一種應(yīng)用徑向基神經(jīng)網(wǎng)絡(luò)和PCA分析的交通流預(yù)測(cè)方法

1、    一種應(yīng)用徑向基神經(jīng)網(wǎng)絡(luò)和pca分析的交通流預(yù)測(cè)方法    牛興旺摘 要在現(xiàn)代交通控制中，交通流量預(yù)測(cè)是一個(gè)重要基本環(huán)節(jié)，本文對(duì)其設(shè)計(jì)了徑向基網(wǎng)絡(luò)結(jié)合pca的方法來(lái)預(yù)測(cè)，pca減小相關(guān)路口維數(shù)，而網(wǎng)絡(luò)實(shí)現(xiàn)預(yù)測(cè)權(quán)值的計(jì)算，最終達(dá)到應(yīng)用相關(guān)路口歷史數(shù)據(jù)預(yù)測(cè)目標(biāo)路口流量的目的?！娟P(guān)鍵詞】pca方法 流量 預(yù)測(cè) 交通控制 系統(tǒng)工程隨著中國(guó)城市不斷發(fā)展，包括電動(dòng)車(chē)在內(nèi)的各種車(chē)輛在不斷增長(zhǎng)。然而現(xiàn)有主城區(qū)內(nèi)的道路空間卻越來(lái)越有限，節(jié)假日及上下班高峰期，部分路段日漸擁堵。當(dāng)機(jī)動(dòng)車(chē)數(shù)量達(dá)到一定程度的時(shí)候，原有的道路交通道路、標(biāo)志、設(shè)施等，不能滿(mǎn)足現(xiàn)代交通的需要，就

2、會(huì)出現(xiàn)堵車(chē)現(xiàn)象。堵車(chē)只是現(xiàn)象和結(jié)果，原因是由于機(jī)動(dòng)車(chē)數(shù)量達(dá)到一定程度以后，原有的道路交通設(shè)計(jì)已經(jīng)不適合新的發(fā)展要求。一般來(lái)說(shuō)出現(xiàn)原因有一是機(jī)動(dòng)車(chē)數(shù)量過(guò)多； 二是交通設(shè)計(jì)不合理； 三是城市的整體規(guī)劃有問(wèn)題；四是外來(lái)人口過(guò)多。解決的渠道是多方面的，從技術(shù)層面，交通流量預(yù)測(cè)可以通過(guò)交通控制發(fā)揮有力的作用，這里主要采用一種徑向基網(wǎng)絡(luò)的方法進(jìn)行交通流的預(yù)測(cè)。1 系統(tǒng)處理方案將一組相關(guān)到路口的數(shù)據(jù)流量進(jìn)行了錯(cuò)誤剔除等預(yù)處理后，繼而加載到所提出的模型中來(lái)實(shí)現(xiàn)預(yù)測(cè)計(jì)算。這個(gè)計(jì)算總的實(shí)現(xiàn)框架如下：根據(jù)每個(gè)路口所記錄的歷史數(shù)據(jù)，應(yīng)用主成分分析方法，對(duì)路網(wǎng)中路口關(guān)聯(lián)度進(jìn)行分析，求解出跟目標(biāo)路口之間的相關(guān)度函數(shù)和指數(shù)

3、，然后利用主貢獻(xiàn)成分來(lái)求解相關(guān)路口；根據(jù)徑向基神經(jīng)網(wǎng)絡(luò)，由相關(guān)路口數(shù)據(jù)流來(lái)訓(xùn)練有關(guān)權(quán)值，得到下一時(shí)刻預(yù)測(cè)的目標(biāo)路口交通流與相關(guān)路口歷史數(shù)據(jù)流之間的關(guān)系；最后綜合利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，以及采集到的數(shù)據(jù)，求解預(yù)測(cè)未來(lái)的交通流量。2 pca的路口數(shù)據(jù)相關(guān)性降維單個(gè)路口的交通流信息往往是由大量的多源數(shù)據(jù)組成，并且城市路網(wǎng)中的交叉口路口也是非常之多，所有城市路網(wǎng)的交通流信息數(shù)據(jù)量是無(wú)法想象的。利用主成分分析法定量的分析路口間交通流量的相關(guān)性，可以用來(lái)降低數(shù)據(jù)維度和壓縮數(shù)據(jù)量。具體的操作步驟為：（1）克服原始數(shù)據(jù)單位的不統(tǒng)一等問(wèn)題，對(duì)原始數(shù)據(jù)進(jìn)行必要的規(guī)格化處理，使規(guī)格化后的數(shù)據(jù)樣本成為標(biāo)準(zhǔn)的正態(tài)分布。（

