灵敏度分析的小波神经网络模型对短期交通量预测

文摘

为了实现一个更精确的和健壮的交通量预测模型,小波神经网络模型的敏感性(WNNM)是分析在这项研究。基于真实回路探测器数据是由交通警察支队马鞍山,WNNM讨论与不同数量的输入神经元,不同数量的隐藏的神经元,交通量不同的时间间隔。试验结果表明,WNNM的性能在很大程度上依赖于网络参数和交通量的时间间隔。此外,WNNM 4输入神经元和6隐藏神经元最优预测精度,稳定性和适应性。与此同时,一个更好的预测记录可以实现交通量的时间间隔15分钟。此外,优化WNNM较广泛使用的反向传播神经网络(摘要)。比较结果表明,WNNM产生更低的值的美,日军,和比摘要VAPE证明WNNM执行更好的短期交通量预测。

1。介绍

短期交通量预测的主要目的是为了确定交通量在未来短时间内(1]。有各种各样的需求短期交通量预测取决于特定的应用程序(2]。事实上,一个精确的和健壮的短期交通量预测模型是至关重要的发展积极的交通控制策略减少拥堵,延迟,事故风险和燃料消耗。特别是,短期交通量预测的结果是许多组件的性能的基础在智能交通系统(3]。

在过去的几十年里,已经有大量的工作集中在短期交通量预测的主题。最常用的方法在以前的工作包含Kalaman滤波器理论(4,5),时间序列(6- - - - - -9[],非参数方法10,11),等等。先前的研究已经报道,上述模型准确地预测交通量时短期交通量相对稳定。然而,当短期交通量波动普遍缩短时间间隔后,上面的方法在预测交通量变化会表现不好。

然后研究人员提出了几个非线性预测方法,如神经网络、获取的不确定性和复杂的非线性时间序列在交通量数据。其中,多层感知(MLP)网络是最常用的非线性预测方法处理短期交通量数据(12]。MLP网络由三种类型的输入层,隐藏和输出。通常与bp训练算法,基于最小化误差的平方和之间预期的和实际的输出(方法可以称为“摘要”)(13]。摘要利用模型优于线性统计模态,比如ARIMA模式,因为前一个是更敏感的动态交通量比后者和没有经验的overprediction特征线性统计模态(14]。然而,正如埃德里提到的,挂15]和Karlaftis大肠Vlahogianni [16向MLP),模型也有其固有的缺点,如缺乏一个有效的建设性的模型中,收敛速度缓慢导致过度的计算时间,滞留在一个局部最小值。

近年来,为了克服缺点与MLP网络,小波神经网络模型(WNNM)已经被越来越多的用于短期交通量的建模和预测。WNNM的优点是,它结合了离散小波变换和神经网络处理的优势来实现非线性逼近能力强。所讨论的陈(17),比摘要WNNM产生更好的结果,并且可以提高预测精度,因此,WNNM已经显示出潜在的优势在短期交通量预测。谢和张18)调查WNNM的性能,摘要模型和径向基函数神经网络(时滞)大小预测短期交通量。先前的研究通常报道,WNNM模型可以实现短期交通量预测精度高于其他模型。WNNM模型被认为是一个好的预测与合理的准确性、稳定性和适应性。因此,WNNM模型被认为是在这个研究分析短期交通量预测。

WNNM模型中最重要的一个特性是,WNNM的性能在很大程度上依赖于固有的网络设计参数,如输入神经元的数量和隐藏的神经元的数目。WNNM的优化大大提高了预测精度和减少培训时间(19]。神经网络的参数组合非常大(20.]。然后许多研究人员(21,22)遗传算法(GA)用于优化神经网络的参数。然而,尽管遗传算法可以获得最优参数,整个操作和决策过程是未知的。换句话说,GA没有提供的信息之间的关系预测结果和模型参数的变化。在我们的研究中,我们想找出WNNM模型中不同的参数如何影响短期交通量的预测,而不是获得最优模型。因此,遗传算法被认为是不适合我们的研究目的,不会分析。

