应用研究
浅谈数据挖掘技术在高速公路流量监测上的应用
冯漪平
(贵州高速公路开发总公司联网收费管理中心贵州贵阳550001)
摘要：本文分析了现在流行的交通流量预测的发展方向及进展。具体介绍了交通流量预测的相关模型，并对这要模型进行了讨论，并用实例验证了数据挖抵技术在高造公路流量监测上应用的可行性，重点介绍了基于BP神经网络模型预测的方法。
关键调：交通流量数据挖据BP神经网络
中图分类号：TP3
文献标识码：A
文章编号：1007-9416(2012)04-0086-01
交通流量预测是现在研究智能交通系统的热门研究课题，通过交通流量预测方法对相关数据进行建模，预测未来交通流量，进一步更好地制定忙时交通分流预案，配备合适的运营资源。因此我们在本文分析了现在流行的交通流量预测的发展方向及进展。具体介绍了交通流量预测的相关模型，并对这些模型进行了讨论，验证数据挖掘技术在高速公路流量监测上应用的可行性。。
现有的短时交通流量预测方法大致可以分为以下两大类：第一
类是以数理统计和微积分等传统数学和物理方法为基础的，它主要包括早期的历史平均模型，自回归滑动平均模型(ARMA)，以及后来研究的更复杂，更精度的多元回归模型，KalmaⅡ滤波模型， ARIMA模型等，第二类是无数学模型的预测方法，它需要自已建立新的算法来实现，主要方法有非参数回归，谱分析法，基于小波理论的方法，神经网络等。
BP神经网络模型把一组样本的/O的输入输出问题转化一个非线性优化的问题，它实际是优化中最普通的梯度下降法。假如把这种神经网络的看作是从输人层到输出层的映射，则这个映射是一个高度非线性得关系。
设计一个神经网络模型其重点在于模型网络的构成以及学习算法的取向问题。总体来看，结构是根据所研究领域以及所要解决的实际问题所决定的。通过对其所研究的问题的大量历史资料数据的研究以及当前对神经网络理论发展水平，建立适当的网络模型，并针对所选的网络模型采用适合这种模型的学习算法，在整个网络学习过程中，要不断地调整网络从而调整其相应的参数，直到输出精确的结果，达到预测的目的。
BP神经网络模型的预测步骤为：
首先是要对训练样本进行选取和预处理。根据研究状况以及目标，选取合适的训练样本和检验样本，由于BP神经网络各层转换函数以及学习规则是不同的，所以在指人样本之前要对辅人的样本作
预
然后再去确定建造BP网络的结构，这包括变量的选
取，隐层和隐层节点数的选取等问题，把输人样本输人到BP神经网络模型中，再进行仿真训练，最后预测出该网络的输出值，再拿该期望值与实际输出进行比较，根据误差去反复的修改误差，从而改变权值以及阔值，直到误差一个可接受的范围，完了再用检验样本进行对比，判断结果，然后对结果进行比较分析，最后认可该网络模型的算法，就可以对未来交通流量进行精确地预测了。
BP神经网络设计大致可以包含以下几个部分：首先是对模型的建立、数据采集并且预处理，然后对输人到模型特征间量的数据进行预测、通过预测的数值去判断是否符合实际数值等。该模型网络的建立是整个系统是否成功的关键，本文的设计也是神经网络的个应用，只要选择的数据完备、可靠、准确，就有可能得到符合预
测的网络模型。数据的采取需要有实时的数据采集系统。事实上预处理的过程要求根据数据的实际情况进行预处理，我们的文章的数据都是来自高遵公路监控部门，故具有完备的、一致的，因此要首先要对其进行数据变换。对于系统的输出数值是否满足实际数值，只要将其所得到的预测值和数学期望值进行比较，所得的数值满是在数学期望值的附近(一般误差在10%以下，该系统设计是成功的)且其误差值小于预先设定的误差值时，就可以认为该系统可以成功预测高速公路交通流量，可以先把它记下来；反之，认为将得不到合适的数值，需要不断的改变权值
对输人到网络模型特征间量数据进行预测是我所研究的重点，
这第一步首先是需要建立合适的网络模型，首先将对应的高遵公路交通流量的特征间量数据预处理后，输入到网络进行训练，仿真训练结束后，用检验样本的特征向量进行检验，然后用最后一组数据对该模型测试，分析其模型的实际是否有效，判断其是否是符合实际交通流量预测的模型，那么此系统就可以进人到实际的预测阶段。综上所述，只要特征向量的数值的选择较为合适，就有可能建立起较为合适的模型，可以用此来对高速公路交通流量进行预测。所以，BP神经网络作用于高速公路交通流量的预测中是可行的并且是可靠地。
在相同的结构的网络中，因为BP算法它本身存在多个局部的极小点，所以要不断的改变赋予网络连接权值以此来求得相应的网络极小点，从而通过比较这些极小点的网络误差，然后再确定整个网络结构的极小点，以此得到适合该网络的合适权值。在该网络中，神经网络的训练的过程事实上是求该网络结构的极小点的问题，所以，在全局极小点领域内，各个网络连接权值之间存在着巨大的差异，也会导致各个神经元的重要性发生相应的变化。当在不满足险含层节点数的条件时，也可以求得该网络模型的训练样本误差很小的投小点值，同时该检股样本的课误差也许比设值要大许多，如果
络的初值改
相应的网络计算出的结果会发生很大的改变。
用BP神经网络的高速公路交通流量预测的模型的建立可以总结出，在应用BP神经网络解决现实存在的间题中，网络结构参数的确定，训练算法和参数的选取，暂学没有已经实践证明了合适的理论作为指导，只能通过大量的科学实验，最后通过计算获得，这占用了大量编程人员的大量时间和精力，然而Matlab软件为我们提供了这些便捷，它为我们提供了现成的神经网络工具箱，即是它拥有这方面大量地函数库。
Matlab软件的神经网络工具箱应该是囊括了现在所有的网络模型，例如：径向基函数网络，BP网络，线性网络，感知器等等网络模型，对于这些模型，Matilab软件中的库函数提供了大量地算法模型，为我们广大使用者提供了方使，