基于多源監(jiān)測數(shù)據(jù)的道路擁堵情況預測

摘要：隨著城市發(fā)展步伐的加快，道路基礎(chǔ)設(shè)施建設(shè)取得了顯著成就。然而隨著居民生活水平的提高，巨大的出行需求與有限的道路基礎(chǔ)設(shè)施供應(yīng)之間的矛盾日益嚴峻，造成城市擁堵，有待改善。因此掌握城市交通狀態(tài)，不僅成為交通研究所的主要工作內(nèi)容，也是城市交通規(guī)劃的研究內(nèi)容，同時，它為城市交通規(guī)劃和交通決策提供數(shù)據(jù)?；谏鲜鲈?，本文利用深圳市公安局交通警察局本次提供深圳市局部區(qū)域道路的交通卡口監(jiān)測數(shù)據(jù)、出租車為主的浮動車數(shù)據(jù)以及互聯(lián)網(wǎng)導航平臺數(shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)的預測模型，應(yīng)用趨勢曲線法建立預測對象關(guān)于時間的趨勢變化模型，采用線性函數(shù)對數(shù)據(jù)進行歸一化處理，構(gòu)建三層網(wǎng)絡(luò)結(jié)構(gòu)。用訓練好的網(wǎng)絡(luò)對交通量數(shù)據(jù)進行仿真，從而進行交通擁堵情況預測，以協(xié)助交通部門有效地緩解這類交通擁堵問題。

關(guān)鍵詞：交通擁堵預測；趨勢曲線法；BP神經(jīng)網(wǎng)絡(luò)

一、預測方法——趨勢曲線法

趨勢曲線模型預測的自變量為時間t。大量交通調(diào)查的統(tǒng)計資料表明，無論宏觀層次、中觀層次還是微觀層次交通現(xiàn)象的發(fā)展有一定的規(guī)律性。當預測對象隨時間變化呈現(xiàn)某種曲線形式的變化趨勢，且無明顯的周期波動時，可以建立預測對象關(guān)于時間的趨勢變化模型y=f（t）。

當此趨勢變化模型能夠反映時間序列的未來變化情況時，給定適當?shù)淖宰兞縯就可以得到相應(yīng)時刻時間序列的預測值。使用趨勢外推法的兩個假設(shè)條件是：事物發(fā)展過程沒有跳躍式變化，而是漸進性變化；由歷史資料建立的趨勢曲線模型是適合未來事物發(fā)展變化規(guī)律的，影響事物發(fā)展的因素是穩(wěn)定的。

趨勢曲線法根據(jù)所選用的擬合曲線，有以下多項式曲線預測模型：

（1）一次預測模型

（2）二次預測模型

（3）n次預測模型

二、BP神經(jīng)網(wǎng)絡(luò)的預測模型

（1）BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)模型的基本思想是：在前向傳遞中，信號經(jīng)輸入層、隱含層、輸出層逐層處理并傳遞，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(zhuǎn)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(quán)值和閾值，從而使預測輸出不斷逼近地期望輸出。

（2）BP網(wǎng)絡(luò)實現(xiàn)步驟

Step1：網(wǎng)絡(luò)初始化。置輸入層到隱含層，隱含層到輸出層的所有權(quán)值為任意小的隨機數(shù)，并設(shè)定初始閾值。

Step2：提供訓練樣本。根據(jù)學習規(guī)則，需要提供輸入向量X=（ 和相對應(yīng)的輸出量 。

Step3： 從輸入層開始向隱含層、輸出層逐層計算輸出。

Step4：調(diào)整權(quán)值。根據(jù)誤差，從輸出層節(jié)點開始，到隱含層節(jié)點，再到輸入層節(jié)點逐層的調(diào)整權(quán)重。

