丁清琳 汪雪鐘 王小強(qiáng) 杜一君 劉娣 畢云蕊

摘要 智能交通系統(tǒng)實(shí)現(xiàn)的是人、車、路與周邊環(huán)境的統(tǒng)一監(jiān)管和控制，隨著人工智能技術(shù)的不斷發(fā)展，利用神經(jīng)網(wǎng)絡(luò)提升智能交通系統(tǒng)逐漸成了我國重點(diǎn)關(guān)注的技術(shù)手段。文章梳理了BP神經(jīng)網(wǎng)絡(luò)在交通流量預(yù)測、交通控制領(lǐng)域中的應(yīng)用及其國內(nèi)外研究現(xiàn)狀，并將近幾年國內(nèi)外優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的算法進(jìn)行了對比分析。研究表明：BP神經(jīng)網(wǎng)絡(luò)因其較多優(yōu)勢廣泛應(yīng)用于交通流預(yù)測、交通控制等方面，并且隨著各類算法的融合，可以使預(yù)測結(jié)果更為精準(zhǔn)。BP神經(jīng)網(wǎng)絡(luò)未來將會通過算法的改進(jìn)、網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化等為智能交通系統(tǒng)帶來新的突破。

關(guān)鍵詞 交通工程；智能交通控制；BP神經(jīng)網(wǎng)絡(luò)；交通流預(yù)測

中圖分類號 TP183 文獻(xiàn)標(biāo)識碼 A 文章編號 2096-8949（2024）04-0012-03

0 引言

智能交通系統(tǒng)（ITS）起源于20世紀(jì)60年代，它的概念于20世紀(jì)末開始在中國大力推廣，但是早期由于通信技術(shù)的不足導(dǎo)致發(fā)展的速度比較緩慢。隨著科學(xué)技術(shù)水平的大幅度提升、計(jì)算機(jī)行業(yè)的快速發(fā)展，我國交通系統(tǒng)融入了許多先進(jìn)技術(shù)^[1]，例如神經(jīng)網(wǎng)絡(luò)、人工智能、深度學(xué)習(xí)、大數(shù)據(jù)等。在過去的幾年里，ITS的廣泛應(yīng)用有效緩解了交通堵塞、減少了交通事故以及尾氣排放污染等問題。誤差反向傳播神經(jīng)網(wǎng)絡(luò)模型收斂較快，在智能交通系統(tǒng)中有廣泛的應(yīng)用，包括客流量預(yù)測、交通狀態(tài)判別等^[2]。

相對于CNN、DBN等神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)可以自主學(xué)習(xí)的同時(shí)還具有應(yīng)對系統(tǒng)環(huán)境變化的自適應(yīng)性，并且適合分析數(shù)據(jù)間的非線性映射，應(yīng)用更為廣泛。從20世紀(jì)80年代開始，神經(jīng)網(wǎng)絡(luò)逐漸走出低谷，發(fā)展迅猛。在此期間，BP算法不斷發(fā)展，一直受到學(xué)術(shù)界的廣泛關(guān)注。

1 BP神經(jīng)網(wǎng)絡(luò)在交通流預(yù)測方面的研究與應(yīng)用

近幾年來，BP神經(jīng)網(wǎng)絡(luò)在交通流量預(yù)測、自動駕駛控制、交通控制等方面都有廣泛的應(yīng)用。同時(shí)，研究者一直在針對BP神經(jīng)網(wǎng)絡(luò)的缺陷進(jìn)行模型改進(jìn)，極大地推動了BP神經(jīng)網(wǎng)絡(luò)在智能交通系統(tǒng)中的應(yīng)用，并獲得了多項(xiàng)研究成果。

1.1 客流量預(yù)測

隨著社會經(jīng)濟(jì)的提高，我國人均汽車擁有量也在逐年上升，導(dǎo)致交通堵塞現(xiàn)象日益嚴(yán)重。現(xiàn)階段，動態(tài)交通流是交通中的一個(gè)重大問題，交叉路口所反映的交通信號并不能很好地反映實(shí)際交通流，此外，絕大多數(shù)城市的交通燈控制系統(tǒng)采用了固定時(shí)間的策略，因而無法靈活地應(yīng)對交通流的實(shí)時(shí)變化。