此外,时间间隔应精心挑选交通量的预测。时间间隔的确定可以为预测性能发挥重要作用[23]。在实际工程中,预测时间间隔不应太短,因为数据可能包含大量的随机波动和白噪声影响预测。此外,短时间间隔不得直接用于现场交通管理(24]。选择了合理的时间间隔可以节省数据存储空间和提高预测精度25]。然而,选择的时间间隔不应太长时间因为我们需要捕捉短期交通量的变化趋势(26]。以前,考虑短期交通量预测不同的时间间隔5分钟至20分钟。在我们的研究中,我们评估不同的时间间隔来确定最优值交通量预测在我们的数据集。

从上面的分析中,就会清楚觉察到有一个要求,实践和理论,研究预测结果的不确定性如何WNNM可以分配到不同来源的输入的不确定性。因此,在这个研究WNNM的敏感性进行了分析。选择最优模型参数通过研究相关的不确定因素,往往不同数量的输入神经元,神经元不同数量的隐藏和不同时间间隔的数据集模型。为实现这一目标,本文的其余部分组织如下。部分2简要介绍了短期交通量预测的方法。数据收集过程和敏感性分析方法用于本研究中描述的部分3。节4WNNM,灵敏度分析和对比WNNM和摘要是实现。最后,部分5总结了研究的总结。

2。方法

2.1。小波神经网络模型

小波神经网络小波理论和神经网络集成。一个应用程序函数估计的小波神经网络。给定一系列的观测值函数的小波网络可以训练学习函数的构成,因此计算的预期值对于一个给定的输入(27]。小波神经网络的结构非常相似层神经网络(见图1)。

图1显示了一个前馈神经网络,输入层、隐层和输出层的由一个或多个线性组合器或夏季。隐藏层的神经元的激活函数是来自小波的基础上。它被定义为 在哪里是输入数据,是规模扩张的因素,决定了其变化的特征频率,因此产生了一个“谱”代表及时翻译,这样的变化代表了“滑动”小波。体重隐藏层和输出层连接吗;是Morlet小波函数。的值可以计算离散二元小波系数在尺度和位置:

预测基于输入-输出数据集可以解释如下: 在哪里和代表当前的流动状态和反馈交通流的输入向量,和标量非线性映射函数,是错误的实际值和预测值之间的未来交通流输出。

是计算函数 在那里,预测数据和代表实际数据。在计算过程中, 在那里,,,计算预测误差的反馈吗

在这里,在迭代变量的学习速率更新。

2.2。性能标准

WNNM的性能评估是使用统计指标平均绝对误差(MAE)、平均绝对百分误差(日军),绝对百分误差和方差(VAPE)和相关系数中定义的(7)。美和日军测量平均预测精度和VAPE反映预测的稳定性。观察和测量线性相关性建模价值观:其最优值是1.0 在哪里是观察,的数量和观察和计算值在时间吗分别是观察到的时间吗,和的方法是观察和计算值。

3所示。数据收集和测试设计

3.1。数据收集

本文中使用的所有数据是由交通警察支队马鞍山。回路探测器收集的这些数据是被安装在虎溪路玉山路的部分在马鞍山江东道路,中国。数据集包含24小时交通量数据从2012年的5月1日至5月31日。从玉山路交通量数据采集记录的时间间隔内5分钟。

在调查中,在城市干道,玉山路居民出行中扮演重要的角色。在每个工作日交通卷是相似的,因为经常出差。然而,在交通量原始数据的分析,发现交通量在工作日和周末突然改变,分别。此外,交通量变化显然特别活动,如事件、事故,甚至严重的天气。因此,考虑到他们干扰,期间收集的数据系列事故和坏天气也会被排除在外。