三、將BP神經(jīng)網(wǎng)絡(luò)預測應(yīng)用于道路擁堵情況預測

（1）網(wǎng)絡(luò)構(gòu)建

輸入、輸出節(jié)點的選擇：每天不同時段的交通量相差較大。根據(jù)交通流量的變化起伏情況，將每天的數(shù)據(jù)分為四個時段（0：00-6：00，7：00-12：00，13：00-18：00，19：00-0：00）進行分析。將這4個時段的數(shù)據(jù)作為網(wǎng)絡(luò)的 4 個輸入，相應(yīng)的選擇輸出這4個時間段的數(shù)據(jù)。即輸入層神經(jīng)元個數(shù)為 4 個，輸出層神經(jīng)元個數(shù)為 4 個。

隱含層節(jié)點的選擇：隱含層節(jié)點的個數(shù)也直接影響預測的精度：節(jié)點數(shù)太少，網(wǎng)絡(luò)不能很好的學習，若增加訓練次數(shù)不僅會增加訓練時間，而且訓練的精度也受影響；節(jié)點數(shù)太多，訓練時間增加，網(wǎng)絡(luò)容易過擬合。隱含層節(jié)點數(shù)的范圍可參考以下公式：

式中，N為隱含層神經(jīng)元數(shù)目，n 為輸入層神經(jīng)元數(shù)目，m 為輸出層神經(jīng)元數(shù)目，a為 0～10 之間的常數(shù)。神經(jīng)網(wǎng)絡(luò)確定為三層網(wǎng)絡(luò)，4 輸入 4 輸出，隱含層的節(jié)點范圍[4，12]。

（2）網(wǎng)絡(luò)訓練

具體參數(shù)設(shè)置：隱含層神經(jīng)元的傳遞函數(shù)為 tansig，輸出層神經(jīng)元的傳遞函數(shù)為 logsig。訓練函數(shù)分別為 traingd、traingdx＼trainlm時訓練網(wǎng)絡(luò)。以上 3 種訓練過程的對比見表3.1，可以看出函數(shù) trainlm 網(wǎng)絡(luò)的訓練誤差比較小，而且收斂速度快。因此，選定 trainlm 對網(wǎng)絡(luò)進行訓練。

至此，確定 BP 神經(jīng)網(wǎng)絡(luò)的最終結(jié)構(gòu)：單隱層，各層神經(jīng)元數(shù)目為 4-8-4，訓練函數(shù)確定為 trainlm，并使用訓練好的網(wǎng)絡(luò)對交通量數(shù)據(jù)進行仿真。

（3）網(wǎng)絡(luò)預測

基于以上方法，通過對已有數(shù)據(jù)的處理，對部分卡口路段的車流量統(tǒng)計與預測

（4）對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的改進

基本BP算法存在著收斂速度慢和易陷入局部最小點等缺陷。為解決這一問題，人們提出了自適應(yīng)學習率和動量法，特別對網(wǎng)絡(luò)局部動態(tài)學習率進行了深入的探討，實現(xiàn)了以動量法優(yōu)化網(wǎng)絡(luò)收斂性。還可利用遺傳算法對傳統(tǒng)BP網(wǎng)絡(luò)進行網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化，得出具有最佳隱節(jié)點的網(wǎng)絡(luò)結(jié)構(gòu)。另外，可對原始數(shù)據(jù)進行預處理，比如按比例對原始數(shù)據(jù)進行縮放，能有效提高預測精度。

參考文獻

[1]劉慕仁，薛郁，孔令江.，城市道路交通問題與交通流模型[J].力學與實踐，2005，27（1）：1-6

[2]裴玉龍，王曉寧，基于BP神經(jīng)網(wǎng)絡(luò)的交通影響預測模型[J].哈爾濱工業(yè)大學學報，2004

[3]曾慶山，全書鵬，靳志強，融合BP神經(jīng)網(wǎng)絡(luò)與ARIMA的短時交通流預測[J].鄭州大學學報，2011.

作者簡介：王蕓（1998-），四川成都人，本科生。