基于小波神经网络的短时交通流预测研究
摘要：采用小波神经网络方法预测短时交通量，给出了小波变换的基本原理，选取母小波为隐含层基函数构建小波神经网络的基本框架。在实例中，通过对比传统BP神经网络说明小波神经网络的准确性。实验表明，小波神经网络优于BP神经网络。
关键词：短时交通量 预测 母小波 小波神经网络
1、小波理论
小波分析是针对傅里叶变换的不足发展而来，小波变换经常和傅里叶变换做比较，在那里信号用正弦函数的和来表示。主要的区别是小波在时域和频域都是局部的，而标准的傅里叶变换只在频域上是局部的。短时距傅里叶变换也是时域和频域都局部化的。但有些频率和时间的分辨率问题，而小波通常通过多分辨率分析给出信号更好的表示。
1.1母小波
小波神经网络权值参数修正类似于BP神经网络权值修正，采用梯度修正法修正网络的权值和小波基函数参数，从而使小波神经网络预测输出不断逼近期望输出。
2.2小波神经网络算法步骤
步骤2：计算预测输出、网络实际和预测误差e。
步骤3：根据误差e修正网络权值和小波函数参数，使网络预测值逼近实际值。
步骤4：判断算法是否结束，如果没有，返回步骤2。
3、实例分析
通过调查重庆市某路段获取276+92组数据样本。其中每组数据间隔15min，前276组用于训练网络，后92组用于测试网络准确性。
3.1小波神经网络分析
本次小波神经网络设计三层网络，分别为4个节点的输入层、6个节点的隐含层、一个节点的输出层。根据上述理论，预测结果如图1、2所示。
3.2预测准确性分析