然而,对于nonman-made原因,有一些数据丢失5月9日,22日和30日。丢失的数据已经由交通量的平均值在同一回路探测器在其他两个相邻时间间隔三天。

最重要的是,那些产生了12天的数据集包含3456 5分钟交通量观测,见图2。

从图2,虽然流量在一段时间内的数据是不同的,所有图片显示相同的变化趋势。

3.2。灵敏度分析方法

本文注重如何获得最优的模型参数WNNM改善短期交通量预测的准确性和稳定性。为了解决这个问题,我们必须评估WNNM的输出结果为不同数量的输入神经元,不同数量的隐藏神经元和交通量数据集有不同的时间间隔。由于各种可能的参数组合,简单和常见的一种方法是改变单因素,看到什么影响它使输出(28]。

这里,我们假设,由WNNM短期交通量预测,是真正的交通量,是输入神经元的数量,是隐藏的神经元的数量,交通量的时间间隔,可以实现方程为:

之间的关系和可以说明:

代表之间的误差和。错误不能简单地从任何个人评价指标。因此,梅的值,日军,VAPE,选择来评估不同的参数对预测结果产生影响。最后,敏感性分析的步骤WNNM可以描述如下。

首先,输入神经元的数量,改变;随机生成和分析过程中保持不变;也在分析过程是相同的。可以推断后输入神经元的最佳数量比较分析不同的预测结果。

然后,隐藏的神经元的数量,改变;输入神经元的数量确认;分析过程中保持不变。最优隐藏神经元将获得后重复上述计算过程。

最后,交通量的时间间隔,改变;输入神经元的数量确认;最佳隐藏神经元的数量。最好的时间间隔后可以获得短期交通量讨论WNNM短期交通量的预测的影响。

这似乎是一个合乎逻辑的方法,如果单一参数发生变化,相应的预测结果会有不同之处。此外,通过改变一个参数,可以保留所有其他参数固定。这增加结果的可比性和最小化的变化计算机程序员崩溃,同时当几个参数就越有可能改变。

4所示。实现和结果

4.1。灵敏度分析变量输入神经元

为了评估输入神经元的数量变化如何影响WNNM的预测精度,设置输入神经元的数量从1到8。设置为1时,交通量在5月23日和24日被选为训练集:数据5月23日被选为输入数据和数据于5月24日被选为输出数据。此外,5月30日和31日交通量被选为测试组:5月30日被选为数据输入数据和数据5月31日被选为输出数据。同样,当输入神经元的数量设置为8,数据从5月8日到24日被选为训练集:数据从5月8日至23日被认为是输入和输出数据于5月24日。从5月15日到31日的数据集作为测试集:数据从5月15到30被视为输入数据和数据5月31日被选为输出数据。WNNM其他参数的确定如下:隐藏的神经元是随机生成的数量从1到10,培训期间保持不变。学习速率是设置为0.1,动量率是固定在0.05,时代列车通过的数量被设置为1000。标准的值见表1。

在表1很明显,当输入神经元的数量设置为4,最小值的美和VAPE可以获得为6.3971和0.1243,分别。当输入神经元的数量设置为6,日军的最小值可以得到0.2949。至于相关性指标,当输入神经元的数量设置为4,的价值可以获得0.9232这意味着短期交通量的预测价值和测试值有很高的相关性。

从图3,很明显,最优输入神经元的数量是4。WNNM 4输入神经元产生的最低价值美相比,模型;它是关于比平均水平低7.92%。尽管WNNM 6输入神经元产生的最低价值VAPE相比其它模型。WNNM 4输入神经元具有更好的观测和模拟值之间的相关性比WNNM 6输入神经元。线性相关的值的WNNM 4输入神经元与6个输入神经元WNNM高出2.20%。

4.2。灵敏度分析变量隐藏的神经元

在这个实验中,隐藏神经元不同的数量从1到11日WNNM训练中,输入中子被设置为4。因此,交通量从5月16日和24日被选为训练集:数据从5月16日至23日在5月24日输入数据和数据输出数据。和数据从5月23日到31日被选为测试集:于5月23日至30日数据输入数据和输出数据是5月31日的数据。

