基于神經(jīng)網(wǎng)絡(luò)的信號(hào)交叉口進(jìn)口車道交通延誤預(yù)測(cè)

林得剛，鄭長(zhǎng)江，陳淑燕

(1.河海大學(xué) 土木與交通學(xué)院，江蘇 南京 210098;2.東南大學(xué) 交通學(xué)院，江蘇 南京 210096)*

0 引言

人工神經(jīng)網(wǎng)絡(luò)作為非線性模擬技術(shù)以其良好的學(xué)習(xí)能力在許多領(lǐng)域眾多學(xué)科中扮演了舉足輕重的角色，在交通中的應(yīng)用［1-9］也取得了豐碩的成果.例如:對(duì)城市短時(shí)交通流進(jìn)行預(yù)測(cè)，結(jié)合遺傳算法和粒子群算法進(jìn)行時(shí)交通流量預(yù)測(cè)，結(jié)合模擬數(shù)據(jù)對(duì)交叉路口車輛到達(dá)進(jìn)行預(yù)測(cè)，對(duì)居民出行產(chǎn)生量預(yù)測(cè)，利用模糊神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)復(fù)雜路口的車輛通行的實(shí)時(shí)控制，實(shí)現(xiàn)可變相位的模糊控制，利用模糊神經(jīng)網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)對(duì)復(fù)雜路口的車輛通行的實(shí)時(shí)控制，建立交通數(shù)據(jù)序列動(dòng)態(tài)可預(yù)測(cè)性分析，交通狀態(tài)判別等等.

人工神經(jīng)網(wǎng)絡(luò)中在交通領(lǐng)域得到廣泛應(yīng)用，但是它在交通延誤特別是在城市信號(hào)交叉口的交通延誤預(yù)測(cè)方面并沒(méi)有充分發(fā)揮其優(yōu)勢(shì)，而機(jī)動(dòng)車在進(jìn)口車道的交通延誤的分析預(yù)測(cè)對(duì)評(píng)價(jià)信號(hào)交叉口的服務(wù)水平、信號(hào)控制方案的設(shè)計(jì)和優(yōu)化等有著重要的意義［10］.鑒于此，本文創(chuàng)新地嘗試將BP網(wǎng)絡(luò)技術(shù)應(yīng)用于信號(hào)交叉口進(jìn)口車道的交通延誤預(yù)測(cè)，建立了用于預(yù)測(cè)交通延誤的神經(jīng)網(wǎng)絡(luò)模型，并應(yīng)用歷史交通延誤數(shù)據(jù)進(jìn)行訓(xùn)練、預(yù)測(cè)、分析，獲得了較為滿意的結(jié)果.

1 BP神經(jīng)網(wǎng)絡(luò)原理及其應(yīng)用方法

1.1 BP神經(jīng)網(wǎng)絡(luò)基本原理概述

BP神經(jīng)網(wǎng)絡(luò)實(shí)際上是多層感知機(jī)網(wǎng)絡(luò)［11］，是一種采用Sigmoid功能函數(shù)的前向多層網(wǎng)絡(luò)，是基于誤差調(diào)整算法的有教師網(wǎng)絡(luò).由于網(wǎng)絡(luò)的學(xué)習(xí)采用的是誤差反向傳播算法(error back propagation method)，因此，稱之為BP神經(jīng)網(wǎng)絡(luò).BP神經(jīng)網(wǎng)絡(luò)是由輸入層、若干隱藏層和輸出層組成.連接結(jié)構(gòu)是前后相鄰的兩層節(jié)點(diǎn)均相連，非相鄰層的節(jié)點(diǎn)、同層的節(jié)點(diǎn)之間無(wú)任何連接.從輸入層開始按照以上連接方式直到輸出層，連接結(jié)束.在BP神經(jīng)網(wǎng)絡(luò)中，除輸入層節(jié)點(diǎn)外，其余的神經(jīng)元的輸出函數(shù)f全部采用可微分的函數(shù)［11］，例如S型函數(shù).文中采用的是三層BP神經(jīng)網(wǎng)絡(luò)，所建立的用于交通延誤預(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示.

