基于BP神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測算法

吳志光

（池州職業(yè)技術(shù)學(xué)院 機(jī)電系，安徽池州247000）

先進(jìn)的交通管理系統(tǒng)和交通控制系統(tǒng)都需要實(shí)時和準(zhǔn)確的交通流量信息，因此為智能交通系統(tǒng)提供一個精確的交通流量實(shí)時預(yù)測一直是研究熱點(diǎn)，各種算法井噴涌出，但還處在一個發(fā)展時期，在理論和應(yīng)用上都不夠完善。本文是將神經(jīng)網(wǎng)絡(luò)技術(shù)研究與交通信息預(yù)測研究緊密結(jié)合，在總結(jié)國內(nèi)外研究成果的基礎(chǔ)上，改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)，合理的改進(jìn)算法來提高預(yù)測準(zhǔn)確度，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)算法的交通流量預(yù)測模型，并分析系統(tǒng)的穩(wěn)定性和進(jìn)行了仿真實(shí)驗(yàn)。通過對比預(yù)測結(jié)果表明，本交通流量預(yù)測系統(tǒng)具有很強(qiáng)的自學(xué)習(xí)、自組織、較強(qiáng)的容錯性等特點(diǎn)，能很好地解決具有隨機(jī)性、模糊性、動態(tài)性和不確定性的非結(jié)構(gòu)化的交通流量預(yù)測這樣一個復(fù)雜系統(tǒng)。

1 交通流量系統(tǒng)

1.1 交通流量的參數(shù)

交通流量的參數(shù)基本上分為三個方面：流量、速度、通過率。它們是在某個特定時間內(nèi)道路的特定地點(diǎn)、車道通過的具體數(shù)，其中包括機(jī)動車、非機(jī)動車、人流量。但是本文研究的是機(jī)動車流量.交通流量的參數(shù)為隨機(jī)數(shù)，即在不同的時間，不同的地域都是隨機(jī)的，隨著時間、天氣、環(huán)境變化所影響。所以在進(jìn)行研究這些參數(shù)變化時，要進(jìn)行合理的交通規(guī)劃和措施[2]。

流量指的是在某個特定的時間內(nèi)，通過這一地點(diǎn)或者某條車道的交通數(shù)，這其中包括機(jī)動車流量、非機(jī)動車流量、人流量等，本文中就是機(jī)動車流量，并且是兩個方向以上的車輛個數(shù)。速度，在特定的時間內(nèi)通過這一地點(diǎn)的速度。通過率是指某一特定時間內(nèi)，有多少車輛通過這一地點(diǎn)。通常情況下，這三個參數(shù)都是隨機(jī)的.

1.2 交通流量的誘導(dǎo)系統(tǒng)(GPS)[2]

交通誘導(dǎo)系統(tǒng)（GPS）的使用是進(jìn)行城市交通預(yù)測的重要研究內(nèi)容之一,它能讓駕駛?cè)藛T在當(dāng)前位置能選擇到達(dá)目的地的最優(yōu)路徑，并且在行駛途中，遇到的交通紅綠燈少，人和車流量少，并且有效地減少交通阻塞。實(shí)現(xiàn)了交通網(wǎng)絡(luò)分配的最優(yōu)路徑。但是引入交通誘導(dǎo)系統(tǒng)（GPS）必然會引發(fā)駕駛?cè)藛T交通行徑路線的變化，同時也改變了交通控制參數(shù)，但是（GPS）研究起步晚，各方面技術(shù)并未達(dá)到成熟，在城市交通預(yù)測中沒有達(dá)到預(yù)測效果.

