CN102610092A - 基于rbf神经网络城市道路速度预测方法 - Google Patents
基于rbf神经网络城市道路速度预测方法 Download PDFInfo
- Publication number
- CN102610092A CN102610092A CN2012100800385A CN201210080038A CN102610092A CN 102610092 A CN102610092 A CN 102610092A CN 2012100800385 A CN2012100800385 A CN 2012100800385A CN 201210080038 A CN201210080038 A CN 201210080038A CN 102610092 A CN102610092 A CN 102610092A
- Authority
- CN
- China
- Prior art keywords
- training
- rbf
- neural network
- network
- road
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明属于智能交通领域,涉及一种基于RBF神经网络城市道路速度预测方法,包括:针对某条道路,采集原始数据,获取该条道路的车辆速度数据;将原始数据整合成神经网络训练所需的训练样本集和测试样本集;做S型函数标准化处理;构建RBF神经网络;利用训练样本集,训练RBF神经网络;用于道路速度预测的RBF网络;对于测试样本集里的测试样本,运行网络仿真函数,得到对应的道路速度仿真预测结果;根据道路速度仿真预测结果和测试输出样本计算出测试集的误差,与预设误差进行比较,若目前误差大于预设误差,则改变网络训练函数参数并重新训练RBF网络。本发明能够实现对城市道路速度高效、准确的预测。
Description
技术领域
本发明属于智能交通领域,直接应用于城市智能交通管理系统的开发,并可扩展应用于智能交通相关的其他交通信息参数预测。
背景技术
随着近年来我们城市化的发展速度加快,城市车辆保有量不断增加,交通拥堵问题已经成为备受关注的重要社会问题之一。对于交通管理部门,如何有效的进行道路交通疏导,交通基础设施建设,保证城市交通畅通已经成为一个重要课题;对于普通市民,能够及时了解前方道路状况、选择最佳的行车出行路线也成为一个迫切的需求。本发明所涉及的城市道路速度预测正是解决以上问题的一个有效的方法。
发明内容
本发明的目的是提供一个适用于智能交通管理的高效、准确的城市道路交通速度的预测方法,方便用户对交通信息的管理,制定有效规划。本发明的技术方案如下:
一种基于RBF神经网络城市道路速度预测方法,包括下列步骤:
1)针对某条道路,采集原始数据,获取该条道路的车辆速度数据;
2)将原始数据整合成神经网络训练所需的训练样本集和测试样本集;
3)对以上数据均做S型函数标准化处理,得到样本数据在[0.5,1]中的良好分布;
4)对于RBF的输入层和输出层,分别确定神经元个数,对隐藏层采用MATLAB内置函数,构建RBF神经网络;
5)利用训练样本集,训练RBF神经网络;
6)设置MATLAB训练神经网络函数的初始参数;
7)使用神经网络训练函数,训练得到一个用于道路速度预测的RBF网络;
8)对于测试样本集里的测试样本,运行网络仿真函数,得到对应的道路速度仿真预测结果;
9)根据道路速度仿真预测结果和测试输出样本计算出测试集的误差,与预设误差进行比较,若目前误差大于预设误差,则改变网络训练函数参数并返回5),重新训练RBF网络;否则结束本步骤进入下一步,或者当训练次数达到预设训练次数最大值,亦进入下一步;
10)生成较优RBF网络,用于进行真实道路速度预测。
本发明提供了一套智能交通流参数预测与MATLAB软件结合的技术方案,并通过海量的已有数据进行神经网络训练建模,弥补现有交通流参数预测方法复杂、预测效果无法保证的缺陷。经过对大量路段数据进行训练、仿真实验,结果表明本发明提出的基于RBF网络的城市道路速度预测方法,弥补了当前智能交通预测领域对于城市道路速度预测的空白,既实现了对城市道路速度高效、准确的预测,同时还能够容易的扩展到其他交通指标的预测。利用本发明,可以提高城市道路速度预测的简洁性和可操作性,提升交通管理部门对实时路况的管理效率以及快速处理能力,还可以提供更具参考价值和权威性的路径搜索选择策略,进一步保证城市道路的整体稳定、畅通。此外,本发明极易嵌入智能交通管理系统中,批量训练道路速度预测RBF网络,提高了系统的开发效率,相比于其他预测方法降低了开发人员的编程量。
附图说明
图1训练集真实数据与预测数据对比。
图2测试集真实数据与预测数据对比。
图3RBF网络预测流程图。
具体实施方式
在过去的几十年里,预测理论与方法得到了很好的发展,涌现出了一系列预测方法。本发明所针对的交通系统本质上是复杂的大系统,考虑的是人、车、路构成的开放性系统,交通系统的动力学行为通常不能用当前使用确定性线性函数的预测方法进行描述,这样不仅不能够提供准确的预测结果,而且具有很高的编程代码复杂性。所以,更适合本发明所采用的神经网络方法进行交通信息预测。同时,本发明结合MATLAB软件,很好的提高了方法的推广性,无需代码编程基础。
