根据短时交通流量所具有的混沌特性,确定Elman网络输入节点为5,输出节点为1,隐层节点数量由试算法确定.根据已有经验,初步设定隐层节点数范围为16～36,然后用测试样本集合对Elman网络模型进行测试,评价其预测的效果,选择出最优模型.

　　4、实测数据分析验证

　　以北京市三环路上20个断面的数据作为研究对象,根据交通流数据预处理技术,对城市快速路上的交通流数据进行预处理,整理20个断面每隔2分钟的断面交通流量数据.研究路网及断面布置。

　　4.1基于交通流空间特性的道路网划分

　　根据计算得到的广义空间距离矩阵,应用R-Q型因子分析法,得到各断面空间划分示意图.所示,第一次划分结果中最大子路网包括断面01、02、03、04、05、06、07、11、12、13、14,断面数量太多,不能满足交通流短时预测的需求,因此以其为研究对象,进行第二次划分,划分结果所示.

　　基于交通流空间特性的道路网划分结果经过两次划分,将包括20个断面的道路网划分成7个子网,最大的子网仅包括5个断面,最小的子网包括一个断面,由于最大子网包括的断面数已经满足Elman网络的输入需求,因此停止划分,选择最大子网包括的断面01、02、03、04、05作为研究对象,进行交通流短时预测研究.

　　4.2基于Elman神经网络的道路网

　　交通流短时预测根据道路网划分结果,选取断面01-05为研究对象,根据道路网划分结果,选取断面01-05为研究对象,应用相空间重构技术确定交通流量时间序列输入,相空间嵌入维数m=5,时间延迟τ选取数据上传时间间隔,即2min.为了达到道路网范围内多断面同时预测的目的,构建具有25个输入向量,5个输出向量的Elman网络进行预测,训练输入样本是25×2999的矩阵,输出样本是5×2999的矩阵;测试输入样本是25×596的矩阵,输出样本是5×596的矩阵,通过试算法,确定隐层节点数是21.选取5个断面中具有代表性的4个断面的预测结果,预测结果与实际交通量拟合较好,能够实时地反映、跟踪交通流状态变化.

　　4.3结果分析

　　交通流短时预测误差结果的对比指标采用平均绝对百分比误差(MeanAbsolutePercentageError,简称MAPE,表示预测值与实测值的实际偏差绝对值占实测值百分比的均值)和平均绝对偏差(MeanAbsoluteDeviation,简称MAD,表示预测值与实测值的实际偏差绝对值的均值).前四个道路断面预测百分比误差和绝对偏差如图5所示,从误差对比分析可以看出,高峰时刻,预测绝对偏差较大.平峰时刻,预测百分比误差较大,五个道路断面预测误差对比分析所示.

　　为了证明方法的有效性,应用相同数据,采用BP网络进行交通量短时预测,两种方法预测误差对比可以看出,基于Elman网络在各断面预测误差波动较小,各断面预测误差平均值小于BP网络预测误差.

　　5、研究结论

　　智能交通控制和诱导系统实现需要的是路网范围内的交通流短时预测,以往的交通流预测仅限基于Elman神经网络的道路网短时交通流预测方法预测误差对比分析于单断面,在实际应用时各断面分别预测增加建模复杂性,计算效率低.本文以路网为研究对象,首先,通过分析交通流空间特性参数,考虑相邻多个断面(包括不同路线)的相互联系,以广义空间距离矩阵为基础,采用R-Q型分析法将研究道路网划分为满足建模需要的子路网;其次,以道路网划分结果为基础,以重构的交通流量时间序列为输入,采用Elman网络实现道路网多断面交通流量短时预测.应用实例及结果分析表明,在多断面交通流短时预测方面,基于Elman神经网络的交通流短时预测效果优于BP神经网络,预测效果较好,但是交通流时间特性对道路网划分的灵敏度分析及对道路网交通流短时预测影响等方面还需要进一步深入细致的研究.

　　参考文献:

　　[1]姚智胜.基于实时数据的道路网短时交通流预测理论与方法研究[D].北京:北京交通大学,

　　[2]姚智胜,邵春福,熊志华,等.基于主成分分析和支持向量机的道路网短时交通流量预测[J].吉林大学学报(工学版),

　　[3]周小鹏,冯奇,孙立军.基于最近邻法的短时交通流预测[J].同济大学学报(自然科学版),