蔣渭忠，朱金榮，邱 祥

(1.常州工學(xué)院 電氣與光電工程學(xué)院，江蘇 常州 213002；2.揚州大學(xué) 物理科學(xué)與技術(shù)學(xué)院，江蘇 揚州 225002)

?

基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)的車輛通行時間預(yù)測研究*

蔣渭忠1，朱金榮2，邱 祥2

(1.常州工學(xué)院 電氣與光電工程學(xué)院，江蘇 常州 213002；2.揚州大學(xué) 物理科學(xué)與技術(shù)學(xué)院，江蘇 揚州 225002)

為進一步提高交通調(diào)度效率，解決日益嚴重的交通擁堵現(xiàn)狀，提出基于BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測車輛通行時間的方案。根據(jù)交叉路口特征，建立了三層BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)模型，并確定模型的輸入層和輸出層神經(jīng)元數(shù)目均為4個。采用MATLAB軟件對采集的車輛通行數(shù)據(jù)進行仿真分析，最終確定隱含層神經(jīng)元數(shù)目為9個。利用預(yù)測樣本對BP神經(jīng)網(wǎng)絡(luò)模型進行了可行性驗證。結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型能夠用于預(yù)測排隊車輛通行時間，誤差在10%以內(nèi)，可以作為交通控制器配時方案的依據(jù)，提高車輛通行效率。

BP神經(jīng)網(wǎng)絡(luò)；仿真；車輛通行時間；

0 引言

社會經(jīng)濟的發(fā)展促進人們生活水平全面提高，為了出行方便，越來越多的人選擇購買私家車。城市人均汽車擁有量逐年攀升，由此導(dǎo)致交通擁堵問題日益嚴重。解決交通擁堵問題有兩個方面，一方面增加基礎(chǔ)設(shè)施建設(shè)，擴寬道路，但這種方式成本較大，不易實施；另一方面則是提高交通流調(diào)度效率，采用更加智能的交通信號控制系統(tǒng)。通過調(diào)研發(fā)現(xiàn)，現(xiàn)在大部分城市的交通燈控制系統(tǒng)采用的是固定時間的控制策略，難以對變化的交通流進行動態(tài)控制，因此研究基于車流量智能預(yù)測車輛通行時間對交通控制器配時方案具有重要意義[1-2]。神經(jīng)網(wǎng)絡(luò)具有很好的非線性逼近效果，本文提出采用BP神經(jīng)網(wǎng)絡(luò)控制算法預(yù)測車輛通行時間的方案。

1 神經(jīng)網(wǎng)絡(luò)預(yù)測模型建立

1.1 BP神經(jīng)網(wǎng)絡(luò)

20世紀80年代，RUMELHART D等人在總結(jié)前人研究成果的基礎(chǔ)上，給出BP神經(jīng)網(wǎng)絡(luò)控制算法的清楚表述，解決了多層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)問題。誤差反向傳播(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)是一種多層前向型神經(jīng)網(wǎng)絡(luò)[3]，目前大多數(shù)的應(yīng)用中使用的都是BP神經(jīng)網(wǎng)絡(luò)及其變化形式。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層組成。隱含層的數(shù)量可以為一層，也可以為多層。

1.2 神經(jīng)網(wǎng)絡(luò)預(yù)測模型建立

圖1 交叉路口BP神經(jīng)網(wǎng)絡(luò)模型

2 仿真及結(jié)果分析

2.1 仿真確定隱含層神經(jīng)元數(shù)

通過對揚州市大學(xué)北路與文昌中路交叉口的車流量進行實地統(tǒng)計，得出表1所示的路口停車等待的車輛數(shù)與通行時間統(tǒng)計表。

表1 路口車輛數(shù)量與通行時間統(tǒng)計表

對于表1中的數(shù)據(jù)，選擇使用前8組數(shù)據(jù)作為訓(xùn)練樣本，后2組數(shù)據(jù)作為測試樣本。通過修改隱含層神經(jīng)元的個數(shù)，運用trainlm函數(shù)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練[7]，最終得出表2所示的隱含層神經(jīng)元數(shù)量與訓(xùn)練誤差的對應(yīng)表。從表中可以看出，隨著隱含層神經(jīng)元數(shù)量的不斷增加，訓(xùn)練誤差逐漸減小后又增大。當(dāng)隱含層神經(jīng)元數(shù)量為9時，訓(xùn)練誤差最小，同時訓(xùn)練次數(shù)也最少。綜合比較分析后，確定隱含層神經(jīng)元數(shù)量為9個。

