牛興旺

摘 要

在現(xiàn)代交通控制中，交通流量預(yù)測是一個重要基本環(huán)節(jié)，本文對其設(shè)計了徑向基網(wǎng)絡(luò)結(jié)合PCA的方法來預(yù)測，PCA減小相關(guān)路口維數(shù)，而網(wǎng)絡(luò)實現(xiàn)預(yù)測權(quán)值的計算，最終達到應(yīng)用相關(guān)路口歷史數(shù)據(jù)預(yù)測目標(biāo)路口流量的目的。

【關(guān)鍵詞】PCA方法 流量 預(yù)測 交通控制 系統(tǒng)工程

隨著中國城市不斷發(fā)展，包括電動車在內(nèi)的各種車輛在不斷增長。然而現(xiàn)有主城區(qū)內(nèi)的道路空間卻越來越有限，節(jié)假日及上下班高峰期，部分路段日漸擁堵。當(dāng)機動車數(shù)量達到一定程度的時候，原有的道路交通道路、標(biāo)志、設(shè)施等，不能滿足現(xiàn)代交通的需要，就會出現(xiàn)堵車現(xiàn)象。堵車只是現(xiàn)象和結(jié)果，原因是由于機動車數(shù)量達到一定程度以后，原有的道路交通設(shè)計已經(jīng)不適合新的發(fā)展要求。一般來說出現(xiàn)原因有一是機動車數(shù)量過多； 二是交通設(shè)計不合理； 三是城市的整體規(guī)劃有問題；四是外來人口過多。解決的渠道是多方面的，從技術(shù)層面，交通流量預(yù)測可以通過交通控制發(fā)揮有力的作用，這里主要采用一種徑向基網(wǎng)絡(luò)的方法進行交通流的預(yù)測。

1 系統(tǒng)處理方案

將一組相關(guān)到路口的數(shù)據(jù)流量進行了錯誤剔除等預(yù)處理后，繼而加載到所提出的模型中來實現(xiàn)預(yù)測計算。這個計算總的實現(xiàn)框架如下：根據(jù)每個路口所記錄的歷史數(shù)據(jù)，應(yīng)用主成分分析方法，對路網(wǎng)中路口關(guān)聯(lián)度進行分析，求解出跟目標(biāo)路口之間的相關(guān)度函數(shù)和指數(shù)，然后利用主貢獻成分來求解相關(guān)路口；根據(jù)徑向基神經(jīng)網(wǎng)絡(luò)，由相關(guān)路口數(shù)據(jù)流來訓(xùn)練有關(guān)權(quán)值，得到下一時刻預(yù)測的目標(biāo)路口交通流與相關(guān)路口歷史數(shù)據(jù)流之間的關(guān)系；最后綜合利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，以及采集到的數(shù)據(jù)，求解預(yù)測未來的交通流量。

2 PCA的路口數(shù)據(jù)相關(guān)性降維

單個路口的交通流信息往往是由大量的多源數(shù)據(jù)組成，并且城市路網(wǎng)中的交叉口路口也是非常之多，所有城市路網(wǎng)的交通流信息數(shù)據(jù)量是無法想象的。利用主成分分析法定量的分析路口間交通流量的相關(guān)性，可以用來降低數(shù)據(jù)維度和壓縮數(shù)據(jù)量。具體的操作步驟為：

（1）克服原始數(shù)據(jù)單位的不統(tǒng)一等問題，對原始數(shù)據(jù)進行必要的規(guī)格化處理，使規(guī)格化后的數(shù)據(jù)樣本成為標(biāo)準的正態(tài)分布。

（2）所有路口都可是為一個獨立的樣本，如此建立路口間流量的相關(guān)系數(shù)矩陣，關(guān)系數(shù)矩陣表明了n個路口彼此之間的相關(guān)程度。

