羅 山

(攀枝花學院智能制造學院，四川 攀枝花 617000)

0 引言

隨著智能交通系統(tǒng)的高速發(fā)展，有效地緩解了交通擁堵、減少了交通事故的發(fā)生，而精確的交通流量預測作為交通規(guī)劃、交通誘導、交通控制、制定出行方案等的重要前提，在智能交通系統(tǒng)中發(fā)揮著重要作用。交通流量預測是用現(xiàn)有相關的交通流數(shù)據(jù)，采用合適的預測方法并建立模型推測其未來狀態(tài)的過程，目前以短時預測為主，短時是指預測周期不超過15分鐘。

交通流量預測的方法不斷被提出，基于統(tǒng)計學原理、非參數(shù)理論、卡爾曼濾波技術、小波理論、分形技術等方法被應用到短時交通流預測領域[1]。王春安提出了在Hadoop環(huán)境下利用MapReduce的分布式處理框架與BP神經(jīng)網(wǎng)絡相結合的預測模型，該模型利用BP神經(jīng)網(wǎng)絡的MapReduce并行化在保證預測精度的同時減小預測時間，達到預測的實時性[2]。邢珊珊[3]針對城市快速路，開展了系統(tǒng)性的交通流預測研究，提出了適用于微波采集數(shù)據(jù)的數(shù)據(jù)預處理方法，并進一步考慮時空特性的交通流預測方法。弓晉霞[4]則針對高速公路交通量進行了系統(tǒng)性的預測研究，提出的高速公路交通量預測模型減小了預測誤差，為交通量預測方面的研究提供了方法參考。但現(xiàn)有的預測方法存在一些不足，而BP神經(jīng)網(wǎng)絡具有分布式信息存儲、非線性函數(shù)逼近、自適應學習能力強等優(yōu)良性能[5]，在短時交通流量預測精度方面具有優(yōu)勢，因此本文采用BP神經(jīng)網(wǎng)絡作為短時交通流量預測模型。

1 BP神經(jīng)網(wǎng)絡基本原理

BP網(wǎng)絡是典型的多層前饋網(wǎng)絡，包含輸入層、隱含層和輸出層，其中隱含層可以是多層的。其信息處理具有逐層傳遞進行的方向性，信息處理能力主要來自于非線性函數(shù)的多次復合作用，且網(wǎng)絡結構較為簡單，易于實現(xiàn)[6]。

BP網(wǎng)絡算法的基本思路是在前向傳遞中信號逐層處理并傳遞，檢查預測輸出與給定輸出之間的誤差，若沒有達到精度要求，則轉入反向傳播，根據(jù)檢測到的誤差來調(diào)整輸入層與隱含層，隱含層與輸出層之間的權值和閾值，從而使預測輸出不斷地逼近期望輸出。

2 基于BP神經(jīng)網(wǎng)絡的流量預測

2.1 BP神經(jīng)網(wǎng)絡預測流程

預測過程包含數(shù)據(jù)預處理、網(wǎng)絡構建、網(wǎng)絡訓練和網(wǎng)絡預測四個大的步驟：

1) 數(shù)據(jù)預處理是指輸入數(shù)據(jù)(訓練數(shù)據(jù)和測試數(shù)據(jù))和歸一化處理；

2) 網(wǎng)絡構建是指網(wǎng)絡層數(shù)的確定與隱含層數(shù)的選擇和輸入、輸出節(jié)點數(shù)的確定；

3) 網(wǎng)絡訓練是指確定網(wǎng)絡使用的各種函數(shù)如訓練函數(shù)、學習函數(shù)和傳遞函數(shù)等以及利用訓練數(shù)據(jù)訓練網(wǎng)絡；

4) 網(wǎng)絡預測是指用訓練好的網(wǎng)絡對測試數(shù)據(jù)進行預測，對比輸出結果。

具體預測流程如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡預測流程

2.2 BP神經(jīng)網(wǎng)絡預測模型

本文只考慮一個交叉口的流量預測，因此輸出層節(jié)點數(shù)為1。

輸入層節(jié)點數(shù)受實際路段的影響[7]，對BP神經(jīng)網(wǎng)絡和預測的原理分析可知，模型輸入層每一個神經(jīng)元節(jié)點表示的是對預測輸出t時段的交通流量影響最大的因素。本文采用相關系數(shù)來確定輸入層節(jié)點數(shù)，給定兩個交通序列X和Y，X表示網(wǎng)絡輸入序列，Y表示網(wǎng)絡輸出序列，相關系數(shù)的計算公式為：

(1)

M表示變量取值的個數(shù)，r表示相關系數(shù)。規(guī)定選取系數(shù)大的序列作為輸入，從而確定網(wǎng)絡的輸入層節(jié)點個數(shù)。這里結合流量數(shù)據(jù)根據(jù)式(1)確定的輸入層節(jié)點數(shù)為6。

隱含層節(jié)點數(shù)的取值范圍計算公式[8]：

(2)

式中，N為隱含層節(jié)點數(shù)；n為輸入層節(jié)點數(shù)；m為輸出層節(jié)點數(shù)。網(wǎng)絡模型設計是6輸入1輸出，即n=6，m=1，根據(jù)式(2)確定隱含層節(jié)點數(shù)在4～13之間，具體的數(shù)目在網(wǎng)絡訓練時根據(jù)預測效果進行確定。

