交通流量的神经网络预测研究.doc

交通流量的神经网络预测研究摘要 交通流量预测问题是交通信息预测的核心问题，进行交通流量预测理论体系的研究，对于改善我国交通拥堵问题具有十分重要的学术价值和现实意义。本文在总结国内外研究成果的基础上，对已有的交通流预测方法进行了分类分析和介绍，并利用神经网络的方法来对交通流量进行预测分析。基于交通流量的集中分布特点并结合实际交通流量观测数据，我们采用了分区间段进行数据整理，将BP神经网络应用于交通流量预测的过程，通过对比预测结果，验证了BP 神经网络具有良好的预测效果。关键词 交通信息 交通流 预测 BP神经网络 Research on neural network prediction of traffic flowAbstract Traffic flow forecasting is the core problem of traffic information prediction, theorysystem in the prediction of traffic flow, is very important for improving our countrytraffic congestion has academic value and practical significance. This paper based on summarizing the domestic and foreign research results,analyzes and introduces the existing traffic flow forecasting methods, andanalysis to predict the traffic flow by neural network. based on centralized distribution of traffic flow and combined with the actual traffic flow data. We use the inter partition of data processing during the process of BP neural network can be used to traffic flow prediction by comparing the predicted results ,proves that BP neural network has the good forecast effect.Keywords Traffic Information Traffic flow Prediction BP neural network目录1 引言11.1研究背景11.2 交通流量预测及必要性11.3 交通流量预测的研究现状21.4本文的研究内容及意义22 交通流预测方法研究32.1 交通流预测综述32.1.1交通流预测的研究内容32.1.2 交通流预测流程32.1.3 研究方法分类42.2 典型方法介绍52.2.1 常规预测方法52.2.2 智能预测方法53 人工神经网络介绍6 3.1 人工神经网络发展阶段及特点63.1.1人工神经网络国内外研究背景63.1.2人工神经网络特点73.2 人工神经网络基本原理83.2.1 人工神经元模型83.2.2激活函数83.3 BP神经网络94 基于BP神经网络的交通流量预测104.1预测实例描述11 4.1.1小时交通流量预测分析114.1.2日交通流量预测分析135 本章小结17致谢语18参考文献191 引言1.1 研究背景随着国民经济的发展和城市化步伐的迅速加快，机动车保有量迅速增加。而在这迅速增加的机动车中，私车的比例也越来越高，这是导致交通拥堵问题越来越严重的原因之一。国内各城市呈现的交通拥堵、交通安全多隐患、交通信息缺乏不仅给出行者的出行带来延误，更重要的是对整个区域经济的进一步发展产生阻力，从而影响整体国民经济的发展。因此，交通拥堵、交通事故所产生的出行延误已经成为许多先进国家所面临的主要交通问题，自前美国、欧洲等国家由于交通延误引起的经济损失己经高达GDP的2%。据有关资料介绍，我国城市交通拥堵问题日趋严重，从1978年到1995年我国城市机动车保有量的增长速度是道路增长速度的80倍，高峰小时机动车的平均时速低至10km/h，极大地妨碍居民的出行速度和效率。进入二十一世纪以来，我国机动车的保有量更是迅速增加。而由于政策的支持、产业经济发展的需要、逐步富裕起来的人们追求更加方便舒适的生活，机动车的不断增加是一个长期趋势。交通供需矛盾的长期性、城市空间和建设资金的有限性等严峻形势，决定了不能单一地通过增加交通基础设施来改善城市机动车辆出行的交通状况问题。 1.2交通流量预测及必要性交通流量是指在选定的时间段内，通过道路某一断面或某一车道的交通实体数，按交通类型分:有机动车交通量、非机动车交通量和行人交通量。