（3）通過矩陣運算求出相關(guān)系數(shù)矩陣 R 的所有特征值，進一步得到主成分，主成分基本上包含了所有成分的大部分信息。

通過主成分的計算和分析，就知道目標(biāo)路口交通流主要相關(guān)的路口，就簡化了模型，使得預(yù)測模型更加精簡和實際。

3 徑向基神經(jīng)網(wǎng)絡(luò)流量預(yù)測

3.1 徑向基網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)的基本單元稱為神經(jīng)元，它是對生物神經(jīng)元的簡化與模擬。神經(jīng)元的特性在某中程度上決定了神經(jīng)網(wǎng)絡(luò)的總體特性。大量簡單神經(jīng)元的相互連結(jié)皆構(gòu)成了神經(jīng)網(wǎng)絡(luò)。一個典型的具有N維輸入的神經(jīng)元組成，神經(jīng)元的作用可用下面的數(shù)學(xué)式表達。

uk=wkjxj-θk （1）

yk=f（uk） （2）

常用的激勵函數(shù)有線形函數(shù)、分段線形函數(shù)、Sigmoid函數(shù)、雙曲正切函數(shù)等。神經(jīng)網(wǎng)絡(luò)是由大量簡單神經(jīng)元相互連結(jié)構(gòu)成復(fù)雜網(wǎng)絡(luò)系統(tǒng)。單個神經(jīng)元的功能是有限的，只有用許多神經(jīng)元按一定的規(guī)則連接，構(gòu)成神經(jīng)網(wǎng)絡(luò)才具有強大的功能。徑向基函數(shù)（Radial Basic Function，RBF）神經(jīng)網(wǎng)絡(luò)由三層組成。輸入層節(jié)點只傳遞輸入信號到隱層，隱層節(jié)點由像高斯核函數(shù)那樣的輻射狀作用函數(shù)構(gòu)成，而輸出層節(jié)點通常是簡單的線形函數(shù)。隱層節(jié)點中的作用函數(shù)（基函數(shù)）對輸入信號將在局部產(chǎn)生響應(yīng)。當(dāng)輸入信號靠近基函數(shù)的中央范圍時，隱層節(jié)點將產(chǎn)生較大的輸出，由此看出來這種網(wǎng)絡(luò)具有局部逼近能力，所以徑向基函數(shù)網(wǎng)絡(luò)也稱為局部感知場網(wǎng)絡(luò)?；瘮?shù)最常用的是高斯函數(shù)：

RI（x）=exp[] i=1，2，…，m （3）

其中x是n維輸入向量；ci是第i個基函數(shù)的中心，與x具有相同維數(shù)的向量，σi是第i個感知的變量（可以自由選擇的參數(shù)），它決定了該基函數(shù)圍繞中心點的寬度；m是感知單元的個數(shù)。||x?ci||是向量x?ci的范數(shù)，它通常表示x和ci之間的距離，Ri（x）在ci處有一個唯一的最大值，隨著||x?ci||的增大，Ri（x）迅速衰減到零。對于給定的輸入x∈Rn，只有一小部分靠近x的中心被激活。輸入層實現(xiàn)從x→Ri（x）的非線形映射，輸出層實現(xiàn)從Ri（x）到 yk的線形映射，p是輸出節(jié)點數(shù)。即

yi=wikRi（x） k=1，2，…，p （4）

3.2 預(yù)測方法研究

本文以徑向基神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)的預(yù)測模型，將相關(guān)路口歷史交通流量數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，對目標(biāo)路口交通流量進行短時預(yù)測。利用了相關(guān)路口的大量數(shù)據(jù)信息，又充分發(fā)揮了徑向基神經(jīng)網(wǎng)絡(luò)特各種優(yōu)點，使得更加預(yù)測更加高效，預(yù)測結(jié)果更加精確。針對待預(yù)測路口，將歷史數(shù)據(jù)第t時刻，第t1時刻，第t2時刻，第t3時刻的交通流量f （t），f（t1），f（t2），f（t3），等等共四個數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，將 t4時刻的交通流量數(shù)據(jù)作為網(wǎng)絡(luò)的輸出結(jié)果。神經(jīng)網(wǎng)絡(luò)模型為四個輸入，一個輸出。徑向基神經(jīng)網(wǎng)絡(luò)模型通過計算軟件進行交通流預(yù)測計算。采用數(shù)據(jù)是部分歷史數(shù)據(jù)，過訓(xùn)練調(diào)整網(wǎng)絡(luò)參數(shù)模型的權(quán)值。在權(quán)值得到以后，就可以利用相關(guān)路口對目標(biāo)路口的交通流進行實時預(yù)測了。

