徐泽亚　彭宇阳

摘 要：为了预测未来一段时间的短时交通流，提出了一种利用BP神经网络进行预测的方法。将历史时刻的车流量作为网络输入，未来短时流量作为输出，采用单步预测。为了缩短收敛时间，避免陷入局部极小值，用遗传算法优化网络初始权值和阈值。对未优化与优化后的网络进行测试。实验证明，未优化的BP神经网络预测精度较低，且收敛时间较长；而遗传优化算法使预测精度及收敛速度得到极大改善，但样本的数量及质量是影响预测精度的关键要素。

关键词：短时交通流；BP神经网络；遗传算法优化；局部极小值

中图分类号：TP183

目前，短时交通流预测已经成为智能交通的热门研究方向。传统的预测方法都是基于数理统计的，如历史平均法、时间序列法、卡尔曼滤波法、回归分析法等[1]。但这些传统模型预测精度不能满足实际要求，且其不具备自适应学习能力，预测系统鲁棒性得不到保障。

随着人工智能的发展，出现了神经网络预测法。由于神经网络能够通过学习逼近任意非线性映射，在非线性系统的建模与辨识中，可以不受非线性模型的限制，其学习算法在工程上易于实现。而BP神经网络是比较经典、有效的预测方法，但由于其初始值是随机分配的，容易陷入局部极小值，收敛时间较长，预测精度受初始值影响极大。

为了克服此类缺点，可以利用遗传算法的全局搜索能力，优化网络初始权值和阈值[2]，提高预测精度及收敛速度。……