4、2）所有路口都可是為一個(gè)獨(dú)立的樣本，如此建立路口間流量的相關(guān)系數(shù)矩陣，關(guān)系數(shù)矩陣表明了n個(gè)路口彼此之間的相關(guān)程度。（3）通過(guò)矩陣運(yùn)算求出相關(guān)系數(shù)矩陣 r 的所有特征值，進(jìn)一步得到主成分，主成分基本上包含了所有成分的大部分信息。通過(guò)主成分的計(jì)算和分析，就知道目標(biāo)路口交通流主要相關(guān)的路口，就簡(jiǎn)化了模型，使得預(yù)測(cè)模型更加精簡(jiǎn)和實(shí)際。3 徑向基神經(jīng)網(wǎng)絡(luò)流量預(yù)測(cè)3.1 徑向基網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)的基本單元稱(chēng)為神經(jīng)元，它是對(duì)生物神經(jīng)元的簡(jiǎn)化與模擬。神經(jīng)元的特性在某中程度上決定了神經(jīng)網(wǎng)絡(luò)的總體特性。大量簡(jiǎn)單神經(jīng)元的相互連結(jié)皆構(gòu)成了神經(jīng)網(wǎng)絡(luò)。一個(gè)典型的具有n維輸入的神經(jīng)元組成，神經(jīng)元的作用可用下面的數(shù)學(xué)式表達(dá)。uk=

5、wkjxj-k （1）yk=f（uk） （2）常用的激勵(lì)函數(shù)有線(xiàn)形函數(shù)、分段線(xiàn)形函數(shù)、sigmoid函數(shù)、雙曲正切函數(shù)等。神經(jīng)網(wǎng)絡(luò)是由大量簡(jiǎn)單神經(jīng)元相互連結(jié)構(gòu)成復(fù)雜網(wǎng)絡(luò)系統(tǒng)。單個(gè)神經(jīng)元的功能是有限的，只有用許多神經(jīng)元按一定的規(guī)則連接，構(gòu)成神經(jīng)網(wǎng)絡(luò)才具有強(qiáng)大的功能。徑向基函數(shù)（radial basic function，rbf）神經(jīng)網(wǎng)絡(luò)由三層組成。輸入層節(jié)點(diǎn)只傳遞輸入信號(hào)到隱層，隱層節(jié)點(diǎn)由像高斯核函數(shù)那樣的輻射狀作用函數(shù)構(gòu)成，而輸出層節(jié)點(diǎn)通常是簡(jiǎn)單的線(xiàn)形函數(shù)。隱層節(jié)點(diǎn)中的作用函數(shù)（基函數(shù)）對(duì)輸入信號(hào)將在局部產(chǎn)生響應(yīng)。當(dāng)輸入信號(hào)靠近基函數(shù)的中央范圍時(shí)，隱層節(jié)點(diǎn)將產(chǎn)生較大的輸出，由此看出來(lái)這種網(wǎng)絡(luò)具

