【小波神经网络预测】基于小波神经网络实现短时交通流量预测附matlab代码

1 简介

随着城市的快速发展，汽车保有量急剧增加，交通日益拥堵，传统的固定时长红绿灯系统不合理配时是造成这种情 况的主要原因。运用小波神经网络算法进行未来交通流预测研究，同时通过 MATLAB 软件平台结合微观仿真软件 VISSIM4.30 进 行虚拟仿真。实验结果表明：基于小波神经网络可用于预测短期交通流量，整体精度可达到 90%或更高，本算法与固定时长和 BP神经网络算法对比，能大幅度提高车辆通行量。伴随着经济的发展，城市的快速扩展和机动车保 有量急剧增加，城市交通拥堵问题日益严峻。其原因 除了道路容量有限外，传统固定时间交通灯的不合时 宜分配也增加了城市道路的拥堵，还造成不必要的机 动车能量浪费和汽车尾气排放增加。智能交通系统 （Intelligent Traffic System,简称 ITS）是缓解城市交通 拥堵，减少汽车尾气污染，提高出行效率的最有效方 法之一。ITS 的主要目标是实现城市的智能交通管 理和控制，而实时掌握交通信息的即时状态、预测发 展态势是实现城市交通智能化管理的前提。短时交通 流是短时交通的基本参数之一，是智能交通系统做出 交通决策的关键依据。短期流量预测是预测性和主动 式动态流量管理的基础。采用输入矢量的内积和小波 基进行加权以实现输入层的特征提取，利用小波基来作为模式识别的特征函数，结合神经网络的自适应功能和时频局域化的优点，优化网络参数和误差空间的 方式是采用小波基函数取代 Sigmoid 函数的小波神 经网络算法，经实验证明，其非线性拟合能力和收敛 速度均较为理想，可以对交通流量的短时进行预测。

BP（back propagation）神经网络是 1986 年由 Ru-melhart 和 Mcclelland 为首的科学家提出的概念，是一种前馈神经网络，由输入层、隐含层和输出层三个层 级构成单向神经网络，各神经元从输入层开始输入， 中间层接收上一级输入，并输出至下一级，直到输出 层结束。同一层的各神经元之间却没有任何联系，层 间信息的传递只沿一个方向前进。因此，前馈神经网 络的前馈仅用于计算网络的输出，并且不调整网络的 参数矩阵。简单的 BP 神经网络只能通过调整权重和 阈值来执行数据处理，并且很容易陷入局部极小值和 低实时性等问题。需要优化算法来优化其收敛速度 和全局优化能力，以提高其实际应用能力。

2 部分代码

​​%% 清空环境变量clcclear​%% 网络参数配置load traffic_flux input output input_test output_test​M=size(input,2); %输入节点个数N=size(output,2); %输出节点个数​n=6; %隐形节点个数lr1=0.01; %学习概率lr2=0.001; %学习概率maxgen=100; %迭代次数​%权值初始化Wjk=randn(n,M);Wjk_1=Wjk;Wjk_2=Wjk_1;Wij=randn(N,n);Wij_1=Wij;Wij_2=Wij_1;a=randn(1,n);a_1=a;a_2=a_1;b=randn(1,n);b_1=b;b_2=b_1;​%节点初始化y=zeros(1,N);net=zeros(1,n);net_ab=zeros(1,n);​​%预测输出反归一化ynn=mapminmax('reverse',yuce,outputps);​%% 结果分析figure(1)plot(ynn,'r*:')hold onplot(output_test,'bo--')title('预测交通流量','fontsize',12)legend('预测交通流量','实际交通流量')xlabel('时间点')ylabel('交通流量')​

3 仿真结果

4 参考文献

[1]郑泽林, 崔恩文. 基于小波神经网络的短时交通流量预测算法的研究[J]. 连云港职业技术学院学报, 2019, 32(1):4.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。