圖1 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

1.2 基于BP神經(jīng)網(wǎng)絡(luò)的交通延誤預(yù)測(cè)方法

在用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)交叉口交通延誤時(shí)，首先要以交通調(diào)查數(shù)據(jù)處理后所得的延誤數(shù)據(jù)為樣本訓(xùn)練該BP網(wǎng)絡(luò).該神經(jīng)網(wǎng)絡(luò)的訓(xùn)練主要的步驟及其具體算法的計(jì)算公式，參考文獻(xiàn)［6］.

經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)能夠有效地提取蘊(yùn)藏在所調(diào)查的信號(hào)交叉口進(jìn)口車道交通延誤樣本中的非線性映射關(guān)系，并以權(quán)值、閾值的分布形式儲(chǔ)存起來(lái).當(dāng)用歷史的交通延誤預(yù)測(cè)數(shù)據(jù)完成對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練之后，該網(wǎng)絡(luò)模型的精度即已經(jīng)達(dá)到預(yù)設(shè)的精度要求.

在運(yùn)行階段，當(dāng)向神經(jīng)網(wǎng)絡(luò)輸入非樣本時(shí)，它便能完成從輸入n維空間到輸出q維空間的任意非線性映射［12］，在這里完成的是從輸入已知的4維交通延誤歷史數(shù)據(jù)空間到輸出1維交通延誤預(yù)測(cè)數(shù)據(jù)空間的非線性映射.因此，神經(jīng)網(wǎng)絡(luò)能夠通過(guò)學(xué)習(xí)逼近所期望的非線性映射，從而較為準(zhǔn)確的描述不方便用數(shù)學(xué)關(guān)系來(lái)描述的信號(hào)交叉口交通延誤規(guī)律，完成對(duì)未來(lái)短時(shí)交叉口進(jìn)口車道交通延誤預(yù)測(cè).綜上即為用神經(jīng)網(wǎng)絡(luò)進(jìn)行交通延誤預(yù)測(cè)的基本原理.

2 應(yīng)用實(shí)例

2.1 基于點(diǎn)樣本法獲取交通延誤數(shù)據(jù)及預(yù)處理

影響行車延誤的有關(guān)因素主要有:駕駛員本身的特點(diǎn)、車輛的性能、道路的性質(zhì)、轉(zhuǎn)向車的比例、交通負(fù)荷、服務(wù)水平、交通信號(hào)控制、環(huán)境等.城市道路交叉口空間資源的分時(shí)利用，使得作為城市道路節(jié)點(diǎn)的城市交叉口，一直是城市道路交通系統(tǒng)的咽喉，大約有80%的交通延誤發(fā)生在交叉口.信號(hào)交叉口延誤的調(diào)查本文采用點(diǎn)樣本方法，所調(diào)查的交叉口為定時(shí)信號(hào)控制，選定的取樣時(shí)間保證了不能被周期長(zhǎng)度所整除.采用點(diǎn)樣本方法獲得的數(shù)據(jù)是車輛在交叉口引導(dǎo)上的排隊(duì)時(shí)間.點(diǎn)樣本法將根據(jù)以下的公式得出相應(yīng)的有關(guān)延誤的數(shù)據(jù):

(1)調(diào)查期內(nèi)總延誤為

式中，D為調(diào)查期內(nèi)總延誤;N為總停車車輛數(shù);t為時(shí)間間隔.

(2)停車車輛的平均延誤為

(3)引道車輛的平均延誤為

(4)停車車輛百分比為

式中，p為引道上停車車輛的百分比;nsp為停車車輛數(shù).

(5)停車百分比的容許誤差為

式中，K為置信度;Nmin為進(jìn)行延誤調(diào)查的最小樣本容量.

