基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的交通流數(shù)據(jù)融合

王曉全，邵春福，尹超英，袁 媛

(北京交通大學(xué)城市交通復(fù)雜系統(tǒng)理論與技術(shù)教育部重點(diǎn)實驗室，北京 100044)

目前，交通信息挖掘已經(jīng)成為智能交通系統(tǒng)(ITS)中進(jìn)行科學(xué)交通預(yù)測、交通誘導(dǎo)以及交通組織的基礎(chǔ)[1].多源異構(gòu)交通數(shù)據(jù)的融合是交通數(shù)據(jù)挖掘和交通決策的依據(jù)[2-4].

常見的交通數(shù)據(jù)融合方法有神經(jīng)網(wǎng)絡(luò)模型、卡爾曼濾波、貝葉斯方法、模糊算法及D-S證據(jù)理論等[5]；然而，交通流狀態(tài)的隨機(jī)變化往往使得融合結(jié)果難以令人滿意.數(shù)據(jù)融合技術(shù)在交通領(lǐng)域的可行性已經(jīng)被實驗證明，而有效的融合模型有待進(jìn)一步的開發(fā)[6].道路交通傳感器種類繁多，系統(tǒng)之間具有標(biāo)準(zhǔn)不一、交互性差的特點(diǎn).徐濤[7]設(shè)計了一套融合體系對多源傳感器信息進(jìn)行融合，從而獲得實用性更強(qiáng)的融合信息.融合框架及融合結(jié)構(gòu)已被廣泛研究[8-10]，通過對融合模型以及融合算法的改進(jìn)，實現(xiàn)融合精度及容錯能力的提高.

本文構(gòu)建改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型，通過對某主干路的線圈傳感器和地磁傳感器實測數(shù)據(jù)進(jìn)行融合，充分發(fā)揮線圈和地磁傳感器的優(yōu)點(diǎn)，彌補(bǔ)單一檢測方式獲取交通數(shù)據(jù)的不足，得到更精確、更可靠的交通信息，進(jìn)一步可以簡化冗余交通信息[11-14].利用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行融合，可提高融合模型精度，并對模型的容錯能力進(jìn)行檢驗.

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是基于逆向傳播算法的數(shù)學(xué)模型，網(wǎng)絡(luò)信息正向傳播而誤差逆向傳播，解決了神經(jīng)網(wǎng)絡(luò)權(quán)值系數(shù)優(yōu)化問題，使其擁有更好的學(xué)習(xí)效果及更快的學(xué)習(xí)效率[15]，因此被廣泛利用.

交通流基本參數(shù)之間存在相互變化關(guān)系，由交通流基本關(guān)系式q=ku表示，因此交通流3個基本參數(shù)只有2個獨(dú)立變量[16].本文中考慮到交通流基本參數(shù)之間的相互關(guān)系，數(shù)據(jù)融合的輸入包含線圈傳感器和地磁傳感器檢測的交通流基本參數(shù)數(shù)據(jù).

圖1 基于BP神經(jīng)網(wǎng)絡(luò)的融合模型

一個簡單的基于BP神經(jīng)網(wǎng)絡(luò)的融合模型如圖1所示，其中vg,t、Qg,t、Og,t分別為地磁傳感器檢測的路段斷面s上t時刻的交通流速度、流量、占有率數(shù)據(jù)，vw,t、Qw,t、Ow,t分別為線圈傳感器檢測的路段斷面s上t時刻的交通流速度、流量、占有率數(shù)據(jù).本文模型是一個以線圈傳感器數(shù)據(jù)和地磁傳感器數(shù)據(jù)為自變量、校驗值為因變量尋找函數(shù)關(guān)系的過程，通過前期數(shù)據(jù)的預(yù)處理，每一條校驗值都對應(yīng)著一條線圈傳感器數(shù)據(jù)和一條地磁傳感器數(shù)據(jù).訓(xùn)練的過程就是輸入值在不斷正向傳播，誤差反饋后對神經(jīng)元的權(quán)值進(jìn)行調(diào)整的過程，經(jīng)過不斷的訓(xùn)練學(xué)習(xí)，最終達(dá)到精度要求停止訓(xùn)練.