此外,其他参数WNNM确定如下:学习速率设置为0.1,动量率是固定在0.05,时代列车通过的数量设置为1000。梅的准则值,日军VAPE,WNNM预测结果见表2。

从表2测试结果的短期交通量的预测表明,当隐藏的神经元的数量是6,梅的值越低,日军和VAPE可以计算为6.3971,0.3169,和0.1243,分别。然而,相关系数的测试结果显示相关系数最高可以获得0.9254隐藏神经元时设置为9。

从图4,6号显然是最优数量的隐藏的神经元。6的WNNM隐藏神经元产生的最低价值美,VAPE和日军比模型。美在WNNM 6隐藏神经元的价值约为5.14%低于平均值的美。日军的价值在WNNM 6隐藏神经元比日军的平均值低17.92%。和在WNNM VAPE 6隐藏神经元的价值约为5.14%低于VAPE的平均值。线性相关的值WNNM 9隐藏的神经元比其他模型;只有约0.24%高于WNNM 6隐藏神经元。因此,很明显,WNNM 6隐藏神经元也有类似的相关性与WNNM 9隐藏神经元。

4.3。灵敏度分析变量交通量的不同的时间间隔

是否不同时间间隔的短期交通量施加影响预测的准确性WNNM值得进一步讨论。我们长时间的时间间隔从5分钟到10,15日,20和30分钟测试。WNNM培训期间,输入神经元的数量设置为4。和交通量从5月16日和24日被选为训练集,于5月16日至23日在数据输入数据和数据在5月24日WNNM时输出数据训练。和数据从5月23日到31日被选为测试集,于5月23日至30日数据的输入数据和输出数据5月31日数据当WNNM预测测试。

更重要的是,隐藏的神经元的数目设置为6;初始权重更新尽快培训模式的输出误差进行了计算。学习速率是设置为0.1;动量率固定为0.05,和时代列车通过的数量被设置为1000。梅的准则值,日军VAPE,WNNM预测结果见表3。

在表3,很明显,当我们设置的时间间隔为5分钟,梅的最低价值可以得到6.3971。和日军的最低价值和VAPE, 0.3021和0.0322,可以获得在时间间隔延长到15分钟。

此外,测试结果表明,最大的相关系数将计算为0.9407,如果时间间隔设置为15分钟,这证明了相关性预测WNNM和最高。

在图5,我们可以很容易地找到最优的时间间隔应该是15分钟。尽管数据设置5分钟的时间间隔内可获得的最低价值美,VAPE,日军的值所有结果表明条件下15分钟的时间间隔是优于其他人。通过分析,时间间隔的增加,相应的输入数据集的价值增长。也就是说,在这种情况下,梅的标准价值很可能不适合评估不同模型的可行性。

4.4。对比WNNM和摘要

以前,许多方法已被用于短期交通量的预测。其中,摘要已被广泛接受为一种常用的方法,具有良好的性能预测交通量(14]。因此,摘要是选择与优化WNNM短期交通量预测。

为目的的比较,从5月16日至24日交通量的训练数据集被选为摘要和WNNM:培训两个模型时,于5月16日至23日的数据输入和数据被认为是于5月24日被认为是输出。交通量数据从5月23日至31日被选为测试数据集:于5月23日至30日数据输入和数据于5月24日输出。在这两个模型其他参数确定如下:隐藏神经元的数量设置为6,学习速率设置为0.1,动量率固定为0.05,和时代列车通过的数量被设置为1000。交通量的预测WNNM和摘要图所示6。

最初的交通量数据是黑线,如图所示6,交通量的预测两个模型也说明图。它可以发现,预测由WNNM取得了更好的选择比摘要原始交通量数据,特别是当交通量超过100 pcu。我们也计算的值美,日军,VAPE,两个模型之间的比较。给出了比较结果表4。

比较结果是相当令人鼓舞。如表所示4最优WNNM模型实现了低价值的美,日军,VAPE摘要。的价值WNNM比摘要。最优WNNM模型减少了梅的值,日军,VAPE 16.85%, 23.47%,和187.35%,分别,但增加了了0.69%。两个模型的比较结果表明,最优WNNM模型的预测精度高于摘要领域的短期交通量预测。

