基于BP神經(jīng)網(wǎng)絡(luò)的高速公路短時交通流預(yù)測

戴洪波 曾獻輝

摘 要：以高速公路交通流預(yù)測為研究對象，簡化了高速公路宏觀動態(tài)交通流模型，利用Matlab神經(jīng)網(wǎng)絡(luò)工具建立模型并進行網(wǎng)絡(luò)訓(xùn)練與預(yù)測。對嘉興站附近高速公路交通流數(shù)據(jù)進行了采集、建模和預(yù)測。從預(yù)測結(jié)果中得知，基于BP神經(jīng)網(wǎng)絡(luò)交通流預(yù)測模型具有很高的可靠度，該簡化的交通流模型更為簡練，預(yù)測結(jié)果亦可以點帶面地面描述該站點一定空間及時間范圍內(nèi)的交通流情況。

關(guān)鍵詞：高速公路；交通流預(yù)測；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP393.0 文獻標(biāo)識碼：A 文章編號：2095-2163（2015）04-

Highway Dynamic Traffic Flow Prediction based on BP Neural Network

DAI Hongbo，ZENG Xianhui

（College of Information Science and Technology，Donghua University，Shanghai 201620，China）

Abstract：This paper takes highway traffic fIow prediction as object of study，simplifies the highway macroscopic dynamic traffic flow model and establishes a BP neural network model to train and predict based on Matlab neural network toolbox. It models and predicts real data collection from traffic flow nearby JiaXing station. From the predicted results， this BP neural network model is proved to be highly reliable. It carries out that the simplified model of traffic flow is more concise， predictions can also describe a certain space and time of the sites traffic situation through a point to an area.

Keywords： Highway； Traffic Flow Prediction； BP Neural Network

0 引 言

隨著社會經(jīng)濟的發(fā)展和私家車保有量的逐年遞增，出行車輛日漸增多，隨之而來的交通擁堵，交通事故等問題即已成為困擾社情民生的重大事件。智能交通系統(tǒng)作為這一狀況的有效解決手段，也已吸引了時下眾多專家的關(guān)注和重視[1]，其中的短時交通流則是交通控制、車輛導(dǎo)航等領(lǐng)域亟待解決的熱點課題。近些年，鑒于神經(jīng)網(wǎng)絡(luò)具有的表示任意非線性關(guān)系和學(xué)習(xí)的能力，為此展開了基于人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型的大量研究，且均已取得了令人滿意的預(yù)測效果[2]。通過對各個模型的分析，指出了神經(jīng)網(wǎng)絡(luò)在智能交通領(lǐng)域的工具性應(yīng)用潛力，而且在實時交通預(yù)測中，神經(jīng)網(wǎng)絡(luò)要比其它方法更具不可比擬的優(yōu)越性。

1 建立流量預(yù)測模型

短時段交通流預(yù)測是指預(yù)測尺度不超過十五分鐘的交通流[3]。交通流是由數(shù)以萬計的出行者群體行為生成的，具有高度的時變性、非線性和不確定性。但就道路上某一特定觀測點來說，對于短時段交通流，隨著觀測尺度的縮短，交通流受隨機因素影響較大，其統(tǒng)計行為不是定常、周期或準(zhǔn)周期的，多是表現(xiàn)為純隨機行為。

在交通流量預(yù)測研究中，Markos Papageorgiou 提出了一個比較有代表性的高速公路交通流宏觀流體模型[4-5]，其中主要描述了高速公路的交通流量、速度以及交通密度之間的相互關(guān)系，以此來反應(yīng)交通流隨道路空間的分布以及隨時間變化的規(guī)律，從而準(zhǔn)確描述短時間內(nèi)的交通流的真實行為。

以交通流宏觀流體模型為基礎(chǔ)，本文提出了一個簡化的交通流預(yù)測模型，如圖1所示。該模型參考了對短時間交通流預(yù)測的思想，實現(xiàn)對高速公路站點短時間交通流預(yù)測。

圖1 交通流預(yù)測模型

Fig.1 Traffic flow forecasting model

在對高速交通網(wǎng)絡(luò)中的站點進行實時預(yù)測時，路網(wǎng)中當(dāng)前和過去若干時段內(nèi)的交通流信息是實時預(yù)測的數(shù)據(jù)基礎(chǔ)。因此首先必須采集實時交通數(shù)據(jù)，建立得到動態(tài)的交通數(shù)據(jù)庫。在數(shù)據(jù)處理分析時，結(jié)合上述交通流模型，通過一定的數(shù)據(jù)挖掘方法分析得到有效的數(shù)據(jù)。如模型中指出， 站點 上的交通流量與本站點前后若干個時段的交通流量有著必然的關(guān)聯(lián)， 同時在預(yù)測站點路段的交通情況時，該站點上下游路段交通情況也是一個關(guān)鍵因素。 這樣便可以利用預(yù)測站點前幾個時段的交通流量數(shù)據(jù)以及上下游站點交通流量數(shù)據(jù)來預(yù)測特定站點交通流量， 上述簡化的交通流預(yù)測模型所要闡述的基本概念就在這。