交通量随时间和空间的变换而变化，具有时空分布特性。交通规划及设计方案比较与经济分析需要准确的掌握未来交通量变化的趋势;城市交通控制系统在进行主干线协调控制、区域协调控制时，必须提前预测进入下游交叉口的交通量;对出行车辆进行交通诱导要以实时准确的交通量预测为前提。因此，研究或观察交通量的变化规律，并对未来时刻交通量或发展趋势进行科学合理地预测，对于进行交通规划、交通诱导、交通管理、交通控制与安全等，均具有重要的意义;基于BP神经网络的城市交通流量预测与路口分析，己成为交通工程领域重点研究课题1。1.3 交通流量预测的研究现状何伟在模糊神经网络在交通流量预测中的应用研究中，在混沌相空间重构理论基础上,研究了自适应神经模糊推理系统(Adaptive Neural Fuzzy Inference System, ANFIS)和基于神经网络集成的T-S(Takagi-Sugeno)系统这两种模糊神经网络,随后将其应用于交通流量预测实例分析2；李存军在基于集成神经网络的城市道路交通流量隔合预测研究中，以城市道路交叉口为例，对基于集成神经网络的融合交通流量预测的模型、方法和具体实现途径进行了研究3；冯明发在粒子群优化RBF神经网络的短时交通流量预测中，提出基于粒子群(PSO)优化RBF神经网络的交通流量预测方法4；韩超在基于时间序列分析的短时交通流量实时自适应预测中，基于采用AR(p)模型结构的时间序列分析方法，提出一种短时交通流实时自适应预测算法5。兰云在短时交通流预测研究提出用小波(Wavelet)将短时交通流数据分解到不同尺度(频率)空间，再在各尺度空间分别进行预测，将预测的结构综合得到原流量序列的预测值的方法6。1.4本文的研究内容及意义本文将神经网络技术研究与交通信息预测研究紧密结合，在总结国内外研究成果的基础上，对已有的交通流预测方法进行了分类分析，并对每种研究的基本方法进行了具体介绍；再次，重点研究了智能预测中的人工神经网络理论，介绍了神经网络的发展、特点、结构以及学习理论，分析了 BP神经网络的具体步骤，为交通流预测的实现奠定了理论基础；最后，结合实际交通流量观测数据，将BP神经网络应用于交通流量预测的过程，通过对比预测结果，验证了BP 神经网络具有良好的预测效果。本课题的研究有着一定的理论和应用价值。2交通流预测方法研究2.1交通流预测综述2.1.1交通流预测的研究内容常见的交通流预测是对交通流三大宏观参数，也就是流量、密度和速度进行预测，在之前多人的研究中，选用流量作为预测变量的比较多。Dougherty 和 Cobbet 用三个不同模型对城市道路的三大宏观交通参数进行预测，得出结论：对交通量和密度的预测结果比较理想，对速度的预测效果较差7。Levin 和 T sao 通过研究，认为交通量的预测比占有率的预测更稳定，效果更好8。21.2交通流预测流程（1）确定预测目的，制定科学预测计划从实际需要出发，确定预测要解决的问题。根据预测的对象制订科学的预测计划，包括预测的目的、对象、范畴界定、预测方法、时间和资金安排等。（2）收集、审核和整理资料准确和详尽的统计资料是交通信息预测的基础，资料的准确与否直接影响到预测的精度。得到需要的资料后，首先应对其进行审核与整理。资料的审核主要是审核来源是否可靠、准确齐备，资料是否具有可比性。资料的整理包括对不准确或个别异常的资料进行查证核实；对不可比的资料调整为可比；对短缺的资料进行估计推算并做标记；对总体资料进行必要的分类组合。（3）数据资料分析数据资料分析是预测方法和预测模型选取的前提，它是整个预测过程中的技术重点，数据资料分析的质量将对最终的预测质量产生影响。数据资料分析的内容包括：预测对象的可预测性分析、预测对象影响因素间的线性或非线性相关性分析等。（4）选取预测方法并建立预测模型预测方法的选取和预测模型的建立以科学的数据资料分析结论为前提。在掌握的基础数据不完整、不准确的情况下，一般考虑定性的预测方法；对于统计间隔较长的交通信息，应选取恰当的宏观交通信息预测方法；对于具有不同动力学特性的微观交通信息，应分别选取确定性、混沌、随机性的微观交通信息预测方法。针对选定的预测模型，还应根据历史数据进行模型参数估计。（5）分析预测误差，评价预测效果利用建立的预测模型，生成从已有数据时间点到未来时间点的预测值，通过和已有数据进行预测对比，分析预测模型的误差及其来源。对于微观交通信息，还应结合预测对象的可预测性质对预测效果进行评价。确定性微观交通信息本质上具备相对较长的预测期，混沌微观交通信息本质上只能被短期预测，随机性微观交通信息则根据其统计特性，具备一定的短期可预测性。（6）改进预测模型一方面，针对预测精度不符合交通信息可预测性质的模型，应根据预测效果评价结论，从预测机理、预测模型结构、模型参数选择与标定、数据预处理等方面进行改进型研究。另一方面，预测过程中随着时间的推移，信息数据不断涌现，当原来的预测模型已不能够如实反映实际交通情况的需要，就应采取滚动的预测方法：更新原始数据，多用最新的数据，去掉老的数据，以利于预测质量的提高9。