本文通过分析交通流量时间序列的特点，引入BP神经网络进行短时交通流预测。首先，分析了短时交通流量预测的意义及研究背景；然后，介绍了BP神经网络的结构模型、学习规则以及BP算法的改进算法；最后，通过BP神经网络对短时交通流进行预测，并分析了在各种不同条件下的预测情况。BP神经网络模型对交通流时间序列的预测结果非常理想,说明本文所建立的基于BP神经网络的时间序列预测模型具有有效性和普适性。

......

本文研究内容

交通流量的预测通常以历史时间序列和当前时间序列数据点为特征。即利用大量的历史交通流数据，来预测未来交通流量。本文是以BP神经网络作为预测模型，进行单步预测。采用的交通流量数据是从华盛顿大学、西雅图大学提供的TDAD(Traffic Data Acquisition and Distribution,交通流量数据的获取与采集)中获得。采集日期是从2005年6月6日至2005年7月3日，各个探测器名称分别是ES-088D、ES-708D、ES-708D和 ES-645D。(http://www.its.washington.edu/tdad/tdad_top.html)

道路交通流量具有非线性、复杂性和不确定性等基本特征，BP神经网络应用于短时交通流预测，可以有效地提高预测精度。下面从以下三点进行说明：

(1) BP神经网络具有强大的组织能力与自适应性，能够通过对输入样本的学习来自动调整网络结构，从而很好的反应交通流时间序列的特性；

(2) BP神经网络进行计算的复杂性和计算量低于一般统计方法，节省了预测的时间；

(3) BP神经网络具有良好的容错性和联想记忆功能，可以学习道路交通流量的历史信息，找出其中的规律，从而得到精确的预测结果。

......

BP神经网络结构设计及改进算法

本设计采用三层网络：输入层，输入样本为处理过的交通流量数据；隐含层，激活函数采用S型函数；输出层，激活函数采用线性函数。创建一个多层前向网络，目标误差为0.00001，学习率为0.05，网络训练次数设为7000次。以间隔时间为15分钟为例，总共有2685个数据，重构后为2671个样本，前2560个作为训练样本，后100个作为测试样本。

为了验证BP神经网络的预测效果，在本实验中，BP神经网络采用梯度下降法，改进BP神经网络的训练函数分别选用共轭梯度算法、自适学习速率法、拟牛顿法、弹性BP算法和L-M算法。