基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)的車(chē)輛通行時(shí)間預(yù)測(cè)研究*

蔣渭忠，朱金榮，邱 祥

(1.常州工學(xué)院 電氣與光電工程學(xué)院，江蘇 常州 213002；2.揚(yáng)州大學(xué) 物理科學(xué)與技術(shù)學(xué)院，江蘇 揚(yáng)州 225002)

?

基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)的車(chē)輛通行時(shí)間預(yù)測(cè)研究*

蔣渭忠1，朱金榮2，邱 祥2

(1.常州工學(xué)院 電氣與光電工程學(xué)院，江蘇 常州 213002；2.揚(yáng)州大學(xué) 物理科學(xué)與技術(shù)學(xué)院，江蘇 揚(yáng)州 225002)

為進(jìn)一步提高交通調(diào)度效率，解決日益嚴(yán)重的交通擁堵現(xiàn)狀，提出基于BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)車(chē)輛通行時(shí)間的方案。根據(jù)交叉路口特征，建立了三層BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)模型，并確定模型的輸入層和輸出層神經(jīng)元數(shù)目均為4個(gè)。采用MATLAB軟件對(duì)采集的車(chē)輛通行數(shù)據(jù)進(jìn)行仿真分析，最終確定隱含層神經(jīng)元數(shù)目為9個(gè)。利用預(yù)測(cè)樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了可行性驗(yàn)證。結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型能夠用于預(yù)測(cè)排隊(duì)車(chē)輛通行時(shí)間，誤差在10%以?xún)?nèi)，可以作為交通控制器配時(shí)方案的依據(jù)，提高車(chē)輛通行效率。

BP神經(jīng)網(wǎng)絡(luò)；仿真；車(chē)輛通行時(shí)間；

0 引言

社會(huì)經(jīng)濟(jì)的發(fā)展促進(jìn)人們生活水平全面提高，為了出行方便，越來(lái)越多的人選擇購(gòu)買(mǎi)私家車(chē)。城市人均汽車(chē)擁有量逐年攀升，由此導(dǎo)致交通擁堵問(wèn)題日益嚴(yán)重。解決交通擁堵問(wèn)題有兩個(gè)方面，一方面增加基礎(chǔ)設(shè)施建設(shè)，擴(kuò)寬道路，但這種方式成本較大，不易實(shí)施；另一方面則是提高交通流調(diào)度效率，采用更加智能的交通信號(hào)控制系統(tǒng)。通過(guò)調(diào)研發(fā)現(xiàn)，現(xiàn)在大部分城市的交通燈控制系統(tǒng)采用的是固定時(shí)間的控制策略，難以對(duì)變化的交通流進(jìn)行動(dòng)態(tài)控制，因此研究基于車(chē)流量智能預(yù)測(cè)車(chē)輛通行時(shí)間對(duì)交通控制器配時(shí)方案具有重要意義[1-2]。神經(jīng)網(wǎng)絡(luò)具有很好的非線(xiàn)性逼近效果，本文提出采用BP神經(jīng)網(wǎng)絡(luò)控制算法預(yù)測(cè)車(chē)輛通行時(shí)間的方案。

1 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型建立

1.1 BP神經(jīng)網(wǎng)絡(luò)

20世紀(jì)80年代，RUMELHART D等人在總結(jié)前人研究成果的基礎(chǔ)上，給出BP神經(jīng)網(wǎng)絡(luò)控制算法的清楚表述，解決了多層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)問(wèn)題。誤差反向傳播(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)是一種多層前向型神經(jīng)網(wǎng)絡(luò)[3]，目前大多數(shù)的應(yīng)用中使用的都是BP神經(jīng)網(wǎng)絡(luò)及其變化形式。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層組成。隱含層的數(shù)量可以為一層，也可以為多層。

1.2 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型建立

圖1 交叉路口BP神經(jīng)網(wǎng)絡(luò)模型

2 仿真及結(jié)果分析

2.1 仿真確定隱含層神經(jīng)元數(shù)