2.1.3研究方法分类预测方法的分类如果按获取的数据来说可以分为时间序列预测方法和时空结合方法。前者对某一观测点的历史和当前数据来预测未来状况，后者将本观测点和上下游观测点的数据综合预测，考虑上下游对其的影响;如果按有无数学模型可分为基于模型预测和无模型预测算法;还可分为参数预测方法和非参数预测方法。较早期的交通流量预测方法主要有自回归滑动平均模型(ARMA)、自回归模型(AR)、滑动平均(MA)和历史平均(HA)等。这些线性预测模型考虑因素较简单，参数一般采用最小二乘法(LS)在线估计。相对而言，计算简单，易于实时更新数据，便于大规模应用，但这些模型未能反映交通流的不确定性和非线性，无法克服随机因素对交通流量的影响，所以随着时间间隔的减少，模型的预测精度就会变差。随着研究的深入，人们又提出了一批更复杂和更高精度的交通流量预测方法。其中有自回归综合移动平均(ARIMA)模型、自适应权重联合模型、卡尔曼滤波模型、指数平滑模型、各种神经网络模型、非参数回归模型、基于分形的方法等以及这些模型构成的多种组合预测模型。2.2典型方法介绍2.2.1 常规预测方法(1)移动平均法移动平均法是根据时间序列资料计算固定项数的序列平均数，消除不规则变动因素的影响，反应系统长期趋势的方法。移动平均法主要是用来预测时间序列的长期的、总体的发展趋势，此方法可以剔除序列受外界影响后起伏变化较大的数据。移动平均法可以分为一次、多次、加权和趋势移动平均法。（2）指数平滑法指数平滑法克服了移动平滑法中1）计算均值时需要较多的历史数据；2）将最近的 N期数据等权看待，而 t-N+ 1期以前数据的权值均为零这两个缺点，每次预测只需要两个数据即可，而且通过滚动加权预测的方法继承了前期数据的信息。指数平滑法可以分为一次指数平滑法、二次指数平滑法、差分指数平滑法等。（3）趋势曲线法趋势曲线模型预测是针对长期趋势预测的主要方法。它根据时间序列的发展趋势，配合合适的曲线模型，外推预测未来的趋势情况，描述预测对象的未来发展趋势。2.2.2智能预测方法（1）基于灰色系统理论的预测方法灰色预测，是指利用灰色系统理论对在一定范围变化的时间序列进行定量预测的过程。灰色预测的特点是通过对灰色系统进行灰关联度分析，然后对原始数据进行处理进而寻找系统发展规律，生成新数据序列，通过建立新数据序列的微分方程模型，来预测系统未来发展变化趋势。（2）基于人工神经网络的预测方法人工神经网络（Artificial Neural Networks，简写为 ANNs）通常简称为神经网络 NN（Neural network），是利用工程技术手段来模拟人脑神经系统的结构和功能。由于是模拟人脑神经系统，因此神经网络也具备了人脑神经系统的分布式信息存储、并行信息处理、自适应非线性的特点，故神经网络在进行交通信息的非线性预测也起到了非常重要的作用。（3）灰色马尔科夫预测模型马尔科夫链（马氏链）理论适合与表述随机过程的状态转移行为，是一种随机时间序列，即随机变量与时间都是离散的，无后效性。但马氏链对预测对象有特殊要求：预测对象必须具有平稳过程、等均值的特点。（4）遗传神经网络预测模型遗传算法（genetic algorithm, GA）是基于 Darwin 的进化论和 Mendel 的遗传学说。遗传算法提供了一种求解复杂系统优化问题的通用框架，通过将问题转化成由染色体组成的进化群体和对该群体进行操作的一组遗传算子，通过适者生存的进化机制，经过“生成评价选择操作”的进化过程反复进行，直到搜索出最优解为止。遗传算法和人工神经网络都属于仿生学理论成果。二者结合，不仅能发挥神经网络的泛化映射能力，而且能使神经网络克服收敛速度慢和易陷入局部最优的缺点。3 人工神经网络介绍3.1人工神经网络研究背景及特点3.1.1 人工神经网络国内外研究背景随着人工神经网络20世纪80年代在世界范围内的复苏,国内逐步掀起了研究热潮.1989年10月和11月分别在北京和广州召开了神经网络及其应用讨论会和第一届全国信号处理神经网络学术会议;1990年2月由国内八个学会(中国电子学会、人工智能学会、自动化学会、通信学会、物理学会、生物物理学会和心理学会)联合在北京召开“中国神经网络首届学术会议”.这次大会以“八学会联盟,探智能奥秘”为主题,收到了300多篇学术论文,开创了中国人工神经网络及神经计算机方面科学研究的新纪元.经过十几年的发展,中国学术界和工程界在人工神经网络的理论研究和应用方面取得了丰硕成果,学术论文、应用成果和研究人员逐年增加.在国际上,1987年,在美国加洲召开了第一届国际神经网络学会.此后每年召开两次国际联合神经网络大会(IJCNN).不久,该学会创办了刊物JournalNeu-ral Networks,另有十几种国际著名的神经网络学术刊物相继问世.至此,神经网络理论研究在国际学术领域获得了其应有的地位10。