2 交通流數(shù)據(jù)融合

2.1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

交通檢測技術(shù)的應(yīng)用為數(shù)據(jù)融合提供了實測數(shù)據(jù)，對歷史實測數(shù)據(jù)進(jìn)行預(yù)處理，獲得輸入向量的序列.利用某主干路1d傳感器數(shù)據(jù)參與訓(xùn)練，根據(jù)檢測器位置，將某主干路分為10個斷面，每個斷面獲取如圖1所示6維輸入向量，根據(jù)檢測器5 min的采樣間隔，剔除凌晨3個參數(shù)均為0的時段，1維輸入向量為包含204組數(shù)據(jù)的時間序列.根據(jù)實際實驗對比，選取3層網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)為6-15-1的BP神經(jīng)網(wǎng)絡(luò)，傳遞函數(shù)確定為收斂性較好的s型對數(shù)函數(shù)[17].

2.2 改進(jìn)神經(jīng)網(wǎng)絡(luò)算法校驗

BP神經(jīng)網(wǎng)絡(luò)是從輸入數(shù)據(jù)中提取未知的、新的特征[14].改進(jìn)BP神經(jīng)網(wǎng)絡(luò)使用一組傳感器數(shù)據(jù)作為訓(xùn)練網(wǎng)絡(luò)的輸入向量和輸出變量，訓(xùn)練網(wǎng)絡(luò)提取輸入向量的模式特征，利用另一組傳感器實測數(shù)據(jù)作為輸入，輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，對輸出的響應(yīng)進(jìn)行誤差分析及LSE指標(biāo)驗證.傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)輸入輸出都是使用訓(xùn)練神經(jīng)網(wǎng)絡(luò)時的數(shù)據(jù)，輸入向量會根據(jù)設(shè)定的誤差限逼近輸出向量，此時獲得的誤差較小，使用時容易引起精度虛報的情況[18-20].改進(jìn)神經(jīng)網(wǎng)絡(luò)校驗算法的設(shè)計流程如圖2所示.

圖2 改進(jìn)神經(jīng)網(wǎng)絡(luò)算法

為了定量研究算法的性能，根據(jù)實驗獲得的數(shù)據(jù)基礎(chǔ)，再進(jìn)一步計算，并在有效性判斷時采用LSE(Least Square Error Method)方法進(jìn)行模型的有效性驗證.

其中,k為樣本，k=1,2…；n為樣本量；ARk為第k條檢驗數(shù)據(jù)樣本，可為線圈檢測速度，地磁檢測速度和融合值；AMk為第k條樣本對應(yīng)的車牌檢測速度即校驗值.

本文選取9個斷面的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，1個斷面的數(shù)據(jù)輸入到訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)，對神經(jīng)網(wǎng)絡(luò)的響應(yīng)進(jìn)行誤差分析及LSE，通過對比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)獲得的誤差和改進(jìn)后的校驗方法的獲得的誤差值，來判定改進(jìn)后的誤差校驗算法的有效性.

3 實例計算應(yīng)用

3.1 融合結(jié)果

通過MATLAB進(jìn)行數(shù)據(jù)融合，得到融合后的速度信息.以改進(jìn)算法驗證斷面5#的融合速度和校驗值，斷面5#的融合速度和校驗值之間的關(guān)系如圖3和圖4所示.

圖3 融合值與校驗值關(guān)系

圖4 融合值與校驗值對比

通過模型進(jìn)行融合后的速度和校驗值的對比，可以說明利用BP神經(jīng)網(wǎng)絡(luò)獲得的輸入和輸出關(guān)系.由于融合值和檢驗值均為定距數(shù)據(jù)，通過計算Pearson相關(guān)系數(shù)分析兩者之間線性相關(guān)性的強(qiáng)弱，得到兩者的簡單相關(guān)系數(shù)為0.996，相關(guān)系數(shù)的檢驗概率p近似為0，因此兩者之間的具有較強(qiáng)的線性關(guān)系.

3.2 計算結(jié)果分析

通過對誤差進(jìn)行分析，根據(jù)改進(jìn)BP神經(jīng)網(wǎng)絡(luò)校驗算法進(jìn)行驗證，獲得如圖5所示的相對誤差圖.

由融合結(jié)果知，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行路段平均速度的融合結(jié)果相對誤差都小于6%，即融合精度>94%，因此利用BP神經(jīng)網(wǎng)絡(luò)對地磁傳感器和線圈傳感器所檢測路段平均速度的融合計算可以較為準(zhǔn)確地反映路段平均速度的變化，很好地滿足道路使用者對精度的要求.

各檢測方式LSE結(jié)果，如表1所示，對比各檢測方式LSE值得圖6所示結(jié)果.

