小波濾波BP神經(jīng)網(wǎng)絡(luò)的高速公路節(jié)假日擁堵預(yù)測(cè)分析

劉清林， 戴紅良

(浙江省交通科學(xué)研究院， 浙江 杭州 310006)

小波濾波BP神經(jīng)網(wǎng)絡(luò)的高速公路節(jié)假日擁堵預(yù)測(cè)分析

劉清林， 戴紅良

(浙江省交通科學(xué)研究院， 浙江 杭州 310006)

隨著節(jié)假日高速公路免收過(guò)路費(fèi)政策的出臺(tái)，保證高速公路暢通運(yùn)行迫在眉睫。根據(jù)現(xiàn)有節(jié)假日數(shù)據(jù)首先進(jìn)行小波濾波消除白噪聲，然后采用具有閉環(huán)反饋的BP神經(jīng)網(wǎng)絡(luò)建立模型進(jìn)行仿真預(yù)測(cè)2015年元旦交通量，并與實(shí)際值進(jìn)行對(duì)比，結(jié)果表明該方法的預(yù)測(cè)結(jié)果能夠很好的反映實(shí)際交通量。最后對(duì)2016年元旦交通量進(jìn)行預(yù)測(cè)并提出應(yīng)對(duì)高速公路交通擁堵的策略，其他節(jié)假日亦可采用此模型進(jìn)行仿真預(yù)測(cè)。

小波濾波； BP神經(jīng)網(wǎng)絡(luò)； 高速公路； 擁堵預(yù)測(cè)； 交通流量

0 引言

近年來(lái)，隨著社會(huì)經(jīng)濟(jì)的持續(xù)發(fā)展以及城市建設(shè)的逐步完善，人們往返于城市之間日趨頻繁，運(yùn)行在高速公路上的車輛也越來(lái)越多，導(dǎo)致高速公路上的擁堵情況愈加嚴(yán)重，由此所引發(fā)的交通事故、能源浪費(fèi)、環(huán)境污染等問(wèn)題也日趨惡化。

自2012年隨著節(jié)假日高速公路免收過(guò)路費(fèi)政策的出臺(tái)，高速公路交通擁堵形勢(shì)將變得越加嚴(yán)重，因此如何利用已有的交通量信息和資源對(duì)上述問(wèn)題進(jìn)行有效解決，防止交通運(yùn)行惡化從而保證高速公路的暢通運(yùn)行，成為目前高速公路迫切需要解決的問(wèn)題。

高速公路交通擁堵日趨加劇的根本原因主要有兩方面，一方面是高速公路交通管理部門缺乏對(duì)網(wǎng)狀交通狀態(tài)變化趨勢(shì)的整體把握，因而無(wú)法進(jìn)行有效的交通管控和疏導(dǎo)；另一方面在于出行者不清楚實(shí)時(shí)路況的變化，盲目駕駛從而導(dǎo)致交通擁堵的發(fā)生。而準(zhǔn)確把握交通狀態(tài)和實(shí)時(shí)路況變化趨勢(shì)的關(guān)鍵在于對(duì)交通流量變化趨勢(shì)的有效預(yù)測(cè)，因此要實(shí)現(xiàn)對(duì)高速公路的有效管理，減少交通擁堵和交通事故的發(fā)生，其重點(diǎn)在于對(duì)高速公路交通流量的準(zhǔn)確預(yù)測(cè)[1]。