交通流量的特征預(yù)測，是指通過在某一特定時間內(nèi)的數(shù)據(jù)做出預(yù)報(bào)[2]。一般來說交通流量參數(shù)預(yù)測可以分成為兩大類：時間序列預(yù)測和綜合預(yù)測。前一種模型簡單，預(yù)測難度大，預(yù)測誤差大，不夠準(zhǔn)確。一般采用后一種。圖1為交通誘導(dǎo)系統(tǒng)的基本功能：

圖1 交通流量框架圖

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

不同時間的同一地點(diǎn)交通流量參數(shù)也變化，合理科學(xué)的研究交通流量的參數(shù)有利于幫助交通規(guī)劃、管理、設(shè)計(jì)和交通的安全具有重大意義。特別在交通改善方案時，也需要進(jìn)行也需要進(jìn)行交通流量的特征預(yù)測，并通過在某一時間的數(shù)據(jù)做出預(yù)報(bào)。

2 基于BP神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測

2.1 基于動態(tài)控制理論的神經(jīng)網(wǎng)絡(luò)建模

本文利用i路段的前n時段的交通流量值來預(yù)測下一時段的交通流量值。令[][ui(k)][ui(k)]表示該路段在k時間的交通流量的真實(shí)值。建立的網(wǎng)絡(luò)模型如圖2所示，其中[uik-n-1][uik-n-1][uk][uk][uik-n，uik-n+1，uik][uik-n，uik-n+1，uik]作為為外部輸入信號，[wm1][wm1]為輸入層與隱含的層的連接權(quán)矩陣，[wm2][wm2]為隱含層到輸出層的連接權(quán)矩陣，[yk][yk]作為輸出值。

隱含層各單元的輸入為：

設(shè)隱含層的傳遞函數(shù)為：f(x)

得出隱含層的輸出如下：

2.2 基于最小梯度的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)優(yōu)化

本文中神經(jīng)網(wǎng)絡(luò)的模型建立，假設(shè)只有一個隱含層。對于第j個隱含層節(jié)點(diǎn)，它的總輸入為表示第i個輸入節(jié)點(diǎn)到第j個隱節(jié)點(diǎn)的連接權(quán)系數(shù)。對于該節(jié)點(diǎn)，它的輸出為輸入層到隱含層的連接權(quán)矩陣。

根據(jù)梯度下降算法，為了減小誤差，必須對輸入層到隱含層的連接權(quán)系數(shù)進(jìn)行調(diào)整。

則權(quán)值變化為：

采用一種改進(jìn)的算法。其權(quán)值調(diào)整如

假設(shè)神經(jīng)網(wǎng)絡(luò)預(yù)測的模型是穩(wěn)定的構(gòu)造建模誤差em(k)em(k)的李雅普諾夫函數(shù)，如果給定的函數(shù)趨向某一特定的穩(wěn)定值，則系統(tǒng)的輸出跟預(yù)測的希望基本一致，則必須

2.3 基于動量的改進(jìn)BP算法

BP神經(jīng)網(wǎng)絡(luò)的算法缺點(diǎn)在于學(xué)習(xí)效率低、收斂速度慢、很難確定隱層和隱節(jié)點(diǎn)個數(shù)，并且隨著學(xué)習(xí)維數(shù)的逐步增加，網(wǎng)絡(luò)的性能可能會越來越差，預(yù)測越來越不準(zhǔn)確。其次BP神經(jīng)網(wǎng)絡(luò)對參數(shù)和權(quán)值的訓(xùn)練更為敏感，網(wǎng)絡(luò)初始值的選取和隱層節(jié)點(diǎn)個數(shù)的確定影響網(wǎng)絡(luò)的準(zhǔn)確度和精度。在梯度下降算法中權(quán)值的選取和閾值的大小與網(wǎng)絡(luò)的誤差的一階導(dǎo)數(shù)成正比關(guān)系。根據(jù)此類梯度下降算法，如果網(wǎng)絡(luò)初始值確定，就確定了網(wǎng)絡(luò)的收斂方向[6]。因此一開始對權(quán)值選擇和閾值就變得重要。為了加快BP網(wǎng)絡(luò)算法學(xué)習(xí)速度，避免陷入局部最小值，本文采用附加動量法來改進(jìn)BP算法，加入的動量實(shí)質(zhì)上相當(dāng)于阻尼項(xiàng)，有助于系統(tǒng)滑過局部極小值，減小了學(xué)習(xí)過程的振蕩趨勢，改善了收斂性，提高訓(xùn)練速度。

所以得到：

3 系統(tǒng)仿真實(shí)驗(yàn)

