關(guān)鍵詞：智能交通系統(tǒng)；城市道路；交叉路口；交通擁堵預(yù)測；小波神經(jīng)網(wǎng)絡(luò)

0前言

《2018Q1 中國主要城市交通分析報告》［1］顯示，銀川市位于我國城市交通擁堵排行榜第一位。2019 年，銀川市區(qū)整體交通擁堵指數(shù)相比2018 年下降了5.2%，但仍然處于城市交通亞健康狀態(tài)［2］。截至2021 年7 月，銀川市機動車保有量已突破了110 萬輛，其中小型汽車保有量已超過99 萬輛［3］。因此，需要挖掘現(xiàn)有市區(qū)道路交通的潛力，加強交通分流和交通控制，而這需要城市交通管理部門具備對交通流量和擁堵情況的精確預(yù)判。

交通擁堵指數(shù)是對道路交通擁堵程度進行量化評價的一種常用指標(biāo)。道路交通是一個因素眾多、隨機性和不確定因素很強的復(fù)雜非線性系統(tǒng)。針對交通流量的短時預(yù)測問題，國內(nèi)外學(xué)者已開展了大量研究，提出了許多數(shù)據(jù)分析模型，如非參數(shù)回歸模型、基于混沌理論的模型、神經(jīng)網(wǎng)絡(luò)模型和機器學(xué)習(xí)模型等。神經(jīng)網(wǎng)絡(luò)模型具有較強的非線性映射能力，有助于解決交通擁堵指數(shù)這類時間序列的預(yù)測問題。本文針對銀川市區(qū)部分道路路口的實際交通情況，通過改進神經(jīng)網(wǎng)絡(luò)算法，建立交通擁堵指數(shù)的預(yù)測模型，并對模型結(jié)果的有效性與準(zhǔn)確性進行驗證，以期為交通管理部門的交通組織、信號燈配時優(yōu)化等提供參考。

1預(yù)測原理

2預(yù)測模型

2. 1模型建立

短時交通擁堵指數(shù)與交通流所具有的空間和時間特性相關(guān)［5］。在城市交通道路網(wǎng)的某個路口中，當(dāng)前時間段的交通擁堵指數(shù)與該路口前幾個時間段的交通流量和擁堵狀態(tài)有關(guān)，并且一般在24 h內(nèi)具有準(zhǔn)周期特性。本文采集連續(xù)4 個工作日每天24 h 的交通擁堵指數(shù)數(shù)據(jù)，數(shù)據(jù)采集時間間隔為15 min，數(shù)據(jù)總數(shù)為每天96 個，用第1～3 天的采集數(shù)據(jù)（共288 個）對預(yù)測模型進行訓(xùn)練，用第4 天的采集數(shù)據(jù)（共96 個）對預(yù)測模型進行檢驗。

所建立的小波神經(jīng)網(wǎng)絡(luò)分為輸入層、隱含層和輸出層。當(dāng)前時間點的前若干個時間點的交通擁堵指數(shù)作為輸入層的輸入?yún)?shù)；小波基函數(shù)構(gòu)成隱含層的各個節(jié)點；當(dāng)前時間點的預(yù)測交通擁堵指數(shù)由輸出層輸出。采用的網(wǎng)絡(luò)結(jié)構(gòu)為4-6-1 結(jié)構(gòu)。輸入層含有4 個節(jié)點，用預(yù)測時間節(jié)點前的4 個時間點的交通擁堵指數(shù)來表示；隱含層有6 個小波基函數(shù)構(gòu)成的節(jié)點；輸出層有1 個節(jié)點輸出交通擁堵指數(shù)的模型預(yù)測值；模型初始權(quán)值和小波基函數(shù)在程序初始化時隨機得到。最大迭代次數(shù)設(shè)置500 次，當(dāng)誤差小于10?5時，跳出循環(huán)。