BP神經(jīng)網(wǎng)絡(luò)具有良好的預(yù)測效果，為了很好地解決交通堵塞問題，研究者提倡采用BP神經(jīng)網(wǎng)絡(luò)控制算法預(yù)測交通流，并通過智能交通信號控制系統(tǒng)來提高交通流調(diào)度效率。Ata A等^[3]借助BP神經(jīng)網(wǎng)絡(luò)對道路交通進(jìn)行堵塞控制建模來實(shí)現(xiàn)預(yù)測，發(fā)現(xiàn)該機(jī)制很好地減少了交通堵塞現(xiàn)象，提高了旅游者的舒適度，有效作出了智能化的運(yùn)輸決策。谷金晶等^[4]兼顧優(yōu)化決策和評價(jià)模型，將BP神經(jīng)網(wǎng)絡(luò)算法和RBF神經(jīng)網(wǎng)絡(luò)算法結(jié)合起來，使得高峰時(shí)段的公交資源得到了合理配置，并且提高了公交服務(wù)水平。

隨著技術(shù)的發(fā)展，智能交通已經(jīng)逐步上升為交通領(lǐng)域的主流趨勢。準(zhǔn)確穩(wěn)定的短期交通預(yù)測模型對智能交通系統(tǒng)非常重要，預(yù)測結(jié)果越準(zhǔn)確，交通堵塞就越容易緩解，交通出行的流動性就越順暢。這也是交通管理部門對交通堵塞等問題進(jìn)行有效管理的重要依據(jù)。

1.2 車輛速度預(yù)測

隨著交通運(yùn)輸業(yè)的發(fā)展，道路服務(wù)能力與出行需求之間的矛盾逐漸加劇，道路交通事故頻發(fā)。近幾年來，基于神經(jīng)網(wǎng)絡(luò)的速度預(yù)測方法已經(jīng)逐漸發(fā)展成熟，其中BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用最為廣泛。

先進(jìn)的車輛控制技術(shù)依靠準(zhǔn)確的速度預(yù)測來作出生態(tài)和安全的決策，傳統(tǒng)預(yù)測算法的預(yù)測精度在達(dá)到一定精度后難以進(jìn)一步提高；在提高預(yù)測準(zhǔn)確性的過程中會出現(xiàn)過度擬合等問題。在提取固定路徑車速時(shí)，學(xué)術(shù)研究者充分利用了馬爾可夫和BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，組合的MBNN預(yù)測模型可以將預(yù)測精度提高到25.3%，為插電式混合動力汽車能耗的可能優(yōu)化提供了重要支持。為了使預(yù)測效果更為準(zhǔn)確，有學(xué)者通過制定預(yù)測速度與其相應(yīng)預(yù)測誤差之間的映射，構(gòu)建了基于BP的預(yù)測速度誤差補(bǔ)償模塊，并選取雙車場景下和多車場景下的前置車輛進(jìn)行隨機(jī)速度預(yù)測，證實(shí)了所提出的BN-BP融合方法具有一定的可行性。

考慮車輛的速度與駕駛員、車輛類型、交通流量等因素，國內(nèi)外不少學(xué)者都基于BPNN分別對各類車輛的長期速度預(yù)測和短期速度預(yù)測進(jìn)行了相關(guān)研究。此外，也有部分學(xué)者提出基于BP-LSTM算法的數(shù)據(jù)驅(qū)動車速預(yù)測方法，利用南京市真實(shí)駕駛數(shù)據(jù)對預(yù)測性能進(jìn)行評價(jià)，研究并分析了該算法在能耗預(yù)測和行駛時(shí)間預(yù)測兩種場景中的有效性。

1.3 行駛時(shí)間預(yù)測

經(jīng)濟(jì)的迅速發(fā)展導(dǎo)致交通擁堵加劇，科學(xué)合理地解決交通相關(guān)的問題已成為全社會的共識。BP神經(jīng)網(wǎng)絡(luò)具有很好的非線性逼近效果，為進(jìn)一步提高交通調(diào)度效率，可以利用BP神經(jīng)網(wǎng)絡(luò)提出一種交叉口車輛通過模型，實(shí)驗(yàn)表明BP神經(jīng)網(wǎng)絡(luò)模型可以很好地預(yù)測交叉路口排隊(duì)車輛的通行時(shí)間，對運(yùn)輸系統(tǒng)的通信性能和調(diào)度效率的提高具有重要意義。

