【正文】 最后，再一次感謝李全老師，您處事的那種嚴正不阿的態(tài)度讓我學到了很多，我將來一定要做一個好好服務社會的人。畢業(yè)設計的完成也預示著大學生涯的悄然結束，在此，首先感謝為母校默默付出著，教育我們的老師、領導們，是你們的辛勞讓我們有了美好的大學生活，讓我們的青春更加多姿多彩，讓我們在學習知識之余汲取了社會的經(jīng)驗?；叵肫饋?，整個設計過程是悲喜交加的，有苦有淚，但是，經(jīng)過了自己的努力，最后終于做完了整個設計，看到自己努力的成果，內心雖然說不上是洶涌澎湃，但是還是壓抑不住內心的那份激動。美好的家園要靠大家的共同努力，只有這樣，我們才能根治城市交通的擁擠問題，讓我們的生活更加和諧。本文利用計算機對預測方案進行了仿真研究，結果基本滿意。本文主要研究了城市主干道交通狀態(tài)的預測方案，先闡述了交通流理論，再利用Elman神經(jīng)網(wǎng)絡，進一步對城市主干道交通進行模擬預測?，F(xiàn)在城市的主干道路上，一到上下班的時間，公路基本上是處于擁擠的狀態(tài)，就單單是等紅綠就讓我們感到心煩，如果能把這些在道路上浪費的時間去做自己認為有意義的事情上，少吸幾口廢氣，那我們的生活就可以變的更加有意義，變的更加精彩了，我們的身體也越趨健康。因此通過研究城市交通主干道交通狀態(tài)預測方案進而尋找出更好的、更有效的交通控制方法來控制調節(jié)進入城市道路上的交通流量具有深刻的現(xiàn)實意義。短短的一段路，倘若塞起車來，用網(wǎng)絡流行點的話語來講是一塞回到解放前。 本章小結本章對Elman神經(jīng)網(wǎng)絡的原理和網(wǎng)絡結構進行了介紹，然后構建了用于預測短時交通流量的Elman回歸神經(jīng)網(wǎng)絡；最后運用Matlab軟件對樣本數(shù)據(jù)進行仿真對比，得到預測值在允許誤差范圍內，說明了用Elman回歸神經(jīng)網(wǎng)絡進行短期交通流預測是可行的。每預測一個樣本，重新訓練Elman神經(jīng)網(wǎng)絡測下一個樣本。 表41中山解放路某路口東西直行的部分交通流量數(shù)據(jù)時間段流量時間段流量2004914 1：004902004914 13：0012362004914 2：003842004914 14：0014072004914 3：002702004914 15：0014262004914 4：002292004914 16：0015772004914 5：002552004914 17：0013712004914 6：003992004914 18：0013712004914 7：009612004914 19：0012422004914 8：0011422004914 20：0012312004914 9：0013802004914 21：0013712004914 10：0014652004914 22：0012962004914 11：0015122004914 23：008772004914 12：0012312004914 24：00604對以上兩路口的交通流數(shù)據(jù)的分析得，其交通流存在混沌性可以用Elman回歸神經(jīng)網(wǎng)絡對它進行訓練和預測，應用MATLAB語言編制m文件程序來進行仿真。通過an=sim(net,p)函數(shù)對回歸神經(jīng)網(wǎng)絡進行仿真?！皌rainlm”訓練的輸出向量與期望向量更為接近，網(wǎng)絡訓練過程中，誤差曲線下降速度快，訓練步數(shù)比“traindx”或“triangda”更少，因此采用“trainlm”作為訓練方法。回歸神經(jīng)網(wǎng)絡的輸出層神經(jīng)元數(shù)目為1個，隱含層神經(jīng)元數(shù)目為m個。[net,tr]=train(net,p,t)。,192736547)。randn(39。=N。)。},39。,39。編寫Matlab程序如下：net=newelm(minmax(p),[m,1],{39。而網(wǎng)絡實現(xiàn)的類似查表的功能會在過度訓練的極端情況下顯示。通常的做法是，將收集到的可用樣本隨機地分為兩部分：一部分作為訓練集；另一部分作為測試集。在訓練過程中要反復隨機使用樣本集數(shù)據(jù)，通常需要成千上萬次訓練才能訓練出一個網(wǎng)絡。 Elman回歸神經(jīng)網(wǎng)絡的創(chuàng)建及訓練完成網(wǎng)絡設計后，需用設計值進行訓練。為了使每項輸入在網(wǎng)絡訓練中能受到同等待遇，我們在處理網(wǎng)絡輸入數(shù)據(jù)時，需把它變換至一個相對較小的范圍內，如在0～1間。