6、有局部逼近能力，所以徑向基函數(shù)網(wǎng)絡(luò)也稱(chēng)為局部感知場(chǎng)網(wǎng)絡(luò)?；瘮?shù)最常用的是高斯函數(shù)：ri（x）=exp i=1，2，m （3）其中x是n維輸入向量；ci是第i個(gè)基函數(shù)的中心，與x具有相同維數(shù)的向量，i是第i個(gè)感知的變量（可以自由選擇的參數(shù)），它決定了該基函數(shù)圍繞中心點(diǎn)的寬度；m是感知單元的個(gè)數(shù)。|x?ci|是向量x?ci的范數(shù)，它通常表示x和ci之間的距離，ri（x）在ci處有一個(gè)唯一的最大值，隨著|x?ci|的增大，ri（x）迅速衰減到零。對(duì)于給定的輸入xrn，只有一小部分靠近x的中心被激活。輸入層實(shí)現(xiàn)從xri（x）的非線(xiàn)形映射，輸出層實(shí)現(xiàn)從ri（x）到 yk的線(xiàn)形映射，p是輸出節(jié)點(diǎn)數(shù)。即yi

7、=wikri（x） k=1，2，p （4）3.2 預(yù)測(cè)方法研究本文以徑向基神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)的預(yù)測(cè)模型，將相關(guān)路口歷史交通流量數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)目標(biāo)路口交通流量進(jìn)行短時(shí)預(yù)測(cè)。利用了相關(guān)路口的大量數(shù)據(jù)信息，又充分發(fā)揮了徑向基神經(jīng)網(wǎng)絡(luò)特各種優(yōu)點(diǎn)，使得更加預(yù)測(cè)更加高效，預(yù)測(cè)結(jié)果更加精確。針對(duì)待預(yù)測(cè)路口，將歷史數(shù)據(jù)第t時(shí)刻，第t1時(shí)刻，第t2時(shí)刻，第t3時(shí)刻的交通流量f （t），f（t1），f（t2），f（t3），等等共四個(gè)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，將 t4時(shí)刻的交通流量數(shù)據(jù)作為網(wǎng)絡(luò)的輸出結(jié)果。神經(jīng)網(wǎng)絡(luò)模型為四個(gè)輸入，一個(gè)輸出。徑向基神經(jīng)網(wǎng)絡(luò)模型通過(guò)計(jì)算軟件進(jìn)行交通流預(yù)測(cè)計(jì)算。采用數(shù)據(jù)是部分歷史數(shù)

8、據(jù)，過(guò)訓(xùn)練調(diào)整網(wǎng)絡(luò)參數(shù)模型的權(quán)值。在權(quán)值得到以后，就可以利用相關(guān)路口對(duì)目標(biāo)路口的交通流進(jìn)行實(shí)時(shí)預(yù)測(cè)了。作者單位廣東水粵智能科技公司 廣東省廣州市 510631endprint摘 要在現(xiàn)代交通控制中，交通流量預(yù)測(cè)是一個(gè)重要基本環(huán)節(jié)，本文對(duì)其設(shè)計(jì)了徑向基網(wǎng)絡(luò)結(jié)合pca的方法來(lái)預(yù)測(cè)，pca減小相關(guān)路口維數(shù)，而網(wǎng)絡(luò)實(shí)現(xiàn)預(yù)測(cè)權(quán)值的計(jì)算，最終達(dá)到應(yīng)用相關(guān)路口歷史數(shù)據(jù)預(yù)測(cè)目標(biāo)路口流量的目的?！娟P(guān)鍵詞】pca方法 流量 預(yù)測(cè) 交通控制 系統(tǒng)工程隨著中國(guó)城市不斷發(fā)展，包括電動(dòng)車(chē)在內(nèi)的各種車(chē)輛在不斷增長(zhǎng)。然而現(xiàn)有主城區(qū)內(nèi)的道路空間卻越來(lái)越有限，節(jié)假日及上下班高峰期，部分路段日漸擁堵。當(dāng)機(jī)動(dòng)車(chē)數(shù)量達(dá)到一定程度的時(shí)候