作者單位

廣東水粵智能科技公司 廣東省廣州市 510631endprint

摘 要

在現(xiàn)代交通控制中，交通流量預(yù)測是一個重要基本環(huán)節(jié)，本文對其設(shè)計了徑向基網(wǎng)絡(luò)結(jié)合PCA的方法來預(yù)測，PCA減小相關(guān)路口維數(shù)，而網(wǎng)絡(luò)實現(xiàn)預(yù)測權(quán)值的計算，最終達到應(yīng)用相關(guān)路口歷史數(shù)據(jù)預(yù)測目標(biāo)路口流量的目的。

【關(guān)鍵詞】PCA方法 流量 預(yù)測 交通控制 系統(tǒng)工程

隨著中國城市不斷發(fā)展，包括電動車在內(nèi)的各種車輛在不斷增長。然而現(xiàn)有主城區(qū)內(nèi)的道路空間卻越來越有限，節(jié)假日及上下班高峰期，部分路段日漸擁堵。當(dāng)機動車數(shù)量達到一定程度的時候，原有的道路交通道路、標(biāo)志、設(shè)施等，不能滿足現(xiàn)代交通的需要，就會出現(xiàn)堵車現(xiàn)象。堵車只是現(xiàn)象和結(jié)果，原因是由于機動車數(shù)量達到一定程度以后，原有的道路交通設(shè)計已經(jīng)不適合新的發(fā)展要求。一般來說出現(xiàn)原因有一是機動車數(shù)量過多； 二是交通設(shè)計不合理； 三是城市的整體規(guī)劃有問題；四是外來人口過多。解決的渠道是多方面的，從技術(shù)層面，交通流量預(yù)測可以通過交通控制發(fā)揮有力的作用，這里主要采用一種徑向基網(wǎng)絡(luò)的方法進行交通流的預(yù)測。

1 系統(tǒng)處理方案

將一組相關(guān)到路口的數(shù)據(jù)流量進行了錯誤剔除等預(yù)處理后，繼而加載到所提出的模型中來實現(xiàn)預(yù)測計算。這個計算總的實現(xiàn)框架如下：根據(jù)每個路口所記錄的歷史數(shù)據(jù)，應(yīng)用主成分分析方法，對路網(wǎng)中路口關(guān)聯(lián)度進行分析，求解出跟目標(biāo)路口之間的相關(guān)度函數(shù)和指數(shù)，然后利用主貢獻成分來求解相關(guān)路口；根據(jù)徑向基神經(jīng)網(wǎng)絡(luò)，由相關(guān)路口數(shù)據(jù)流來訓(xùn)練有關(guān)權(quán)值，得到下一時刻預(yù)測的目標(biāo)路口交通流與相關(guān)路口歷史數(shù)據(jù)流之間的關(guān)系；最后綜合利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，以及采集到的數(shù)據(jù)，求解預(yù)測未來的交通流量。

2 PCA的路口數(shù)據(jù)相關(guān)性降維

單個路口的交通流信息往往是由大量的多源數(shù)據(jù)組成，并且城市路網(wǎng)中的交叉口路口也是非常之多，所有城市路網(wǎng)的交通流信息數(shù)據(jù)量是無法想象的。利用主成分分析法定量的分析路口間交通流量的相關(guān)性，可以用來降低數(shù)據(jù)維度和壓縮數(shù)據(jù)量。具體的操作步驟為：

（1）克服原始數(shù)據(jù)單位的不統(tǒng)一等問題，對原始數(shù)據(jù)進行必要的規(guī)格化處理，使規(guī)格化后的數(shù)據(jù)樣本成為標(biāo)準的正態(tài)分布。

（2）所有路口都可是為一個獨立的樣本，如此建立路口間流量的相關(guān)系數(shù)矩陣，關(guān)系數(shù)矩陣表明了n個路口彼此之間的相關(guān)程度。