智能網(wǎng)聯(lián)技術(shù)的不斷發(fā)展使獲取準(zhǔn)確的公共車輛運(yùn)行數(shù)據(jù)有了現(xiàn)實(shí)基礎(chǔ)。在智能交通系統(tǒng)中，準(zhǔn)確預(yù)測公共車輛的到站時(shí)間，可以提高車輛運(yùn)行效率，為車輛指揮調(diào)度和管理提供決策依據(jù)^[5]。Liu等^[6]利用BP神經(jīng)網(wǎng)絡(luò)等算法，通過提供預(yù)測的終端到達(dá)時(shí)間來減少列車駕駛員的工作量，進(jìn)而提高預(yù)測精度。但是在天氣條件惡劣、節(jié)假日或上下班高峰期、路段長度等外部因素的影響下，車輛的運(yùn)行具有不穩(wěn)定性和復(fù)雜性，這對車輛到站時(shí)間的預(yù)測增加了難度。于是有部分學(xué)者提出了基于k-NN和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，不僅考慮了外部因素的影響，還可以準(zhǔn)確描述交通流量趨勢，為交通樞紐管理方案規(guī)劃和ETC車道建設(shè)提供了指導(dǎo)。

2 BP神經(jīng)網(wǎng)絡(luò)在交通控制系統(tǒng)方面的研究與應(yīng)用

城市交通控制系統(tǒng)是智能交通系統(tǒng)中不可缺少的部分。BP神經(jīng)網(wǎng)絡(luò)是一個(gè)高度并行的非線性、具有很高冗余度的系統(tǒng)，其在一些無法建立精確數(shù)字模型的系統(tǒng)中也具有獨(dú)特的優(yōu)勢，可以有效提高交通效率。

2.1 信號燈控制

由于我國普遍還在使用固定的信號燈控制，在早晚高峰時(shí)一些復(fù)雜的交叉路口依舊會存在交通擁擠以及能源損耗等現(xiàn)象，因此如何實(shí)現(xiàn)快速、智能化的信號燈控制，依舊是個(gè)難題。

Du等^[7]在分析十字路口實(shí)時(shí)交通計(jì)數(shù)的基礎(chǔ)上，提出使用BP神經(jīng)網(wǎng)絡(luò)模型來估計(jì)和預(yù)測動態(tài)轉(zhuǎn)彎運(yùn)動，結(jié)合多目標(biāo)模型進(jìn)行信號的實(shí)時(shí)控制參數(shù)和評價(jià)指標(biāo)，從而實(shí)現(xiàn)交叉路口的實(shí)時(shí)信號控制。根據(jù)交叉路口的通行特點(diǎn)，邱祥^[8]充分利用BP神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)性的能力，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)控制算法對交叉路口四個(gè)方向的交通流量與對應(yīng)通行時(shí)間進(jìn)行訓(xùn)練。同時(shí)使用DSP處理器實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)控制算法，提高整個(gè)系統(tǒng)的可靠性與實(shí)時(shí)性，該系統(tǒng)為交通信號機(jī)的開發(fā)提供了一種可以提高車流量的調(diào)度效率。然而，降雨天氣會導(dǎo)致城市交通運(yùn)行效率明顯下降，李玉祺等^[9]利用BP神經(jīng)網(wǎng)絡(luò)算法對隨機(jī)需求的城市道路交通網(wǎng)絡(luò)設(shè)計(jì)問題進(jìn)行了相關(guān)的研究。