5。结论

为了达到更准确的和健壮的交通流预测模型,WNNM的敏感性在本研究中详细讨论。输入神经元的模型研究了不同数量,不同数量的隐藏的神经元,数据集有不同的时间间隔。梅的平均标准的价值观,日军VAPE,对于每个模型计算和提供的每个表的最后一行。试验结果表明,WNNM的性能在很大程度上依赖于网络设计参数和时间间隔的数据集。测试结果表明,该WNNM 4输入神经元和6隐藏神经元是最好的选择的准确性,稳定性和适应性。一般来说,据信被认为是最佳的时间间隔15分钟可以帮助获得最准确的预测。

在这项研究中,灵敏度分析的数据短期交通量WNNM是马鞍山的交警提供的超然。应该警告说,研究条件,特别是样本数据只在一个特定的城市,而在数据从其他城市,限制我们进一步讨论WNNM的敏感性。但WNNM可以普遍使用在不同的情况下,对其优势预测短期卷上可以很容易地发现在文献综述。

为了探索它的优越性,最优WNNM是应用较广泛的bp神经网络(摘要)。比较结果表明,WNNM生产低价值的美,日军,和VAPE比摘要,这表明最优WNNM短期交通量预测是一个更好的模型。实际上,许多研究领域如预测时间序列的时序结构复杂性和训练方法还没有被充分研究。合理的预测,为研究WNNM沿着,其可以实现更好的性能。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究受到了重大的资助中国国家基础研究发展计划(973计划)(批准号2012 cb725402)和2013的资助科学研究和为江苏省研究生创新项目(批准号CXZZ13_0121)。作者感谢东南大学和志愿受访者的支持。

