本文研究短时交通流预测。短时交通流预测是智能交通系统研究和实践的必要基础。本文提出和建立了一个短时交通流量预测模型,该模型利用一个基于规则的模糊系统,非线性地组合BP神经网络模型和自适应卡尔曼滤波模型的交通流量预测结果,使得短时交通流量的预测结果更加准确可靠。该模型将传统方法和人工智能方法有机结合,一方面,利用人工神经网络强大的动态非线性映射能力,从而提高预测精度;另一方面,充分发挥卡尔曼滤波的静态线性稳定性,解决了单独使用BP神经网络进行预测时识别率不理想和可信度不高的问题。实验结果表明,本文提出的短时交通流预测模型具有较高的准确度和可靠度将其作为第一个输入，否则即作为第二个输入。这主要与模糊推理系统的IF－THEN规则有关，在IF－THEN规则中，第一个输入对结果的影响要比第二个输入对结果的影响更大。短时交通流预测-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机哪一方的预测值更接近实际观测值，就说明这一方更值得信赖，短时交通流预测-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机自然对下一次预测的影响相应地更大本文由全自动缩管机张家港缩管机网站 转载中国知网整理! http://www.suoguanji.name    。2．2KBF模型设计根据2．1节的理论分析，对KBF模型的设计如下:(1)BP神经网络的训练。(2)利用Kalman滤波和BP神经网络分别预测k时刻的交通流量。(3)根据k－1时刻的选择，将Kalman滤波和神经网络预测值作为模糊推理系统的输入，得到k时刻最终的预测值。图1KBF模型框架F下一次预测做出选择，如果没有结束，跳至(3)继续执行。(5)预测停止。KBF模型的流程图如图2所示。图2KBF模型流程图3KBF模型预测交通流量的实现本文以图3所示的城市路网中典型的相邻路口为研究背景。在图3中，A与B代表两个十字路口，本文由全自动缩管机张家港缩管机网站 转载中国知网整理! http://www.suoguanji.name    时间间隔内的交通流数值，交通流方向为图中所示的方向。在本文中，T表示设定的时间间隔，k表示从1开始的连续正整数。·44·智能计算机与应用第5卷时间段统计交通流量，仿真了将近48个小时，得到连续的550条数据。实验数据中，q1为这条道路向东行驶的车流，q2为这条道路向右拐的车流，q3为该道路向左拐的车流，q为该道路向东行驶的车流。对于Kalman滤波和模糊推理，数据可以不进行归一化，而使用源数据。对于BP神经网络，如果不进行归一化，可能出现奇异矩阵的情况，导致训练提前终止，所以有必要对数据进行归一化处理。3．2实验结果评价指标设Xp(k)为使用交通流量模型得到的预测值，Xt(k)为实际仿真的交通流量值，n为样本总数。本文采用以下四个评价指标［16］，具体的计算方法如下所示:预测准确率:预测准确率=(xp(k)－xt(k))和绝对值小于0．5的xp(k)的个数n(8)百分比平均相对误差EPMＲ:槡2(10)均等系数CE:CE=1－∑nk=1(xp(k)－xt(k))槡2∑nk=1(xp(k))槡2+∑nk=1(xt(k))槡2(11)3．3实验结果及分析评价图5为分别使用KF、BP和KBF预测模型得到的预测值图5短时交通流预测模型预测值与期望值的对比曲线和期望值(即实际观测值)的对比曲线;表2列出了KF、BP和KBF预测模型的评价指标值，包括:预测准确率，EPMＲ，EＲＲ，CE。表2短时交通流预测模型预短时交通流预测-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机本文由全自动缩管机张家港缩管机网站 转载中国知网整理! http://www.suoguanji.name