【摘 要】城市道路交通流量短時(shí)預(yù)測(cè)是智能交通系統(tǒng)（ITS）的重要組成部分。本文結(jié)合銀川城市道路交通量分布的空間和時(shí)間相關(guān)性，利用BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和GRNN神經(jīng)網(wǎng)絡(luò)建立3種道路交通量短時(shí)預(yù)測(cè)模型，利用銀川市區(qū)道路交叉口實(shí)際觀測(cè)數(shù)據(jù)，應(yīng)用MATLAB對(duì)交叉口進(jìn)口道交通量進(jìn)行短時(shí)預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)進(jìn)行對(duì)比分析，指出每種預(yù)測(cè)模型的優(yōu)點(diǎn)和不足。

【關(guān)鍵詞】交通流量短時(shí)預(yù)測(cè) BP神經(jīng)網(wǎng)絡(luò) RBF神經(jīng)網(wǎng)絡(luò) GRNN神經(jīng)網(wǎng)絡(luò)

【Abstract】Urban road short-term traffic flow prediction is an important part of intelligent transportation system（ITS）. This paper we Combining with the temporal-spatial correlation of traffic flow， Using the BP neural network， RBF neural network and GRNN neural network， to establish 3 kinds of short-time traffic flow forecasting models. Then intersection traffic flow data of Yinchuan are used in the MATLAB to predict the short-term traffic flow of the entrance lanes of the intersection. Finally， the advantages， disadvantages and the suitable condition of each models are put forward by analyses the predictive results and practical data..

【Key words】short-term traffic flow prediction； BP neural network； RBF neural network； GRNN neural network

1 引言

隨著人民生活水平及城市現(xiàn)代化建設(shè)水平的不斷提高，社會(huì)對(duì)城市道路交通運(yùn)輸?shù)男枨笕找嬖黾?，智能交通系統(tǒng)（ITS）作為一種有效的需求解決方案，逐漸成為交通運(yùn)輸系統(tǒng)研究焦點(diǎn)。交通控制和交通誘導(dǎo)是智能交通系統(tǒng)研究的重要領(lǐng)域，實(shí)現(xiàn)交通控制和誘導(dǎo)的關(guān)鍵問(wèn)題之一是實(shí)時(shí)準(zhǔn)確的短時(shí)交通量預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)模型在交通量預(yù)測(cè)領(lǐng)域是一種很有潛力的預(yù)測(cè)模型，利用神經(jīng)網(wǎng)絡(luò)對(duì)短時(shí)交通量進(jìn)行預(yù)測(cè)往往可以取得比較理想的效果，可為智能交通系統(tǒng)中交通控制和交通誘導(dǎo)的相關(guān)研究提供較為準(zhǔn)確的預(yù)測(cè)數(shù)據(jù)。

2 道路交通流量短時(shí)預(yù)測(cè)原理

短時(shí)交通量預(yù)測(cè)與交通流量所具有的時(shí)間、空間特性相關(guān)。時(shí)間方面指路段i在過(guò)去若干時(shí)間間隔內(nèi)的交通量歷史數(shù)據(jù)；空間方面指與路段i相鄰的上下游路段中對(duì)其交通量有顯著影響的路段i+j當(dāng)前及過(guò)去時(shí)刻的交通量。據(jù)此，對(duì)交通量的短時(shí)預(yù)測(cè)是根據(jù)已知的路段i及路段i+j在過(guò)去m個(gè)時(shí)刻交通量實(shí)際值求出路段i及路段i+j在未來(lái)n個(gè)時(shí)段內(nèi)的交通量估計(jì)值。

3 基于神經(jīng)網(wǎng)絡(luò)的交通流量短時(shí)預(yù)測(cè)

BP神經(jīng)網(wǎng)絡(luò)模型是一種按誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，它能學(xué)習(xí)和存貯輸入-輸出模式映射關(guān)系，無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。RBF（徑向基函數(shù)）神經(jīng)網(wǎng)絡(luò)模型在隱含層采用徑向基函數(shù)作為激勵(lì)函數(shù)，可以處理系統(tǒng)內(nèi)的難以解析的規(guī)律性，學(xué)習(xí)收斂速度較快。GRNN（廣義回歸線性網(wǎng)絡(luò)）網(wǎng)絡(luò)模型的連接權(quán)值學(xué)習(xí)修正采用BP算法，隱含層結(jié)點(diǎn)的作用函數(shù)采用高斯函數(shù)，局部逼近能力強(qiáng)、學(xué)習(xí)速度快，網(wǎng)絡(luò)中人為調(diào)節(jié)的參數(shù)只有光滑因子，網(wǎng)絡(luò)學(xué)習(xí)全部依賴數(shù)據(jù)樣本，可最大程度避免人為因素對(duì)預(yù)測(cè)結(jié)果的影響。

