基于人工蜂群算法优化BP神经网络的交通流预测

李文越，周思源，庞京城

(1.长安大学公路学院，陕西西安 710064；2.江苏交科交通设计研究院有限公司，江苏淮安 223001)

基于人工蜂群算法优化BP神经网络的交通流预测

李文越1，周思源1，庞京城2

(1.长安大学公路学院，陕西西安 710064；2.江苏交科交通设计研究院有限公司，江苏淮安 223001)

建立基于人工蜂群算法(Artificial Bee Colony Algorithm，ABC)优化BP(Back Propagation)神经网络(ABC-BP)的分析预测模型，对城市道路短时交通流进行预测。以BP神经网络为基础，通过人工蜂群算法优化神经网络的各个权值和阈值，考虑交通流的时间特性，将历史交通流量作为训练样本，预测某日的交通流量。多种算法的仿真试验对比表明：基于ABC-BP的预测结果比传统BP神经网络、小波预测神经网络以及PSO(Partide Swarm Optimization)-BP神经网络的预测结果更加精确。

人工蜂群算法；BP神经网络；交通流预测；仿真

随着家庭汽车数量的增多，居民出行需求日益增长，城市道路更加拥堵，因此使用智能交通系统(intelligent transportation system，ITS)诱导和控制道路上的交通流，利用现有交通资源更好的缓解城市交通压力，已经成为解决城市交通问题的重要手段。研究智能交通最关键的内容之一是实时交通分配(Real-Time-Dynamic Traffic Assignment)系统，其内容主要包含：预测城市的道路交通网系统状况；提供道路交通流的引导方向，指引车流使之分配于最合适的道路网；给出行者提供合适的出发时间、交通方式和出行路径的选择建议。交通诱导系统需要根据t时刻的历史交通量，判断预测t+1时刻以及更远期的交通量。预测短时交通量的难点在于交通流的不确定性和不规律性。

目前已经有多种短时交通流预测方法，包括卡尔曼滤波预测模型[1]、时间序列预测模型[2]、非参数回归预测模型[3-4]、混沌理论预测模型[5-6]、支持向量机预测模型[7-8]、K近邻预测模型[9]等。近年来，随着机器学习、智能算法、云计算的不断发展和深入，反向传播神经网络模型[10]、径向基函数RBF(Radial Basis Function)神经网络模型[11-13]、小波神经网络模型[14-15]等各类神经网络模型被广泛用于确定路段上的交通流量。

BP神经网络在反应交通流的复杂性、突变性等方面不具有较好的鲁棒性，当发生突发事件或者某些特殊情况时，交通流将会发生变化，使预测结果出现大的偏差。本文将BP神经网络以及人工蜂群算法进行融合，充分发挥人工蜂群算法结构简单、全局寻优性能好的特性，优化BP神经网络权值和阈值，递减网络的训练时间，以提高对交通流预测的精准性和鲁棒性。

1 ABC算法的基本原理

ABC算法是由Karaboga在2005年根据蜂蜜的群体配合寻找食物的行为提出的，在组合优化和求解中具有良好的效果[16]。

该算法中，蜜蜂被划分为引领蜂、跟随蜂及侦查蜂3种类型。其中花蜜源由侦查蜂来寻找，另外两种蜂负责开采蜂蜜[17-18]。引领蜂搜索蜜源并根据蜜源大小和数量进行标记，同时散发与之相当数量的标记蜜源路径信息，并呼唤更多的蜜蜂前来开采。跟随蜂采用随机的方式去抉择标记的蜜源，与此同时也在搜索附近新的蜂蜜源，以寻找效益较高的蜜源开采。如果在采蜜过程中的某一段时间，蜜蜂对其中一个蜜源进行开采，还会派遣新的侦查蜂去寻找新的蜂蜜源来取代当前的蜂蜜源，以使蜂蜜变得最丰富。

ABC算法的优点：该算法在整个全局中收敛，且收敛迅速[19]；该算法的适应范围非常宽泛，能优化各个领域中的各种问题；算法设置参数相对较少；ABC是一种基于种群并行优化的算法，容易实现和处理[20]。