引用

1. s . A . Zargari s . z . Siabil A . h . Alavi和A . h . Gandomi”基于计算智能方法对短期交通流预测,“专家系统卷,29号2、124 - 142年,2012页。视图:谷歌学术搜索
2. 依Vlahogianni、j . c . Golias和m . g . Karlaftis“短期流量预测:概述的目标和方法,“运输的评论,24卷,不。5,533 - 557年,2004页。视图:出版商的网站|谷歌学术搜索
3. w·h·l . Li林,h·刘,二型模糊逻辑方法对短期流量预测,2006年。
4. 你们谢y, y,和z,“短期交通量预测离散小波分解,用卡尔曼滤波”计算机辅助土木与基础设施工程,22卷,不。5,326 - 334年,2007页。视图:出版商的网站|谷歌学术搜索
5. d . Ngoduy”适用于过滤在线多级高速公路网络的评估框架,“自然史一,卷387,不。2 - 3、599 - 616年,2008页。视图:出版商的网站|谷歌学术搜索
6. b . Ghosh、b·巴苏和m . O’mahony“贝叶斯对短期交通流预测的时间序列模型,”交通运输工程学报,卷133,不。3、180 - 189年,2007页。视图:出版商的网站|谷歌学术搜索
7. A . Stathopoulos和m . g . Karlaftis”,多变量状态空间方法对城市交通流建模和预测,“交通研究C,11卷,不。2、121 - 135年,2003页。视图:出版商的网站|谷歌学术搜索
8. J.-N。雪和Z.-K。施”,利用混沌时间序列短期交通流预测理论,“交通运输系统工程与信息技术》杂志上,8卷,不。5,68 - 72年,2008页。视图:谷歌学术搜索
9. 范x, c c。陆,k .刘”,贝叶斯动态线性模型方法用于实时短期高速公路旅行时间预测,“交通研究C,19卷,不。6,1306 - 1318年,2011页。视图:出版商的网站|谷歌学术搜索
10. b·l·史密斯、b·m·威廉姆斯和r·基斯奥斯瓦尔德”的比较参数和非参数模型对交通流预测,“交通研究C,10卷,不。4、303 - 321年,2002页。视图:出版商的网站|谷歌学术搜索
11. r . e . Turochy和b·d·皮尔斯”相关的短期流量预测当前系统状态使用非参数回归,”学报IEEE会议第七届国际智能交通系统(ITSC ' 04)2004年10月,页239 - 244。视图:谷歌学术搜索
12. S.-Y。Yun, s . Namkoong黄永发。ρ,S.-W。胫骨,J.-U。崔”,绩效评估在交通量预测的神经网络模型,”数学和计算机模拟,27卷,不。9 - 11,293 - 310年,1998页。视图:出版商的网站|谷歌学术搜索
13. b . Ghosh、b·巴苏和m . O’mahony”城市交通流随机过程模型使用wavelet-bayesian分层技术,”计算机辅助土木与基础设施工程,25卷,不。8,613 - 624年,2010页。视图:出版商的网站|谷歌学术搜索
14. b·l·史密斯和m . j . Demetsky”交通流预测:建模方法的比较》交通运输工程学报,卷123,不。4、261 - 266年,1997页。视图:谷歌学术搜索
15. h·埃德里和美国挂,机器学习神经网络、遗传算法和模糊系统约翰•威利& Sons 1994。
16. m·g . Karlaftis和e . Vlahogianni”统计方法和神经网络在交通研究:差异,相似之处和一些见解,“交通研究C,19卷,不。3、387 - 399年,2011页。视图:出版商的网站|谷歌学术搜索
17. 郑胜耀陈和w·王”,交通量预测基于小波变换和神经网络,”先进的神经Networks-ISNN卷,3973年,页1 - 7,2006。视图:谷歌学术搜索
18. 谢y y张,“短期交通量预测的小波网络模型,”智能交通系统杂志》上,10卷,不。3、141 - 150年,2006页。视图:出版商的网站|谷歌学术搜索|Zentralblatt数学
19. 依Vlahogianni”,提高短期交通流预测在路口干道信息动态,“智能交通系统杂志》上,13卷,不。2、73 - 84年,2009页。视图:出版商的网站|谷歌学术搜索
20. b . Abdulhai h . Porwal和w·莱克尔,“使用neuro-genetic短期交通流预测算法,它的杂志,7卷,不。1,3-41,2002页。视图:出版商的网站|谷歌学术搜索
21. r·k·Belew j•杰•麦克伦尼,n . n . Schraudolph不断发展的网络使用遗传算法和联结主义学习,1990年。
22. j . r . Koza j.p.大米,“基因一代为神经网络权重和架构,”程序的国际联合会议上神经网络(IJCNN 91)1991年7月,页397 - 404。视图:谷歌学术搜索
23. j .郭b·m·威廉姆斯和b·l·史密斯,”数据采集时间间隔的随机短期交通流预测,“交通研究委员会杂志》上,卷2024,不。1,18-26,2007页。视图:出版商的网站|谷歌学术搜索
24. c .哦,s·g·里奇,js。哦,”探索之间的关系数据聚合和可预测性提供更好的预测交通信息,“交通研究委员会杂志》上,卷1935,不。1、几个,2005页。视图:谷歌学术搜索
25. f·乔、王x和l . Yu”优化聚合级别智能交通系统数据小波分解的基础上,“交通研究委员会杂志》上,卷1840,不。1,10 - 20,2003页。视图:谷歌学术搜索
26. f·乔,l . Yu, x,“双面决心为智能交通系统数据聚合的水平,”交通研究委员会杂志》上,卷1879,不。1,第88 - 80页,2004。视图:谷歌学术搜索
27. d·维奇小波神经网络及其应用在动力系统的研究(论文)、MSc在数据分析、网络和非线性动力学,数学系,纽约大学Helsington,英国,2005年。
28. a . Saltelli m . Ratto t·安德烈斯等。全局灵敏度分析:底漆,2008年Wiley-Interscience。

版权

版权©2013金星沈和温泉。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。