基于BP神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)研究

陳慧 張琪

摘?要：本文采用多車道數(shù)據(jù)，其中包含多條鄰近同方向的車道，我們需要依次分離出各條單車道的實(shí)際數(shù)據(jù)，但由于得到的數(shù)據(jù)較少，導(dǎo)致該BP模型的誤差略大，但從中我們依然可以看出預(yù)測(cè)值大約都在1.4上下浮動(dòng)，數(shù)據(jù)分布較為集中，與實(shí)際值相比，誤差大約在0.5分鐘左右。因此我們可以看出，該模型的預(yù)測(cè)結(jié)果能較客觀地反映出該模型的可行性。

關(guān)鍵詞：BP模型;多車道數(shù)據(jù);模型預(yù)測(cè)分析

一、預(yù)測(cè)模型的性能評(píng)價(jià)指標(biāo)

在交通流預(yù)測(cè)領(lǐng)域，主要通過以下指標(biāo)來評(píng)價(jià)模型的預(yù)測(cè)準(zhǔn)確性。

這三個(gè)評(píng)價(jià)指標(biāo)表示檢測(cè)到的實(shí)際值，則表示對(duì)應(yīng)時(shí)間內(nèi)的與預(yù)測(cè)值，根據(jù)實(shí)際值與我們的預(yù)測(cè)值代到上述公式得到結(jié)果。這四個(gè)值越小，說明模型擬合度越好，預(yù)測(cè)準(zhǔn)確率越高.

二、模型的建立

神經(jīng)網(wǎng)絡(luò)模型具有高度非線性關(guān)系映射能力，因此，在訓(xùn)練數(shù)據(jù)中，在輸入個(gè)數(shù)、輸出個(gè)數(shù)相同的情況下，隱含層單元數(shù)目的不同會(huì)使權(quán)閾值不同，導(dǎo)致誤差較大。在本文中，考慮到各路段交通流之間的相互關(guān)系，我們將歷史交通流數(shù)據(jù)個(gè)數(shù)，觀測(cè)點(diǎn)個(gè)數(shù)生成樣本數(shù)據(jù)，并將其分成訓(xùn)練數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)。

2.1實(shí)驗(yàn)數(shù)據(jù)獲取位置的基本路況：

本文我們采集2016年7月2日至4日安徽省合肥市黃天路交叉口Htw002三個(gè)車道的視頻交通流檢測(cè)數(shù)據(jù)為研究對(duì)象，并且將車道情況記錄時(shí)間精確到秒。

2.2實(shí)驗(yàn)數(shù)據(jù)的處理

該路段周邊多以大學(xué)城和小區(qū)為主，具有早晚高峰車流量大的特點(diǎn)，由于該路段視頻交通流監(jiān)測(cè)器的流量數(shù)據(jù)比較齊全，我們對(duì)收集的數(shù)據(jù)進(jìn)行分組，按照“訓(xùn)練—輸入”、“訓(xùn)練—輸出”、“測(cè)試—輸入”、“測(cè)試—輸出”四種類型進(jìn)行分類，輸出結(jié)果如圖：

三、實(shí)驗(yàn)仿真研究

3.1BP神經(jīng)網(wǎng)絡(luò)的參數(shù)調(diào)整及預(yù)測(cè)效果

3.1.1 設(shè)置神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)如下

（1）輸入層神經(jīng)元設(shè)置

根據(jù)數(shù)據(jù)處理部分將輸入類的數(shù)據(jù)設(shè)置為的矩陣，所以將神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元設(shè)置為5;

（2）隱藏層的神經(jīng)元設(shè)置

BP神經(jīng)網(wǎng)絡(luò)的隱藏層節(jié)點(diǎn)數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度有較大的影響，節(jié)點(diǎn)數(shù)過少，不能得到較準(zhǔn)確的結(jié)果;節(jié)點(diǎn)數(shù)過多，容易讓網(wǎng)絡(luò)陷入過擬合。為了防止這種情況，我們算出最優(yōu)隱藏層的神經(jīng)元個(gè)數(shù)為12，并且將數(shù)據(jù)分為三類：training，validation，test。

（3）參數(shù)設(shè)置

本文基于LM算法，設(shè)定學(xué)習(xí)率為0.1，最大迭代次數(shù)epoch為1000，精度為0.000000001.

3.1.2 預(yù)測(cè)結(jié)果分析Analysis

增加隱層節(jié)點(diǎn)數(shù)可以減少訓(xùn)練誤差，本文基于隱藏層數(shù)12的前提條件下，訓(xùn)練誤差小，而且收斂速度較快。訓(xùn)練集數(shù)據(jù)能較為良好地反映這模型的運(yùn)作狀況。連續(xù)進(jìn)行了11次，確認(rèn)樣本的輸出誤差都不再減?。ㄉ踔猎龃螅?xùn)練就會(huì)終止，在第五次獲得了最佳的MSE。樣本的誤差曲線以及測(cè)試樣本的誤差曲線走勢(shì)都是慢慢下降的，呈現(xiàn)良好的相關(guān)性，并且達(dá)到了一個(gè)合適的目標(biāo)誤差。

四、BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差曲線圖

五、結(jié)論

單車道的測(cè)試集數(shù)據(jù)利用本文列出的短時(shí)交通流預(yù)測(cè)效果評(píng)價(jià)指標(biāo)，對(duì)該模型得出的預(yù)測(cè)效果值與實(shí)際交通流量進(jìn)行計(jì)算，得出BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)評(píng)價(jià)效果。該BP模型優(yōu)化后的誤差分布較為集中，曲線擬合度達(dá)到了0.553，MSE為0.367，RMSE為0.606，MAD為0.502，各評(píng)價(jià)指標(biāo)能較良好地體現(xiàn)該模型的符合程度，較好地實(shí)現(xiàn)短時(shí)交通流的合理預(yù)測(cè)。

最后，我們又對(duì)三條單車道的數(shù)據(jù)分別進(jìn)行了梳理，根據(jù)每條車道的預(yù)測(cè)結(jié)果和絕對(duì)誤差得出了各車道的實(shí)際運(yùn)算結(jié)果，選取絕對(duì)誤差作為預(yù)測(cè)效果評(píng)價(jià)指標(biāo)，發(fā)現(xiàn)誤差值都在-0.6～0.08之間，處于可接受范圍。綜上所述，通過實(shí)力仿真研究表明，經(jīng)過模擬BP神經(jīng)網(wǎng)絡(luò)能夠?qū)Χ虝r(shí)交通流進(jìn)行預(yù)測(cè)，且預(yù)測(cè)效果較良好。

參考文獻(xiàn)

[1]?謝浩. 基于BP神經(jīng)網(wǎng)絡(luò)及其優(yōu)化算法的汽車車速預(yù)測(cè)[D].重慶大學(xué)，2014.

[2]?張希影. 基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)股票價(jià)格預(yù)測(cè)[D].青島科技大學(xué)，2014.

[3]?張華. 基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的微博輿情預(yù)測(cè)模型研究[D].華中師范大學(xué)，2014.

[4]?楊猛. 基于遺傳算法與人工神經(jīng)網(wǎng)絡(luò)的加熱爐建模方法研究[D].中國(guó)科學(xué)技術(shù)大學(xué)，2017.