2 BP神经网络算法

2.1 基本原理

图1 BP神经网路结构模型

BP神经网络是多层前馈式误差反传神经网络。其网络结构模型由输入层、输出层和若干隐含层3部分连接而成，其中每一层都由无数个节点交错映射连接而成。一个神经元由一个节点表示，上层节点与下层节点之间通过权连接，层与层之间的节点采用全互联的连接方式，每层内节点之间没有联系。在一个3层前馈网络中，只要隐节点足够多，就可以解决任意的工程问题。因此，BP 算法的3层MLP(Multi-Layer feedforward Perceptron)结构包含有1个输入层、1个输出层及1个隐含层，如图1所示。图1中：x1，x2，……，xn为输入层，y1，y2，……，yn为输出层，wij、wjk分别为连接输入层、输出层与隐含层之间的权重。

2.2 预测步骤

1)确定输出变量。根据实际情况，确定输出变量的属性和个数。在交通流预测中，输出变量为该预测路段一定时间内的交通量。

2)选择输入变量。本文通过前几日交通流量的历史数据对该时间的交通流量进行预测。因此选择前几日的交通流量数据作为输入变量。

3)数据预处理。对所输入的数据进行分类处理，确定训练样本和验证样本集合。确定BP 网络结构与训练方法。

4)建立BP模型进行预测。用训练样本集合对BP 模型中的参数进行标定，这些参数包含隐含层节点的数量和权值。最后与实际数值进行对比分析。

3 基于ABC-BP的交通流预测

基于ABC-BP的交通流预测模型如图2所示。

1)生成一个BP神经网络并初始化此BP神经网络。

2)初始化人工蜂群算法的相关参数，主要参数包含人工蜂群数量Nc、引领蜂数量Ne、跟随蜂数量No、蜂群算法解的个数Ns、最优解更新失败次数的阈值、最大循环次数M等。其中，Nc=Ns=Ne+No。初始种群及初始解Xi(i=1,2，……，Ns)在(-1,1)随机产生一个数值，Xi表示步骤1)中创建的BP神经网络的链接权值和阈值，维数D满足

D=NinNh+Nj+NhNout+Nout，

式中：Nh为BP基函数；Nin和Nout分别为神经网络中输入层和输出层神经元的个数。

3)计算每个解的适应度函数 ，有

式中TMSEi为第i个解的神经网络均方误差。

图2 ABC-BP神经网络模型

4)计算蜜蜂解的最佳收益率

根据各项收益率，从当前解的领域中挑选出新的最优解。

5)若最优解更新失败的总数大于设定的阈值，意味着这个解陷入了局部最优，而并非全局最优解，因此侦查蜂丢弃此解寻求新解Xi′，有

Xi′=Xmin+rand(0,1)(Xmax-Xmin)

，

(1)

式中：Xmin为局部解的最小值；Xmax为局部解的最大值；rand(0，1)为归一化函数，即把Xmax与Xmin的差值归一化到0到1之间。

由式(1)解出新的解将原来的解代替，如此反复，最后得出蜜源丰富的最优解。

6)若人工蜂群算法的迭代次数超过预先设定的阈值，说明这个解不能被继续优化，侦查蜂会将它舍弃，通过式(1)产生的新解将其替换，保存最优的解。

7)若蜂群算法迭代次数超过预先设置的最大循环次数M，则结束BP神经网络的训练。否则返回步骤4)。

8)BP神经网络的连接权值和阈值用得到的最优解变换而来，继续用数据仿真和测试神经网络，达到预测路段交通流量的目的。

4 实例分析

4.1 数据样本的选择

选取西安三环某路段作为研究对象，运用ABC-BP模型对路段某个时刻的流量进行预测分析。

城市交通流在时间特征上有一定的周期性，某种程度上，居民出行的规律揭示了交通流的变化。城市道路交通量在日常工作日内变化不大，周末及重大节日流量有所变化。每小时交通量的变化情况(时变化)反映了连续24 h内交通流的变化情况，通常，日常工作日内的时变化呈马鞍型，有早高峰、平峰以及晚高峰的出现。交通流时间序列具有长程相关性，即现在和未来交通状态受历史交通状态的影响，并且交通流时间变化的趋势和历史时间序列变化的趋势呈正相关[20]。

选取该路段7个工作日2015-05-09、2015-05-12—16、2015-05-19的试验测得的全日交通流量数据作为样本数据，路段周边地区无较大活动并且天气晴朗。24 h内每隔20 min记录1次数据，共记录504组数据。把前6 d的432组数据作为训练样本，用于ABC-BP神经网络模型的训练，用训练好的预测模型对后面1 d的72组数据进行预测。