9、，原有的道路交通道路、標(biāo)志、設(shè)施等，不能滿(mǎn)足現(xiàn)代交通的需要，就會(huì)出現(xiàn)堵車(chē)現(xiàn)象。堵車(chē)只是現(xiàn)象和結(jié)果，原因是由于機(jī)動(dòng)車(chē)數(shù)量達(dá)到一定程度以后，原有的道路交通設(shè)計(jì)已經(jīng)不適合新的發(fā)展要求。一般來(lái)說(shuō)出現(xiàn)原因有一是機(jī)動(dòng)車(chē)數(shù)量過(guò)多； 二是交通設(shè)計(jì)不合理； 三是城市的整體規(guī)劃有問(wèn)題；四是外來(lái)人口過(guò)多。解決的渠道是多方面的，從技術(shù)層面，交通流量預(yù)測(cè)可以通過(guò)交通控制發(fā)揮有力的作用，這里主要采用一種徑向基網(wǎng)絡(luò)的方法進(jìn)行交通流的預(yù)測(cè)。1 系統(tǒng)處理方案將一組相關(guān)到路口的數(shù)據(jù)流量進(jìn)行了錯(cuò)誤剔除等預(yù)處理后，繼而加載到所提出的模型中來(lái)實(shí)現(xiàn)預(yù)測(cè)計(jì)算。這個(gè)計(jì)算總的實(shí)現(xiàn)框架如下：根據(jù)每個(gè)路口所記錄的歷史數(shù)據(jù)，應(yīng)用主成分分析方法，對(duì)路

10、網(wǎng)中路口關(guān)聯(lián)度進(jìn)行分析，求解出跟目標(biāo)路口之間的相關(guān)度函數(shù)和指數(shù)，然后利用主貢獻(xiàn)成分來(lái)求解相關(guān)路口；根據(jù)徑向基神經(jīng)網(wǎng)絡(luò)，由相關(guān)路口數(shù)據(jù)流來(lái)訓(xùn)練有關(guān)權(quán)值，得到下一時(shí)刻預(yù)測(cè)的目標(biāo)路口交通流與相關(guān)路口歷史數(shù)據(jù)流之間的關(guān)系；最后綜合利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，以及采集到的數(shù)據(jù)，求解預(yù)測(cè)未來(lái)的交通流量。2 pca的路口數(shù)據(jù)相關(guān)性降維單個(gè)路口的交通流信息往往是由大量的多源數(shù)據(jù)組成，并且城市路網(wǎng)中的交叉口路口也是非常之多，所有城市路網(wǎng)的交通流信息數(shù)據(jù)量是無(wú)法想象的。利用主成分分析法定量的分析路口間交通流量的相關(guān)性，可以用來(lái)降低數(shù)據(jù)維度和壓縮數(shù)據(jù)量。具體的操作步驟為：（1）克服原始數(shù)據(jù)單位的不統(tǒng)一等問(wèn)題，對(duì)原始數(shù)據(jù)進(jìn)

11、行必要的規(guī)格化處理，使規(guī)格化后的數(shù)據(jù)樣本成為標(biāo)準(zhǔn)的正態(tài)分布。（2）所有路口都可是為一個(gè)獨(dú)立的樣本，如此建立路口間流量的相關(guān)系數(shù)矩陣，關(guān)系數(shù)矩陣表明了n個(gè)路口彼此之間的相關(guān)程度。（3）通過(guò)矩陣運(yùn)算求出相關(guān)系數(shù)矩陣 r 的所有特征值，進(jìn)一步得到主成分，主成分基本上包含了所有成分的大部分信息。通過(guò)主成分的計(jì)算和分析，就知道目標(biāo)路口交通流主要相關(guān)的路口，就簡(jiǎn)化了模型，使得預(yù)測(cè)模型更加精簡(jiǎn)和實(shí)際。3 徑向基神經(jīng)網(wǎng)絡(luò)流量預(yù)測(cè)3.1 徑向基網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)的基本單元稱(chēng)為神經(jīng)元，它是對(duì)生物神經(jīng)元的簡(jiǎn)化與模擬。神經(jīng)元的特性在某中程度上決定了神經(jīng)網(wǎng)絡(luò)的總體特性。大量簡(jiǎn)單神經(jīng)元的相互連結(jié)皆構(gòu)成了神經(jīng)網(wǎng)絡(luò)。一個(gè)典型的具有