3.1 BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、GRNN神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)

本文建模均運(yùn)用MATLAB2009a軟件神經(jīng)網(wǎng)絡(luò)工具箱。BP神經(jīng)網(wǎng)絡(luò)選用含輸入層、隱含層和輸出層的三層網(wǎng)絡(luò)，隱含層神經(jīng)元數(shù)目由經(jīng)驗(yàn)公式配合試算比較確定，隱含層以及輸出層傳遞函數(shù)均選用雙極性S型函數(shù)；RBF神經(jīng)網(wǎng)絡(luò)利用newff （）函數(shù)設(shè)計(jì)和訓(xùn)練，用sim（）函數(shù)進(jìn)行預(yù)測(cè)仿真，用mse（）函數(shù)衡量預(yù)測(cè)和實(shí)測(cè)的擬合程度；GRNN神經(jīng)網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)均據(jù)學(xué)習(xí)樣本自適應(yīng)調(diào)整，因此選用newgrnn（）函數(shù)設(shè)計(jì)和訓(xùn)練網(wǎng)絡(luò)，且GRNN神經(jīng)網(wǎng)絡(luò)連接權(quán)值的學(xué)習(xí)修正使用BP算法。

3.2 交通量數(shù)據(jù)說(shuō)明與處理

本文對(duì)銀川市區(qū)寧安大街-新昌路交叉口A南進(jìn)口路段在2014年9月24日（周三）14：00至19：00時(shí)段的交通量V（t）進(jìn)行預(yù)測(cè)。寧安大街-新昌路交叉口A與寧安大街-黃河路交叉口B是兩個(gè)相鄰的十字交叉口（路況如圖1所示）。

圖1 研究交叉口位置示意圖

由于預(yù)測(cè)路段的交通流量由其上游路段右轉(zhuǎn)、直行和左轉(zhuǎn)三個(gè)進(jìn)口的交通量V1（t）、V2（t）和V3（t）決定，所以以2014年9月17日（上周三）和最近兩個(gè)工作日9月22日、9月23日這三天在7：00至19：00之間的交通量作為預(yù)測(cè)的歷史數(shù)據(jù)，以上周三、本周三及其前兩天7：00至14：00的交通量為訓(xùn)練數(shù)據(jù)，以交叉口A的南進(jìn)口路段當(dāng)天14：00到19：00的交通量作為預(yù)測(cè)對(duì)比數(shù)據(jù)。交通流量數(shù)據(jù)利用檢測(cè)器采集，采集時(shí)段為早7：00至晚19：00，時(shí)間間隔為15分鐘。經(jīng)分析后發(fā)現(xiàn)數(shù)據(jù)在選用時(shí)段內(nèi)完整且波動(dòng)范圍合理，不必進(jìn)行數(shù)據(jù)修復(fù)，預(yù)測(cè)時(shí)對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

3.3 模型的輸入輸出方案設(shè)計(jì)

輸入變量包括：研究路段9月24日（周三）當(dāng)前時(shí)段t，前兩個(gè)時(shí)段t-15，t-30；周一、周二和上周三的t、t-15、t-30、t+15；以及上游交叉口周三t時(shí)段，周一和周二t+15時(shí)段匯入預(yù)測(cè)進(jìn)口道的交通量在內(nèi)的一共24個(gè)變量。輸出為預(yù)測(cè)時(shí)段每隔15分鐘的交通量。

3.4 短時(shí)交通流量預(yù)測(cè)模型的評(píng)價(jià)指標(biāo)

本論文引入最大絕對(duì)相對(duì)誤差MMSE、相對(duì)平均誤差MRE、均方誤差MSE和預(yù)測(cè)時(shí)間RT四個(gè)指標(biāo)進(jìn)行模型預(yù)測(cè)結(jié)果的量化評(píng)價(jià)。

（1）最大絕對(duì)相對(duì)誤差（MMSE）：

式3-1

（2）相對(duì)平均誤差（MRE）：

式3-2

（3）均方誤差（MSE）：

式3-3

其中，N是數(shù)據(jù)個(gè)數(shù)， 是交通量實(shí)測(cè)值， 是交通量預(yù)測(cè)值。

4 預(yù)測(cè)結(jié)果分析、對(duì)比

4.1 預(yù)測(cè)結(jié)果分析

利用MATLAB進(jìn)行交通量預(yù)測(cè)后，三種網(wǎng)絡(luò)模型得到的預(yù)測(cè)數(shù)據(jù)分析圖2-7如下：

圖2 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果對(duì)比圖 圖3 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)相對(duì)誤差

