羅來(lái)鵬

(華東交通大學(xué) 理學(xué)院，江西 南昌 330013)

?

基于BP神經(jīng)網(wǎng)絡(luò)的城市占道交通擁堵預(yù)測(cè)

羅來(lái)鵬

(華東交通大學(xué) 理學(xué)院，江西 南昌 330013)

摘要：短時(shí)交通流預(yù)測(cè)是現(xiàn)代智能交通系統(tǒng)的核心內(nèi)容，針對(duì)城市道路被占所造成的城市交通擁堵排隊(duì)問(wèn)題，以路段視頻統(tǒng)計(jì)為例，利用BP神經(jīng)網(wǎng)絡(luò)方法就實(shí)際通行能力、具體車輛數(shù)、事故持續(xù)時(shí)間與排隊(duì)最長(zhǎng)長(zhǎng)度之間的關(guān)系進(jìn)行預(yù)測(cè)分析，從實(shí)驗(yàn)?zāi)M結(jié)果來(lái)看，該方法能有效地解決交通流實(shí)時(shí)和可靠性預(yù)測(cè)。

關(guān)鍵詞：交通流；交通擁堵；BP神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)

隨著我國(guó)國(guó)民經(jīng)濟(jì)的快速發(fā)展以及城市化進(jìn)程的加快，我國(guó)機(jī)動(dòng)車擁有量及道路交通量急劇增加,尤其是在大城市,城市交通供給與需求矛盾逐漸加劇,雖然近一些年來(lái)各級(jí)政府投入了大量的人力、物力、財(cái)力并取得了一定的成效,但交通形勢(shì)仍不容樂(lè)觀。交通擁堵現(xiàn)象由點(diǎn)到線、由線到面、由局部向大范圍蔓延,不僅影響了城市生活的效率和質(zhì)量,而且?guī)?lái)了環(huán)境惡化、交通事故等一系列社會(huì)問(wèn)題,因此，實(shí)時(shí)準(zhǔn)確的交通流預(yù)測(cè)對(duì)于交通控制和交通誘導(dǎo)以及由此均衡路網(wǎng)負(fù)載、緩解交通擁堵、提高道路的使用效率及服務(wù)水平就顯得非常重要。由于交通流受主觀和客觀的影響因素很多，由此引起交通流的變化因素隨機(jī)性很大，在這個(gè)過(guò)程中短時(shí)交通流的預(yù)測(cè)就成為關(guān)鍵,更具有實(shí)際意義[1-3]。短時(shí)交通流預(yù)測(cè)是現(xiàn)代智能交通系統(tǒng)的核心內(nèi)容，是實(shí)現(xiàn)先進(jìn)的交通控制和交通誘導(dǎo)的基礎(chǔ)。近幾十年國(guó)內(nèi)外的許多專家和學(xué)者都致力于該領(lǐng)域的研究，獲得了很多預(yù)測(cè)模型,大體分為三類[4]：一是基于解析數(shù)學(xué)方法的模型，包括歷史平均模型、自回歸模型、滑動(dòng)平均模型、自回歸滑動(dòng)平均模型及卡爾曼濾波模型；二是基于經(jīng)驗(yàn)的智能預(yù)測(cè)模型,包括非參數(shù)回歸模型、動(dòng)態(tài)交通分配模型及基于混沌理論的模型等；三是組合預(yù)測(cè)模型。上述模型在一定條件下能夠解決一些交通流預(yù)測(cè)問(wèn)題,也得到很好的預(yù)測(cè)結(jié)果,但是由于交通流復(fù)雜和非線性等特點(diǎn),單一的數(shù)學(xué)解析模型難以適應(yīng)交通流所具有的短時(shí)隨機(jī)性強(qiáng)的特點(diǎn),基于經(jīng)驗(yàn)的智能預(yù)測(cè)模型復(fù)雜度高,在工程實(shí)現(xiàn)上有一定的困難,因此，探索新方法尤其是智能方法是交通流預(yù)測(cè)發(fā)展的重要內(nèi)容。

人工神經(jīng)網(wǎng)絡(luò)是指模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能,運(yùn)用大量的處理部件,由人工方式構(gòu)造的非線性動(dòng)力學(xué)系統(tǒng)。它能夠通過(guò)學(xué)習(xí)和訓(xùn)練獲得用數(shù)據(jù)表達(dá)的知識(shí),除了可以記憶已知的信息外,還具有較強(qiáng)的概括能力和聯(lián)想記憶能力。當(dāng)前,神經(jīng)網(wǎng)絡(luò)理論在智能控制、模式識(shí)別、非線性優(yōu)化等方面都得到很好的應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò),它采用三層結(jié)構(gòu),分別為輸入層、隱藏層、輸出層。Kolmogorov 等人從理論上證明了三層網(wǎng)絡(luò)模型對(duì)于非線性系統(tǒng)有較好的模擬能力, 任一連續(xù)函數(shù)或者映射都可以由一個(gè)三層神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。由于交通數(shù)據(jù)流具有非線性等特點(diǎn),因此，用神經(jīng)網(wǎng)絡(luò)研究短時(shí)交通流預(yù)測(cè)一度成為研究熱點(diǎn)[4-10],也取得很多成果。本文利用神經(jīng)網(wǎng)絡(luò)模型研究城市道路被占后交通流的變化、事故處理的時(shí)間與排隊(duì)長(zhǎng)度之間的關(guān)系，而這種關(guān)系的掌握對(duì)于交通流的引導(dǎo)和分配有著重要的作用。

