1. 课题背景和意义

众所周知，交通系统是支持社会经济发展的基础设施,在社会经济系统中占有重要的地位。交通问题解决的好与坏,直接影响着国民经济的发展与人民生活质量的提高。当今世界各国的大城市无不存在着交通拥挤问题。交通问题在一定程度上已经成为制约经济、社会稳定发展的”瓶颈”问题。然而有限的土地和经济制约等使得道路建设不可能达到相对满意的里程数,所以就需要在不扩张路网规模的前提下,综合运用现代信息与通讯技术等手段来提高交通运输的效率,以提高交通路网的通行能力。于是,运用各种高新技术系统地解决道路交通问题的思想就应运而生了,这就是智能交通系统。[1]

短期交通流预测是智能交通系统的核心,它利用预测算法来分析交通数据, 并预测未来数分钟内的交通流状态, 以便于及时采取适当的交通控制措施和诱导措施。从而为出行者提供实时有效的信息, 帮助他们更好地进行路径选择, 实现路径诱导, 从而缩短出行时间,减少交通拥挤和城市环境污染，[2]提高道路通行能力和改善交通安全状况。而准确、实时、可靠的短时交通流预测是智能交通系统实现的前提，也是使系统由”被动式反应”转变到”主动式动作”的关键，交通流量预测结果的好坏也直接关系到交通控制与诱导的效果。[3]

2. 短时交通流量预测的研究状况

从20世纪60代开始，人们就开始把其他领域应用成热的预测模型用于短时交通流量预测领域，并开发了多种预测模型和方法。较早期的预测方法主要有自回归模型(AR)、滑动平均模型(MA)、自回归滑动平均模型(ARMA)、历史平均模型(HA)和Box-Cox法等等。

随着该领域研究的逐渐深入，又出现了一批更复杂的、精度更高的预测方法。这些模型可分成五类：基于统计理论的模型、基于非线性预测理论的模型、基于神经网络理论的模型、基于动态分配理论的模型和基于微观交通仿真的模型。[4]

现有的短时交通流量预测方法大体可以分为基于确定的数学模型的方法和无模型算法两大类。前者包括早期的历史平均模型，自回归滑动平均模型(ARMA)，以及之后更复杂、精度更高的多元回归模型，ARIMA模型，Kalman滤波模型等等； 后者则包括非参数回归，谱分析法，基于小波理论的方法，神经网络方法等等。[5]

3. 基于神经网络的交通流量预测模型

因为交通系统是一个有人参与的、时变的、复杂的非线性大系统, 它的显著特点之一就是具有高度的不确定性。 [6]这种不确定性不但有来自自然界方面的原因(如季节和气候因素等) , 也有来自人为因素的原因(如交通事故、突发事件、司机的心理状态) , 其中后者更加难以估计。[7]这些因素都给交通流量的预测带来了困难, 尤其是短时交通流量预测受随机干扰因素影响更大, 不确定性更强, 规律性更不明显, 这也是短时交通流量预测相对于中长期预测更难的难点所在。[8]特别在对城市交通网络中的路段进行实时预测时,交通路段上的交通流量与本路段以前的交通流量、当时的天气状况和交通信号配时方案有着必然的联系.同时,由于路段是路网中的一部分,某一路段的交通状况必然受到其他相关路段交通状况的影响,因此,可以利用该路段以前的流量数据和其他相关路段的流量数据来预测未来时段内的交通流量。神经网络可以很好的解决这种类型的非线性问题，并且由于神经网络在训练速度和预测精度等方面不断的提高，把神经网络用于建设智能交通体系成为了一种非常明智的选择。[9]

4. 神经网络的BP算法