2.2 交通系統(tǒng)控制

智能交通系統(tǒng)是現(xiàn)代交通技術(shù)的重要組成部分，它既是綜合應(yīng)用領(lǐng)域，也是前沿交叉領(lǐng)域，與很多技術(shù)緊密相關(guān)。在智能交通系統(tǒng)中，由于周邊動態(tài)環(huán)境和實(shí)時(shí)環(huán)境的影響，傳統(tǒng)的CH識別受到一定的干擾，在位置識別方面略有缺陷。在無人駕駛方面，Li等^[10]將BP神經(jīng)網(wǎng)絡(luò)算法用于優(yōu)化混合動力轉(zhuǎn)向系統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)、參數(shù)和權(quán)重系數(shù)中，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)重，建立GA-BPNN模型。仿真結(jié)果表明，該算法可以很好地加快轉(zhuǎn)向扭矩權(quán)重調(diào)整的收斂速度和轉(zhuǎn)向系統(tǒng)的響應(yīng)速度和靈活性，進(jìn)一步保證無人駕駛的安全性和穩(wěn)定性。在智能交通系統(tǒng)中，車載網(wǎng)絡(luò)極易受到干擾，因此VNs的故障頻頻復(fù)發(fā)，Geng等^[11]利用粗糙集和BP神經(jīng)網(wǎng)絡(luò)提出一種新的VNs故障預(yù)測方法，在數(shù)據(jù)預(yù)測模塊中，將灰色理論和BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)結(jié)合成灰色BP神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行預(yù)測，最后NS-2和MATLAB對故障預(yù)測算法的仿真分析得出該算法的準(zhǔn)確性和可行性。

3 BP神經(jīng)網(wǎng)絡(luò)融合其他算法的比較

BP神經(jīng)網(wǎng)絡(luò)的發(fā)展中融合了很多其他的算法，使得BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用更為廣泛，最常用的融合算法的優(yōu)勢、劣勢和應(yīng)用的對比，如表1所示。

由表1可以看出，BP、SVM、ELM、GSO廣泛用于交通流預(yù)測、車牌識別、標(biāo)志識別和時(shí)間序列預(yù)測。相比傳統(tǒng)的識別檢測、特征提取的局限性，計(jì)算精度跟不上、速度難以滿足要求等，采用最廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)——BP神經(jīng)網(wǎng)絡(luò)，利用最速下降法的學(xué)習(xí)規(guī)則以及誤差逆?zhèn)鞑ニ惴ㄟM(jìn)行多層前饋網(wǎng)絡(luò)的訓(xùn)練，有助于更全面地提取特征。隨著技術(shù)發(fā)展和其他算法的融入，BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練中的數(shù)據(jù)規(guī)模要求和訓(xùn)練要求，都已逐漸解決。

4 結(jié)語

近年來，智能交通的可持續(xù)發(fā)展處于發(fā)展階段，隨著對智能交通的重視程度不斷提高，BP算法也在智能交通中被廣泛應(yīng)用。該文深入回顧了BP神經(jīng)網(wǎng)絡(luò)在智能交通系統(tǒng)中的應(yīng)用，從交通流量預(yù)測、交通系統(tǒng)控制等方面，充分論述了BP神經(jīng)網(wǎng)絡(luò)在智能交通系統(tǒng)中的廣泛應(yīng)用，以及幾種BP融合的常見算法對比，明確了BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢。該文研究表明，在結(jié)合BP神經(jīng)的智能計(jì)算工具的前提下，神經(jīng)網(wǎng)絡(luò)充分發(fā)揮優(yōu)勢，必將是未來智能交通預(yù)測方法的發(fā)展趨勢。

影響智能交通通行率的因素較為復(fù)雜、隨機(jī)，目前單個(gè)已經(jīng)較為成熟的BP、PSO、LSTM、CNN等并不能達(dá)到交通流準(zhǔn)確預(yù)測、精準(zhǔn)識別等要求。深度神經(jīng)網(wǎng)絡(luò)幾乎可以將任何類型的數(shù)據(jù)作為輸入，并且可以以近似非線性函數(shù)來對該數(shù)據(jù)進(jìn)行預(yù)測，目前深度學(xué)習(xí)主要結(jié)合模型并行和數(shù)據(jù)并行，利用深度神經(jīng)網(wǎng)絡(luò)開發(fā)并行訓(xùn)練算法可以有效提高道路交通的實(shí)時(shí)性。設(shè)計(jì)智能交通紅綠燈控制系統(tǒng)，致力于尋找針對時(shí)序控制方式適應(yīng)性不佳、時(shí)間分配不當(dāng)以及感應(yīng)控制方式不足等問題的解決方案。再利用LSTM、GSO等算法進(jìn)一步對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，在實(shí)時(shí)性的基礎(chǔ)上不斷地提高預(yù)測精準(zhǔn)度，使神經(jīng)網(wǎng)絡(luò)在智能交通系統(tǒng)中最大限度地被利用。雖然BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于多領(lǐng)域，但其在訓(xùn)練過程中存在對初始閾值敏感等問題，有待進(jìn)一步研究和完善。相信在未來的發(fā)展過程中，BP算法與其他學(xué)科技術(shù)相融合，對二者都有技術(shù)上的互相補(bǔ)充。神經(jīng)網(wǎng)絡(luò)在交通智能系統(tǒng)的應(yīng)用是一個(gè)充滿巨大創(chuàng)新、創(chuàng)造的科技領(lǐng)域，在神經(jīng)網(wǎng)絡(luò)的背景下，該文探討了BP神經(jīng)網(wǎng)絡(luò)在智能交通領(lǐng)域的應(yīng)用，并對相關(guān)研究進(jìn)行了綜述，期望可以為促進(jìn)智能交通與神經(jīng)網(wǎng)絡(luò)學(xué)科深度交叉提供新的思路和方向。