1 交通流預(yù)測(cè)技術(shù)研究現(xiàn)狀

交通流量預(yù)測(cè)一直是智能交通領(lǐng)域的一個(gè)研究熱點(diǎn)，從上世紀(jì)中葉開始國(guó)外就已經(jīng)有學(xué)者利用其它領(lǐng)域的一些預(yù)測(cè)方法對(duì)交通流量進(jìn)行預(yù)測(cè)，大約在上個(gè)世紀(jì)八十年代，我國(guó)一些學(xué)者也相繼開始在交通流領(lǐng)域進(jìn)行深入研究，迄今為止，國(guó)內(nèi)外已經(jīng)出現(xiàn)了許多較成熟的交通流量預(yù)測(cè)方法[1-3]。這些預(yù)測(cè)方法大致可以分為下幾類：基于線性系統(tǒng)理論的預(yù)測(cè)方法、基于非線性系統(tǒng)理論的預(yù)測(cè)方法、基于數(shù)據(jù)訓(xùn)練的智能預(yù)測(cè)以及基于組合方式的預(yù)測(cè)方法[4]，下面將對(duì)這些方法略作介紹。

基于線性系統(tǒng)理論的預(yù)測(cè)方法在交通流相對(duì)平穩(wěn)情況下，其預(yù)測(cè)效果較好，但在交通流波動(dòng)較大時(shí)的預(yù)測(cè)效果相對(duì)較差；基于非線性理論的預(yù)測(cè)方法具有一定的適用性，例如混沌預(yù)測(cè)方法[5]，當(dāng)交通流變化不具有混沌特性時(shí)，其預(yù)測(cè)精度較低；基于數(shù)據(jù)訓(xùn)練的智能預(yù)測(cè)方法大多需要進(jìn)行學(xué)習(xí)和訓(xùn)練，對(duì)樣本數(shù)據(jù)要求較高，且多采用離線方式建模，模型一旦建立無(wú)法根據(jù)實(shí)際的道路交通流變化進(jìn)行自適應(yīng)調(diào)整，當(dāng)模型預(yù)測(cè)結(jié)果產(chǎn)生較大誤差時(shí)需要重新進(jìn)行學(xué)習(xí)和訓(xùn)練；組合預(yù)測(cè)方法能夠充分發(fā)揮各單一預(yù)測(cè)方法的優(yōu)勢(shì)，從而獲得比單一預(yù)測(cè)模型方法的更好預(yù)測(cè)結(jié)果，但其預(yù)測(cè)過(guò)程更加復(fù)雜多變[6]。

2 節(jié)假日高速公路擁堵預(yù)測(cè)技術(shù)分析

2.1 小波濾波分析

高速公路上交通量信息采集器由于自然或者自身的因素會(huì)導(dǎo)致采集所得的數(shù)據(jù)含有大量高斯白噪聲，而對(duì)于交通量的預(yù)測(cè)來(lái)說(shuō)含有噪聲的數(shù)據(jù)是致命的，所以在用于數(shù)據(jù)的預(yù)測(cè)之前需要進(jìn)行去除白噪聲，獲得相對(duì)準(zhǔn)確的交通量數(shù)據(jù)。

含有噪聲的交通流量一維信號(hào)的模型可以如式(1)的形式表示：

S(t)=f(t)+r*e(t)

t=0，1，…，n-1

(1)

其中：f(t)為真實(shí)信號(hào)，e(t)為噪聲，r為噪聲強(qiáng)度，S(t)為含噪聲的信號(hào)[7]。

在真實(shí)的交通量分析中可知，數(shù)據(jù)中包含的高頻部分一般屬于無(wú)用的噪聲信號(hào)，而其中所含的較平穩(wěn)的低頻信號(hào)則是有用的實(shí)際數(shù)據(jù)。所以在對(duì)所取得的含噪聲信號(hào)的交通量數(shù)據(jù)加以過(guò)濾得到所需要的有用信息，以此為數(shù)據(jù)源。對(duì)原始信號(hào)去噪聲的目的就是要盡量濾除信號(hào)中的噪聲部分，然后從中逆構(gòu)出真實(shí)信號(hào)，使得交通量源數(shù)據(jù)更加真實(shí)[8]。在一般情況下，對(duì)于一維信號(hào)的小波濾波過(guò)程可以按照如圖1所示的流程來(lái)進(jìn)行。

圖1 小波濾波過(guò)程示意圖Figure 1 Schematic diagram of wavelet filter

(a，b∈R，a≠0)