通過(guò)對(duì)揚(yáng)州市大學(xué)北路與文昌中路交叉口的車(chē)流量進(jìn)行實(shí)地統(tǒng)計(jì)，得出表1所示的路口停車(chē)等待的車(chē)輛數(shù)與通行時(shí)間統(tǒng)計(jì)表。

表1 路口車(chē)輛數(shù)量與通行時(shí)間統(tǒng)計(jì)表

對(duì)于表1中的數(shù)據(jù)，選擇使用前8組數(shù)據(jù)作為訓(xùn)練樣本，后2組數(shù)據(jù)作為測(cè)試樣本。通過(guò)修改隱含層神經(jīng)元的個(gè)數(shù)，運(yùn)用trainlm函數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練[7]，最終得出表2所示的隱含層神經(jīng)元數(shù)量與訓(xùn)練誤差的對(duì)應(yīng)表。從表中可以看出，隨著隱含層神經(jīng)元數(shù)量的不斷增加，訓(xùn)練誤差逐漸減小后又增大。當(dāng)隱含層神經(jīng)元數(shù)量為9時(shí)，訓(xùn)練誤差最小，同時(shí)訓(xùn)練次數(shù)也最少。綜合比較分析后，確定隱含層神經(jīng)元數(shù)量為9個(gè)。

表2 隱含層神經(jīng)元數(shù)量與訓(xùn)練誤差對(duì)應(yīng)表

2.2 神經(jīng)網(wǎng)絡(luò)模型合理性驗(yàn)證

通過(guò)改變隱含層神經(jīng)元的數(shù)量，觀察訓(xùn)練誤差的變化，最終確定了交叉路口神經(jīng)網(wǎng)絡(luò)模型的完整結(jié)構(gòu)：4個(gè)輸入層神經(jīng)元、9個(gè)隱含層神經(jīng)元和4個(gè)輸出層神經(jīng)元。為了驗(yàn)證神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能，使用函數(shù)Y=sim(net,P)根據(jù)輸入樣本預(yù)測(cè)出各方向車(chē)輛通行時(shí)間。為了更直觀地觀察神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能，圖2繪出了北向樣本通行時(shí)間與預(yù)測(cè)通行時(shí)間的對(duì)比圖。由圖中曲線(xiàn)可以看出，預(yù)測(cè)通行時(shí)間與樣本通行時(shí)間基本吻合，驗(yàn)證了BP神經(jīng)網(wǎng)絡(luò)模型能夠根據(jù)停車(chē)等待的車(chē)輛數(shù)量預(yù)測(cè)車(chē)輛通行時(shí)間。

圖2 北向樣本通行時(shí)間與預(yù)測(cè)通行時(shí)間對(duì)比

2.3 結(jié)果分析

為了進(jìn)一步驗(yàn)證訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)性能，論文使用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對(duì)未進(jìn)行訓(xùn)練的第⑨、⑩兩組樣本進(jìn)行預(yù)測(cè)，得出表3所示的數(shù)據(jù)。

通過(guò)表3數(shù)據(jù)分析得出，預(yù)測(cè)車(chē)輛通行時(shí)間與實(shí)際觀測(cè)車(chē)輛通行時(shí)間兩者之間存在一定的誤差，但誤差都在10%以?xún)?nèi)，可以作為交通燈控制器配時(shí)的依據(jù)，提高車(chē)流量的調(diào)度效率。分析可知，兩者存在誤差的主要原因?yàn)檐?chē)輛的行駛具有很大的隨機(jī)性，每個(gè)駕駛?cè)藛T的駕駛技術(shù)也影響著車(chē)輛的通行時(shí)間。