設(shè)站點 （代號為15，下同）為要預(yù)測的路段， 為預(yù)測路段當(dāng)前時刻 的交通流量，而 為要預(yù)測的該路段下一時刻 的交通流量，并與該站點 、 時刻的交通流量有著必然的聯(lián)系，同時上下游站點（13、14、17等） 時刻的交通流量也將會影響著站點15下一時刻的交通流量。于是 與該站點以及附近站點的交通流量存在某種函數(shù)關(guān)系，具體表達則如方程（1）所示。

（1）

根據(jù)實際采集到的交通流數(shù)據(jù)，結(jié)合上述模型，利用Matlab平臺建立BP神經(jīng)網(wǎng)絡(luò)來訓(xùn)練學(xué)習(xí)方程（1），并實現(xiàn)短時間交通流預(yù)測。

2 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

經(jīng)過研究可知，Matlab中的神經(jīng)網(wǎng)絡(luò)工具箱是進行神經(jīng)網(wǎng)絡(luò)系統(tǒng)分析與設(shè)計的有力工具。使用Matlab平臺構(gòu)造神經(jīng)網(wǎng)絡(luò)的預(yù)測過程通?？煞譃椋簲?shù)據(jù)預(yù)處理、網(wǎng)絡(luò)構(gòu)建、訓(xùn)練和網(wǎng)絡(luò)預(yù)測[6]。

數(shù)據(jù)歸一化就是將數(shù)據(jù)通過某種算法處理后，使得數(shù)據(jù)映射到[0，1]或者[-1，1]等范圍內(nèi)，并且再經(jīng)相應(yīng)變換，最終將有量綱的表達式轉(zhuǎn)化為無量綱的表達式，其結(jié)果即將限制在一定范圍內(nèi)。這不僅利于數(shù)據(jù)的進一步處理，同時還可以保證程序運行時收斂速度加快。本文中數(shù)據(jù)處理采用的是線性函數(shù)歸一化：

（2）

其中， 、 分別為歸一化前后的值， 、 分別為樣本的最大值和最小值。

神經(jīng)網(wǎng)路的核心在于網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計，其重點在于網(wǎng)絡(luò)層數(shù)以及各層節(jié)點數(shù)的確定[7-11]。理論已經(jīng)證明，增加網(wǎng)絡(luò)層數(shù)可以進一步降低誤差提高精度，但同時也會使網(wǎng)絡(luò)復(fù)雜，降低實時性，加大網(wǎng)絡(luò)的訓(xùn)練時間；而誤差精度則可以通過增加隱含層中的神經(jīng)元節(jié)點數(shù)目來獲得提高，就其訓(xùn)練效果的觀察和調(diào)整均比增加層數(shù)更為容易，所以一般情況下需優(yōu)先考慮增加隱層神經(jīng)元數(shù)目。對神經(jīng)元網(wǎng)絡(luò)輸入層與輸出層來說，則需要研究實例中求解的問題、具體的表示方式來確定各自神經(jīng)元數(shù)目，同時考慮盡可能地減小系統(tǒng)規(guī)模，系統(tǒng)的訓(xùn)練時間和復(fù)雜性。基于前述的交通流預(yù)測模型分析，聯(lián)系方程（1）可知，可將 、 、 、 、 、 、 和 等八個數(shù)據(jù)作為輸入層，將下一時刻流量 作為輸出層。文獻[7]指出，適當(dāng)增加隱層中的神經(jīng)元數(shù)目可以在更大程度上降低誤差、提高精度，隱層神經(jīng)元數(shù)目可選擇為輸入層神經(jīng)元數(shù)目的平方，即 。經(jīng)過實驗反復(fù)驗證，文中隱層節(jié)點取為20。綜上所述設(shè)定，文中的BP神經(jīng)網(wǎng)絡(luò)模型如圖2所示。

圖2 交通流神經(jīng)網(wǎng)絡(luò)模型

Fig.2 Neural network model of Traffic flow

神經(jīng)網(wǎng)絡(luò)采用自適應(yīng)學(xué)習(xí)的負梯度下降法實現(xiàn)交通流的學(xué)習(xí)和預(yù)測， 網(wǎng)絡(luò)的響應(yīng)函數(shù)選擇Sigmoid 型激勵函數(shù)[12]，函數(shù)形式為 。