RBF神经网络是以函数逼近理论为基础而构造的一类前向型网络,即对于输入空间的某一个局部区域只有少数的神经元用于决定网络的数据。这类网络的学习等价于在多维空间中寻找训练数据的最佳拟合平面。RBF网络通常由输入层、隐含层和输出层组成。
MATLAB作为国际公认最优秀的数学应用软件,它集数值分析、矩阵运算、信号处理和图形显示于一体,构成了一个方便的、界面友好的用户环境,它相继推出的工具箱为各领域的研究提供了有力的工具,借助于它们,我们可以直观、方便地进行分析、计算及仿真工作。其中的神经网络工具箱为我们训练神经网络提供了帮助。我们可以利用它提供的函数对网络进行仿真和训练,并通过图形化界面观察其动态训练过程。神经网络工具箱中的newrb函数用来设计径向基函数网络。它包含的参数包括P,T,goal,spread,MN,DF。其中P和T分别为输入样本向量、输出目标向量;goal为网络的目标误差;spread为一扩展的常数;MN为神经元个数的最大值;DF为训练过程的显示频率。该函数利用迭代方法设计径向基函数网络,每迭代一次就增加一个神经元,直到误差平方和下降到目标误差以下或神经元个数达到最大值时迭代停止。神经网络的仿真函数是sim,它包含的参数包括net和P。其中net为神经网络对象,P为输入样本向量。
参见图3本发明的基于MATLAB的城市道路速度预测RBF神经网络的具体过程如下:
1)数据准备。
a)本发明使用的数据为天津市某干道中的道路速度实测数据,数据采集时间为2011年4月11日-15日,数据统计处理间隔为15分钟,即每15分钟内道路的车辆的平均速度,有效数据为480个;
b)现将以上数据分为五组,每组有96个数据。前四组用于训练RBF网络,最后一组用于RBF网络预测性能检验;
c)对以上五组数据均做S型函数标准化处理时,适当选择参数,使得标准化后的数据具有很好的平滑性;
d)以数据序列中的前6个道路速度数据作为输入样本,以第7个道路速度作为测试样本,构成一个样本对;
e)依次得到384对训练输入样本和训练输出样本,以及96对测试样本输入和测试样本输出;
2)训练RBF神经网络,进行仿真预测。
a)本发明的神经网络输入层神经元个数为6,输出层神经元个数为1;
b)设置神经网络训练函数初始参数goal=0.001,spread=1,MN=100,DF=10;
c)使用上述训练样本集进行RBF网络训练,得到一个用于道路速度预测的RBF网络,它含有80个隐藏层神经元;
d)使用此RBF网络和测试样本集进行道路速度仿真预测;
e)将道路速度仿真预测结果数据进行逆标准化,还原为速度数据,生成如附图中的对比效果图;
3)期望误差分析。
a)计算测试样本集仿真预测结果与测试样本集输出样本的误差;
b)如果结果不够理想,则调整参数,重新训练网络。否则,输出结果数据,做出对比图表,保留RBF道路速度预测网络。
4)将以上方法整合至智能交通系统中,对目标城市的每条路段生成一个神经网络,进行实时道路速度预测。
本实施例中,训练集真实数据与预测数据对比见图1,测试集真实数据与预测数据对比见图2.从图中可以看出,本发明的预测方法,具有很好的预测效果。
Claims (1)
1.一种基于RBF神经网络城市道路速度预测方法,包括下列步骤:
1)针对某条道路,采集原始数据,获取该条道路的车辆速度数据;
2)将原始数据整合成神经网络训练所需的训练样本集和测试样本集;
3)对以上数据均做S型函数标准化处理,得到样本数据在[0.5,1]中的良好分布;
4)对于RBF的输入层和输出层,分别确定神经元个数,对隐藏层采用MATLAB内置函数,构建RBF神经网络;
5)利用训练样本集,训练RBF神经网络;
6)设置MATLAB训练神经网络函数的初始参数;
7)使用神经网络训练函数,训练得到一个用于道路速度预测的RBF网络;
8)对于测试样本集里的测试样本,运行网络仿真函数,得到对应的道路速度仿真预测结果;
9)根据道路速度仿真预测结果和测试输出样本计算出测试集的误差,与预设误差进行比较,若目前误差大于预设误差,则改变网络训练函数参数并返回(5),重新训练RBF网络;否则结束本步骤进入下一步,或者当训练次数达到预设训练次数最大值,亦进入下一步;
10)生成较优RBF网络,用于进行真实道路速度预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100800385A CN102610092A (zh) | 2012-03-23 | 2012-03-23 | 基于rbf神经网络城市道路速度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100800385A CN102610092A (zh) | 2012-03-23 | 2012-03-23 | 基于rbf神经网络城市道路速度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102610092A true CN102610092A (zh) | 2012-07-25 |
Family