圖4 RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果對(duì)比圖 圖5 RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)相對(duì)誤差

圖6 GRNN神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果對(duì)比圖 圖7 GRNN神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)相對(duì)誤差

4.2 預(yù)測(cè)結(jié)果對(duì)比

各個(gè)模型預(yù)測(cè)結(jié)果量化評(píng)價(jià)指標(biāo)成果如表1所示：

表1 不同神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果對(duì)比

預(yù)測(cè)模型 MMSE MRE MSE RT

BP 0.0679 0.0268 40.9673 2.113s

RBF 0.0514 0.0219 25.1590 0.874s

GRNN 0.0827 0.0373 62.0837 0.658s

通過(guò)對(duì)研究路段交通流量實(shí)測(cè)數(shù)據(jù)進(jìn)行對(duì)比：

（1）預(yù)測(cè)精確度分析：在本文設(shè)計(jì)的輸入輸出方案下，BP神經(jīng)網(wǎng)絡(luò)模型取得了比較理想的預(yù)測(cè)結(jié)果，但它存在隱含層節(jié)點(diǎn)數(shù)目選擇方面的不足以及需進(jìn)行多次參數(shù)調(diào)整測(cè)試，模型在預(yù)測(cè)時(shí)無(wú)法避免人為因素對(duì)預(yù)測(cè)結(jié)果的干擾；RBF神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)簡(jiǎn)單，避免了反向傳播這樣復(fù)雜的計(jì)算過(guò)程，其預(yù)測(cè)精度方面也優(yōu)于BP、GRNN神經(jīng)網(wǎng)絡(luò)模型；GRNN神經(jīng)網(wǎng)絡(luò)模型得到的預(yù)測(cè)結(jié)果在精確度方面表現(xiàn)不如BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)，但其僅需要對(duì)光滑因子這一單一參數(shù)進(jìn)行調(diào)節(jié)，網(wǎng)絡(luò)學(xué)習(xí)全部依據(jù)樣本數(shù)據(jù)，最大程度避免人為因素對(duì)預(yù)測(cè)結(jié)果的影響；綜上，在三種預(yù)測(cè)模型中，RBF神經(jīng)網(wǎng)絡(luò)模型在達(dá)到最好仿真效果時(shí)預(yù)測(cè)精確度最高，且人為因素對(duì)預(yù)測(cè)結(jié)果干擾較小。（2）預(yù)測(cè)時(shí)間比較分析：由于BP神經(jīng)網(wǎng)絡(luò)自身的不足使得預(yù)測(cè)時(shí)間最長(zhǎng)，其次是RBF神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)時(shí)間相對(duì)最短的是GRNN神經(jīng)網(wǎng)絡(luò)模型。

5 結(jié)語(yǔ)

本文研究的目的在于得到更準(zhǔn)確、更合理的預(yù)測(cè)模型來(lái)對(duì)銀川市城市道路短時(shí)交通流量進(jìn)行預(yù)測(cè)。在利用仿真的方法系統(tǒng)地比較了BP、RBF、GRNN三種神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)性能后，可以得出以下結(jié)論：RBF神經(jīng)網(wǎng)絡(luò)模型相對(duì)于BP神經(jīng)網(wǎng)絡(luò)模型和GRNN神經(jīng)網(wǎng)絡(luò)模型來(lái)講更適合對(duì)銀川市城市道路進(jìn)行短時(shí)交通量預(yù)測(cè)。

參考文獻(xiàn)：

[1] 范騰騰.城市道路交通流量短時(shí)預(yù)測(cè)研究[D].北京交通大學(xué)大學(xué)，2012.

[2] 謝婉澤.城市軌道交通客流短時(shí)預(yù)測(cè)方法與運(yùn)營(yíng)編組優(yōu)化設(shè)計(jì)[D].大連交通大學(xué)，2013.

[3] 吳 凱.基于神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)研究[D].南京郵電大學(xué)，2014.

[4] 任千里.智能算法在短時(shí)交通流量預(yù)測(cè)中的應(yīng)用[J].交通建設(shè)與管理，2014.

[5] 王曉原.交通流數(shù)據(jù)清洗與狀態(tài)辨識(shí)及優(yōu)化控制關(guān)鍵理論方法.北京：科學(xué)出版社，2011.

[6] 張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì).北京：機(jī)械工業(yè)出版社，2012.

作者簡(jiǎn)介：張文斌（1987—），男，甘肅武威人，碩士，畢業(yè)于蘭州交通大學(xué)，在校研究生，研究方向：交通運(yùn)輸。