董紅利

中鐵第五勘察設(shè)計院集團有限公司 北京 102600

目前常見的交通流數(shù)據(jù)融合方法是數(shù)理統(tǒng)計方法，雖然在數(shù)據(jù)融合方面有一定的效果，但交通流的隨機性導(dǎo)致融合結(jié)果達不到理想效果。本文構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)模型，對蘇州市某一典型路段地磁、線圈、浮動車三者得到的數(shù)據(jù)進行融合處理，從而得到更可靠的交通流信息。

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種神經(jīng)元信號前向傳遞、誤差反向傳播優(yōu)化的多層前饋型神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)的傳遞流程如下：

(1) 輸入數(shù)據(jù)；(2) 設(shè)置訓(xùn)練樣本和測試樣本；(3) 數(shù)據(jù)歸一化；(4) 設(shè)置神經(jīng)網(wǎng)絡(luò)參數(shù)；(5) 訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)；(6) 測試BP神經(jīng)網(wǎng)絡(luò)；(7) 輸出結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力強，有較高的容錯性，在目前的研究當(dāng)中，能有效的處理一些復(fù)雜的非線性映射關(guān)系的數(shù)據(jù)，是處理交通流數(shù)據(jù)的重要方法。

2 模型構(gòu)建

本文確定BP神經(jīng)網(wǎng)絡(luò)模型的參數(shù)為三維輸入，分別為線圈、地磁、浮動車采集得到的數(shù)據(jù)。由于浮動車只能采集得到交通量的速度，可采用楊濤等提出的三段式速度-流量模型對浮動車數(shù)據(jù)進行估算。

本文數(shù)據(jù)融合的具體設(shè)計實現(xiàn)過程如下：

（1）BP神經(jīng)網(wǎng)絡(luò)輸入與輸出參數(shù)數(shù)據(jù)

輸入?yún)?shù)數(shù)據(jù)包括：線圈檢測器數(shù)據(jù)、地磁檢測器數(shù)據(jù)、浮動車數(shù)據(jù)經(jīng)換算得到數(shù)據(jù)。

輸出數(shù)據(jù)：經(jīng)過BP神經(jīng)網(wǎng)絡(luò)模型融合后路段的交通量。

（2）輸入層包括地磁、線圈、浮動車數(shù)據(jù)三個參數(shù)，輸出層是融合之后的一個參數(shù)節(jié)點，網(wǎng)絡(luò)采用三層輸入。輸入層、、分別表示地磁、線圈以及浮動車檢測器得到的數(shù)據(jù)，Q則表示融合之后得到的數(shù)據(jù)。通過對原始數(shù)據(jù)進行模型的樣本訓(xùn)練，確定權(quán)重，然后對BP神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)融合，并與視頻檢測器得到的真實數(shù)據(jù)做對比分析，以R-squared誤差、平均絕對百分誤差MAPE、均方誤差MSE三個誤差指標(biāo)來評價數(shù)據(jù)融合結(jié)果的可信度。

3 實例驗證

本文選取某典型路段一日早上7：30到晚上19：30的數(shù)據(jù)進行融合分析，采集得到的交通量數(shù)據(jù)以5min為時間間隔，各檢測器得到的數(shù)據(jù)如圖2所示。

圖1 各檢測器流量

由圖2可以看出，研究路段當(dāng)天交通流量整體趨于穩(wěn)定，早晚高峰特征并不明顯，交通流量呈現(xiàn)非線性規(guī)律，各個檢測器采集得到的結(jié)果存在差異性，可進行數(shù)據(jù)融合處理。

隱含層節(jié)點數(shù)對訓(xùn)練誤差有影響，當(dāng)隱含層節(jié)點數(shù)為20時，整個網(wǎng)絡(luò)訓(xùn)練誤差最大；當(dāng)隱含層節(jié)點數(shù)為24時，可以得到最小誤差，故本文確定隱含層節(jié)點數(shù)為24?；趯嶋HMatlab操作流程分析，本文確定最優(yōu)隱含層節(jié)點數(shù)為24，最優(yōu)學(xué)習(xí)率為0.08，訓(xùn)練次數(shù)為1000次。

本文基于BP神經(jīng)網(wǎng)絡(luò)的多源數(shù)據(jù)融合結(jié)果如下圖所示。

圖2 訓(xùn)練集融合結(jié)果

圖3 融合結(jié)果與實際流量

在訓(xùn)練網(wǎng)絡(luò)的過程中，發(fā)現(xiàn)訓(xùn)練集絕對誤差不大，表明訓(xùn)練效果良好，故可以對7月22日全天交通流數(shù)據(jù)進行融合，得到結(jié)果如圖3所示。可以看出來，基于BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合方法效果良好，融合值與視頻數(shù)據(jù)實際值較為貼切。融合誤差結(jié)果:誤差為0.87，平均絕對百分誤差MAPE為2.69，方根誤差MSE為35.8。

4 結(jié)論

本文在智能交通的發(fā)展背景下，提出了基于BP神經(jīng)網(wǎng)絡(luò)的交通流數(shù)據(jù)融合方法，通過Matlab軟件對BP神經(jīng)網(wǎng)絡(luò)進行操作處理，在訓(xùn)練誤差最優(yōu)的條件下確定了網(wǎng)絡(luò)層數(shù)、迭代次數(shù)、隱含層節(jié)點數(shù)等網(wǎng)絡(luò)基礎(chǔ)結(jié)構(gòu)，最后通過選取某路段一天的各檢測器交通流數(shù)據(jù)為研究對象，以5min為時間間隔采集交通流流量，得到了較為理想的融合結(jié)果，驗證了本文基于BP神經(jīng)網(wǎng)絡(luò)的交通流數(shù)據(jù)融合方法的有效性。