12、n維輸入的神經(jīng)元組成，神經(jīng)元的作用可用下面的數(shù)學(xué)式表達(dá)。uk=wkjxj-k （1）yk=f（uk） （2）常用的激勵(lì)函數(shù)有線(xiàn)形函數(shù)、分段線(xiàn)形函數(shù)、sigmoid函數(shù)、雙曲正切函數(shù)等。神經(jīng)網(wǎng)絡(luò)是由大量簡(jiǎn)單神經(jīng)元相互連結(jié)構(gòu)成復(fù)雜網(wǎng)絡(luò)系統(tǒng)。單個(gè)神經(jīng)元的功能是有限的，只有用許多神經(jīng)元按一定的規(guī)則連接，構(gòu)成神經(jīng)網(wǎng)絡(luò)才具有強(qiáng)大的功能。徑向基函數(shù)（radial basic function，rbf）神經(jīng)網(wǎng)絡(luò)由三層組成。輸入層節(jié)點(diǎn)只傳遞輸入信號(hào)到隱層，隱層節(jié)點(diǎn)由像高斯核函數(shù)那樣的輻射狀作用函數(shù)構(gòu)成，而輸出層節(jié)點(diǎn)通常是簡(jiǎn)單的線(xiàn)形函數(shù)。隱層節(jié)點(diǎn)中的作用函數(shù)（基函數(shù)）對(duì)輸入信號(hào)將在局部產(chǎn)生響應(yīng)。當(dāng)輸入信號(hào)靠近基函

13、數(shù)的中央范圍時(shí)，隱層節(jié)點(diǎn)將產(chǎn)生較大的輸出，由此看出來(lái)這種網(wǎng)絡(luò)具有局部逼近能力，所以徑向基函數(shù)網(wǎng)絡(luò)也稱(chēng)為局部感知場(chǎng)網(wǎng)絡(luò)?；瘮?shù)最常用的是高斯函數(shù)：ri（x）=exp i=1，2，m （3）其中x是n維輸入向量；ci是第i個(gè)基函數(shù)的中心，與x具有相同維數(shù)的向量，i是第i個(gè)感知的變量（可以自由選擇的參數(shù)），它決定了該基函數(shù)圍繞中心點(diǎn)的寬度；m是感知單元的個(gè)數(shù)。|x?ci|是向量x?ci的范數(shù)，它通常表示x和ci之間的距離，ri（x）在ci處有一個(gè)唯一的最大值，隨著|x?ci|的增大，ri（x）迅速衰減到零。對(duì)于給定的輸入xrn，只有一小部分靠近x的中心被激活。輸入層實(shí)現(xiàn)從xri（x）的非線(xiàn)形映射，輸

14、出層實(shí)現(xiàn)從ri（x）到 yk的線(xiàn)形映射，p是輸出節(jié)點(diǎn)數(shù)。即yi=wikri（x） k=1，2，p （4）3.2 預(yù)測(cè)方法研究本文以徑向基神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)的預(yù)測(cè)模型，將相關(guān)路口歷史交通流量數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)目標(biāo)路口交通流量進(jìn)行短時(shí)預(yù)測(cè)。利用了相關(guān)路口的大量數(shù)據(jù)信息，又充分發(fā)揮了徑向基神經(jīng)網(wǎng)絡(luò)特各種優(yōu)點(diǎn)，使得更加預(yù)測(cè)更加高效，預(yù)測(cè)結(jié)果更加精確。針對(duì)待預(yù)測(cè)路口，將歷史數(shù)據(jù)第t時(shí)刻，第t1時(shí)刻，第t2時(shí)刻，第t3時(shí)刻的交通流量f （t），f（t1），f（t2），f（t3），等等共四個(gè)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，將 t4時(shí)刻的交通流量數(shù)據(jù)作為網(wǎng)絡(luò)的輸出結(jié)果。神經(jīng)網(wǎng)絡(luò)模型為四個(gè)輸入，一個(gè)輸出。徑向基神