3 預(yù)測仿真與結(jié)果分析

數(shù)據(jù)使用的是浙江省某段高速公路2015年1月1日某幾個站點的交通車輛收費數(shù)據(jù)，目的在于對其中一站點的車流量進行預(yù)測。從數(shù)據(jù)庫中抽取浙江省嘉興站點（代號15）當(dāng)日的車流量數(shù)據(jù)以及短時間內(nèi)車流量變化，具體如圖3、圖4所示。

圖3 15站日間車流量變化

Fig.3 The curve of traffic flow dairy

圖4 9-11時車流量變化

Fig.4 Curve of traffic flow hourly

由圖3可以分析得出，一天中的交通流變化大致經(jīng)過如下階段：凌晨交通流，低谷期；早晨交通流，攀升期；中午交通流，平峰期；下午交通流，高峰期；晚上交通流，下降期。結(jié)合圖3，且由圖4可分析獲知，在9～11點期間為車流量高峰期，短時間流量變化起伏很大，但總體維持在每分鐘10～15輛左右。再次細致分析附近站點車流量變化趨勢并與該站點比較發(fā)現(xiàn)，各臨近站點車輛起伏變化相近，并且短時間內(nèi)各站點之間車流量變化存在著某種相互影響的關(guān)聯(lián)作用。于是，本文采取上述交通流預(yù)測模型來進行站點短時間內(nèi)的車流量預(yù)測，該模型較其他宏觀動態(tài)車流量模型更為簡單，相應(yīng)預(yù)測結(jié)果亦可反映當(dāng)前附近站點范圍內(nèi)的車流量情況。

本論文重點即在結(jié)合當(dāng)天該站點及附件站點車流量對本站日常車流量進行預(yù)測。訓(xùn)練數(shù)據(jù)選取附近六個站點日間車流量及結(jié)合本站車流量數(shù)據(jù)進行網(wǎng)絡(luò)訓(xùn)練仿真。MATLAB仿真程序如下：

%首先導(dǎo)入已處理好的數(shù)據(jù)矩陣；

%矩陣p 輸入矩陣，矩陣t為輸入矩陣； [pn，minp，maxp，tn，mint，maxt]=premnmx（p，t）；%對矩陣進行歸一化；

net=newff（minmax（pn），[8，20，1]，{'tansig'，'tansig'，'purelin'}，'traingdx'）； %建立net網(wǎng)絡(luò)，輸入節(jié)點為8，輸出節(jié)點為1，隱層節(jié)點為20；

net.trainParam.show=50；

net.trainParam.lr=0.05；

net.trainParam.mc=0.9；

net.trainParam.epochs=10 000；

net.trainParam.goal=1e-3；

>> net=train（net，pn，tn）；%網(wǎng)絡(luò)創(chuàng)建，訓(xùn)練；

%pi為測試數(shù)據(jù)；

pin=tramnmx（pi，minp，maxp）；%測試數(shù)據(jù)的歸一化；

an=sim（net，pin）；%測試

[a]=postmnmx（an，mint，maxt）； %測試結(jié)果數(shù)據(jù)的反歸一化，最終得到預(yù)測結(jié)果；

本文針對該站點日間9點～11點每分鐘車流量展開仿真預(yù)測。訓(xùn)練時以9～11點時間段內(nèi)120組數(shù)據(jù)進行訓(xùn)練，而用其后十分鐘內(nèi)的10組數(shù)據(jù)進行預(yù)測。9～11點車流量訓(xùn)練誤差變化圖如圖5所示。

圖5 車流量訓(xùn)練誤差變化

Fig.5 Training error curve of traffic flow

預(yù)測樣本結(jié)果如表1。

表1 預(yù)測樣本結(jié)果比較分析

Tab.1 Compare and analysis with Predicted results

預(yù)測數(shù)據(jù)號 實際車流量 預(yù)測車流量 誤差

1 13 13.440 6 3.39%

2 11 12.064 8 9.68%

3 18 15.259 5 15.23%

4 17 12.533 9 26.27%

5 13 15.418 7 18.61%

6 16 17.147 7.17%

7 12 12.360 2 3.00%

8 12 10.536 3 12.20%

9 11 9.834 3 10.60%

10 10 10.300 7 3.01%

表1 預(yù)測樣本結(jié)果比較分析

Tab.1 Compare and analysis with Predicted results

由表1可知，預(yù)測車流量與實際車流量很接近，部分誤差較大，但實際數(shù)值相差不大，車流量預(yù)測成功，基于BP神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測模型具有很高的可靠度[12-16]。 然而上述預(yù)測卻仍有不足，因存在不同道路、瞬時變化的交通狀況的差異，作為神經(jīng)網(wǎng)絡(luò)輸入的交通流量信息在選擇上太過簡單，實驗結(jié)果單一，還應(yīng)持續(xù)反復(fù)實驗和多次比對探索。在交通流量預(yù)測中，如何選擇與預(yù)測時段相關(guān)性強交通流量信息作為神經(jīng)網(wǎng)絡(luò)的輸入對于預(yù)測精度的提高具有明確的必要性和重要性[17]。

