分段学习的双隐层BPNN对交通流量预测的研究

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (13): 203-205.

分段学习的双隐层BPNN对交通流量预测的研究

毛玉明^1,2,王英龙³,张立东³

1.山东轻工业学院信息科学与技术学院，济南 250353
2.山东交通学院信息工程系，济南 250023
3.山东省计算中心，济南 250014

收稿日期:2007-08-29 修回日期:2007-11-23 出版日期:2008-05-01 发布日期:2008-05-01
通讯作者: 毛玉明

Research on method of subsection learning of double-layers BP neural network in prediction of traffic volume

MAO Yu-ming^1,2,WANG Ying-long²,ZHANG Li-dong²

1.School of Information Science and Technology，Shandong Institute of Light Industry，Ji’nan 250353，China
2.Department of Information Engineering，Shandong Jiaotong University，Ji’nan 250023，China
3.Shandong Computer Science Center，Ji’nan 250014，China

Received:2007-08-29 Revised:2007-11-23 Online:2008-05-01 Published:2008-05-01
Contact: MAO Yu-ming

摘要/Abstract

摘要： 智能交通系统可有效解决城市道路的拥挤，交通流量的预测是智能交通系统的关键技术之一。在各种预测方法中，BP神经网络的应用最普遍，并取得了许多成果。为了进一步提高BP神经网络的预测精度，采用了基于分段学习的双隐层BP神经网络对济南市经十路的交通流量进行了预测，并与相同结构未使用分段学习方法的BP神经网络预测所得结果进行了比较。实验数据显示采用分段学习的方法比未采用该方法的所得结果平均相对误差减少了2.52%。因此分段学习的双隐层BP神经网络可应用于预测道路交通流量。

关键词: 智能交通系统, 双隐层BP神经网络, 交通流量

Abstract: ITS is effective on solving the problem of traffic jam in cities.Prediction of traffic volume is the key technology in ITS．BP Neural Network is universally used in prediction of traffic volume.This study aim at advancing BP Neural Network’s precision in prediction of traffic flow.The method of prediction of traffic volume is based on the subsection learning of double—layers BP Neural Network.The study used the improved method to predict the traffic volume of Jingshi Road Jinan City，then compared the results maked by subsection-learning method and maked by common method.Using subsection-learning method，the average relative tolerance is decreased by 2.52%.The improved BP neural network can be used for prediction of traffic volume．

Key words: ITS, double—layers BP neural network, traffic volume

毛玉明^1,2,王英龙³,张立东³. 分段学习的双隐层BPNN对交通流量预测的研究[J]. 计算机工程与应用, 2008, 44(13): 203-205.

MAO Yu-ming^1,2,WANG Ying-long²,ZHANG Li-dong². Research on method of subsection learning of double-layers BP neural network in prediction of traffic volume[J]. Computer Engineering and Applications, 2008, 44(13): 203-205.

[1]	李彤伟，王庆荣. 路网交通流在时空分析背景下的预测研究[J]. 计算机工程与应用, 2020, 56(17): 258-265.
[2]	王钰，郭兰英，程鑫. 结合深度学习的短时车流量预测优化方法[J]. 计算机工程与应用, 2020, 56(16): 211-217.
[3]	袁瑶瑶，康雁，李浩，牛瑞丞，梁文韬，李晋源. 基于ST-DCGAN的时序交通流量数据补全[J]. 计算机工程与应用, 2020, 56(15): 140-146.
[4]	邓烜堃1，2，万良1，2，丁红卫1，2，辛壮1，2. 基于深度学习的交通流量预测研究[J]. 计算机工程与应用, 2019, 55(2): 228-235.
[5]	柴获1，2，何瑞春2，马昌喜2，代存杰1，3. 用于求解路径交通流量的改进Frank-Wolfe算法[J]. 计算机工程与应用, 2018, 54(9): 213-217.
[6]	李彦1，张洪博2，石莲英3. 基于SIFT特征匹配的车牌识别方法[J]. 计算机工程与应用, 2016, 52(12): 194-200.
[7]	高雷阜，高晶，赵世杰. 人工蜂群算法优化SVR的预测模型[J]. 计算机工程与应用, 2016, 52(11): 55-59.
[8]	狄岚1，梁久祯2. 基于缩放延迟微分方程的交通流仿真[J]. 计算机工程与应用, 2016, 52(11): 221-226.
[9]	张沪寅，杨波，郝圣. LRTWR：区域实时车流量感知路由协议[J]. 计算机工程与应用, 2015, 51(7): 69-73.
[10]	侯越，赵贺. 改进的粒子群算法优化TSFNN的交通流预测[J]. 计算机工程与应用, 2014, 50(4): 236-239.
[11]	杨柳青1，宗刚1，柳应华1，2. 基于O-D矩阵估计的路网交通流量仿真模型[J]. 计算机工程与应用, 2014, 50(18): 1-7.
[12]	张琛1，徐国丽2. 基于云遗传的RBF神经网络的交通流量预测[J]. 计算机工程与应用, 2014, 50(16): 216-220.
[13]	赖锦辉1，梁松2. 基于ACS优化BP神经网络的交通流量短时预测方法[J]. 计算机工程与应用, 2014, 50(10): 244-248.
[14]	高述涛. CS算法优化BP神经网络的短时交通流量预测[J]. 计算机工程与应用, 2013, 49(9): 106-109.
[15]	刘静. 基于AFSA-LSSVM的短时交通流量预测[J]. 计算机工程与应用, 2013, 49(17): 226-229.