3.1 系統(tǒng)仿真圖

對交通流量的預(yù)測可以分為三種不同的類型：晴天、陰雨天、暴雨天、仿真數(shù)據(jù)選取分別取自三種天氣的同一路段的不同時刻的同一時間進(jìn)行仿真，本文選取的是陰雨天進(jìn)行仿真。選取其中的100組數(shù)據(jù)，70組進(jìn)行訓(xùn)練，15組驗(yàn)證，15組進(jìn)行測試。如果訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)將網(wǎng)絡(luò)訓(xùn)練的好，那測試數(shù)據(jù)將很好的預(yù)測，這些數(shù)據(jù)可以得出預(yù)測值與真實(shí)值之間的比較。本文所用的神經(jīng)網(wǎng)絡(luò)為前饋向BP神經(jīng)網(wǎng)絡(luò)，需要在仿真過程中對神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)系數(shù)進(jìn)行調(diào)整。

3.2 實(shí)驗(yàn)效果仿真圖

對已經(jīng)選取的數(shù)據(jù)進(jìn)行訓(xùn)練和測試，只有一個隱含層，初步選取隱含層的節(jié)點(diǎn)數(shù)量為10個，如果網(wǎng)絡(luò)的非線性程度強(qiáng)，可以適當(dāng)增加隱含層的節(jié)點(diǎn)個數(shù)，來確保系統(tǒng)的穩(wěn)定性和減少實(shí)驗(yàn)的誤差，通常情況下網(wǎng)絡(luò)的訓(xùn)練好壞與兩個參數(shù)息息相關(guān)，一個是自相關(guān)誤差。第二個是系統(tǒng)輸出誤差。

圖3為系統(tǒng)自相關(guān)誤差圖，如果假設(shè)系統(tǒng)是沒有誤差，即模型在一個時間的輸出誤差跟另一個時間段內(nèi)的輸出誤差無關(guān)，這種模型在實(shí)際情況中很難實(shí)現(xiàn)。定義在10%左右之間的誤差是被接受的。

圖3 神經(jīng)網(wǎng)絡(luò)誤差分析圖

圖4 真實(shí)值與預(yù)測值對比圖

3.3 真實(shí)值與預(yù)測值的比較

經(jīng)過多次實(shí)驗(yàn)學(xué)習(xí)，該網(wǎng)絡(luò)有了很好的擬合效果，從仿真圖形可知，晴天，陰雨天，暴雨天不同時間段的差異，在進(jìn)行數(shù)據(jù)訓(xùn)練，測試，驗(yàn)證中，網(wǎng)絡(luò)的權(quán)數(shù)是隨機(jī)給定的，訓(xùn)練是多次的，保證自相關(guān)誤差是越小越好。

4 結(jié)束語

本文通過在智能控制領(lǐng)域內(nèi)對交通流量預(yù)測的一個實(shí)驗(yàn)，針對這樣一個具有隨機(jī)性、模糊性、動態(tài)性和不確定性的非結(jié)構(gòu)化的一個復(fù)雜系統(tǒng)，提出了基于BP神經(jīng)網(wǎng)絡(luò)建立模型進(jìn)行仿真，取得了較為理想的效果，但存在問題也比較多，比如網(wǎng)絡(luò)的收斂速度慢，隨機(jī)性強(qiáng)，也存在著隱含層數(shù)目和節(jié)點(diǎn)數(shù)目選擇的問題，只有通過試湊法來最終確定。應(yīng)用神經(jīng)網(wǎng)絡(luò)對交通流量的評估存在一定的誤差性。但是總體效果不錯。并且在其他方面應(yīng)用也很廣泛。

神經(jīng)網(wǎng)絡(luò)作為一種智能信息處理的技術(shù)，根據(jù)內(nèi)在的聯(lián)系建立模型，具有優(yōu)良的非線性逼近能力和對復(fù)雜信息綜合處理的能力，根據(jù)神經(jīng)網(wǎng)絡(luò)的這一特點(diǎn)，不需要建立非線性系系統(tǒng)和數(shù)學(xué)模型，在未來，基于神經(jīng)網(wǎng)絡(luò)領(lǐng)域的預(yù)測方法仍將是主要研究方向。