4.2 仿真试验环境

仿真采用Pentium 2.0 GHz处理器、2 GB内存PC机，算法由MATLAB实现。设置运行环境的初始规模为50个跟随蜂和50个引领蜂，100次尝试次数以及迭代次数。设定BP神经网络的阈值平均相对误差≤3%时进化结束；当该神经网络达到最大训练次数时进化也结束。BP神经网络的最优权值和阈值先使用人工蜂群算法进行优化，再使用优化后的BP神经网络算法对道路流量进行预测。

4.3 建立仿真试验模型

本次试验中，训练神经网络的输入层为当前时间点前的432个交通流量的数据，隐含层中的节点数L应同时满足

式中：m为输出层节点数；k为输入层节点数；α=1～10。

设k=25，m=1，经计算得L=4，学习效率取0.1，训练次数取1 000，输出目标值取0.000 4。

4.4 仿真试验结果比较

将ABC-BP神经网络、PSO-BP神经网络、传统BP神经网络、小波神经网络4种算法的预测值进行直观对比，如图3～6所示。图3～6中横坐标每小格表示以每20 min为单位的时间序列。

图3 ABC-BP神经网络预测 图4 基于PSO-BP神经网络预测

图5 传统BP神经网络的预测 图6 小波神经网络的预测

从图3～6中可以看出，图3的预测值和实际数据最接近，表明ABC-BP神经网络预测模型相对于另外3种预测模型能更准确的预测短时路段的交通流量。

为了更好说明上述4种算法的滤波处理效果，采用3种误差表示方式对比几种算法的误差，有

表1 几种模型的3种误差比较

式中：P(t)为预测交通量；R(t)为实际交通量；S为整个时段中预测交通量的样本总数；TMAE为平均绝对值误差；TREmax为绝对值最大误差；TRMSE为均方根误差。

几种算法的误差值对比如表1所示。

从表1可以看出， ABC-BP算法的3种误差均比其他3种算法的误差小，预测结果最准确，其交通流量预测值最接近路段流量的真实值。

5 结论

1)建立基于蜂群算法的BP神经网络预测模型，并将其用于短时交通流预测，预测精度高于PSO-BP神经网络、传统BP神经网络、小波神经网络等算法，可以为交通流的诱导和控制提供更加精确的预测效果。

2)该算法未考虑到交通流预测中的其他外部因素，仅使用历史交通流量数据作为训练对象，有待采用更好的智能算法进行优化处理。

[1]OKUTANI I, STEPHANEDES Y J.Dynamic prediction oftraffic volume through Kalman filtering theory[J].Transportation Research Part B：Methodological, 1984，18(1)：1-11.

[2]姚志胜，邵春福.基于于状态空间模型的道路交通状态多点时间序列预测[J].中国公路学报，2007，20(4)：113-117. YAO Zhisheng, SHAO Chunfu.Road traffic state multi spot time series forecasting based on state space model[J].China Journal of Highway and Transport，2007，20(4)：113-117.

[3]刘洋，马峰.基于聚类分析的非参数回归短时交通流预测方法[J].交通信息与安全，2013，31(2)：27-32. LIU Yang，MA Feng.Non-parametric regression for short-term traffic flow forecasting based on cluster analysis[J].Journal of Transport Information and Safety，2013，31(2)：27-32.

[4]宫晓燕，汤淑明.基于非参数回归的短时交通流量预测与事件检测综合算法[J].中国公路学报，2003，16(1)：52-56. GONG Xiaoyan, TANG Shuming.Integrated traffic flow forecasting and traffic incident detection algorithm based on non-parametric regression[J].China Journal of Highway and Transport,2003,16(1):52-56.

[5]贾显超，陈旭梅，弓晋丽.基于混沌理论的短期交通流量多步预测[J].交通信息与安全，2013，31(6)：27-35． JIA Xianchao, CHEN Xumei, GONG Jinli.Multi-step short-term traffic flow prediction based on chaotic theory[J].Journal of Transport Information and Safety,2013,31(6):27-35.

[6]李松，刘力军，解永乐.遗传算法优化BP神经网络的短时交通流混沌预测[J].控制与决策，2011，26(10)： 1581-1585. LI Song, LIU Lijun, XIE Yongle.Chaotic prediction for short-term traffic flow of optimized BP neural network based on genetic algorithm[J].Control and Decision，2011，26(10)：1581-1585.

[7]HONG W C，DONG Y C，ZHENG F F，et al.Forecasting urban traffic flow by SVR with continuous ACO[J].Applied Mathematical Modeling，2011，35(3)：1282-1291.

