基于改進BP神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測仿真

陳飛

【摘 要】交通流預(yù)測是智能運輸系統(tǒng)中的路徑誘導(dǎo)和交通流控制的必要條件，其實時性和可靠性直接關(guān)系到交通管理與控制的效果，因此本文利用利用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值進行優(yōu)化，從而應(yīng)用強大非線性逼近能力實現(xiàn)交通流量的準(zhǔn)確預(yù)測，并且通過實驗進行算法的仿真，結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)經(jīng)遺傳算法優(yōu)化后，精度得到提高，而且BP神經(jīng)網(wǎng)絡(luò)對交通流量的預(yù)測是可行的。

【關(guān)鍵詞】交通流量 遺傳算法 BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：G4 文獻(xiàn)標(biāo)識碼：A DOI：10.3969/j.issn.1672-0407.2015.04.003

一、引言

交通流量是反映交通路況的一個非常重要的信息，因此交通汽車流量的預(yù)測受到許多學(xué)者和科學(xué)工作者比較重視的方面。一些優(yōu)秀的預(yù)測算法和手段也先后被人們發(fā)明和改進，但很少有人將兩者結(jié)合在一起，這也正是該課題研究意義之所在。BP神經(jīng)網(wǎng)絡(luò)具有較強的非線性映射能力、高度的自學(xué)習(xí)自適應(yīng)能力、也具有將學(xué)習(xí)成果應(yīng)用于新知識的能力、還具有一定的容錯能力。開展該課題的研究工作，不僅能有效地拓展神經(jīng)網(wǎng)絡(luò)算法和預(yù)測問題的研究角度，豐富學(xué)習(xí)內(nèi)容，更可能在理論上有所突破和創(chuàng)新，對于培養(yǎng)自身自學(xué)意識和創(chuàng)新意識，提高本科生分析能力與運籌能力都是有所裨益的。

二、交通流量預(yù)測BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

基本BP算法包括兩個方面，信號的前向傳播和誤差的反向傳播，計算實際輸出時按從輸入到輸出的方向進行，而權(quán)值和閾值的修正從輸出到輸入的方向進行。

如圖所示，其中xj表示輸入層第j個節(jié)點的輸入，j=1，…，M；Wij表示隱含層第i個節(jié)點到輸入層第j個節(jié)點之間的權(quán)值； 表示隱含層第i個節(jié)點的閾值； （x）表示隱含層的激勵函數(shù)；Wki表示輸出層第k個節(jié)點到隱含層第i個節(jié)點之間的權(quán)值，i=1，…，q；ak表示輸出層第k個節(jié)點的閾值，k=1，…，L；ψ（x）表示輸出層的激勵函數(shù)；Ok表示輸出層第k個節(jié)點的輸出。BP神經(jīng)網(wǎng)絡(luò)的算法流程通過數(shù)據(jù)歸一化、數(shù)據(jù)分類、神經(jīng)網(wǎng)絡(luò)設(shè)置、指定訓(xùn)練參數(shù)進行訓(xùn)練以及相應(yīng)的測試進行。

三、利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

利用遺傳算法實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化的流程圖如圖2-1所示。從圖中可知，遺傳算法與BP神經(jīng)網(wǎng)絡(luò)溝通的橋梁即染色體與閾值、權(quán)值的等價，預(yù)測誤差與適應(yīng)度函數(shù)的等價，而兩算法的其他部分則都為獨立的。遺傳算法每次產(chǎn)生新的種群后，將每個染色體解碼成十進制的閾值與權(quán)值，然后代入構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)中，計算每條染色體對應(yīng)的BP神經(jīng)網(wǎng)絡(luò)誤差作為遺傳算法的適應(yīng)度函數(shù)，若誤差越小則代表適應(yīng)度越高，越容易被保留而不被淘汰。根據(jù)計算出的適應(yīng)度函數(shù)，對種群中的染色體進行自適應(yīng)交叉與變異，得到新的種群，然后不斷循環(huán)直到滿足算法迭代終止條件。

四、交通流程預(yù)測的Matlab仿真與分析

經(jīng)研究表明，城市交通路網(wǎng)中交通路段上某時刻的交通流量與本路段前幾個小時的交通流量有關(guān)，并且交通流量具有周期性，為24小時。本文利用交通流量的這些特性，將采集的五天的某路網(wǎng)同一路口的交通流量，每隔4分鐘采集一次，每條共360個數(shù)據(jù)點，其中前四天的前276個數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入訓(xùn)練數(shù)據(jù)，前四天的后84個數(shù)據(jù)點作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸入測試數(shù)據(jù)；第五天的前276個交通流量數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸出訓(xùn)練數(shù)據(jù)，后84個的數(shù)據(jù)點作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸出測試數(shù)據(jù)。也就是利用前四天的交通流量數(shù)據(jù)訓(xùn)練好神經(jīng)網(wǎng)絡(luò)后，在第五天的前276個交通流量已知的情況下，對第五天的后84個交通流量進行預(yù)測。

本文構(gòu)造的神經(jīng)網(wǎng)絡(luò)為1-5-1BP神經(jīng)網(wǎng)絡(luò)，也就是單輸入單輸出，5隱含層的BP神經(jīng)網(wǎng)絡(luò)；對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化的遺傳算法的參數(shù)為：種群數(shù)10、進化代數(shù)50，交叉概率0.6、變異概率0.1。BP神經(jīng)網(wǎng)絡(luò)優(yōu)化前后對交通流量預(yù)測的結(jié)果如圖2-1至圖2-3所示。

通過仿真實驗可以得到以下結(jié)論：

1.由圖2-1可知，遺傳算法在第27代即已收斂，說明利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)是可行的，并且效率很高。

2.由圖2-2可知，BP神經(jīng)網(wǎng)絡(luò)優(yōu)化前后都能實現(xiàn)對交通流量的預(yù)測，說明BP神經(jīng)網(wǎng)絡(luò)具有很好的非線性逼近能力，可以利用于交通流量的預(yù)測。

3.由圖2-3可知，改進前，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差區(qū)間為。-3.137%-5.042%；改進后BP神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差區(qū)間為-3.146%-3.831%。由此可知，利用遺傳算法改進BP神經(jīng)網(wǎng)絡(luò)不僅是可行，而且預(yù)測精度也切實地得到了提高。

參考文獻(xiàn)

[1]王萬良、吳啟迪等.基于Hopfield神經(jīng)網(wǎng)絡(luò)的作業(yè)車間生產(chǎn)調(diào)度方法[J].自動化學(xué)報.2002，28（5）：838一844.

[2]王小平，曹立明，遺傳算法—理論、應(yīng)用與軟件實現(xiàn)M，西安：西安交通大學(xué)出版社，2002.

[3]陳永春.Matlab語言高級編程[M].北京：清華大學(xué)出版社，2004.

[4]李華.基于一種改進遺傳算法的神經(jīng)網(wǎng)絡(luò).太原：太原理工大學(xué)，2007.

[5]陳明.Matlab神經(jīng)網(wǎng)絡(luò)原理與實例精解.北京：清華大學(xué)出版社，2013.