2.3 訓練網(wǎng)絡及分析

經(jīng)過多次實驗確定網(wǎng)絡的參數(shù)，隱含層傳遞函數(shù)采用S型的正切函數(shù)，輸出層傳遞函數(shù)采用線性函數(shù)，采用LM學習算法，訓練步數(shù)5000步，目標誤差0.001。圖2為6×10×1的網(wǎng)絡訓練效果收斂圖，可見，網(wǎng)絡達到預期的預測效果。

圖2 訓練效果收斂圖

3 預測結果及分析

3.1 南北向流量的預測

考慮預測的有效性，預測時間間隔為10 min，采集7∶00～22∶00時段交叉路口南向北的流量數(shù)據(jù)，對數(shù)據(jù)進行預處理后送入訓練好的網(wǎng)絡進行運算，得到預測結果，如圖3所示。

圖3 南向北預測結果

從圖3可見，預測值接近真實值，但個別樣本也存在較大誤差，均方根誤差為5.1216。交叉路口的配時對交通流量有較大影響，同時東西向的車流匯入北向也有一定影響。

采集7∶00～22∶00時段交叉路口北向南的流量數(shù)據(jù)，對數(shù)據(jù)進行預處理后送入訓練好的網(wǎng)絡進行運算，得到預測結果，如圖4所示。

由圖4可見，北向南的預測效果相較于南向北的預測結果更為理想，其原因在于北向南的流量更加平穩(wěn)。當某通行方向的流量趨于平穩(wěn)時，BP神經(jīng)網(wǎng)路呈現(xiàn)出較好的預測效果，路口之間不會因為流量而彼此影響，而且影響也體現(xiàn)在紅綠燈相位配時、渠化、距離等方面。

圖4 北向南預測結果

3.2 東西方向流量的預測

采集7∶00～22∶00時段交叉路口西向東的流量數(shù)據(jù)，對數(shù)據(jù)進行預處理后送入訓練好的網(wǎng)絡進行運算，得到預測結果，如圖5所示。

圖5 西向東預測結果

采集7∶00～22∶00時段交叉路口東向西的流量數(shù)據(jù)，對數(shù)據(jù)進行預處理后送入訓練好的網(wǎng)絡進行運算，得到預測結果，如圖6所示。

圖6 東向西預測結果

通過表1和表2對東西兩個方向流量實際數(shù)據(jù)與預測結果進行對比，因為南北向配時時間較長，東西向直行與轉彎的配時時間都較短造成了排隊，且西方向來車極多，在高峰時期會造成排隊,也就是說西向北的流量是接近路口該方向的最大通行能力。只是因為偶然原因如舉辦活動導致人員聚集,才使得流量有所波動。

表1 西向東流量實際數(shù)據(jù)與預測結果對比

表2 東向西流量實際數(shù)據(jù)與預測結果對比

3.3 交叉路口流量預測的分析

分析交叉路口流量的特點和預測結果，發(fā)現(xiàn)單個交叉路口短期通行能力的某些特性：

1) 對單交叉路口短期流量造成影響較大的因素主要有相鄰路口的交通情況和本路口的配時方案及交叉口渠化等交通環(huán)境。

2) 交叉路口交通環(huán)境中的各種因素都會對流量造成影響，不僅僅只能考慮車輛數(shù)目。交叉口的渠化會影響車道數(shù)和排隊長度，而配時方案更是決定了路口在單位時間內(nèi)能夠通行的車輛數(shù)，同時配時的相位中是否禁左或禁右更是完全決定了車輛是否被延誤需要進行二次排隊。

3) 當交叉口的某個路口或者某個通行方向的通行能力達到飽和時，來車輛數(shù)再多也并不會對路口的車流量造成影響，通過的車輛也不會增加。顯然，此時不再適宜以上游路段來車輛數(shù)作為網(wǎng)絡的數(shù)據(jù)源。

4) 兩個路口之間的距離也會影響交叉口的車流量。上游路口通過的車輛數(shù)目對本交叉口的影響與兩個路口之間的距離呈現(xiàn)出一定的反比關系，也就是說通過上游路口的車輛數(shù)目越多，兩個路口之間的距離越近，影響也就越大，其原因在于上游路口信號燈造成的車輛數(shù)量的波形變化會因為距離的拉長而被削弱。因此在設計短期車流量預測網(wǎng)絡時，應該針對路口車輛量彼此之間的影響做出考慮，進行適當?shù)恼{(diào)整。

4 結束語

本文建立了BP神經(jīng)網(wǎng)絡的交通流量預測模型，通過對交叉路口四個方向的流量進行預測，對預測結果與實際流量進行對比分析。交叉口的交通環(huán)境對BP神經(jīng)網(wǎng)絡的預測效果有很大的影響，并且該環(huán)境指的是本路口和上游路口交通環(huán)境，比如信號燈配時方案、路口渠化、兩路口之間的距離等。因此使用BP神經(jīng)網(wǎng)絡來預測短期實時流量應當針對所預測的交叉口的交通環(huán)境進行單獨設計，BP神經(jīng)網(wǎng)絡對單個路口或者交叉口的預測是有效且精準的。