（华信咨询设计研究院有限公司，杭州 310052）

1 引言

由于经济的高速发展，越来越多的家庭拥有汽车，造成公路拥堵，如何高效的规划、设计城市的智慧交通系统成为当前研究的热点。通过智慧交通系统实现交通规划和诱导，避免交通拥堵，实现其功能重要一环是交通流量预测，尤其是短时（15分钟及以下）的交通流量预测，通过其预测道路的潮汐效应，来动态调整车道数量，更好的进行诱导分流，是智慧交通系统的核心。当前比较常用的预测不能有效根据具体短时数据进行高效动态根据流量的不确定性、非线性调整，因此提出了采用基于神经网络的预测，如基于小波神经网络等进行分析预测[1]

2 预测模型分析

城市道路中的交通流量具有一定的相关性，如前段时间拥堵则势必造成后段时间的交通流量；与此同时交通路流量一般以一天（24小时）为周期的特性变化，各个时段会有变化。根据交通流量的变化周期，采用小波神经网络进行分析预测，其网络分为输入层、隐含层和输出层等三层。其中，输入层数据输入为当前时间点的前n个时段的历史交通流量数据；隐含层节点由小波函数构成，通过把小波基函数作为隐含层节点的传递函数，信号前向传播的同时，进行学习训练权重调整，预测误差反向传播的神经网络的反复迭代的过程；输出层则是输出当前该时段的预测交通流量

小波神经网络的拓扑结构图如图1所示[2]。图1中的X1，X2，…，Xk是小波神经网络的输入数据参数，Y1，Y2，…，Ym是小波神经网络经过学习训练后的的预测数据输出，和是小波神经网络隐含层的权值。

在输入交通流量序列为Xi（i=1，2，…，k）时，隐含层输出计算公式为[1][3]：

采用Morlet函数作为小波基函数，如下式所示：

输出层计算公式为：

图1 小波神经网络拓扑结构图

通过采用梯度修正法来修正网络的小波基函数和权值，权值参数修正算法跟BP神经网络权值修正算法相似，从而使得小波神经网络短时交通流量的预测输出结果不断逼近期望输出，其具体修正过程如下：

（1）计算网络预测误差

（2）根据短时交通流量预测的误差e修正小波神经网络权值以及小波基函数系数[3][4]

3 仿真及结果

通过预测模型的分析搭建，选取历史短时交通流量数据，采用间隔15分钟取时段内一次短时交通流量，一天取同一采样点位置交通流量数据96个，并将采样的短时交通流量数据对小波神经网络进行训练，并用训练好的小波神经网络预测之后一天的短时交通流量。

图2 交通流量预测

图3 预测与实际交通流量差额

通过对流量数据的学习训练验证，训练次数为5000次，得到训练有效权重，并得到各权重值来做后续预测，得到预测车流量数据非常接近实际值，如图2所示（单位：辆），得到的预测流量数据与实际的流量数据差额和误差占比非常小，对于流量小的时段占比偏差略有升高，但总体较为理想，具体如图3和图4所示。

图4 预测与实际交通流量误差占比

4 结束语

通过对小波神经网络预测模型输入层、隐含层、输出层、morlet函数以及权重学习等的分析，并将历史数据进行matlab仿真，预测结果非常接近实际值，采用该防范能够科学、准确、客观的对交通流量进行短时预测。但对于交通流量小的时段，预测偏差略大，但其能满足交通流量高峰的预测，所以不影响交通规划诱导；后续可进一步对交通流量小的时段进行更加深入的分析。