參考文獻(xiàn)

[1]陸化普. 智能交通系統(tǒng)主要技術(shù)的發(fā)展[J]. 科技導(dǎo)報(bào)， 2019（6）： 27-35.

[2]王笑京， 張紀(jì)升， 宋向輝， 等. 國際智能交通系統(tǒng)研發(fā)熱點(diǎn)[J]. 科技導(dǎo)報(bào)， 2019（6）： 36-43.

[3]Ata A， Khan M A， Abbas S， et al. Modelling smart road traffic congestion control system using machine learning techniques[J]. Neural Network World， 2019（2）： 99-110.

[4]谷金晶， 江志彬. 基于神經(jīng)網(wǎng)絡(luò)客流預(yù)測的高峰期公交時(shí)刻表優(yōu)化[J]. 交通信息與安全， 2017（2）： 109-114.

[5]周姝彤. 考慮時(shí)間因素影響的網(wǎng)聯(lián)公交車輛到站時(shí)間預(yù)測研究[D]. 南京：東南大學(xué)， 2022.

[6]Liu Y， Tang T， Xun J. Prediction algorithms for train arrival time in urban rail transit[C]//2017 IEEE 20th International Conference on Intelligent Transportation Systems （ITSC）. IEEE， 2017： 1-6.

[7]Du L， Jiao P， Wang H. A multi-objective traffic signal control model for intersection based on BP neural networks[M]//Challenges and Advances in Sustainable Transportation Systems. 2014： 451-458.

[8]邱祥. 基于神經(jīng)網(wǎng)絡(luò)的智能交通控制系統(tǒng)設(shè)計(jì)[D]. 揚(yáng)州：揚(yáng)州大學(xué)， 2017.

[9]李玉祺， 王廣民， 徐猛. 隨機(jī)OD需求下城市道路交通網(wǎng)絡(luò)設(shè)計(jì)問題BP神經(jīng)網(wǎng)絡(luò)算法研究[J]. 系統(tǒng)工程理論與實(shí)踐， 2021（11）： 3009-3019.

[10]Li Yong， Xu Xing and Wang Wujie. GA-BPNN Based Hybrid Steering Control Approach for Unmanned Driving Electric Vehicle with In-Wheel Motors[J]. Complexity， 2018： 1-15.

[11]Geng R， Wang X， Ye N， et al. A Fault Prediction Algorithm Based on Rough Sets and Back Propagation Neural Network for Vehicular Networks[J]. IEEE Access， 2018， 6： 984-992.

收稿日期：2023-12-08

作者簡介：丁清琳（2000—），女，研究生，研究方向：智能交通。

基金項(xiàng)目：1.國家自然科學(xué)基金青年項(xiàng)目“智能網(wǎng)聯(lián)車環(huán)境下異質(zhì)交通流機(jī)理建模及路網(wǎng)車路協(xié)同控制方法研究”（No.62303214）；2.南京工程學(xué)院創(chuàng)新基金面上項(xiàng)目“基于不同智能網(wǎng)聯(lián)車輛滲透率的車路協(xié)同優(yōu)化控制研究”（CKJB202203）；3.江蘇省自然科學(xué)基金青年項(xiàng)目“基于模糊學(xué)習(xí)的有遮擋人臉識別研究”（BK20201043）。