4 結(jié)束語

本文在研究宏觀動態(tài)交通流模型的基礎(chǔ)上對其進行了簡化，并針對某個站點的交通流隨時間變化進行分析，同時結(jié)合了附近站點的交通流對其建立了基于BP神經(jīng)網(wǎng)絡(luò)的高速公路交通流預(yù)測。從預(yù)測結(jié)果中得知，基于BP神經(jīng)網(wǎng)絡(luò)交通流預(yù)測模型具有頗高的可靠度，該簡化的交通流模型更為精確，預(yù)測結(jié)果亦可綜合總體地描述該站點一定空間及時間范圍內(nèi)的交通流情況。

參考文獻：

[1]張可，齊彤巖，劉冬梅，等.中國智能交通系統(tǒng)（ITS）體系框架研究進展[J].國家智能交通系統(tǒng)工程技術(shù)研究中心，2005（5）：6-11.

[2]王進，史其信.神經(jīng)網(wǎng)絡(luò)模型在短期交通流預(yù)測領(lǐng)域應(yīng)用綜述[J]-河南科技大學(xué)學(xué)報（自然科學(xué)版），2005（2）.23-25.

[3]朱中，楊兆升.實時交通流量人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型[J].中國公路學(xué)報，1998，11（4）：89-92.

[4] MARKOS P，JEAN-MARC B，SAIEHADJ H.ModeIing and reaI - time controI of traffic fIow on the southern part of bouIevard peripherigue in Paris[J].Transportation research，l990，24A（5）： 345-359.

[5]撒元功，湖郁蔥，徐建閩.高速公路動態(tài)交通流的神經(jīng)網(wǎng)絡(luò)模型[J].華南理工大學(xué)學(xué)報。2002，30（8）：91-94.

[6]Simon Haykin. Neural networks：A comprehensive foundation[M].北京：清華大學(xué)出版社，2000.

[7]賈丹.基于神經(jīng)網(wǎng)絡(luò)的交通流的預(yù)測[J].錦州師范學(xué)院學(xué)報（自然科學(xué)版），2002，23（3）.27-29.

[8]袁曾任.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用[M].北京：清華大學(xué)出版社，1999 .

[9]許宏科，穆魏，焦家華.高速公路動態(tài)交通流模型及其參數(shù)的分段辨識[J].武漢理工大學(xué)學(xué)報（交通科學(xué)與工程版），2005，29（1）：91-93.

[10]梁新榮，劉智勇，毛宗源.高速公路動態(tài)交通流 Elman 神經(jīng)網(wǎng)絡(luò)模型[J].交通運輸工程學(xué)報，2006（9）：50-56

[11]樊小紅，賀昱曜，劉勇順. 自動化高速公路交通流密度的反演變結(jié)構(gòu)控制[J].計算機工程與應(yīng)用，2008，44（12）：244-248.

[12]溫惠英，周瑋明.基于S型函數(shù)預(yù)處理的RBF神經(jīng)網(wǎng)絡(luò)交通流量預(yù)測[J].交通信息與安全，2009（4）：22-25.

[13] HERN?NDEZ P J A， GARCIA A M A. Trys-tram G. Neural networks for the heat and mass transfer prediction during drying of cassava and mango[J] ，2004（01）.57-64.

[14]任雪蓮，陳曉芬，馬駿. 遺傳神經(jīng)網(wǎng)絡(luò)在交通流預(yù)測中的應(yīng)用[J].交通科技與經(jīng)濟 ，2009（4）：10-12

[15]譚國真，丁浩.廣義神經(jīng)網(wǎng)絡(luò)的研究及其在交通流預(yù)測中的應(yīng)用.控制與決策，2002，17（B 11）：777-780.

[16] XIAO H P F，ZHU W D G.Study on various architecture of a BP neural network[J].Control and Decision，2001（7）.32-33

[17]任英偉，宋玲玲，吳守榮，王海燕. BP神經(jīng)網(wǎng)絡(luò)技術(shù)在交通工程中的應(yīng)用[J].交通世界（運輸車輛），2009（10）：136-137.