點(diǎn)樣本法的優(yōu)點(diǎn)是該法為自動(dòng)調(diào)整，個(gè)別樣本的錯(cuò)誤或遺漏對(duì)總的結(jié)果幾乎沒(méi)有什么影響，因?yàn)槊恳粋€(gè)樣本相對(duì)于前面的樣本都是獨(dú)立的.調(diào)查定周期性信號(hào)交叉口的交通延誤，還要注意選擇的時(shí)間間隔不能被信號(hào)周期所整除.但需要注意的是:點(diǎn)樣本法得到的是引道平均延誤時(shí)間;當(dāng)停駛車輛百分?jǐn)?shù)很高時(shí)，點(diǎn)樣本法很難使用.

2.2 信號(hào)交叉口進(jìn)口道交通延誤實(shí)例調(diào)查和數(shù)據(jù)處理

本文采用了河北工程大學(xué)土木工程學(xué)院交通工程專業(yè)2008級(jí)的邢桂先等在2011年4月11日～4月15日，18日～23日每天的14:30～15:30，天氣均晴好，對(duì)河北省邯鄲市邯山區(qū)中華南大街與渚河路十字交叉口北路口的全部的機(jī)動(dòng)車進(jìn)口車道采(包括5條進(jìn)口車道:3條直行車道，1條左轉(zhuǎn)專用車道并設(shè)有左轉(zhuǎn)待轉(zhuǎn)區(qū)，1條右轉(zhuǎn)車道)用點(diǎn)樣本方法進(jìn)行交通延誤調(diào)查所得的數(shù)據(jù).

該交叉口的中華南大街(南北向)為主干路，渚河路(東西向)為次干路，東西向信號(hào)周期較長(zhǎng)，其紅燈時(shí)長(zhǎng)46 s，綠燈時(shí)長(zhǎng)43 s，黃燈時(shí)長(zhǎng)3 s.

記錄一個(gè)調(diào)查時(shí)段(本次調(diào)查中取為1.0 h)內(nèi)確定的時(shí)間間隔(該調(diào)查取為15 s)的車輛數(shù)，并分別記錄交叉口引道上的停車車輛數(shù)和不停車駛過(guò)交叉口的車輛數(shù).交叉口延誤時(shí)間抽樣結(jié)果記錄，如表1所示，該結(jié)果記錄表是以5 min種作為一個(gè)統(tǒng)計(jì)小結(jié)時(shí)段，表中列出其中一個(gè)統(tǒng)計(jì)時(shí)段的交通延誤點(diǎn)樣本隨機(jī)抽樣結(jié)果.

表1 點(diǎn)樣本調(diào)查法延誤時(shí)間抽樣結(jié)果記錄表

由以上這組數(shù)據(jù)就可以根據(jù)前述相關(guān)公式得到交通延誤的有關(guān)數(shù)據(jù):在14:31～14:35這個(gè)統(tǒng)計(jì)時(shí)段內(nèi)，交通總延誤D=(7+15+5+13)*15=40*15=600(輛·s)，停車車輛的平均延誤D=600/24=25(s)，停車車輛百分比 P=24/58*100%=35%.

表2 交叉口延誤時(shí)間抽樣結(jié)果記錄表

對(duì)現(xiàn)有的數(shù)據(jù)每5 min做一次延誤統(tǒng)計(jì)計(jì)算，經(jīng)過(guò)如上的方法處理后，所有的12組延誤時(shí)間(交通總延誤單位:輛·s)數(shù)據(jù)如表2所示.

按照這種形式，對(duì)一天的所有數(shù)據(jù)進(jìn)行處理得到了12個(gè)數(shù)據(jù)，其中第1～5和第6個(gè)數(shù)據(jù)構(gòu)成一組輸入和輸出數(shù)據(jù)，其中第7～11和第12個(gè)數(shù)據(jù)構(gòu)成另一組輸入和輸出數(shù)據(jù).同樣的方法處理10天的調(diào)查數(shù)據(jù)，處理后能夠得到24組數(shù)據(jù).用這24組樣本數(shù)據(jù)，借助matlab軟件對(duì)所建立的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與檢測(cè)，其中20組用來(lái)訓(xùn)練，最后4組的輸入數(shù)據(jù)用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，然后與實(shí)際的調(diào)查值相對(duì)比，進(jìn)行誤差分析.