15、經(jīng)網(wǎng)絡(luò)模型通過(guò)計(jì)算軟件進(jìn)行交通流預(yù)測(cè)計(jì)算。采用數(shù)據(jù)是部分歷史數(shù)據(jù)，過(guò)訓(xùn)練調(diào)整網(wǎng)絡(luò)參數(shù)模型的權(quán)值。在權(quán)值得到以后，就可以利用相關(guān)路口對(duì)目標(biāo)路口的交通流進(jìn)行實(shí)時(shí)預(yù)測(cè)了。作者單位廣東水粵智能科技公司 廣東省廣州市 510631endprint摘 要在現(xiàn)代交通控制中，交通流量預(yù)測(cè)是一個(gè)重要基本環(huán)節(jié)，本文對(duì)其設(shè)計(jì)了徑向基網(wǎng)絡(luò)結(jié)合pca的方法來(lái)預(yù)測(cè)，pca減小相關(guān)路口維數(shù)，而網(wǎng)絡(luò)實(shí)現(xiàn)預(yù)測(cè)權(quán)值的計(jì)算，最終達(dá)到應(yīng)用相關(guān)路口歷史數(shù)據(jù)預(yù)測(cè)目標(biāo)路口流量的目的?！娟P(guān)鍵詞】pca方法 流量 預(yù)測(cè) 交通控制 系統(tǒng)工程隨著中國(guó)城市不斷發(fā)展，包括電動(dòng)車(chē)在內(nèi)的各種車(chē)輛在不斷增長(zhǎng)。然而現(xiàn)有主城區(qū)內(nèi)的道路空間卻越來(lái)越有限，節(jié)假日及

16、上下班高峰期，部分路段日漸擁堵。當(dāng)機(jī)動(dòng)車(chē)數(shù)量達(dá)到一定程度的時(shí)候，原有的道路交通道路、標(biāo)志、設(shè)施等，不能滿(mǎn)足現(xiàn)代交通的需要，就會(huì)出現(xiàn)堵車(chē)現(xiàn)象。堵車(chē)只是現(xiàn)象和結(jié)果，原因是由于機(jī)動(dòng)車(chē)數(shù)量達(dá)到一定程度以后，原有的道路交通設(shè)計(jì)已經(jīng)不適合新的發(fā)展要求。一般來(lái)說(shuō)出現(xiàn)原因有一是機(jī)動(dòng)車(chē)數(shù)量過(guò)多； 二是交通設(shè)計(jì)不合理； 三是城市的整體規(guī)劃有問(wèn)題；四是外來(lái)人口過(guò)多。解決的渠道是多方面的，從技術(shù)層面，交通流量預(yù)測(cè)可以通過(guò)交通控制發(fā)揮有力的作用，這里主要采用一種徑向基網(wǎng)絡(luò)的方法進(jìn)行交通流的預(yù)測(cè)。1 系統(tǒng)處理方案將一組相關(guān)到路口的數(shù)據(jù)流量進(jìn)行了錯(cuò)誤剔除等預(yù)處理后，繼而加載到所提出的模型中來(lái)實(shí)現(xiàn)預(yù)測(cè)計(jì)算。這個(gè)計(jì)算總的實(shí)現(xiàn)框

17、架如下：根據(jù)每個(gè)路口所記錄的歷史數(shù)據(jù)，應(yīng)用主成分分析方法，對(duì)路網(wǎng)中路口關(guān)聯(lián)度進(jìn)行分析，求解出跟目標(biāo)路口之間的相關(guān)度函數(shù)和指數(shù)，然后利用主貢獻(xiàn)成分來(lái)求解相關(guān)路口；根據(jù)徑向基神經(jīng)網(wǎng)絡(luò)，由相關(guān)路口數(shù)據(jù)流來(lái)訓(xùn)練有關(guān)權(quán)值，得到下一時(shí)刻預(yù)測(cè)的目標(biāo)路口交通流與相關(guān)路口歷史數(shù)據(jù)流之間的關(guān)系；最后綜合利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，以及采集到的數(shù)據(jù)，求解預(yù)測(cè)未來(lái)的交通流量。2 pca的路口數(shù)據(jù)相關(guān)性降維單個(gè)路口的交通流信息往往是由大量的多源數(shù)據(jù)組成，并且城市路網(wǎng)中的交叉口路口也是非常之多，所有城市路網(wǎng)的交通流信息數(shù)據(jù)量是無(wú)法想象的。利用主成分分析法定量的分析路口間交通流量的相關(guān)性，可以用來(lái)降低數(shù)據(jù)維度和壓縮數(shù)據(jù)量。具體的