(2)

由于本文數(shù)據(jù)為離散數(shù)據(jù)所以采用離散小波濾波變換定義函數(shù)如式(3)所示：

(3)

當(dāng)滿足一定離散條件時(shí)，f(t)可以用離散小波變換作為系數(shù)而展開成小波級(jí)數(shù)[9]，即式(4)所示：

(4)

2.2 BP神經(jīng)網(wǎng)絡(luò)方法分析

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層和輸出層組成。圖2為一個(gè)典型的三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，層與層之間選擇互相連接方式，每層與每層之間不能連接。輸入層、隱含層及輸出層之間有兩種信號(hào)在傳播，一種是正向的傳輸信號(hào)，另一種是反饋信號(hào)，當(dāng)輸入值與訓(xùn)練數(shù)據(jù)產(chǎn)生誤差時(shí)則會(huì)產(chǎn)生一個(gè)誤差反饋信號(hào)傳輸至輸入層。BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程則由前向訓(xùn)練過(guò)程和誤差反向傳輸過(guò)程組成。如在輸出層不能得到期望的輸出，則會(huì)將誤差反向傳輸，誤差信號(hào)沿原來(lái)通路返回，逐次校準(zhǔn)網(wǎng)絡(luò)各層的權(quán)值和閾值，最終到達(dá)輸入層，然后不停的反復(fù)計(jì)算。這兩個(gè)過(guò)程反復(fù)進(jìn)行，不斷調(diào)整各層的權(quán)值和閾值，使得網(wǎng)絡(luò)誤差最小或達(dá)到人們所期望的要求時(shí)，學(xué)習(xí)過(guò)程結(jié)束[10-12]。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖Figure 2 BP neural network topology diagram

BP神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)具體包括以下幾步：

① 建立網(wǎng)絡(luò)模型，設(shè)置隱含層神經(jīng)元數(shù)目，選擇隱含層及輸出層神經(jīng)元傳遞函數(shù)，選擇網(wǎng)絡(luò)訓(xùn)練的算法；

② 設(shè)置進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練的參數(shù)，包括訓(xùn)練時(shí)間、訓(xùn)練精度及訓(xùn)練步長(zhǎng)等，然后利用現(xiàn)有數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練；

③ 利用訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行網(wǎng)絡(luò)預(yù)測(cè)，得出預(yù)測(cè)結(jié)果[13，14]。

2.3 節(jié)假日高速公路交通流預(yù)測(cè)

本文以G92高速公路某監(jiān)測(cè)點(diǎn)的2013年及2014年的1月1日數(shù)據(jù)為源數(shù)據(jù)進(jìn)行數(shù)據(jù)分析，預(yù)測(cè)2015年1月1日當(dāng)天的交通流量并與實(shí)際數(shù)據(jù)作對(duì)比，為交通管理部門及大眾出行提供參考依據(jù)。

① 小波濾波分析。

由于高速公路交通量采集設(shè)備本身存在一定的誤差，并且由于天氣等原因會(huì)更進(jìn)一步影響到交通量采集的準(zhǔn)確性，所以采集設(shè)備采集的數(shù)據(jù)信號(hào)與真實(shí)數(shù)據(jù)信息相比含有白噪聲干擾信息，所以在進(jìn)行數(shù)據(jù)預(yù)測(cè)之前需要進(jìn)行數(shù)據(jù)的預(yù)處理，消除白噪聲，使數(shù)據(jù)信息更符合實(shí)際情況，這樣也更加有利于對(duì)數(shù)據(jù)進(jìn)行處理預(yù)測(cè)。

根據(jù)前節(jié)小波濾波分析，在眾多的小波變換函數(shù)中Symlet( )小波變換函數(shù)是具有線性相位的、近似對(duì)稱的及雙正交的函數(shù)且光滑性較好，計(jì)算也比較簡(jiǎn)單，因此我們采用該小波基函數(shù)進(jìn)行小波濾波函數(shù)重構(gòu)。