神经网络就是在这个背景下发展起来的，自 20 世纪 80 年代后期以来，神经网络已经取得了很大的进展。现今，各国、各领域的学者关于神经网络的研究不断的在发展，已提出了上百种神经网络模型；神经网络方面的研究已成为人工智能领域一个极为重要的研究课题。3.1.2 人工神经网络特点人工神经网络采用物理上可实现的器件或采用计算机来模拟生物体中神经网络的某些结构和功能，并应用到工程领域。神经网络的着眼点不在于利用物理器件完整地复制生物体中的神经细胞网络，而是抽取其中可利用的部分来克服目前计算机或其他系统不能解决的问题，如学习、控制、识别等。虽然人工神经网络与真正的生物神经网络有差别，但由于它汲取了生物神经网络的部分优点，因此具有一些固有的特征：(1)人工神经网络在结构上与目前的计算机本质不同。它是由很多小的处理单元互相连接而成的，每个处理单元的功能简单，但大量简单的处理单元集体的、并行的活动得到预期的识别、计算的结果，具有较快的速度。(2)人工神经网络具有非常强的容错性。局部的或部分的神经元损坏后，不会对全局的活动造成很大影响。(3) 人工神经网络记忆的信息是储存在神经元之间的连接权值上，从单个权值中看不出储存信息的内容，它是分布式的储存方式。(4) 人工神经网络的学习功能十分强大，它的连接权值和连接的结构都可以通过学习得到11 。3.2 人工神经网络基本原理人工神经网络 （Artificial Neural Networks . ANN）简称神经网络 （NN），是对人脑或自然神经网络若干基本特性的抽象和模拟，是一种基于连接学说构造的智能仿生模型，是由大量神经元组成的非线性动力系统。3.2.1 人工神经元模型人工神经元是对生物神经元的模拟与抽象，是神经网络的基本处理单元。目前人工神经网络模型大多采用由心理学家W.McCulloch和数理逻辑学家W.H.Pitts共同提出的M-P模型，图1.1表示一个人工神经元模型。 图3-1 人工神经元模型图中为该神经元的个输入，来自外部或者其它神经元的输出。表示与该神经元相连的个神经元之间的连接强度，称为权值；称为激活值，表示这个人工神经元的输入总和；表示这个神经元的输出；表示这个人工神经元的阈值。这个输入信号的加权和超过，则人工神经元被激活。这样，人工神经元的输出可描述为： （3-1） 其中表示神经元输入 输出关系函数，称为激活函数或输出函数。阈值一般不是一个常数，它是随着神经元的兴奋程度而变化的。3.2.2 激活函数在神经网络中，网络解决问题的能力与效率除了与网络结构有关外，在很大程度上取决于网络所采用的激活函数。激活函数的选择对网络的收敛速度有较大的影响，针对不同的实际问题，激活函数的选择也应不同。常用的激活函数有以下几种形式1. 阈值函数 其表达式为： （3-2） 该函数通常也称为阶跃函数。当激活函数采用阶跃函数时，人工神经元模型即为MP（McCulloch-Pitts）模型。此时神经元的输出取1或0，反应了神经元的兴奋或抑制。2. 线性函数（Linear）其表达式为： （3-3） 该函数可以在输出结果为任意值时作为输出神经元的激活函数，但是当网络复杂时，线性激活函数大大降低网络的收敛性 ，故一般较少采用。3. 对数S形函数（Sigmoid）其表达式为： （3-4） 对数形函数的输出介于之间，常被要求为输出在范围的信号选用。它是神经元中使用最为广泛的激活函数。4. 双曲正切形函数 其表达式为： （3-5） 双曲正切形函数类似于被平滑的阶跃函数，形状与对数形函数相同，以原点对称，其输出介于之间，常常被要求为输出在范围的信号选用。3.3 BP神经网络(1)BP神经网络拓扑结构BP 神经网络是一种多层前馈神经网络，主要特点是信号前向传递，误差反向传播，属于有教师学习方式。基本思想是：在前向传递中，信号经输入层、隐含层、输出层逐层处理并传递，检查预测输出与给定输出之间的误差，若没有达到精度要求，则转入反向传播，根据检测到的误差来调整输入层与隐含层，隐含层与输出层之间的权值和阈值，从而使预测输出不断逼近地期望输出。三层 BP 神经网络的拓扑结构如图3.2所示。图3-2 三层BP神经网络的拓扑结构图(2)BP网络实现步骤Step1：网络初始化。置输入层到隐含层，隐含层到输出层的所有权值为任意小的随机数，并设定初始阈值。Step2：提供训练样本。根据学习规则，需要提供输入向量和相对应的输出向量。Step3：从输入层开始向隐含层、输出层逐层计算输出。Step4：调整权值。根据误差，从输出层节点开始，到隐含层节点，再到输入层节点逐层的调整权重。Step5：返回 Step2 重新计算，直到误差满足要求为止。4 基于BP神经网络的交通流量预测本章分别结合路口小时和日的实际交通流量观测数据，基于BP神经网络使用 Matlab 实现交通流预测并得到预测结果。 