基于BP神经网络短时交通流预测研究

陈慧 张琪

摘 要：本文采用多车道数据，其中包含多条邻近同方向的车道，我们需要依次分离出各条单车道的实际数据，但由于得到的数据较少，导致该BP模型的误差略大，但从中我们依然可以看出预测值大约都在1.4上下浮动，数据分布较为集中，与实际值相比，误差大约在0.5分钟左右。因此我们可以看出，该模型的预测结果能较客观地反映出该模型的可行性。

关键词：BP模型;多车道数据;模型预测分析

一、预测模型的性能评价指标

在交通流预测领域，主要通过以下指标来评价模型的预测准确性。

这三个评价指标表示检测到的实际值，则表示对应时间内的与预测值，根据实际值与我们的预测值代到上述公式得到结果。这四个值越小，说明模型拟合度越好，预测准确率越高.

二、模型的建立

神经网络模型具有高度非线性关系映射能力，因此，在训练数据中，在输入個数、输出个数相同的情况下，隐含层单元数目的不同会使权阈值不同，导致误差较大。在本文中，考虑到各路段交通流之间的相互关系，我们将历史交通流数据个数，观测点个数生成样本数据，并将其分成训练数据与预测数据。

2.1实验数据获取位置的基本路况：

本文我们采集2016年7月2日至4日安徽省合肥市黄天路交叉口Htw002三个车道的视频交通流检测数据为研究对象，并且将车道情况记录时间精确到秒。

2.2实验数据的处理

该路段周边多以大学城和小区为主，具有早晚高峰车流量大的特点，由于该路段视频交通流监测器的流量数据比较齐全，我们对收集的数据进行分组，按照“训练—输入”、“训练—输出”、“测试—输入”、“测试—输出”四种类型进行分类，输出结果如图：

三、实验仿真研究

3.1BP神经网络的参数调整及预测效果

3.1.1 设置神经网络结构与参数如下

（1）输入层神经元设置

根据数据处理部分将输入类的数据设置为的矩阵，所以将神经网络输入层的神经元设置为5;

（2）隐藏层的神经元设置

BP神经网络的隐藏层节点数对BP神经网络预测精度有较大的影响，节点数过少，不能得到较准确的结果;节点数过多，容易让网络陷入过拟合。为了防止这种情况，我们算出最优隐藏层的神经元个数为12，并且将数据分为三类：training，validation，test。

（3）参数设置

本文基于LM算法，设定学习率为0.1，最大迭代次数epoch为1000，精度为0.000000001.

3.1.2 预测结果分析Analysis

增加隐层节点数可以减少训练误差，本文基于隐藏层数12的前提条件下，训练误差小，而且收敛速度较快。训练集数据能较为良好地反映这模型的运作状况。连续进行了11次，确认样本的输出误差都不再减小（甚至增大），训练就会终止，在第五次获得了最佳的MSE。样本的误差曲线以及测试样本的误差曲线走势都是慢慢下降的，呈现良好的相关性，并且达到了一个合适的目标误差。

四、BP神经网络预测误差曲线图

五、结论

单车道的测试集数据利用本文列出的短时交通流预测效果评价指标，对该模型得出的预测效果值与实际交通流量进行计算，得出BP神经网络的预测评价效果。该BP模型优化后的误差分布较为集中，曲线拟合度达到了0.553，MSE为0.367，RMSE为0.606，MAD为0.502，各评价指标能较良好地体现该模型的符合程度，较好地实现短时交通流的合理预测。

最后，我们又对三条单车道的数据分别进行了梳理，根据每条车道的预测结果和绝对误差得出了各车道的实际运算结果，选取绝对误差作为预测效果评价指标，发现误差值都在-0.6～0.08之间，处于可接受范围。综上所述，通过实力仿真研究表明，经过模拟BP神经网络能够对短时交通流进行预测，且预测效果较良好。

参考文献

[1] 谢浩. 基于BP神经网络及其优化算法的汽车车速预测[D].重庆大学，2014.

[2] 张希影. 基于遗传算法优化的BP神经网络股票价格预测[D].青岛科技大学，2014.

[3] 张华. 基于优化BP神经网络的微博舆情预测模型研究[D].华中师范大学，2014.

[4] 杨猛. 基于遗传算法与人工神经网络的加热炉建模方法研究[D].中国科学技术大学，2017.