（3）通過矩陣運算求出相關(guān)系數(shù)矩陣 R 的所有特征值，進一步得到主成分，主成分基本上包含了所有成分的大部分信息。

通過主成分的計算和分析，就知道目標(biāo)路口交通流主要相關(guān)的路口，就簡化了模型，使得預(yù)測模型更加精簡和實際。

3 徑向基神經(jīng)網(wǎng)絡(luò)流量預(yù)測

3.1 徑向基網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)的基本單元稱為神經(jīng)元，它是對生物神經(jīng)元的簡化與模擬。神經(jīng)元的特性在某中程度上決定了神經(jīng)網(wǎng)絡(luò)的總體特性。大量簡單神經(jīng)元的相互連結(jié)皆構(gòu)成了神經(jīng)網(wǎng)絡(luò)。一個典型的具有N維輸入的神經(jīng)元組成，神經(jīng)元的作用可用下面的數(shù)學(xué)式表達。

uk=wkjxj-θk （1）

yk=f（uk） （2）

常用的激勵函數(shù)有線形函數(shù)、分段線形函數(shù)、Sigmoid函數(shù)、雙曲正切函數(shù)等。神經(jīng)網(wǎng)絡(luò)是由大量簡單神經(jīng)元相互連結(jié)構(gòu)成復(fù)雜網(wǎng)絡(luò)系統(tǒng)。單個神經(jīng)元的功能是有限的，只有用許多神經(jīng)元按一定的規(guī)則連接，構(gòu)成神經(jīng)網(wǎng)絡(luò)才具有強大的功能。徑向基函數(shù)（Radial Basic Function，RBF）神經(jīng)網(wǎng)絡(luò)由三層組成。輸入層節(jié)點只傳遞輸入信號到隱層，隱層節(jié)點由像高斯核函數(shù)那樣的輻射狀作用函數(shù)構(gòu)成，而輸出層節(jié)點通常是簡單的線形函數(shù)。隱層節(jié)點中的作用函數(shù)（基函數(shù)）對輸入信號將在局部產(chǎn)生響應(yīng)。當(dāng)輸入信號靠近基函數(shù)的中央范圍時，隱層節(jié)點將產(chǎn)生較大的輸出，由此看出來這種網(wǎng)絡(luò)具有局部逼近能力，所以徑向基函數(shù)網(wǎng)絡(luò)也稱為局部感知場網(wǎng)絡(luò)。基函數(shù)最常用的是高斯函數(shù)：

RI（x）=exp[] i=1，2，…，m （3）

其中x是n維輸入向量；ci是第i個基函數(shù)的中心，與x具有相同維數(shù)的向量，σi是第i個感知的變量（可以自由選擇的參數(shù)），它決定了該基函數(shù)圍繞中心點的寬度；m是感知單元的個數(shù)。||x?ci||是向量x?ci的范數(shù)，它通常表示x和ci之間的距離，Ri（x）在ci處有一個唯一的最大值，隨著||x?ci||的增大，Ri（x）迅速衰減到零。對于給定的輸入x∈Rn，只有一小部分靠近x的中心被激活。輸入層實現(xiàn)從x→Ri（x）的非線形映射，輸出層實現(xiàn)從Ri（x）到 yk的線形映射，p是輸出節(jié)點數(shù)。即

yi=wikRi（x） k=1，2，…，p （4）

3.2 預(yù)測方法研究

本文以徑向基神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)的預(yù)測模型，將相關(guān)路口歷史交通流量數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，對目標(biāo)路口交通流量進行短時預(yù)測。利用了相關(guān)路口的大量數(shù)據(jù)信息，又充分發(fā)揮了徑向基神經(jīng)網(wǎng)絡(luò)特各種優(yōu)點，使得更加預(yù)測更加高效，預(yù)測結(jié)果更加精確。針對待預(yù)測路口，將歷史數(shù)據(jù)第t時刻，第t1時刻，第t2時刻，第t3時刻的交通流量f （t），f（t1），f（t2），f（t3），等等共四個數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，將 t4時刻的交通流量數(shù)據(jù)作為網(wǎng)絡(luò)的輸出結(jié)果。神經(jīng)網(wǎng)絡(luò)模型為四個輸入，一個輸出。徑向基神經(jīng)網(wǎng)絡(luò)模型通過計算軟件進行交通流預(yù)測計算。采用數(shù)據(jù)是部分歷史數(shù)據(jù)，過訓(xùn)練調(diào)整網(wǎng)絡(luò)參數(shù)模型的權(quán)值。在權(quán)值得到以后，就可以利用相關(guān)路口對目標(biāo)路口的交通流進行實時預(yù)測了。