ID=46527426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012100800385A Pending CN102610092A (zh) | 2012-03-23 | 2012-03-23 | 基于rbf神经网络城市道路速度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102610092A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890866A (zh) * | 2012-09-17 | 2013-01-23 | 上海交通大学 | 基于多核支持向量回归机的交通流速度估计方法 |
CN103500362A (zh) * | 2013-08-30 | 2014-01-08 | 杭州师范大学 | 一种基于谱分析的城市道路速度预测方法 |
CN103853894A (zh) * | 2014-03-26 | 2014-06-11 | 上海航天电子通讯设备研究所 | 基于rbf算法的诱饵弹延时投放时间精度计算方法 |
CN104376386A (zh) * | 2014-11-28 | 2015-02-25 | 新疆中科捷高光电科技有限公司 | 一种风电场中风电机功率预测方法 |
CN104408915A (zh) * | 2014-11-05 | 2015-03-11 | 青岛海信网络科技股份有限公司 | 一种交通状态参数的估计方法和系统 |
CN105404924A (zh) * | 2015-11-18 | 2016-03-16 | 长安大学 | 带增益系数的不完全递归支集神经网络构建及训练方法 |
CN105426962A (zh) * | 2015-11-18 | 2016-03-23 | 长安大学 | 一种不完全递归支集动态神经网络构建及训练方法 |
CN105488534A (zh) * | 2015-12-04 | 2016-04-13 | 中国科学院深圳先进技术研究院 | 交通场景深度解析方法、装置及系统 |
CN106019359A (zh) * | 2016-05-17 | 2016-10-12 | 浪潮集团有限公司 | 一种基于神经网络的地震预测系统 |
CN106910337A (zh) * | 2017-01-19 | 2017-06-30 | 长安大学 | 一种基于萤火虫算法与rbf神经网络的交通流预测方法 |
CN107590301A (zh) * | 2016-07-07 | 2018-01-16 | 福特全球技术公司 | 支持开发利于不同天气条件下铁路交叉道口的行驶的算法的虚拟传感器数据生成系统和方法 |
CN105405127B (zh) * | 2015-10-30 | 2018-06-01 | 长安大学 | 一种高速公路小客车运行速度预测方法 |
CN108549366A (zh) * | 2018-05-04 | 2018-09-18 | 同济大学 | 智能汽车道路行驶与虚拟测试平行映射实验方法 |
CN109697309A (zh) * | 2018-12-05 | 2019-04-30 | 西北机电工程研究所 | 一种弹丸高速冲击挤进阻力快速获取方法 |
CN110648527A (zh) * | 2019-08-20 | 2020-01-03 | 浙江工业大学 | 一种基于深度学习模型的交通速度预测方法 |
CN110782652A (zh) * | 2018-11-07 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 速度预测系统和方法 |
CN112926259A (zh) * | 2021-02-05 | 2021-06-08 | 西安电子科技大学 | 一种基于rbf神经网络模型预测半导体器件结温的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08137509A (ja) * | 1994-11-07 | 1996-05-31 | Honda Motor Co Ltd | ニューラルネットワークを利用して作成したマップを用いた制御方法 |
JP3508265B2 (ja) * | 1995-01-31 | 2004-03-22 | マツダ株式会社 | 走行環境の判断方法及び判断装置 |
CN101788692A (zh) * | 2009-11-24 | 2010-07-28 | 西北电网有限公司 | 基于神经网络的短时风速预报方法 |
-
2012
- 2012-03-23 CN CN2012100800385A patent/CN102610092A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08137509A (ja) * | 1994-11-07 | 1996-05-31 | Honda Motor Co Ltd | ニューラルネットワークを利用して作成したマップを用いた制御方法 |
JP3508265B2 (ja) * | 1995-01-31 | 2004-03-22 | マツダ株式会社 | 走行環境の判断方法及び判断装置 |
CN101788692A (zh) * | 2009-11-24 | 2010-07-28 | 西北电网有限公司 | 基于神经网络的短时风速预报方法 |