[8]傅贵，韩国强，逯峰，等.基于支持向量机回归的短时交通流预测模型[J].华南理工大学学报(自然科学版)，2013，41(9)：71-76. FU Gui, HAN Guoqiang， LU Feng, et al.Short-term traffic flow forecasting model based on support vector machine regression[J].Journal of South China University of Technology(Natural Science Edition)，2013，41(9)：71-76.

[9]WU C H，WEI C，CHANG M.Travel time prediction with support vector regression[J].IEEE Transactions on Intelligent Transportation Systems，2004，5(12)：276-281．

[10]HUANG K, CHEN S, ZHOU Z G.Research on non-linear chaotic prediction mode for urban traffic flow[J].Journal of Southeast University:English Edition，2003，19(4)：411-413．

[11]VYTHOULKAS PC.Alternative approaches to short term traffic forecasting for use in driver information systems[M].Berkeley: Elsevier Science Publishers，1993．

[12]LEDOUX Corinne.An urban traffic flow model integrating neural network[J].Transportation Research Part C:Emerging Technologies，1997，5(5)：287-300．

[13]张涛，陈先，谢美萍，等.基于K近邻非参数回归的短时交通流预测方法[J].系统工程理论与实践，2012，30(2)：376-384. ZHANG Tao, CHEN Xian, XIE Meiping，et al.K-NN based nonparametric regression method for short-term traffic flow forecasting[J].Systems Engineering-Theory & Practice，2012，30(2)：376-384.

[14]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. LI Song，LIU Lijun，ZHAI Man.Prediction for short-trem flow traffic based on modified PSO optimized BP neural network[J].Systems Engineering-Theory & Practice，2012，32(9)：2045-2049.

[15]高为，陆百川，贠天鹂，等.基于时空特性和RBF神经网络的短时交通流预测[J].交通信息与安全，2011，29(1)：16-19. GAO Wei，LU Baichuan，YUN Tianli,et al.Short-term traffic flow forecasting based on spatiotemporal characteristics of traffic flow and RBF neural network[J].Journal of Transport Information and Safety，2011，29(1)：16-19.

[16]贺国光，马寿峰，李宇.基于小波分解与重构的交通流短时预测法[J].系统工程理论与实践，2002，9(2)： 101-107. HE Guoguang，MA Shoufeng，LI Yu.Study on the short-term forecasting for traffic flow based on wavelet analysis[J].Systems Engineering-Theory & Practice,2002,9(2):101-107.

[17]MUKHERJEE P，SATISH L.Construction of equivalent circuit of a single and isolated transformer winding form FRA data using the ABC algorithm[J].Power Delivery，IEEE Transactions on Automatic Control，2012，27(2)：963-970.

[18]ZHU G，KWONG S.Gbest-guided artificial bee colony algorithm for numerical function optimization[J].Applied Mathematics and Computation，2010，217：3166-3173.

[19]KANG F，LI J，MA Z.Rosenbrock artificial bee colony algorithm for accurate global optimization of numerical functions[J].Information Science，2011，181(16)：3508-3531.

[20]袁健，范炳全.城市道路短期交通流预测VHSSA模型[J].公路交通科技，2014，31(5)：135-136. YUAN Jian, FAN Bingquan.VHSSA model for predicting short-term traffic flow of urban road[J].Journal of Highway and Transportation Research and Development，2014，31(5)：135-136.

(责任编辑：杨秀红)

Traffic Flow Prediction of BP Neural Network Optimized by Artificial Bee Colony Algorithm

LIWenyue1,ZHOUSiyuan1,PANGJingcheng2

(1.InstituteofHighway,Chang′anUniversity,Xi′an710064 ,China;2.TrafficDesignInstituteCo.,Ltd.ofJiangsuTransportationScience,Huaian223001,China)

The analysis and prediction model of the urban road short-term traffic flow is established based on a neural network optimized by the Artificial Bee Colony Algorithm. The thresholds and weights of the neural network are optimized by the Artificial Bee Colony Algorithm. Taking the time characteristic of the traffic flow into account, the historical traffic flow is used as the training sample to predict the traffic flow of a day. The contrast of stimulation tests of multi-algorithms shows that the prediction results based on ABC-BP are more accurate than those based on the traditional BP neural network, the wavelet neural network and PSO-BP neural network.

Artificial Bee Colony Algorithm; BackPropagation neural network; traffic flow prediction; simulation

2016-09-26

李文越(1993—)，男，江苏扬州人，硕士研究生，主要研究方向为交通运输规划与管理、智能交通，E-mail：360585027@qq.com.

10.3969/j.issn.1672-0032.2017.01.006

U491.111.2

A

1672-0032(2017)01-0034-06