作者單位

廣東水粵智能科技公司 廣東省廣州市 510631endprint

摘 要

在現(xiàn)代交通控制中，交通流量預(yù)測是一個重要基本環(huán)節(jié)，本文對其設(shè)計了徑向基網(wǎng)絡(luò)結(jié)合PCA的方法來預(yù)測，PCA減小相關(guān)路口維數(shù)，而網(wǎng)絡(luò)實現(xiàn)預(yù)測權(quán)值的計算，最終達到應(yīng)用相關(guān)路口歷史數(shù)據(jù)預(yù)測目標(biāo)路口流量的目的。

【關(guān)鍵詞】PCA方法 流量 預(yù)測 交通控制 系統(tǒng)工程

隨著中國城市不斷發(fā)展，包括電動車在內(nèi)的各種車輛在不斷增長。然而現(xiàn)有主城區(qū)內(nèi)的道路空間卻越來越有限，節(jié)假日及上下班高峰期，部分路段日漸擁堵。當(dāng)機動車數(shù)量達到一定程度的時候，原有的道路交通道路、標(biāo)志、設(shè)施等，不能滿足現(xiàn)代交通的需要，就會出現(xiàn)堵車現(xiàn)象。堵車只是現(xiàn)象和結(jié)果，原因是由于機動車數(shù)量達到一定程度以后，原有的道路交通設(shè)計已經(jīng)不適合新的發(fā)展要求。一般來說出現(xiàn)原因有一是機動車數(shù)量過多； 二是交通設(shè)計不合理； 三是城市的整體規(guī)劃有問題；四是外來人口過多。解決的渠道是多方面的，從技術(shù)層面，交通流量預(yù)測可以通過交通控制發(fā)揮有力的作用，這里主要采用一種徑向基網(wǎng)絡(luò)的方法進行交通流的預(yù)測。

1 系統(tǒng)處理方案

將一組相關(guān)到路口的數(shù)據(jù)流量進行了錯誤剔除等預(yù)處理后，繼而加載到所提出的模型中來實現(xiàn)預(yù)測計算。這個計算總的實現(xiàn)框架如下：根據(jù)每個路口所記錄的歷史數(shù)據(jù)，應(yīng)用主成分分析方法，對路網(wǎng)中路口關(guān)聯(lián)度進行分析，求解出跟目標(biāo)路口之間的相關(guān)度函數(shù)和指數(shù)，然后利用主貢獻成分來求解相關(guān)路口；根據(jù)徑向基神經(jīng)網(wǎng)絡(luò)，由相關(guān)路口數(shù)據(jù)流來訓(xùn)練有關(guān)權(quán)值，得到下一時刻預(yù)測的目標(biāo)路口交通流與相關(guān)路口歷史數(shù)據(jù)流之間的關(guān)系；最后綜合利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，以及采集到的數(shù)據(jù)，求解預(yù)測未來的交通流量。

2 PCA的路口數(shù)據(jù)相關(guān)性降維

單個路口的交通流信息往往是由大量的多源數(shù)據(jù)組成，并且城市路網(wǎng)中的交叉口路口也是非常之多，所有城市路網(wǎng)的交通流信息數(shù)據(jù)量是無法想象的。利用主成分分析法定量的分析路口間交通流量的相關(guān)性，可以用來降低數(shù)據(jù)維度和壓縮數(shù)據(jù)量。具體的操作步驟為：

（1）克服原始數(shù)據(jù)單位的不統(tǒng)一等問題，對原始數(shù)據(jù)進行必要的規(guī)格化處理，使規(guī)格化后的數(shù)據(jù)樣本成為標(biāo)準的正態(tài)分布。

（2）所有路口都可是為一個獨立的樣本，如此建立路口間流量的相關(guān)系數(shù)矩陣，關(guān)系數(shù)矩陣表明了n個路口彼此之間的相關(guān)程度。