圖3所示為未處理前2013年與2014年元旦第一天數(shù)據(jù)，可以明顯看出該數(shù)據(jù)存在很多毛刺，非常不利于數(shù)據(jù)的運(yùn)算預(yù)測(cè)，甚至直接導(dǎo)致預(yù)測(cè)失敗。橫軸是以每五分鐘為一點(diǎn)，全天24 h共計(jì)288個(gè)點(diǎn)，則第144點(diǎn)表示中午12點(diǎn)，圖示中第150點(diǎn)表示中午12點(diǎn)30分，以下均同。圖4所示為小波濾波過(guò)程，其中圖4(1)為原始數(shù)據(jù)圖，圖4(2～4)為小波濾波過(guò)程中的高頻中頻低頻信息，圖4(5)為小波變換重構(gòu)數(shù)據(jù)信息即小波濾波后的無(wú)噪聲數(shù)據(jù)。

圖3 2013年與2014年交通量數(shù)據(jù)對(duì)比圖Figure 3 Traffic data comparison chart of 2013 and 2014

圖4 原始數(shù)據(jù)濾波過(guò)程及結(jié)果Figure 4 Raw data filtering process and results

② BP神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)。

經(jīng)過(guò)濾波過(guò)后得到相對(duì)準(zhǔn)確的源數(shù)據(jù)，然后以此為輸入信號(hào)建立BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，訓(xùn)練完畢后以2014年數(shù)據(jù)對(duì)2015年1月1日當(dāng)天的交通量進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖5所示。

圖5 2015年1月1日預(yù)測(cè)數(shù)據(jù)趨勢(shì)圖Figure 5 Forecast data trends in January 1，2015

③ 與2015年1月1日實(shí)際數(shù)據(jù)對(duì)比。

通過(guò)調(diào)閱交通量調(diào)查系統(tǒng)中的2015年1月1日當(dāng)日數(shù)據(jù)與預(yù)測(cè)的數(shù)據(jù)進(jìn)行對(duì)比可以看出交通流量走勢(shì)與預(yù)測(cè)數(shù)據(jù)完全一致如圖6所示，基本能夠反映當(dāng)日的交通狀況。同時(shí)根據(jù)該條高速公路的交通量最大承受能力則可以推測(cè)出小時(shí)交通量為多少時(shí)其分別處于擁堵或者流暢狀態(tài)。

圖6 預(yù)測(cè)值與實(shí)際值對(duì)比圖Figure 6 Comparison chart about the predicted value and the actual value

在交通流預(yù)測(cè)過(guò)程中，預(yù)測(cè)的準(zhǔn)確與否，是否能夠較好的反應(yīng)當(dāng)前的交通流變化需要一定的評(píng)價(jià)指標(biāo)，在此選擇常用的交通流評(píng)價(jià)指標(biāo)平均相對(duì)誤差MARE及均等系數(shù)EC，通過(guò)把預(yù)測(cè)的數(shù)據(jù)與實(shí)際發(fā)生的數(shù)據(jù)進(jìn)行相應(yīng)的計(jì)算可以求得MARE為0.17和EC為0.917。我們知道MARE越小表示預(yù)測(cè)值越接近于實(shí)際值，而EC越接近于1表示預(yù)測(cè)數(shù)值曲線越靠近于實(shí)際觀測(cè)曲線，說(shuō)明預(yù)測(cè)效果越好。通過(guò)這兩個(gè)評(píng)價(jià)指標(biāo)計(jì)算數(shù)值可以說(shuō)明該預(yù)測(cè)方法所預(yù)測(cè)的交通量能夠較好的反應(yīng)實(shí)際交通狀況。

