基于神经网络的智能交通动态预测模型

■李晓飞 吕阳 周胜龙（吉林建筑科技学院计算机科学与工程学院）

一、引言

随着城市机动车数量的快速增长以及路网总量的提升，城市管理和发展的最重要的问题就是交通问题。交通供给和交通需求之间的矛盾日渐显现，交通拥堵已经成为人们出行关心的重要问题之一。依靠传统的交通管理系统已经不足以解决当前的交通问题，智能交通管理系统成为研究的一个热点，主要包括电子警察、交通事件检测、面向公众的交通信息服务平台、交通诱导等。智能交通管理系统的发展有助于解决交通拥堵问题，同时提高城市交通的管理，满足人们的出行需求。

为了提高交通系统的快速反应能力以及对交通的预见性，本文研究了基于神经网络的智能交通动态预测模型，并通过仿真数据进行实验，并且通过实验验证了模型的有效性和可行性。

二、模型建立

智能交通动态预测模型是以交通诱导为基本，基于动态的交通分配理论，对路网上的流量空间进行预测，以及对实时变化的路网交通状态进行分析，综合运用GPS 等物联网技术通过手机APP 和车载导航等为出行者提供实时的交通信息，避免交通拥堵。

在研究中发现，对于交通路况中的交叉口而言，影响交通流量的除了包括上下游路口的当前流量，还包括上下游路口的未来流量。但由于实际城市的路口交通流量受到道况、车速以及交通信号的控制等多方面因素的影响，模型用准确的函数关系难以表达。神经网络具有较强的自学习能力，可以通过训练优化网络历史数据，建立预测模型。假设交叉路口流量是连续的，即不会出现5 分钟间隔无交通流量的状况。此外，把交通路口组成的网络简化成网状结构，每一个交叉路口的入口车流量只受下游三个路口的车流量的影响。在某一个事件段，假设每一个交叉路口为i,实测流量为Vi,作为交通预测控制模型的输入。建立的基于神经网络的交通控制模型如下：

在此模型中，输入层节点表示路口当前期望的车流量。而对于隐含层，对于单个神经元Mi，有

其中，g是激活函数，此激活函数采用可验证可导的非线性函数：

输出层向后传播阶段采用BP 神经算法。初始化训练因子为0到1 之间的数值。

定义第n 个样本的误差为：

总误差为：

然后分别修正输出层以及输入层到隐层的权矩阵，直到整个样本集的总误差小于初始化要求的精度，从而得出优化的神经网络系统。

整个模型处理系统如图2 所示。

图2 交通流模型处理系统

针对交通流量也受交通事故的影响，本模型将交通事故事件与正常的交通流量进行区分，将其作为特殊的一种流量，作为该模型中一个新增的输入量，即作为模型的激励变量而存在。针对交通事件属于随机事件的情况，把该类事件放在模型外层尽心处理，即对交通事故事件的处理进行单独的机制处理。无交通事故事件的情况正常采用训练的交通模型进行处理。

三、仿真实验

本模型采用交通仿真手段对长春市主干道路网作了仿真研究。首先对基于BP神经网络的模型进行了训练，通过设定隐层和输入量获得神经元个数和误差的关系。然后结合大量数据分析在该模型运作下的交通状况。

该仿真实验主要对关键交叉路口以及重点路段根据此模型进行交通分析，将本模型应用到交通仿真模型当中，对交叉路口和路段进行交通影响方面的分析和评价。

在模型训练过程中，采集的数据来源于系统采集的目标路段的一周的交通流量数据，具有比较高的准确性。通过训练发现的神经元个数与误差的关系表1 所示。

表1神经元个数和误差关系表

该模型由于采用BP 神经网络，适当增加隐层的层数和节点数可以获得精确度更高且更接近实际情况的预测，且其非线性特性也使得整个系统鲁棒性更高。

四、结论

交通供给和交通需求之间的矛盾日渐显现，交通拥堵已经成为人们出行关心的重要问题之一。为了提高交通系统的快速反应能力以及对交通的预见性，本文研究了基于神经网络的智能交通动态预测模型，并通过仿真数据进行实验，并且通过实验验证了模型的有效性和可行性。

本文的研究模型进行了一定的假设，对实际问题在可接受情况下做了一定程度上的简化，因此，这一模型还存在较多的改进空间。在未来的研究中，将继续对此模型根据实际问题进行优化和改进。