基于BP神经网络的交通流数据融合研究

董红利

中铁第五勘察设计院集团有限公司 北京 102600

目前常见的交通流数据融合方法是数理统计方法，虽然在数据融合方面有一定的效果，但交通流的随机性导致融合结果达不到理想效果。本文构建了基于BP神经网络模型，对苏州市某一典型路段地磁、线圈、浮动车三者得到的数据进行融合处理，从而得到更可靠的交通流信息。

1 BP神经网络

BP神经网络是一种神经元信号前向传递、误差反向传播优化的多层前馈型神经网络，其网络的传递流程如下：

(1) 输入数据；(2) 设置训练样本和测试样本；(3) 数据归一化；(4) 设置神经网络参数；(5) 训练BP神经网络；(6) 测试BP神经网络；(7) 输出结果。

BP神经网络学习能力强，有较高的容错性，在目前的研究当中，能有效的处理一些复杂的非线性映射关系的数据，是处理交通流数据的重要方法。

2 模型构建

本文确定BP神经网络模型的参数为三维输入，分别为线圈、地磁、浮动车采集得到的数据。由于浮动车只能采集得到交通量的速度，可采用杨涛等提出的三段式速度-流量模型对浮动车数据进行估算。

本文数据融合的具体设计实现过程如下：

（1）BP神经网络输入与输出参数数据

输入参数数据包括：线圈检测器数据、地磁检测器数据、浮动车数据经换算得到数据。

输出数据：经过BP神经网络模型融合后路段的交通量。

（2）输入层包括地磁、线圈、浮动车数据三个参数，输出层是融合之后的一个参数节点，网络采用三层输入。输入层、、分别表示地磁、线圈以及浮动车检测器得到的数据，Q则表示融合之后得到的数据。通过对原始数据进行模型的样本训练，确定权重，然后对BP神经网络模型进行数据融合，并与视频检测器得到的真实数据做对比分析，以R-squared误差、平均绝对百分误差MAPE、均方误差MSE三个误差指标来评价数据融合结果的可信度。

3 实例验证

本文选取某典型路段一日早上7：30到晚上19：30的数据进行融合分析，采集得到的交通量数据以5min为时间间隔，各检测器得到的数据如图2所示。

图1 各检测器流量

由图2可以看出，研究路段当天交通流量整体趋于稳定，早晚高峰特征并不明显，交通流量呈现非线性规律，各个检测器采集得到的结果存在差异性，可进行数据融合处理。

隐含层节点数对训练误差有影响，当隐含层节点数为20时，整个网络训练误差最大；当隐含层节点数为24时，可以得到最小误差，故本文确定隐含层节点数为24。基于实际Matlab操作流程分析，本文确定最优隐含层节点数为24，最优学习率为0.08，训练次数为1000次。

本文基于BP神经网络的多源数据融合结果如下图所示。

图2 训练集融合结果

图3 融合结果与实际流量

在训练网络的过程中，发现训练集绝对误差不大，表明训练效果良好，故可以对7月22日全天交通流数据进行融合，得到结果如图3所示。可以看出来，基于BP神经网络数据融合方法效果良好，融合值与视频数据实际值较为贴切。融合误差结果:误差为0.87，平均绝对百分误差MAPE为2.69，方根误差MSE为35.8。

4 结论

本文在智能交通的发展背景下，提出了基于BP神经网络的交通流数据融合方法，通过Matlab软件对BP神经网络进行操作处理，在训练误差最优的条件下确定了网络层数、迭代次数、隐含层节点数等网络基础结构，最后通过选取某路段一天的各检测器交通流数据为研究对象，以5min为时间间隔采集交通流流量，得到了较为理想的融合结果，验证了本文基于BP神经网络的交通流数据融合方法的有效性。