3 結(jié)合預(yù)測(cè)數(shù)據(jù)分析高速公路交通流狀況

根據(jù)本文所提出的節(jié)假日交通量預(yù)測(cè)模型預(yù)測(cè)下一年的節(jié)假日交通量，可提前預(yù)知其交通量走勢(shì)，這可為交通管理部門提前做出決策防止擁堵，也為出行者安排出行時(shí)間及出行路線提供依據(jù)支撐。

3.1 2016年1月1日交通量預(yù)測(cè)

根據(jù)本文所提出的交通量預(yù)測(cè)方法預(yù)測(cè)的2016年1月1日交通量如圖7所示。圖8為2013年、2014年、2015年1月1日實(shí)際交通量數(shù)據(jù)及2016年1月1日預(yù)測(cè)交通量數(shù)據(jù)對(duì)比圖，由圖可知：虛線為臨界值，高于臨界值區(qū)域?yàn)閾矶聟^(qū)域，低于臨界值區(qū)域?yàn)榱鲿硡^(qū)域，擁堵時(shí)段為兩段分別為09：00-11：00及13：30-15：30之間，據(jù)此特征可以采取相應(yīng)措施減緩交通擁堵狀況。

圖7 2016年1月1日交通量預(yù)測(cè)圖Figure 7 Traffic prediction chart in January 1，2016

圖8 1月1日交通擁堵分析圖Figure 8 Traffic congestion analysis chart in January 1

3.2 緩解交通擁堵措施建議

根據(jù)圖8所示交通量信息，可以提出相應(yīng)的緩解交通擁堵的若干措施如下：

① 對(duì)于交通管理部門來(lái)說(shuō)需要提前公布預(yù)測(cè)擁堵信息，加強(qiáng)信息誘導(dǎo)。對(duì)于經(jīng)常發(fā)生擁堵的路段增加相應(yīng)的誘導(dǎo)系統(tǒng)，能夠?qū)崟r(shí)或者提前顯示前方路段交通擁堵情況誘導(dǎo)分流；

② 對(duì)于出行者來(lái)說(shuō)需要根據(jù)擁堵預(yù)測(cè)信息規(guī)劃線路，錯(cuò)峰出行。根據(jù)圖示信息可以看出交通擁堵主要集中在09：00-11：00及13：30-15：30之間，選擇提前或者延后一段時(shí)間出行或者選擇其他線路能夠避開車流高峰期；

③ 對(duì)于高速公路出入口實(shí)施動(dòng)態(tài)管控措施。根據(jù)交通量預(yù)測(cè)信息發(fā)現(xiàn)即將進(jìn)入擁堵時(shí)間段時(shí)則適當(dāng)減緩進(jìn)入高速公路的車流量，同時(shí)適當(dāng)引導(dǎo)部分車輛從最近的出口離開高速公路，選擇其他流暢路線進(jìn)行分流。

4 總結(jié)

在快速發(fā)展的今天，深入挖掘交通量數(shù)據(jù)對(duì)于預(yù)測(cè)高速公路交通擁堵狀況具有深遠(yuǎn)意義。本文通過(guò)對(duì)交通流數(shù)據(jù)進(jìn)行小波濾波消除原始數(shù)據(jù)含有的白噪聲，然后采用具有閉環(huán)反饋?zhàn)饔玫腂P神經(jīng)網(wǎng)絡(luò)方法進(jìn)行訓(xùn)練預(yù)測(cè)數(shù)據(jù)，仿真實(shí)驗(yàn)結(jié)果表明這種組合方法的預(yù)測(cè)結(jié)果能夠很好的吻合交通量的走勢(shì)。通過(guò)長(zhǎng)時(shí)間對(duì)交通運(yùn)行狀態(tài)的監(jiān)控與預(yù)測(cè)，逐步探索高速公路交通運(yùn)行規(guī)律，并適時(shí)提出應(yīng)對(duì)交通擁堵策略，不僅能夠?yàn)榻煌ü芾聿块T提供有效決策支持，同時(shí)也為居民出行提供有價(jià)值的參考，具有深遠(yuǎn)的社會(huì)意義。

[1] 魏方強(qiáng).高速公路短時(shí)交通流量組合預(yù)測(cè)方法研究[D].重慶：重慶大學(xué)，2013.