Non-Patent Citations (2)
Title |
---|
温惠英等: "基于S型函数预处理的RBF神经网络交通流量预测", 《交通信息与安全》 * |
郭兰平等: "改进RBF神经网络在城市公交车速时间序列预测中的应用", 《重庆理工大学学报(自然科学)》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890866B (zh) * | 2012-09-17 | 2015-01-21 | 上海交通大学 | 基于多核支持向量回归机的交通流速度估计方法 |
CN102890866A (zh) * | 2012-09-17 | 2013-01-23 | 上海交通大学 | 基于多核支持向量回归机的交通流速度估计方法 |
CN103500362B (zh) * | 2013-08-30 | 2016-08-17 | 杭州师范大学 | 一种基于谱分析的城市道路速度预测方法 |
CN103500362A (zh) * | 2013-08-30 | 2014-01-08 | 杭州师范大学 | 一种基于谱分析的城市道路速度预测方法 |
CN103853894A (zh) * | 2014-03-26 | 2014-06-11 | 上海航天电子通讯设备研究所 | 基于rbf算法的诱饵弹延时投放时间精度计算方法 |
CN103853894B (zh) * | 2014-03-26 | 2017-04-12 | 上海航天电子通讯设备研究所 | 基于rbf算法的诱饵弹延时投放时间精度计算方法 |
CN104408915A (zh) * | 2014-11-05 | 2015-03-11 | 青岛海信网络科技股份有限公司 | 一种交通状态参数的估计方法和系统 |
CN104376386A (zh) * | 2014-11-28 | 2015-02-25 | 新疆中科捷高光电科技有限公司 | 一种风电场中风电机功率预测方法 |
CN105405127B (zh) * | 2015-10-30 | 2018-06-01 | 长安大学 | 一种高速公路小客车运行速度预测方法 |
CN105404924A (zh) * | 2015-11-18 | 2016-03-16 | 长安大学 | 带增益系数的不完全递归支集神经网络构建及训练方法 |
CN105426962A (zh) * | 2015-11-18 | 2016-03-23 | 长安大学 | 一种不完全递归支集动态神经网络构建及训练方法 |
CN105488534A (zh) * | 2015-12-04 | 2016-04-13 | 中国科学院深圳先进技术研究院 | 交通场景深度解析方法、装置及系统 |
CN106019359A (zh) * | 2016-05-17 | 2016-10-12 | 浪潮集团有限公司 | 一种基于神经网络的地震预测系统 |
CN107590301A (zh) * | 2016-07-07 | 2018-01-16 | 福特全球技术公司 | 支持开发利于不同天气条件下铁路交叉道口的行驶的算法的虚拟传感器数据生成系统和方法 |
CN106910337A (zh) * | 2017-01-19 | 2017-06-30 | 长安大学 | 一种基于萤火虫算法与rbf神经网络的交通流预测方法 |
CN108549366A (zh) * | 2018-05-04 | 2018-09-18 | 同济大学 | 智能汽车道路行驶与虚拟测试平行映射实验方法 |
CN110782652A (zh) * | 2018-11-07 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 速度预测系统和方法 |
US11004335B2 (en) | 2018-11-07 | 2021-05-11 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for speed prediction |
CN109697309A (zh) * | 2018-12-05 | 2019-04-30 | 西北机电工程研究所 | 一种弹丸高速冲击挤进阻力快速获取方法 |
CN109697309B (zh) * | 2018-12-05 | 2023-06-27 | 西北机电工程研究所 | 一种弹丸高速冲击挤进阻力快速获取方法 |
CN110648527A (zh) * | 2019-08-20 | 2020-01-03 | 浙江工业大学 | 一种基于深度学习模型的交通速度预测方法 |
CN110648527B (zh) * | 2019-08-20 | 2021-05-11 | 浙江工业大学 | 一种基于深度学习模型的交通速度预测方法 |
CN112926259A (zh) * | 2021-02-05 | 2021-06-08 | 西安电子科技大学 | 一种基于rbf神经网络模型预测半导体器件结温的方法 |
