧智. 城市道路人行横道处照明指标的确定[J]. 吉林大学学报(工学版), 2014, 44(5): 1308-1314.
[12]	李世武, 姚雪萍, 孙文财, 王琳虹, 赖祥翔, 王德强. 体现悬架特性的车辆载荷状态监测技术[J]. 吉林大学学报(工学版), 2014, 44(2): 335-342.
[13]	周伟, 赵胜川. 基于Mixed Logit模型的路线选择行为量化分析[J]. 吉林大学学报(工学版), 2013, 43(02): 304-309.
[14]	李世武, 田晶晶, 王琳虹, 孙文财, 陈璐, 汪海正, 王燕. 多传感器的车辆装载状态动态监测方法 [J]. , 2012, (03): 569-574.
[15]	张文会, 许洪国. 高速公路交通事故现场路段限速方案[J]. 吉林大学学报(工学版), 2012, 42(02): 316-320.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed