摘 要

短时交通流预测对于交通管理与疏导具有重要的作用，有助于形成管理城市交通网络的智能交通系统。由于短时交通流数据具有很强的非线性，同时存在一定的噪声干扰，因此问题具有一定的复杂性与不确定性。

本文讨论了现有文献中常用的短时交通流预测方法，包括滑动平均模型及神经网络模型等，并将它们分为统计学策略与机器学习策略两大类。由于神经网络模型的参数训练方法易陷入局部最优，并且，教学优化算法缺少局部搜索过程而可能出现的收敛速度慢，难以找到全局最优解等问题，本文提出了一种基于改进教学优化算法的小波神经网络预测方法。其中，改进的教学优化算法用来优化小波神经网络的各种参数。小波神经网络的参数被划分成四大模块，并由优化算法对这四个模块的参数进行独立的优化，以考虑各模块参数间的区别。此外，文中对于教学优化算法加入了教师个体的自学环节，用来提高算法的局部搜索能力。最后，我们采用连续四天的交通流时序数据用于算法对比试验。实验中采取BP神经网络，小波神经网络以及循环神经网络作为对比算法，结果表明，与其他几种神经网络模型相比，本文提出的新型预测方法具有更好的预测能力。

关键词：短时交通流预测；小波神经网络；教学优化算法；参数优化

Abstract

Short-term traffic volume forecasting plays an important role in traffic management and induction, and helps to form an intelligent traffic system that manages urban traffic network. Due to the strong nonlinear characteristics of short-term traffic flow prediction, there will be some noise interference in the data of traffic flow. Therefore, the problem has certain complexity and uncertainty.

This paper discusses the forecasting methods commonly used in the existing literature, including moving average model and artificial neural network model, and classify them into two groups, namely statistic methods and machine learning methods. It is clear that the parameter training method used in neural networks is inclined to be stuck in local optimum, and teaching-learning based optimization suffers from low convergence rate because of the lack of local search strategy. Due to the problems mentioned above, this paper proposes a short-term traffic volume forecasting method based on wavelet neural network with novel teaching-learning based optimization. The novel teaching-learning based optimization algorithm is used to optimize the parameters of the wavelet neural network. The parameters of the wavelet neural network are divided into four modules, and the parameters of the four modules are optimized by the optimization algorithm separately in order to consider the differences among the parameters. In addition, self-learning process for the teacher is added to improve the local search ability of the algorithm. Finally, time-series data of four consecutive days are used for testing. BP neural network, wavelet neural network and recurrent neural network are used for comparison and experimental results show that the proposed method performs better in forecasting than other neural network methods.

Key Words：short-term traffic volume forecasting；wavelet neural network；teaching-learning based optimization algorithm；parameter optimization

目录

第1章 绪论 1

1.1 研究背景 1

1.2 国内外研究综述 1

1.3 研究目标与文章结构 3

第2章 小波神经网络在短时交通流预测中的应用 4

2.1 引言 4

2.2 小波神经网络结构 5

2.3 神经网络训练机制 6

2.4 本章小结 7

第3章 教学优化算法 8

3.1 引言 8

3.2 传统教学优化算法 8

3.3 改进的教学优化算法 9

3.4 基于改进的教学优化算法的小波神经网络 10

3.5 本章小结 12

第4章 仿真与分析 13

4.1 引言 13

4.2 参数设置 13

4.3 网络结构与参数优化过程 14

4.4 网络训练对比 15

4.5 预测表现分析 18

4.6 本章小结 20

第5章 总结与结论 21

参考文献 22

致 谢 25

第1章 绪论

1.1 研究背景

随着时代的进步与经济的发展，我国私家车的数量激增，道路上的车流量也水涨船高，使得交通拥堵问题愈发严重，而道路拥堵引发的社会问题也愈发凸显，它给人们的形成带来不便，并使得交通事故发生的概率大大上升。实际上，交通拥堵问题已成为世界性难题，每个国家或地区都或多或少存在这一问题，尤其是在上下班等高峰时期。因此，研究应对交通拥堵问题的策略已成为当务之急。

为减缓上述问题，许多研究人员提出了一种能够掌控城市交通状况的现代交通管理系统^[1]。该系统旨在提供全面的智能化管理方案，以得到对城市交通状况的全方位掌控。在监督城市交通状况的同时，该系统应当智能化地提供最佳的疏导与管理方案。为了得到更好的管理效果，提供具有时效性的交通疏导策略显得尤为关键。因此，一种实时的、准确的交通流预测方法对于交通诱导及管控具有重要的意义，即短时交通流预测方法是建立实时有效的交通管理系统的第一步^[2]，它可以为现代交通管理系统提供可靠的参考信息，有利于提高交通疏导策略的精确性。

1.2 国内外研究综述

在交通流预测研究中，许多交通指标都被用于这一领域的预测，例如车辆速度，车流量大小等^[3,4]。但对于交通疏导及管理而言，道路中车辆的占有率更能直观地反映交通拥堵的状况。因此，本此设计采用交通流量作为预测指标。另一方面，交通流预测可以分为短时预测和长时预测，两者的区别在于它们的预测周期有所不同。长时交通流预测的周期大约在一年左右，用来给出交通流量在长时间内的变化趋势，而短时交通流预测的周期一般在几十分钟，其预测得到下一个时间段的交通流量数据，可以产生实时的流量信息。这种预测方式比较适合于实时的交通管理与疏导，可以为现代交通管理系统提供有效的参考信息。因此，本文采用的是短时交通流预测。