4.1 预测实例描述4.1.1小时交通流量预测分析(1)小时交通流量变化分析对一交通路口每小时的车流量进行统计，获得某7天的小时流量数据如下： 表4-1 路口某7天的小时流量车辆数时间样本1样本2样本3样本4样本5样本6样本700:003029312928302501:002423252423232402:003130332830292703:002431243025312904:003130293031323005:004748464647484706:007172707172737007:0010110010210010110310408:0015015115215415515215709:0018517017519018819118910:0026024325525926125426111:0024325424724224325724412:0027027325127126827827013:0028528226629928530128114:0031531731528931130031515:0032430130932431032131216:0037338036735435336638017:0033033331131435433135418:0029529731229929529931219:0022020121922121323123120:0017517318017916817717121:0014413413314814413413722:008091829986788123:0069636270765964由于车流量具有时间段的特性，我们将24小时划分为6个时间段:0:00 4:00,4:00 8:00,8:00 12:00,12:00 16:00,16:00 20:00,20:00 24:00统计出每个时间段流量最多的时刻，并计算出该区间段的平均流量作为该时刻的流量。我们可以获得以下时刻的流量数据：表4-2 训练样本数据样本1样本2样本3样本4样本5样本6样本702:002703:002802:002803:002802:002703:002803:002607:006307:006307:006207:006207:006307:006407:008410:0021011:0020510:0020710:0021110:0021211:0021410:0021315:0029914:0029314:0028515:0029614:0029415:0030014:0029516:0030516:0030316:0030216:0029717:0025416:0030716:0031920:0011720:0011520:0011420:0012420:0011920:0011220:00113（2）预测结果 4-1 训练样本1的拟合情况 4-2 训练样本2的拟合情况 4-3 训练样本3的拟合情况 4-4 训练样本4的拟合情况4-5 训练样本5的拟合情况 4-6 训练样本6的拟合情况 4-7 训练样本7的拟合情况 4-8 预测结果4.1.2 日交通流量预测分析（1）日交通流量变化分析数据使用的是一交通路口一个月的交通流量数据。由表可以看出：交通量每周从周一到周四交通量缓慢增加，到周四达到约 2560 辆，周五下降至一周最小约为 2340 辆，周六、周日交通量急剧增大，到周日达到最大值约 2900 辆。表4-3 路口某月的日交通流量车辆数日期样本1样本2样本3样本4样本5样本6样本7123852301238724402388233423562246024542456246024602454245632510256625432510251025662543425612561254425662561256125445234423482421245123442348242162598261025992898259826102599728912888288028012891288828808230123852301238723342301230192454246024542456245424542454102566251025662543256625662566112561256125612544256125612561122348234423482421234823482348132610259826102599261026102610142888289128882880288828882888152387244024872407238723012387162456246024562456245624542456172543251025782563254325662543182544256625442604254425612544192421245125212411242123482421202599259826322629259926102599212880290128802880288028882880222440238824872388238724402407232460246024602460245624602456242510251024982510254325102563252566256125662561254425662604262451234424512344242124512411272598259825982798259925982629282901289128712691288029012880292480258025772651238724402388302440246724402521245624602460我们对一交通路口每天的交通流量进行统计，根据流量的时间分布特点，把一个月划分成6个时间段：1 5,6 10,11 15,16 20,21 25,26 30. 