1BP神經(jīng)網(wǎng)絡(luò)模型簡(jiǎn)介

圖1為一個(gè)簡(jiǎn)單的BP神經(jīng)網(wǎng)絡(luò)模型,其工作原理具體步驟如下：

1)初始化權(quán)。網(wǎng)絡(luò)的連接權(quán)被初始化為很小的隨機(jī)數(shù)。

2)各單元的輸入輸出計(jì)算。輸入層的單元j,它的輸出等于它的輸入,即對(duì)于單元j,Oj=Ij,隱藏層和輸出層的每個(gè)單元的凈輸入用其輸入的線性組合計(jì)算，即

式中：ωij是由上一層的單元i到j(luò)連接的權(quán)；Oi是上一層單元i的輸出；而θj是單元j的偏置,偏置充當(dāng)閾值,用來(lái)改變單元的活性。給定單元j的凈輸入Ij,則單元j的輸出Oj計(jì)算公式為

4)更新。①權(quán)更新計(jì)算公式：Δωij=(η)ErrjOi,Δωij+ωij→ωij。式中：Δωij是權(quán)ωij的改變,η∈[0,1]是學(xué)習(xí)率。②偏置由更新計(jì)算公式:Δθj=(η)Errj,Δθ+θj→θj,其中,Δθij是權(quán)θij的改變，η∈[0,1]是學(xué)習(xí)率。

圖1　BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程就是按上述兩個(gè)更新公式迭代地改變連接權(quán),直到誤差足夠小或者權(quán)值增量很小,或者迭代步數(shù)足夠大。

2案例分析

表1　截面測(cè)試數(shù)據(jù)

BP神經(jīng)網(wǎng)絡(luò)模型輸出訓(xùn)練的結(jié)果如圖2、圖3所示。

圖2　訓(xùn)練結(jié)果方差

圖3　預(yù)測(cè)結(jié)果對(duì)比

3結(jié)束語(yǔ)

從數(shù)據(jù)模擬結(jié)果來(lái)看，神經(jīng)網(wǎng)絡(luò)方法在本案例中能很好地?cái)M合交通流前后變化，對(duì)排隊(duì)長(zhǎng)度預(yù)測(cè)效果很好，應(yīng)該說(shuō)排隊(duì)長(zhǎng)度與交通流變化、事故處理時(shí)間有一定的關(guān)系。但是BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中存在對(duì)初始閾值設(shè)置敏感、易陷入局部極小值等不足,此外，由于造成交通排隊(duì)的因素還有很多，上述模型還有待進(jìn)一步深入研究與完善。結(jié)合其它智能計(jì)算工具,充分發(fā)揮各自的優(yōu)勢(shì)必將是未來(lái)智能交通預(yù)測(cè)方法的發(fā)展趨勢(shì)。

參考文獻(xiàn)

[1]程鐵信,崔苗,陳敬柱.城市中心商業(yè)區(qū)混合交通流的誘導(dǎo)優(yōu)化模型及其仿真[J].交通運(yùn)輸系統(tǒng)工程與信息,2013,13(2):111-117.

[2]胡啟洲,孫煦.基于多維聯(lián)系數(shù)的城市路網(wǎng)交通擁堵態(tài)勢(shì)監(jiān)控模型[J].中國(guó)公路學(xué)報(bào),2013,26(6):143-149.

[3]李慧兵,楊曉光.面向行程時(shí)間預(yù)測(cè)準(zhǔn)確度評(píng)價(jià)的數(shù)據(jù)融合方法[J].同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,41(1):60-65.

[4]吳志周,范宇杰,馬萬(wàn)經(jīng).基于灰色神經(jīng)網(wǎng)絡(luò)的點(diǎn)速度預(yù)測(cè)模型[J].西南交通大學(xué)學(xué)報(bào),2012,47(2):285-290.

[5]馬君,劉小冬,孟穎. 基于神經(jīng)網(wǎng)絡(luò)的城市交通流預(yù)測(cè)研究[J].電 子 學(xué) 報(bào),2009,37(5):1092-1094.

[6]喻丹,吳義虎,喻偉,等. 基于自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)的城市道路偶發(fā)性擁堵判別[J].公路與汽運(yùn),2013,11(6):58-61.

[7]李松,劉力軍,翟曼.改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)[J].系統(tǒng)工程理論與實(shí)踐，2012,32(9)：2045-2049.

[8]鄭建湖,黃明芳,文子娟,等.GM(1，1)模型在道路交通事故預(yù)測(cè)中的應(yīng)用[J]. 黑龍江工程學(xué)院學(xué)報(bào)(自然科學(xué)版),2009,23(2):41-43.

[9]黃恩洲. 基于粒子群一小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通量預(yù)測(cè)[J]. 黑龍江工程學(xué)院學(xué)報(bào)(自然科學(xué)版),2014,28(2):42-45.

[10] 張立 ,謝忠玉,陳 凱. 基于混沌理論的短時(shí)交通流局域預(yù)測(cè)模型[J]. 黑龍江工程學(xué)院學(xué)報(bào)(自然科學(xué)版),2011,25(2):52-54.

[責(zé)任編輯：郝麗英]

Traffic congestion forecasting for city occupying-road based on BP neural network

LUO Laipeng

(School of Sciences,East China Jiaotong University,Nanchang 330013,China)

Abstract：The short-term traffic flow forecasting is the core of modern intelligent transport system.Aiming at queuing problem of city traffic congestion caused by occupying-road,and according to road video statistics，the relation of actual traffic capacity,the number of cars,traffic incident duration between queuing lengths are analyzed with BP neural network. The effectiveness of the method to solve real-time and reliable flow forecasting is shown in the experiment.

Key words：traffic flow; traffic congestion; BP neural network；forecasting

中圖分類號(hào)：TP311.32

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1671-4679(2016)01-0048-03

作者簡(jiǎn)介：羅來(lái)鵬(1973-)，男，副教授，研究方向：數(shù)據(jù)挖掘與智能計(jì)算.

收稿日期：2015-08-26