表1 各方式LSE值

圖6 各斷面LSE值圖

由此可知，利用BP神經(jīng)網(wǎng)絡(luò)的交通流數(shù)據(jù)融合算法具有較高的融合精度，而且具有較好的容錯能力.實驗結(jié)果表明，融合誤差可以很好地滿足交通使用者的出行要求，同時對傳統(tǒng)及改進(jìn)驗證算法的斷面數(shù)據(jù)的融合結(jié)果證明了模型的有效性.

4 結(jié)束語

本文提出了一種改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的交通流數(shù)據(jù)融合模型，利用布設(shè)在某主干路的3種類型傳感器數(shù)據(jù)驗證了本文模型的融合能力.本文構(gòu)建模型主要利用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)來獲得輸入和輸出關(guān)系，以線圈和地磁傳感器采集的交通流3個基本參數(shù)為輸入，并以車牌識別數(shù)據(jù)作為校驗值建立融合模型，融合結(jié)果表明，所有的融合結(jié)果的精度均高于94%，并可以通過LSE值驗證，證明了本文構(gòu)建模型的融合能力.

[1] Eunjeong Ko,Jinyoung Ahn and Eun Yi Kim.3D markov process for traffic flow prediction in real-time[J].Sensors,2016,16(2): 147-166.

[2] Wanli Min,Laura Wynter.Real-time road traffic prediction with spatio-temporal correlations[J].Transportation Research Part C,2011,19(4): 606-616.

[3] 王茹,翁劍成,喬國梁.不同道路條件對城市路段交通流特征的影響研究[J].道路交通與安全,2015,1: 8-14.

[4] 袁騰飛,史同廣,李美玲.基于GPS數(shù)據(jù)的公交運(yùn)行狀態(tài)判別算法研究[J].道路交通與安全,2015,2: 23-27.

[5] 趙建東,徐菲菲,張琨.融合多源數(shù)據(jù)預(yù)測高速公路站間旅行時間[J].交通運(yùn)輸系統(tǒng)工程與信息,2016,16(1): 52-57.

[6] 楊兆升,王爽,馬道松.基礎(chǔ)交通信息融合方法綜述

[J].公路交通科技,2006,23(3).

[7] 徐濤,楊曉光,徐愛功，等.面向城市道路交通狀態(tài)估計的數(shù)據(jù)融合研究[J].計算機(jī)工程與應(yīng)用,2011,47(7): 218-221.

[8] 張旭.面向交通運(yùn)行狀態(tài)評價的多源異質(zhì)交通流數(shù)據(jù)融合技術(shù)方法研究[D].北京: 北京交通大學(xué),2008.

[9] 夏玫.BP神經(jīng)網(wǎng)絡(luò)泛化能力改進(jìn)研究[D].太原: 太原科技大學(xué),2009.

[10] 張文溥.道路交通檢測技術(shù)與應(yīng)用[M].北京: 人民交通出版社,2009.

[11] Yin H,Wong S C,Xu J,et al.Urban traffic flow prediction using a fuzzy-neural approach[J].Transportation Research Part C Emerging Technologies,2002,10(2): 85-98.

[12] Yan G,Sujian L I.Fusion framework of urban traffic control and route guidance based on CPS theory[J].Journal of Highway & Transportation Research & Development,2012,7(1): 82-89.

[13] Chen N.Data-Fusion approach based on evidence theory combining with fuzzy rough sets for urban traffic flow[J].Research Journal of Applied Sciences Engineering & Technology,2013,6(11): 1993-1997.

[14] Yu H.The research of hierarchical data fusion based on three-tiers wireless sensor networks for urban real time traffic information monitoring[C].International Conference on Genetic & Evolutionary Computing.IEEE,2010: 802-805.

[15] 王修勇,溫青,楊琪,等.基于新奇檢測技術(shù)的斜拉索狀態(tài)評估[J].公路交通科技,2011,28(9): 53-59.

[16] 邵春福,魏麗英,賈斌.交通流理論[M].北京: 電子工業(yè)出版社,2012.

[17] Xiao Z,Ye S J,Zhong B,et al.BP neural network with rough set for short term load forecasting[J].Expert Systems with Applications,2009,36(1): 273-279.

[18] Zhang Y,Wu L.Stock market prediction of S&P 500 via combination of improved BCO approach and BP neural network[J].Expert Systems with Applications,2009,36(5): 8849-8854.

[19] Sadeghi B H M.A BP-neural network predictor model for plastic injection molding process[J].Journal of Materials Processing Technology,2000,103(3): 411-416.

[20] Yu F,Xu X.A short-term load forecasting model of natural gas based on optimized genetic algorithm and improved BP neural network[J].Applied Energy,2014,134(134): 102-113.