2.3 交通延誤預(yù)測(cè)的BP神經(jīng)網(wǎng)路的訓(xùn)練和測(cè)試

利用這120組數(shù)據(jù)對(duì)所建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并進(jìn)行預(yù)測(cè).BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的個(gè)數(shù)，至今還沒(méi)有一個(gè)確定的計(jì)算方法，本文應(yīng)用經(jīng)驗(yàn)公式進(jìn)行估計(jì)得出神經(jīng)元個(gè)數(shù)的范圍，然后經(jīng)過(guò)反復(fù)的訓(xùn)練測(cè)試，最終確定該網(wǎng)絡(luò)隱含層的神經(jīng)元個(gè)數(shù)為12.訓(xùn)練要求的精度設(shè)置為0.001，最大訓(xùn)練次數(shù)設(shè)為10 000，學(xué)習(xí)率設(shè)為0.01.

圖2 matlab對(duì)該神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差變化曲線

應(yīng)用matlab訓(xùn)練過(guò)程如圖2所示，該神經(jīng)網(wǎng)絡(luò)在短時(shí)間內(nèi)僅僅訓(xùn)練6614次后就達(dá)到非常高的精度，達(dá)到0.001，這充分體現(xiàn)了BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)的可靠性.最后選取了最后四組歷史數(shù)據(jù)，輸入上述訓(xùn)練好的網(wǎng)絡(luò)用于對(duì)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的可靠性的檢驗(yàn)，輸入該訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，測(cè)試樣本的交通總延誤的預(yù)測(cè)值與期望輸出值之間的四組誤差分別是 -23.860 3，10.050 3，-30.8879，51.518 7(單位均為 輛·s)，相對(duì)誤差分別是3.18%、1.22%、3.95%、6.32%，誤差均保持在7%以內(nèi)，預(yù)測(cè)精度在可以接受的范圍內(nèi).所以可以得出結(jié)論:在一定的誤差范圍內(nèi)，BP神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)信號(hào)交叉口進(jìn)口車道短時(shí)交通延誤方面具有較強(qiáng)的可靠性與良好的適應(yīng)性.

3 結(jié)論

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)利用信號(hào)交叉口的交通延誤數(shù)據(jù)，進(jìn)行了交叉口交通延誤預(yù)測(cè)的探索，取得了較為滿意的效果，驗(yàn)證了BP神經(jīng)網(wǎng)絡(luò)的有效性.BP神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)充分而恰當(dāng)?shù)挠?xùn)練之后，能夠?qū)?lái)短時(shí)期(如將來(lái)5 min)的信號(hào)交叉口進(jìn)口車道的交通延誤進(jìn)行較為精準(zhǔn)的預(yù)測(cè)，這個(gè)結(jié)果有著比較重要的現(xiàn)實(shí)意義，將該預(yù)測(cè)信息與交通流的其他特性相結(jié)合，進(jìn)行綜合分析、評(píng)價(jià)和預(yù)測(cè)城市交通的咽喉——城市道路交叉口的將來(lái)交通狀況，這對(duì)于交叉信號(hào)配時(shí)的優(yōu)化，交通管理水平的提高，準(zhǔn)確交通信息的及時(shí)發(fā)布等方面有著重要的實(shí)踐意義，有利于提高交叉口通行效率，提高整個(gè)路網(wǎng)運(yùn)行質(zhì)量，有助于降低燃油消耗，減少環(huán)境污染.進(jìn)一步的研究工作可以從以下幾個(gè)方面入手:

(1)本文所用的數(shù)據(jù)是在交通流強(qiáng)度不大，相對(duì)比較平穩(wěn)的情況下調(diào)查所得，BP神經(jīng)網(wǎng)絡(luò)以該數(shù)據(jù)集合為樣本進(jìn)行學(xué)習(xí)訓(xùn)練，這是BP神經(jīng)網(wǎng)絡(luò)在信號(hào)交叉口進(jìn)口道延誤預(yù)測(cè)方面的初步嘗試，可嘗試在更加復(fù)雜的信號(hào)交叉口或容易出現(xiàn)交通延誤地段獲取數(shù)據(jù)，建立相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行學(xué)習(xí)訓(xùn)練，使之對(duì)更加復(fù)雜的交通流狀態(tài)也具有實(shí)用性;

(2)由于選取的訓(xùn)練數(shù)據(jù)和檢驗(yàn)數(shù)據(jù)的樣本空間相對(duì)較少，一定程度的偶然性因素不能排除，在實(shí)際應(yīng)用中可以將海量的歷史數(shù)據(jù)應(yīng)用于所建立的神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，這樣能更加符合實(shí)際情況，實(shí)際應(yīng)用效果會(huì)更佳.另外，本文用于建立和訓(xùn)練模型的數(shù)據(jù)在采集過(guò)程中可能由于各種原因造成個(gè)別數(shù)據(jù)出現(xiàn)錯(cuò)誤，在應(yīng)用的時(shí)候并沒(méi)有進(jìn)行數(shù)據(jù)清洗工作，可考慮減少冗余錯(cuò)誤信息對(duì)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的干擾，優(yōu)化所建立的神經(jīng)網(wǎng)絡(luò).

［1］姜桂艷，常安德，牛世峰，等.基于BP神經(jīng)網(wǎng)絡(luò)的交通數(shù)據(jù)序列動(dòng)態(tài)可預(yù)測(cè)性分析方法［J］.北京工業(yè)大學(xué)學(xué)報(bào)，2011，37(7):1019-1026.

［2］巫威眺，靳文舟，林培群，等.基于BP神經(jīng)網(wǎng)絡(luò)的道路交通狀態(tài)判別方法研究［J］.交通信息與安全，2011，29(4):71-74，79.

［3］徐樹安.人工神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)算法研究—結(jié)合粒子群、小波和混沌的方法［D］.柳州:廣西工學(xué)院，2010.

［4］吳明暉，黃輝先，付壽昌，等.平面交叉路口信號(hào)優(yōu)化控制模型［J］.兵工自動(dòng)化，2005，24(4):74-75.

［5］馮樹民，慈玉生.居民出行產(chǎn)生量BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法［J］.哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2010，42(10):1624-1624

［6］徐今強(qiáng)，張?jiān)Ｇ?基于BP神經(jīng)網(wǎng)絡(luò)的城市交通流預(yù)測(cè)研究［J］.現(xiàn)代電子技術(shù)，2006，29(23):104-106.

［7］XIE YISHENG，SHEN GUOJIANG，CHEN XIANG.Fuzzy neural network control technique and its application in a complex intersection［J］.Energy Procedia，2012(16):1408-1415.

［8］ZHANGXIAOLI，HEGUOGUANG.Forecasting approach for short-term traffic flow based on principal component analysis and combined neural network［J］.Systems Engineering-Theory＆ Practice，2007，27(8):167-171.

［9］FAN XIAOPING，LIU YAOWU.Alterable-Phase Fuzzy Control Based on Neutral Network［J］.Journal of Transportation System Engineering and information Technology，2008，8(1)，80-85.

［10］金勇，姚榮涵.單點(diǎn)交叉口固定信號(hào)配時(shí)優(yōu)化模型［J］.大連交通大學(xué)學(xué)報(bào)，2011，32(6):30-35.

［11］劉智勇.智能交通控制理論及其應(yīng)用［M］.北京:科學(xué)出版社，2003:55-81.

［12］藺荻.基于移動(dòng)通信增值業(yè)務(wù)平臺(tái)的智能交通系統(tǒng)研究［D］.北京:北京郵電大學(xué)，2008.