表3 樣本數(shù)據(jù)預(yù)測(cè)及對(duì)比表

3 結(jié)論

針對(duì)車(chē)流量變化不規(guī)律、隨機(jī)性大的特點(diǎn)，提出基于BP神經(jīng)網(wǎng)絡(luò)控制算法的車(chē)輛通行時(shí)間預(yù)測(cè)模型。根據(jù)交叉路口特征建立了4個(gè)輸入層神經(jīng)元、9個(gè)隱含層神經(jīng)元、4個(gè)輸出層神經(jīng)元的BP神經(jīng)網(wǎng)絡(luò)模型。采用MATLAB仿真平臺(tái)對(duì)交叉路口的交通數(shù)據(jù)進(jìn)行了學(xué)習(xí)訓(xùn)練，并對(duì)學(xué)習(xí)的相關(guān)性進(jìn)行了檢測(cè)。仿真結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型能夠根據(jù)排隊(duì)車(chē)輛數(shù)預(yù)測(cè)車(chē)輛通行時(shí)間。

[1] 呂蘭濤,李全,劉志勇.人工神經(jīng)網(wǎng)絡(luò)在智能交通控制系統(tǒng)中的應(yīng)用[J].交通科技,2002(6):73-76.

[2] 蔣紫峰,荊便順.人工神經(jīng)網(wǎng)絡(luò)在交通領(lǐng)域中的應(yīng)用[J].公路交通科技,1997,14(4):18-23.

[3] HOPFIELD JJ.Neural network and physical systems with emergent collective computional abilities[C].Proceedings of the National Academy of Sciences of USA,1982:2554-2558.

[4] 曹虹.基于BP神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)[D].西安：長(zhǎng)安大學(xué),2012.

[5] 李建偉,程曉卿,秦勇,等.基于BP神經(jīng)網(wǎng)絡(luò)的城市軌道交通車(chē)輛可靠性預(yù)測(cè)[J].中南大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,44(1):42-46.

[6] 徐黎明,王清,陳劍平,等.基于BP神經(jīng)網(wǎng)絡(luò)的泥石流平均流速預(yù)測(cè)[J].吉林大學(xué)學(xué)報(bào)(地球科版),2013,43(1):186-191.

[7] CHANG T C. Risk degree of debris flow applying neural networks[J].Natural Hazards,2007,42(1):209-224.

Travel time prediction based on BP neural network

Jiang Weizhong1, Zhu Jinrong2, Qiu Xiang2

(1.School of Electrical and Photoelectronic Engineering, Changzhou Institute of Technology, Changzhou 213002, China;2.School of Physical Science & Technology, Yangzhou University, Yangzhou 225002, China)

In order to further improve the efficiency of traffic control and solve the growing traffic congestion, a new prediction model is proposed based on BP (Back Propagation) neural network. According to the characteristics of the intersection, BP neural network model is established. The number of input layer and output layer neuron model are four. MATLAB software simulates the data collected from vehicle traffic and ultimately chooses nine as the number of hidden layer neurons. Using prediction samples, the feasibility of the model is verified. The results showed that BP neural network can be used to predict traffic queuing time,the error is less than 10%. So it can be used as a reference for traffic controller.

BP neural network;simulate;vehicle travel time

2013年江蘇省科技廳產(chǎn)學(xué)研前瞻性聯(lián)合研究項(xiàng)目(BY2013063-4)

TP212

A

10.19358/j.issn.1674- 7720.2016.20.006

蔣渭忠，朱金榮，邱祥. 基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)的車(chē)輛通行時(shí)間預(yù)測(cè)研究[J].微型機(jī)與應(yīng)用，2016,35(20)：25-26,30.

2016-05-24)

蔣渭忠(1968-)，男，博士，副教授，主要研究方向：光電技術(shù)、自動(dòng)控制。

朱金榮(1968-)，通信作者，男，碩士，副教授，主要研究方向：光電技術(shù)、自動(dòng)控制。E-mail：351267595@qq.com。

邱祥(1989-)，男，碩士，碩士研究生，主要研究方向：嵌入式系統(tǒng)、自動(dòng)控制。