基于BP神经网络的城市占道交通拥堵预测

罗来鹏

(华东交通大学 理学院，江西 南昌 330013)



基于BP神经网络的城市占道交通拥堵预测

罗来鹏

(华东交通大学 理学院，江西 南昌 330013)

摘要：短时交通流预测是现代智能交通系统的核心内容，针对城市道路被占所造成的城市交通拥堵排队问题，以路段视频统计为例，利用BP神经网络方法就实际通行能力、具体车辆数、事故持续时间与排队最长长度之间的关系进行预测分析，从实验模拟结果来看，该方法能有效地解决交通流实时和可靠性预测。

关键词：交通流；交通拥堵；BP神经网络；预测

随着我国国民经济的快速发展以及城市化进程的加快，我国机动车拥有量及道路交通量急剧增加,尤其是在大城市,城市交通供给与需求矛盾逐渐加剧,虽然近一些年来各级政府投入了大量的人力、物力、财力并取得了一定的成效,但交通形势仍不容乐观。交通拥堵现象由点到线、由线到面、由局部向大范围蔓延,不仅影响了城市生活的效率和质量,而且带来了环境恶化、交通事故等一系列社会问题,因此，实时准确的交通流预测对于交通控制和交通诱导以及由此均衡路网负载、缓解交通拥堵、提高道路的使用效率及服务水平就显得非常重要。由于交通流受主观和客观的影响因素很多，由此引起交通流的变化因素随机性很大，在这个过程中短时交通流的预测就成为关键,更具有实际意义[1-3]。短时交通流预测是现代智能交通系统的核心内容，是实现先进的交通控制和交通诱导的基础。近几十年国内外的许多专家和学者都致力于该领域的研究，获得了很多预测模型,大体分为三类[4]：一是基于解析数学方法的模型，包括历史平均模型、自回归模型、滑动平均模型、自回归滑动平均模型及卡尔曼滤波模型；二是基于经验的智能预测模型,包括非参数回归模型、动态交通分配模型及基于混沌理论的模型等；三是组合预测模型。上述模型在一定条件下能够解决一些交通流预测问题,也得到很好的预测结果,但是由于交通流复杂和非线性等特点,单一的数学解析模型难以适应交通流所具有的短时随机性强的特点,基于经验的智能预测模型复杂度高,在工程实现上有一定的困难,因此，探索新方法尤其是智能方法是交通流预测发展的重要内容。

人工神经网络是指模拟人脑神经系统的结构和功能,运用大量的处理部件,由人工方式构造的非线性动力学系统。它能够通过学习和训练获得用数据表达的知识,除了可以记忆已知的信息外,还具有较强的概括能力和联想记忆能力。当前,神经网络理论在智能控制、模式识别、非线性优化等方面都得到很好的应用。BP神经网络是应用最为广泛的神经网络,它采用三层结构,分别为输入层、隐藏层、输出层。Kolmogorov 等人从理论上证明了三层网络模型对于非线性系统有较好的模拟能力, 任一连续函数或者映射都可以由一个三层神经网络实现。由于交通数据流具有非线性等特点,因此，用神经网络研究短时交通流预测一度成为研究热点[4-10],也取得很多成果。本文利用神经网络模型研究城市道路被占后交通流的变化、事故处理的时间与排队长度之间的关系，而这种关系的掌握对于交通流的引导和分配有着重要的作用。

1BP神经网络模型简介

图1为一个简单的BP神经网络模型,其工作原理具体步骤如下：

1)初始化权。网络的连接权被初始化为很小的随机数。

2)各单元的输入输出计算。输入层的单元j,它的输出等于它的输入,即对于单元j,Oj=Ij,隐藏层和输出层的每个单元的净输入用其输入的线性组合计算，即

式中：ωij是由上一层的单元i到j连接的权；Oi是上一层单元i的输出；而θj是单元j的偏置,偏置充当阈值,用来改变单元的活性。给定单元j的净输入Ij,则单元j的输出Oj计算公式为

