智慧交通短時流量預測研究

（華信咨詢設(shè)計研究院有限公司，杭州 310052）

1 引言

由于經(jīng)濟的高速發(fā)展，越來越多的家庭擁有汽車，造成公路擁堵，如何高效的規(guī)劃、設(shè)計城市的智慧交通系統(tǒng)成為當前研究的熱點。通過智慧交通系統(tǒng)實現(xiàn)交通規(guī)劃和誘導，避免交通擁堵，實現(xiàn)其功能重要一環(huán)是交通流量預測，尤其是短時（15分鐘及以下）的交通流量預測，通過其預測道路的潮汐效應，來動態(tài)調(diào)整車道數(shù)量，更好的進行誘導分流，是智慧交通系統(tǒng)的核心。當前比較常用的預測不能有效根據(jù)具體短時數(shù)據(jù)進行高效動態(tài)根據(jù)流量的不確定性、非線性調(diào)整，因此提出了采用基于神經(jīng)網(wǎng)絡的預測，如基于小波神經(jīng)網(wǎng)絡等進行分析預測[1]

2 預測模型分析

城市道路中的交通流量具有一定的相關(guān)性，如前段時間擁堵則勢必造成后段時間的交通流量；與此同時交通路流量一般以一天（24小時）為周期的特性變化，各個時段會有變化。根據(jù)交通流量的變化周期，采用小波神經(jīng)網(wǎng)絡進行分析預測，其網(wǎng)絡分為輸入層、隱含層和輸出層等三層。其中，輸入層數(shù)據(jù)輸入為當前時間點的前n個時段的歷史交通流量數(shù)據(jù)；隱含層節(jié)點由小波函數(shù)構(gòu)成，通過把小波基函數(shù)作為隱含層節(jié)點的傳遞函數(shù)，信號前向傳播的同時，進行學習訓練權(quán)重調(diào)整，預測誤差反向傳播的神經(jīng)網(wǎng)絡的反復迭代的過程；輸出層則是輸出當前該時段的預測交通流量

小波神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)圖如圖1所示[2]。圖1中的X1，X2，…，Xk是小波神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)參數(shù)，Y1，Y2，…，Ym是小波神經(jīng)網(wǎng)絡經(jīng)過學習訓練后的的預測數(shù)據(jù)輸出，和是小波神經(jīng)網(wǎng)絡隱含層的權(quán)值。

在輸入交通流量序列為Xi（i=1，2，…，k）時，隱含層輸出計算公式為[1][3]：

采用Morlet函數(shù)作為小波基函數(shù)，如下式所示：

輸出層計算公式為：

圖1 小波神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)圖

通過采用梯度修正法來修正網(wǎng)絡的小波基函數(shù)和權(quán)值，權(quán)值參數(shù)修正算法跟BP神經(jīng)網(wǎng)絡權(quán)值修正算法相似，從而使得小波神經(jīng)網(wǎng)絡短時交通流量的預測輸出結(jié)果不斷逼近期望輸出，其具體修正過程如下：

（1）計算網(wǎng)絡預測誤差

（2）根據(jù)短時交通流量預測的誤差e修正小波神經(jīng)網(wǎng)絡權(quán)值以及小波基函數(shù)系數(shù)[3][4]

3 仿真及結(jié)果

通過預測模型的分析搭建，選取歷史短時交通流量數(shù)據(jù)，采用間隔15分鐘取時段內(nèi)一次短時交通流量，一天取同一采樣點位置交通流量數(shù)據(jù)96個，并將采樣的短時交通流量數(shù)據(jù)對小波神經(jīng)網(wǎng)絡進行訓練，并用訓練好的小波神經(jīng)網(wǎng)絡預測之后一天的短時交通流量。

圖2 交通流量預測

圖3 預測與實際交通流量差額

通過對流量數(shù)據(jù)的學習訓練驗證，訓練次數(shù)為5000次，得到訓練有效權(quán)重，并得到各權(quán)重值來做后續(xù)預測，得到預測車流量數(shù)據(jù)非常接近實際值，如圖2所示（單位：輛），得到的預測流量數(shù)據(jù)與實際的流量數(shù)據(jù)差額和誤差占比非常小，對于流量小的時段占比偏差略有升高，但總體較為理想，具體如圖3和圖4所示。

圖4 預測與實際交通流量誤差占比

4 結(jié)束語

通過對小波神經(jīng)網(wǎng)絡預測模型輸入層、隱含層、輸出層、morlet函數(shù)以及權(quán)重學習等的分析，并將歷史數(shù)據(jù)進行matlab仿真，預測結(jié)果非常接近實際值，采用該防范能夠科學、準確、客觀的對交通流量進行短時預測。但對于交通流量小的時段，預測偏差略大，但其能滿足交通流量高峰的預測，所以不影響交通規(guī)劃誘導；后續(xù)可進一步對交通流量小的時段進行更加深入的分析。