表2 隱含層神經(jīng)元數(shù)量與訓(xùn)練誤差對應(yīng)表

2.2 神經(jīng)網(wǎng)絡(luò)模型合理性驗證

通過改變隱含層神經(jīng)元的數(shù)量，觀察訓(xùn)練誤差的變化，最終確定了交叉路口神經(jīng)網(wǎng)絡(luò)模型的完整結(jié)構(gòu)：4個輸入層神經(jīng)元、9個隱含層神經(jīng)元和4個輸出層神經(jīng)元。為了驗證神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能，使用函數(shù)Y=sim(net,P)根據(jù)輸入樣本預(yù)測出各方向車輛通行時間。為了更直觀地觀察神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能，圖2繪出了北向樣本通行時間與預(yù)測通行時間的對比圖。由圖中曲線可以看出，預(yù)測通行時間與樣本通行時間基本吻合，驗證了BP神經(jīng)網(wǎng)絡(luò)模型能夠根據(jù)停車等待的車輛數(shù)量預(yù)測車輛通行時間。

圖2 北向樣本通行時間與預(yù)測通行時間對比

2.3 結(jié)果分析

為了進一步驗證訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測性能，論文使用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對未進行訓(xùn)練的第⑨、⑩兩組樣本進行預(yù)測，得出表3所示的數(shù)據(jù)。

通過表3數(shù)據(jù)分析得出，預(yù)測車輛通行時間與實際觀測車輛通行時間兩者之間存在一定的誤差，但誤差都在10%以內(nèi)，可以作為交通燈控制器配時的依據(jù)，提高車流量的調(diào)度效率。分析可知，兩者存在誤差的主要原因為車輛的行駛具有很大的隨機性，每個駕駛?cè)藛T的駕駛技術(shù)也影響著車輛的通行時間。

表3 樣本數(shù)據(jù)預(yù)測及對比表

3 結(jié)論

針對車流量變化不規(guī)律、隨機性大的特點，提出基于BP神經(jīng)網(wǎng)絡(luò)控制算法的車輛通行時間預(yù)測模型。根據(jù)交叉路口特征建立了4個輸入層神經(jīng)元、9個隱含層神經(jīng)元、4個輸出層神經(jīng)元的BP神經(jīng)網(wǎng)絡(luò)模型。采用MATLAB仿真平臺對交叉路口的交通數(shù)據(jù)進行了學(xué)習(xí)訓(xùn)練，并對學(xué)習(xí)的相關(guān)性進行了檢測。仿真結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型能夠根據(jù)排隊車輛數(shù)預(yù)測車輛通行時間。

[1] 呂蘭濤,李全,劉志勇.人工神經(jīng)網(wǎng)絡(luò)在智能交通控制系統(tǒng)中的應(yīng)用[J].交通科技,2002(6):73-76.

[2] 蔣紫峰,荊便順.人工神經(jīng)網(wǎng)絡(luò)在交通領(lǐng)域中的應(yīng)用[J].公路交通科技,1997,14(4):18-23.

[3] HOPFIELD JJ.Neural network and physical systems with emergent collective computional abilities[C].Proceedings of the National Academy of Sciences of USA,1982:2554-2558.

[4] 曹虹.基于BP神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測[D].西安：長安大學(xué),2012.

[5] 李建偉,程曉卿,秦勇,等.基于BP神經(jīng)網(wǎng)絡(luò)的城市軌道交通車輛可靠性預(yù)測[J].中南大學(xué)學(xué)報(自然科學(xué)版),2013,44(1):42-46.

[6] 徐黎明,王清,陳劍平,等.基于BP神經(jīng)網(wǎng)絡(luò)的泥石流平均流速預(yù)測[J].吉林大學(xué)學(xué)報(地球科版),2013,43(1):186-191.

[7] CHANG T C. Risk degree of debris flow applying neural networks[J].Natural Hazards,2007,42(1):209-224.

Travel time prediction based on BP neural network

Jiang Weizhong1, Zhu Jinrong2, Qiu Xiang2

(1.School of Electrical and Photoelectronic Engineering, Changzhou Institute of Technology, Changzhou 213002, China;2.School of Physical Science & Technology, Yangzhou University, Yangzhou 225002, China)

In order to further improve the efficiency of traffic control and solve the growing traffic congestion, a new prediction model is proposed based on BP (Back Propagation) neural network. According to the characteristics of the intersection, BP neural network model is established. The number of input layer and output layer neuron model are four. MATLAB software simulates the data collected from vehicle traffic and ultimately chooses nine as the number of hidden layer neurons. Using prediction samples, the feasibility of the model is verified. The results showed that BP neural network can be used to predict traffic queuing time,the error is less than 10%. So it can be used as a reference for traffic controller.

BP neural network;simulate;vehicle travel time

2013年江蘇省科技廳產(chǎn)學(xué)研前瞻性聯(lián)合研究項目(BY2013063-4)

TP212

A

10.19358/j.issn.1674- 7720.2016.20.006

蔣渭忠，朱金榮，邱祥. 基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)的車輛通行時間預(yù)測研究[J].微型機與應(yīng)用，2016,35(20)：25-26,30.

2016-05-24)

蔣渭忠(1968-)，男，博士，副教授，主要研究方向：光電技術(shù)、自動控制。

朱金榮(1968-)，通信作者，男，碩士，副教授，主要研究方向：光電技術(shù)、自動控制。E-mail：351267595@qq.com。

邱祥(1989-)，男，碩士，碩士研究生，主要研究方向：嵌入式系統(tǒng)、自動控制。