尤其是在高端預估得一般比實際值低，而在低端預估得一般比實際值高，即是說用神經(jīng)網(wǎng)絡預測出來的范圍要小于實際范圍。當輪流集中輸入各類樣本時，振蕩會出現(xiàn)在網(wǎng)絡訓練中，造成了訓練時間的延長。組織樣本的時候要注意交叉輸入不同類別的樣本，或隨機選擇輸入訓練集中的樣本。即使同一類樣本也要照顧其多樣性和均勻性。2．樣本的選擇與組織樣本能表現(xiàn)出網(wǎng)絡訓練的規(guī)律，所以樣本的選取一定要富有代表性。影射關系越復雜，則樣本噪聲就越大，所需要的樣本數(shù)也越多，因而網(wǎng)絡的規(guī)模也就越大。此外，樣本收集和整理過程中往往也會受到諸多客觀因素的影響。訓練用的樣本決定了網(wǎng)絡性能的好壞，而一個注重了樣本規(guī)模的同時又注重了樣本質量的訓練樣本集才算得上一個好的樣本。反之，所得的系統(tǒng)就不符合實際要求。 樣本數(shù)據(jù)選擇樣本數(shù)據(jù)對網(wǎng)絡泛化能力有關鍵性的影響，訓練網(wǎng)絡所使用的樣本數(shù)據(jù)應從樣本的質量、數(shù)量和代表性三個方面考慮。但在某個特定的時間段內，每條干道上的車流量、車速甚至是車的類型又是有規(guī)律可循的，其具有豐富的內部層次有序結構，是一種介于隨機性和確定性之間的現(xiàn)象。3．如果使用train( )函數(shù)，就調用訓練函數(shù)來調整權值和閾值；如果使用adapt( )函數(shù)，就調用學習函數(shù)來調整權值和閾值。2．計算該誤差對權值和閾值的梯度，進行反向傳播。 Elman神經(jīng)網(wǎng)絡的訓練Elman神經(jīng)網(wǎng)絡的訓練可用train( ) 函數(shù)和adapt( ) 函數(shù)，訓練函數(shù)可以選擇traingd、traingdm、traingda、traingdx，學習函數(shù)可用learngd和learngdm。執(zhí)行結果：創(chuàng)建一個Elman神經(jīng)網(wǎng)絡。BLF—反向傳播權值/閾值的學習函數(shù)，可以是learngd, learngdm缺省值為“l(fā)earngdm”。TFi—第i層的傳遞函數(shù)，缺省值為“tansig”。 Elman神經(jīng)網(wǎng)絡的創(chuàng)建指令格式為net=newelm(PR, [S1 S2……SN1], {TF1 TF2……TFN1}, BTF, BLF, PF)參數(shù)意義：PR—R個輸入元素的范圍矩陣。說明了與過去不同時刻的連接權（，…）有關,也就是說 是一個動態(tài)遞推過程。設外部輸入為，輸出為y(k) ，中間層的輸出為x(k) ，則可得到的非線性狀態(tài)空間表達式如下： (41) (42) (43)式中指承接層到中間層，指輸入層到中間層，指中間層到輸出層的連接權矩陣，中間層和輸出層的傳遞函數(shù)分別用f和g表示。前饋網(wǎng)絡的輸入包括外部輸入值和中間層前一時刻的輸出值，可通過反向傳播算法來訓練它。同時，網(wǎng)絡本身處理動態(tài)信息的能力也隨內部反饋網(wǎng)絡的加入大大增強，最后達到了動態(tài)建模的目的。Elman神經(jīng)網(wǎng)絡原理如圖41所示。輸入層單元和輸出層單元分別起信號傳輸作用和線性加權作用，隱含層單元用線性或非線性函數(shù)作為傳遞函數(shù)，承接層即上下文層，顧名思義是用來記憶中間層單元前一時刻的輸出值并返回給輸入。 Elman神經(jīng)網(wǎng)絡的結構及原理Elman型回歸神經(jīng)元網(wǎng)絡通常分為4層：輸入層、輸出層、中間層和承接層。為了達到記憶目的，該模型增加了一個承接層在前饋網(wǎng)絡的隱含層中， 讓系統(tǒng)具有了適應時變特性的能力。 本章小結本章首先對神經(jīng)網(wǎng)絡進行了詳細的概述，然后再對其結構模型進行了詳細的說明，最后論述了其特點及學習方式、算法，使人對神經(jīng)網(wǎng)絡有初步認知。當神經(jīng)元的輸出為時，采用公式313是使趨向輸出的值，是外星學習規(guī)則。最后求出權值的調整公式： （312）其中，第次調整權值用表示；學習率用表示，且，用來掌控權值調整的快慢。然后給定輸入的樣本對和輸出的樣本對。首先設置一個較小的隨機非0值作為初始權值，輸入的樣本對和輸出的樣本對也先給定；然后再算目標函數(shù)，那么神經(jīng)元以第組樣本為輸入的輸出公式為： （38） （39） （310）