4)更新。①权更新计算公式：Δωij=(η)ErrjOi,Δωij+ωij→ωij。式中：Δωij是权ωij的改变,η∈[0,1]是学习率。②偏置由更新计算公式:Δθj=(η)Errj,Δθ+θj→θj,其中,Δθij是权θij的改变，η∈[0,1]是学习率。

图1　BP神经网络

BP网络的学习过程就是按上述两个更新公式迭代地改变连接权,直到误差足够小或者权值增量很小,或者迭代步数足够大。

2案例分析

表1　截面测试数据

BP神经网络模型输出训练的结果如图2、图3所示。

图2　训练结果方差

图3　预测结果对比

3结束语

从数据模拟结果来看，神经网络方法在本案例中能很好地拟合交通流前后变化，对排队长度预测效果很好，应该说排队长度与交通流变化、事故处理时间有一定的关系。但是BP神经网络在训练过程中存在对初始阈值设置敏感、易陷入局部极小值等不足,此外，由于造成交通排队的因素还有很多，上述模型还有待进一步深入研究与完善。结合其它智能计算工具,充分发挥各自的优势必将是未来智能交通预测方法的发展趋势。

参考文献

[1]程铁信,崔苗,陈敬柱.城市中心商业区混合交通流的诱导优化模型及其仿真[J].交通运输系统工程与信息,2013,13(2):111-117.

[2]胡启洲,孙煦.基于多维联系数的城市路网交通拥堵态势监控模型[J].中国公路学报,2013,26(6):143-149.

[3]李慧兵,杨晓光.面向行程时间预测准确度评价的数据融合方法[J].同济大学学报(自然科学版),2013,41(1):60-65.

[4]吴志周,范宇杰,马万经.基于灰色神经网络的点速度预测模型[J].西南交通大学学报,2012,47(2):285-290.

[5]马君,刘小冬,孟颖. 基于神经网络的城市交通流预测研究[J].电 子 学 报,2009,37(5):1092-1094.

[6]喻丹,吴义虎,喻伟,等. 基于自适应BP神经网络的城市道路偶发性拥堵判别[J].公路与汽运,2013,11(6):58-61.

[7]李松,刘力军,翟曼.改进粒子群算法优化BP神经网络的短时交通流预测[J].系统工程理论与实践，2012,32(9)：2045-2049.

[8]郑建湖,黄明芳,文子娟,等.GM(1，1)模型在道路交通事故预测中的应用[J]. 黑龙江工程学院学报(自然科学版),2009,23(2):41-43.

[9]黄恩洲. 基于粒子群一小波神经网络的短时交通量预测[J]. 黑龙江工程学院学报(自然科学版),2014,28(2):42-45.

[10] 张立 ,谢忠玉,陈 凯. 基于混沌理论的短时交通流局域预测模型[J]. 黑龙江工程学院学报(自然科学版),2011,25(2):52-54.

[责任编辑：郝丽英]

Traffic congestion forecasting for city occupying-road based on BP neural network

LUO Laipeng

(School of Sciences,East China Jiaotong University,Nanchang 330013,China)

Abstract：The short-term traffic flow forecasting is the core of modern intelligent transport system.Aiming at queuing problem of city traffic congestion caused by occupying-road,and according to road video statistics，the relation of actual traffic capacity,the number of cars,traffic incident duration between queuing lengths are analyzed with BP neural network. The effectiveness of the method to solve real-time and reliable flow forecasting is shown in the experiment.

Key words：traffic flow; traffic congestion; BP neural network；forecasting

中图分类号：TP311.32

文献标识码：A

文章编号：1671-4679(2016)01-0048-03

作者简介：罗来鹏(1973-)，男，副教授，研究方向：数据挖掘与智能计算.

收稿日期：2015-08-26