CN112926259B (zh) * | 2021-02-05 | 2024-01-26 | 西安电子科技大学 | 一种基于rbf神经网络模型预测半导体器件结温的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102610092A (zh) | 基于rbf神经网络城市道路速度预测方法 | |
Kwak et al. | Evaluating the impacts of urban corridor traffic signal optimization on vehicle emissions and fuel consumption | |
CN104183134B (zh) | 基于智能分车型的高速公路短时交通流量预测方法 | |
CN109840660A (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
CN104318758A (zh) | 基于多层次多模式的公交线网规划方法 | |
Yousef et al. | Intelligent traffic light scheduling technique using calendar-based history information | |
Kattan et al. | A probe-based variable speed limit system | |
Kou et al. | Multiobjective optimization model of intersection signal timing considering emissions based on field data: A case study of Beijing | |
Li et al. | Traffic signal timing optimization in connected vehicles environment | |
CN102682155A (zh) | 城市道路交通网络分析微观仿真系统 | |
Yu et al. | Bus travel-time prediction based on bus speed | |
Du et al. | Traffic events oriented dynamic traffic assignment model for expressway network: a network flow approach | |
Wei et al. | An improved road network partition algorithm for parallel microscopic traffic simulation | |
Park et al. | Calibration and validation of TRANSIMS microsimulator for an urban arterial network | |
Moghimi et al. | Short-term prediction of signal cycle on an arterial with actuated-uncoordinated control using sparse time series models | |
Talukder et al. | Trajectory-based signal control in mixed connected vehicle environments | |
Sun et al. | Online evaluation of an integrated control strategy at on‐ramp bottleneck for urban expressways in Shanghai | |
Zhu et al. | XGBoost-based travel time prediction between bus stations and analysis of influencing factors | |
CN104299114A (zh) | 一种基于数据库的地产信息分析系统 | |
CN111524358B (zh) | 一种区域辐射性交通流量预测方法 | |
Kumar et al. | Analytical approach to identify the optimum inputs for a bus travel time prediction method | |
CN103500362A (zh) | 一种基于谱分析的城市道路速度预测方法 | |
CN105489010A (zh) | 一种快速道路行程时间可靠度监测分析系统及方法 | |
Taylor et al. | Macroscopic traffic flow modelling and ramp metering control using Matlab/Simulink | |
Hu et al. | Traffic jams prediction method based on two-dimension cellular automata model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120725 |