[2] 楊兆升.智能運(yùn)輸系統(tǒng)概論[M].北京：人民交通出版社，2007.

[3] 曾超，唐伯明.重慶兩江新區(qū)城市路網(wǎng)供需預(yù)測(cè)及匹配性研究[J].公路工程，2014，39(3)：107-111.

[4] 叢新宇，虞慧群，范貴生.基于組合模型的交通流量預(yù)測(cè)方法[J].華東理工大學(xué)報(bào)：自然科學(xué)版，2011(3)：340-345.

[5] 卓卉.基于混沌理論的短時(shí)交通流預(yù)測(cè)方法研究[D].北京：北京交通大學(xué)，2008.

[6] 胡佩鋒.交通流量短時(shí)預(yù)測(cè)方法研究[D].北京：北京交通大學(xué)，2006.

[7] Sherif Ishak，Haitham AI-Deek.Performance Evaluation of Short-term Traffic Prediction Model[J].Journal of Transportation Engineering，2002，128(6).

[8] 刑丹丹，張立濤，段雨芬.基于小波分析的大跨徑橋梁健康監(jiān)測(cè)數(shù)據(jù)預(yù)處理研究[J].公路工程，2012，37(2)：33-36.

[9] 劉馳，劉偉銘.基于小波變換的交通流預(yù)測(cè)及模型優(yōu)化[J].科學(xué)技術(shù)與工程，2008，8(21)：5858-5862.

[10] 喻丹.基于小波理論的短時(shí)交通流預(yù)測(cè)方法研究[D].長(zhǎng)沙：長(zhǎng)沙理工大學(xué)，2008.

[11] 胡紀(jì)元，文鴻雁，周呂，等.基于小波神經(jīng)網(wǎng)絡(luò)的隧道變形預(yù)測(cè)模型研究[J].公路工程，2014，39(4)：26-29.

[12] 劉秋平.神經(jīng)網(wǎng)絡(luò)在短期交通流預(yù)測(cè)中的應(yīng)用研究[D].西安：長(zhǎng)安大學(xué)，2011.

[13] TONGMingrong，XUEHengxin.Highway traffic volumeforecasting based on seasonal ARIMA model[J].Journal of Highway and Transportation Research and Development.2008，25(1)：124-128.

[14] 杜長(zhǎng)海，黃席樾，楊祖元，等.基于神經(jīng)網(wǎng)絡(luò)和Markov鏈的交通流實(shí)時(shí)滾動(dòng)預(yù)測(cè)[J].系統(tǒng)仿真學(xué)報(bào)，2008，20(9)：2464-2468.

Wavelet Filtering of the BP Neural Network of Highway Congestion Forecast Analysis during the Holidays

LIU Qinglin， DAI Hongliang

(Zhejiang Scientific Research Institute of Transport， Hangzhou， Zhejiang 310006， China)

As the highway tolls are exempted from policy in the holiday，assure the smoothly running of expressway is imminent.Firstly，data based on existing holidays are eliminated white noise by wavelet filter，and then BP neural network has a closed-loop feedback simulation model to predict the volume of traffic on New Year's 2015 comparing with the actual value，the results show that this method can predict the outcome well and reflect the actual traffic.Finally，forecast the traffic of 2016 New Year's Day and propose strategies to deal with highway traffic congestion，other holidays’traffic can also use this model to predict and simulate.

wavelet filter； BP neural network； highway； congestion forecasting； traffic data

2015 — 04 — 07

浙江省交通運(yùn)輸廳科研計(jì)劃項(xiàng)目(2014T16)

劉清林(1987 — )，男，河南信陽(yáng)人，碩士，助理工程師，主要從事智能交通工程方面的研究。

U 491.1+12

A

1674 — 0610(2016)06 — 0098 — 05