18、操作步驟為：（1）克服原始數(shù)據(jù)單位的不統(tǒng)一等問(wèn)題，對(duì)原始數(shù)據(jù)進(jìn)行必要的規(guī)格化處理，使規(guī)格化后的數(shù)據(jù)樣本成為標(biāo)準(zhǔn)的正態(tài)分布。（2）所有路口都可是為一個(gè)獨(dú)立的樣本，如此建立路口間流量的相關(guān)系數(shù)矩陣，關(guān)系數(shù)矩陣表明了n個(gè)路口彼此之間的相關(guān)程度。（3）通過(guò)矩陣運(yùn)算求出相關(guān)系數(shù)矩陣 r 的所有特征值，進(jìn)一步得到主成分，主成分基本上包含了所有成分的大部分信息。通過(guò)主成分的計(jì)算和分析，就知道目標(biāo)路口交通流主要相關(guān)的路口，就簡(jiǎn)化了模型，使得預(yù)測(cè)模型更加精簡(jiǎn)和實(shí)際。3 徑向基神經(jīng)網(wǎng)絡(luò)流量預(yù)測(cè)3.1 徑向基網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)的基本單元稱(chēng)為神經(jīng)元，它是對(duì)生物神經(jīng)元的簡(jiǎn)化與模擬。神經(jīng)元的特性在某中程度上決定了神經(jīng)網(wǎng)絡(luò)的總體

19、特性。大量簡(jiǎn)單神經(jīng)元的相互連結(jié)皆構(gòu)成了神經(jīng)網(wǎng)絡(luò)。一個(gè)典型的具有n維輸入的神經(jīng)元組成，神經(jīng)元的作用可用下面的數(shù)學(xué)式表達(dá)。uk=wkjxj-k （1）yk=f（uk） （2）常用的激勵(lì)函數(shù)有線(xiàn)形函數(shù)、分段線(xiàn)形函數(shù)、sigmoid函數(shù)、雙曲正切函數(shù)等。神經(jīng)網(wǎng)絡(luò)是由大量簡(jiǎn)單神經(jīng)元相互連結(jié)構(gòu)成復(fù)雜網(wǎng)絡(luò)系統(tǒng)。單個(gè)神經(jīng)元的功能是有限的，只有用許多神經(jīng)元按一定的規(guī)則連接，構(gòu)成神經(jīng)網(wǎng)絡(luò)才具有強(qiáng)大的功能。徑向基函數(shù)（radial basic function，rbf）神經(jīng)網(wǎng)絡(luò)由三層組成。輸入層節(jié)點(diǎn)只傳遞輸入信號(hào)到隱層，隱層節(jié)點(diǎn)由像高斯核函數(shù)那樣的輻射狀作用函數(shù)構(gòu)成，而輸出層節(jié)點(diǎn)通常是簡(jiǎn)單的線(xiàn)形函數(shù)。隱層節(jié)點(diǎn)中的作用函數(shù)（基函數(shù)）對(duì)輸入信號(hào)將在局部產(chǎn)生響應(yīng)。當(dāng)輸入信號(hào)靠近基函數(shù)的中央范圍時(shí)，隱層節(jié)點(diǎn)將產(chǎn)生較大的輸出，由此看出來(lái)這種網(wǎng)絡(luò)具有局部逼近能力，所以徑向基函數(shù)網(wǎng)絡(luò)也稱(chēng)為局部感知場(chǎng)網(wǎng)絡(luò)?；瘮?shù)最常用的是高斯函數(shù)：ri（x）=exp i=