2. 2預(yù)測流程

基于小波神經(jīng)網(wǎng)絡(luò)算法，構(gòu)建交通擁堵指數(shù)預(yù)測模型，其流程如圖1 所示。首先，獲取交通擁堵指數(shù)數(shù)據(jù)，并對數(shù)據(jù)進行預(yù)處理，將數(shù)據(jù)劃分為訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)；其次，對相關(guān)模型參數(shù)進行初始化，并將訓(xùn)練集數(shù)據(jù)輸入建立好的小波神經(jīng)網(wǎng)絡(luò)模型中，反復(fù)迭代訓(xùn)練網(wǎng)絡(luò)模型，直至達到預(yù)設(shè)的模型準(zhǔn)確率，并構(gòu)建小波神經(jīng)網(wǎng)絡(luò)交通擁堵指數(shù)預(yù)測模型；最后，用測試集數(shù)據(jù)輸入訓(xùn)練好的模型中，并將預(yù)測結(jié)果與已知的樣本進行對比。

3預(yù)測分析

3. 1數(shù)據(jù)處理

本文對銀川市區(qū)日常交通高峰期擁堵比較嚴重的2 個道路交叉路口—— 賀蘭山東路與民族北街交叉路口、鳳凰南街與寶湖東路交叉路口，在2022 年3 月14 日（周一）至2022 年3 月16 日（周三）的交通擁堵指數(shù)進行預(yù)測。交通擁堵指數(shù)數(shù)據(jù)如圖2 所示。由圖2 可以看出：交通擁堵指數(shù)數(shù)據(jù)本身具有隨機性，是一種非平穩(wěn)的連續(xù)序列，但在一段相對連續(xù)的時間序列上，呈現(xiàn)出一定的周期性和規(guī)律性，并且具有明顯的時間趨勢。

3. 2評價指標(biāo)

小波神經(jīng)網(wǎng)絡(luò)交通擁堵指數(shù)預(yù)測模型的目標(biāo)是預(yù)測下一時刻交通擁堵指數(shù)；為了能更好地分析預(yù)測效果的有效性，采用平均絕對百分比誤差（E_MAPE）、絕對平均誤差（E_MAE）和均方根誤差（E_RMSE）對預(yù)測模型進行評價［6］。

3. 3預(yù)測結(jié)果分析

將賀蘭山東路與民族北街交叉路口、鳳凰南街與寶湖東路交叉路口的短時交通擁堵指數(shù)預(yù)測結(jié)果與原始交通擁堵指數(shù)數(shù)據(jù)進行對比，以驗證小波神經(jīng)網(wǎng)絡(luò)交通擁堵指數(shù)預(yù)測模型預(yù)測的準(zhǔn)確性，其結(jié)果如圖3 所示。由圖3 可以看出，小波神經(jīng)網(wǎng)絡(luò)交通擁堵指數(shù)預(yù)測模型基本反映了交通擁堵指數(shù)隨時間變化的規(guī)律。

交通擁堵指數(shù)的預(yù)測值與實際值誤差在小范圍內(nèi)，因此模型在一定程度上可近似擬合真實交通擁堵指數(shù)的變化趨勢。根據(jù)式（1）、式（2）、式（3）分別計算2 個交叉路口預(yù)測模型的平均絕對百分比誤差、絕對平均誤差和均方根誤差，結(jié)果見表1。由表1 和圖3 可以看出：交通擁堵指數(shù)的預(yù)測值與實際值接近，圖中大部分時間的平均絕對百分比誤差處在一個較低的水平，2 個交通路口的平均絕對百分比誤差分別為13.68%、15.35%，表明該模型能夠達到較好的預(yù)測效果。

4結(jié)語

本文設(shè)計了基于小波神經(jīng)網(wǎng)絡(luò)的短時交通擁堵指數(shù)預(yù)測模型，并以銀川市區(qū)部分路口為例，實現(xiàn)了基于城市道路短時交通擁堵指數(shù)的預(yù)測。為了進一步提高模型的準(zhǔn)確度，需要增加訓(xùn)練樣本數(shù)據(jù)，對算法進行改進，使模型有更好的適用性和預(yù)測準(zhǔn)確性。

本文僅對單一的市區(qū)道路交叉路口進行了預(yù)測，但不同路口之間，特別是相鄰的幾個路口之間存在很強的交通關(guān)聯(lián)性，因此，對整個路網(wǎng)進行預(yù)測并考慮交通關(guān)聯(lián)性，預(yù)測結(jié)果將會更加準(zhǔn)確。