统计出每个时间段流量最多的日期，并计算出该区间段的平均流量作为该日的流量。我们可以获得以下的流量数据： 表4-4 训练样本数据样本1样本2样本3样本4样本5样本6样本74254232446224704248542453324534297372562725717256062617725697256472560142559142567142579142570142558142542142559202513202517202546202533202513202508202513212571212564212578212560212562212573212582282574282576282587272601282549282570282554（2）预测结果4-9 训练样本1的拟合情况 4-10 训练样本2的拟合情况4-11 训练样本3的拟合情况 4-12 训练样本4的拟合情况4-13 训练样本5的拟合情况 4-14 训练样本6的拟合情况4-15 训练样本7的拟合情况 4-16 预测结果5 结论本文将神经网络技术研究与交通信息预测研究紧密结合，在总结国内外研究成果的基础上，对已有的交通流预测方法进行了分类分析，并对每种研究的基本方法进行了具体介绍；再次，重点研究了智能预测中的人工神经网络理论，介绍了神经网络的发展、特点、结构以及学习理论，分析了 BP神经网络的具体步骤，为交通流预测的实现奠定了理论基础；最后，结合实际交通流量观测数据，将BP神经网络应用于交通流量预测的过程，通过对比预测结果，验证了BP 神经网络具有良好的预测效果。但在本文的基础上,还有可以继续深入改进和研究的必要。（1） 论文只对神经网络中的 BP神经网络做了具体研究与实例分析，还可以结合神经网络研究的一些新进展（遗传神经网络）对交通流量进行预测。（2） 论文若能够提取到更完整的交通信息数据，进行多因素的预测，那么预测精度应该会有很大的提高。 致谢语本科毕业论文撰写是本科生期间最后的学习过程。本篇论文从选题、构思、修改到定稿，每一阶段都受到黄振坤导师的悉心指导。黄老师多次询问论文进程，帮助我们制定论文每一步的完成时间,并利用自己的宝贵时间,多次为我指点迷津，帮助我开拓研究思路，精心点拨、热忱鼓励。黄老师兢兢业业、对学生认真负责的工作态度，让我终生受益。借此机会，向黄老师致以最诚挚的谢意！同时，也要感谢那些帮助过我的同学们。在论文完成中帮助我一起探讨论文中的难点，使我得以顺利地完成此次毕业论文，在此由衷地感谢他们。【参考文献】1 曹炜.基于BP神经网络的城市交通流量预测与路口分析D.昆明理工大学，2006.2 何伟.模糊神经网络在交通流量预测中的应用研究D.兰州交通大学，2012.3 李存军.基于集成神经网络的城市道路交通流量隔合预测研究D.西南交通大学，2004.4 冯明发，卢锦川.粒子群优化RBF神经网络的短时交通流量预测J.计算机仿真，2010,12:31-335 韩超.基于时间序列分析的短时交通流量实时自适应预测D.北京工业大学，20046 兰云.短时交通流预测研究D.西北工业大学，2002.7 Levin M,T sao Y D.On forecasting freeway occupaircies and volumesJ.Transportation Research Record,1980,773:47-498 Dougherty M S,Cobbet M R. Short-term inter-urban traffic forecasts using neuralnetworksJ.International Journal of Forcasting,1997,13:21-31. 9 曹虹.基于BP神经网络的交通流量预测D.长安大学，2012.10 朱大奇.人工神经网络研究现状及其展望J.江南大学学报，2004,1(3):103-11011 王宏杰，魏先锋，陈静等.浅析人工神经网络J.中国科技信息，2007,18:319-320 附录实现代码:(1)日交通流量预测代码clc;clear all;close all;%获得7个样本的交通流量，一个月分为六个时段统计流量，%1 5，6 10，11 15，16 20，21 25，26 30T= 4