（3）通過矩陣運算求出相關(guān)系數(shù)矩陣 R 的所有特征值，進一步得到主成分，主成分基本上包含了所有成分的大部分信息。

通過主成分的計算和分析，就知道目標(biāo)路口交通流主要相關(guān)的路口，就簡化了模型，使得預(yù)測模型更加精簡和實際。

3 徑向基神經(jīng)網(wǎng)絡(luò)流量預(yù)測

3.1 徑向基網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)的基本單元稱為神經(jīng)元，它是對生物神經(jīng)元的簡化與模擬。神經(jīng)元的特性在某中程度上決定了神經(jīng)網(wǎng)絡(luò)的總體特性。大量簡單神經(jīng)元的相互連結(jié)皆構(gòu)成了神經(jīng)網(wǎng)絡(luò)。一個典型的具有N維輸入的神經(jīng)元組成，神經(jīng)元的作用可用下面的數(shù)學(xué)式表達。

uk=wkjxj-θk （1）

yk=f（uk） （2）

常用的激勵函數(shù)有線形函數(shù)、分段線形函數(shù)、Sigmoid函數(shù)、雙曲正切函數(shù)等。神經(jīng)網(wǎng)絡(luò)是由大量簡單神經(jīng)元相互連結(jié)構(gòu)成復(fù)雜網(wǎng)絡(luò)系統(tǒng)。單個神經(jīng)元的功能是有限的，只有用許多神經(jīng)元按一定的規(guī)則連接，構(gòu)成神經(jīng)網(wǎng)絡(luò)才具有強大的功能。徑向基函數(shù)（Radial Basic Function，RBF）神經(jīng)網(wǎng)絡(luò)由三層組成。輸入層節(jié)點只傳遞輸入信號到隱層，隱層節(jié)點由像高斯核函數(shù)那樣的輻射狀作用函數(shù)構(gòu)成，而輸出層節(jié)點通常是簡單的線形函數(shù)。隱層節(jié)點中的作用函數(shù)（基函數(shù)）對輸入信號將在局部產(chǎn)生響應(yīng)。當(dāng)輸入信號靠近基函數(shù)的中央范圍時，隱層節(jié)點將產(chǎn)生較大的輸出，由此看出來這種網(wǎng)絡(luò)具有局部逼近能力，所以徑向基函數(shù)網(wǎng)絡(luò)也稱為局部感知場網(wǎng)絡(luò)?；瘮?shù)最常用的是高斯函數(shù)：

RI（x）=exp[] i=1，2，…，m （3）

其中x是n維輸入向量；ci是第i個基函數(shù)的中心，與x具有相同維數(shù)的向量，σi是第i個感知的變量（可以自由選擇的參數(shù)），它決定了該基函數(shù)圍繞中心點的寬度；m是感知單元的個數(shù)。||x?ci||是向量x?ci的范數(shù)，它通常表示x和ci之間的距離，Ri（x）在ci處有一個唯一的最大值，隨著||x?ci||的增大，Ri（x）迅速衰減到零。對于給定的輸入x∈Rn，只有一小部分靠近x的中心被激活。輸入層實現(xiàn)從x→Ri（x）的非線形映射，輸出層實現(xiàn)從Ri（x）到 yk的線形映射，p是輸出節(jié)點數(shù)。即

yi=wikRi（x） k=1，2，…，p （4）

3.2 預(yù)測方法研究

本文以徑向基神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)的預(yù)測模型，將相關(guān)路口歷史交通流量數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，對目標(biāo)路口交通流量進行短時預(yù)測。利用了相關(guān)路口的大量數(shù)據(jù)信息，又充分發(fā)揮了徑向基神經(jīng)網(wǎng)絡(luò)特各種優(yōu)點，使得更加預(yù)測更加高效，預(yù)測結(jié)果更加精確。針對待預(yù)測路口，將歷史數(shù)據(jù)第t時刻，第t1時刻，第t2時刻，第t3時刻的交通流量f （t），f（t1），f（t2），f（t3），等等共四個數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，將 t4時刻的交通流量數(shù)據(jù)作為網(wǎng)絡(luò)的輸出結(jié)果。神經(jīng)網(wǎng)絡(luò)模型為四個輸入，一個輸出。徑向基神經(jīng)網(wǎng)絡(luò)模型通過計算軟件進行交通流預(yù)測計算。采用數(shù)據(jù)是部分歷史數(shù)據(jù)，過訓(xùn)練調(diào)整網(wǎng)絡(luò)參數(shù)模型的權(quán)值。在權(quán)值得到以后，就可以利用相關(guān)路口對目標(biāo)路口的交通流進行實時預(yù)測了。

作者單位

廣東水粵智能科技公司 廣東省廣州市 510631endprint