基于神经网络算法的交通流量预测建模与计算

原二保

摘  要： 为了提高交通流量预测数据的准确度，文中利用神经网络算法提出一种短时交通流量的预测模型。通过分析交通流量的概念和特征，设计相应的预测评价体系，使用拉格朗日中值定理与小波变换，实现交通流量数据的插值、降噪和归一化。基于改进的神经网络算法，建立和优化相应的预测数学模型。在评价体系的基础上，完成预测结果的计算与评估。仿真测试结果表明，改进神经网络算法的应用有效降低了预测结果的误差，提高了交通流量预测模型计算的准确度。

关键词： 交通流量预测; 特征分析; 预测结果计算; 预测模型; 评价体系设计; 模型优化

中图分類号： TN926?34; TP393                  文献标识码： A                       文章编号： 1004?373X（2020）10?0066?03

Traffic flow prediction modeling and calculation based on neural network algorithm

YUAN Erbao1，2

（1. Shanxi University， Taiyuan 030006， China; 2. Shanxi Architectural College， Jinzhong 030060， China）

Abstract： A short?term traffic flow prediction model is proposed by means of the neural network algorithm to improve the accuracy of traffic flow prediction data. The corresponding prediction and evaluation system is designed by analyzing the concept and feature of traffic flow， and the interpolation， noise reduction and normalization of traffic flow data are realized by means of the Lagrange mean value theorem and wavelet transform. On the basis of the improved neural network algorithm， the corresponding prediction mathematical model is established and optimized. The calculation and evaluation of the prediction results are completed on the basis of the evaluation system. The simulation testing results show that the improved neural network algorithm can reduce the error of the prediction results effectively， and increase the calculation accuracy of the traffic flow prediction model.

Keywords： traffic flow prediction; feature analysis; prediction result calculation; prediction model; evaluation system design; model optimization

0  引  言

随着我国科技的进步和社会的发展，汽车的销售量不断攀升，人均保有量持续增加，汽车逐渐成为市民出行的交通工具。然而，汽车的普及也带来了交通拥堵，并由此引发了很多社会问题，亟待解决[1?3]。因此，城市需要挖掘现有道路交通的潜力，实现基础设施的充分利用。而这需要管理部门具备预测交通拥堵的能力，实现交通流量数据的精确预测[4?6]。

针对交通流量的精确预测问题，多年来，国内外大量学者做出了广泛而深入的研究[7?10]，但是成熟的预测模型鲜有报道，难以有效地解决交通流量的预测问题。为了建立交通流量的预测模型，本文在总结这些预测方法的前提下，利用拉格朗日中值定理，修复错误和遗失的交通流量数据，引入小波变换，去除交通流量数据的噪声，通过改进神经网络算法的步骤，建立交通流量数据的预测模型。仿真结果验证了本文预测模型的有效性与准确性。

1  预测模型的评价体系

为了科学地评价交通流量预测模型的优劣，根据交通流量预测的基本概念和特征，本文提出一个评价预测方法的定量指标体系。该体系主要由平均绝对误差、均方误差、平均相对误差和均等系数等指标组成。其中：平均绝对误差衡量了交通流量预测值与真实数据之间的误差大小;均方误差衡量了这些误差的大小与分布，该指标值越小，则误差的离散程度越小;平均相对误差用以衡量预测值相对于真实值的偏离程度，采用这个指标来评价不同观测序列的区分度时，其效果优于平均绝对误差;均等系数反映了交通流量的预测趋势和真实流量变化的拟合程度，该指标越高，则其预测值越接近真实值。设预测目标数据个数为[n]，城市交通的实际流量值为[xi]，预测模型计算得到的流量预测值为[x′i]（[1≤i≤n]），则平均绝对误差[MAE]定义为：

[MAE=1ni=1nxi-x′i]      （1）

均方误差[MSE]定义为：

[MSE=1ni=1nxi-x′i2]     （2）

平均相对误差[MRE]定义为：

[MRE=1ni=1nxi-x′ixi]      （3）

均等系数[EC]定义为：

[EC=1-i=1nxi-x′i2i=1nxi+x′i2]      （4）

2  交通数据处理

在实现交通流量预测前，本文需要对交通流量统计数据进行必要的处理。该处理过程主要包括采集和预处理，其直接影响预测模型的准确度。

2.1  数据采集

一般而言，采集交通流量数据主要采用手工法和自动法。其中，手工法由人工法、浮动法和摄像法组成，自动法主要由地感线圈法、红外线法和微波雷达法组成。考虑到采集交通流量数据的精确度、可靠性和代价，本文结合使用摄像法和人工法，即拍摄视频，由人工统计视频中的车辆数据。

2.2  数据修复

在数据采集后，本文需要对数据进行一定的修复，即根据现有的数据特征，使用拉格朗日中值定理对错误与丢失的数据进行插值，其具体处理方法的阐述如下。

假设现有s+1个数据取值点，其坐标分别为[a0，b0]，[a1，b1]，…，[as，bs]，则根据插值公式可得：

[La=i=0sbilia]         （5）

式中，[lia]的表达式为：

[lia=j=0，i≠jsa-ajai-aj=a-a0ai-a0...a-asai-as] （6）

2.3  数据去噪

在完成异常数据的修复后，本文还需对修复后的数据进行去噪处理，从而降低流量数据中的白噪声成分，提高原始信息的占比。与其他小波变换方法相比，Daubechies小波具有优秀的光滑性且易于分析，所以本文选用db5的小波变换法对修复数据进行去噪。

一般而言，Daubechies小波函数是具有正交特性的紧支集小波，令[m]与[n]均为整数，则其小波函数的尺度[φmnt]和平移因子[φt]的公式分别为：

[φmnt=12m2φt2m-n]   （7）

[φt=1，            0≤t≤12-1，        12

式中，離散二进小波函数[Qf2m，n]可以变换为：

[Qf2m，n=12m2-∞+∞ftφt2m-ndt] （9）

利用小波变换原理，可以分析、获取噪声[et]的部分分量，从而利用去噪原理完成交通流量数据的去噪过程，公式为：

[rt=Mt-ηet]      （10）

式中：[Mt]表示交通流量的修复数据;[rt]表示交通流量的真实数据;[η]表示噪声强度系数。

3  预测模型

神经网络算法具有良好的并行计算、自适应和容错性能，适合处理交通流量等非线性数据。然而，该算法也存在收敛速度慢、陷入局部搜索循环的缺点。为了克服该缺点，本文引入遗传算法，对神经网络算法的权值与阈值进行优化，从而获取更加精确的交通流量预测结果。根据遗传算法和神经网络算法的特点，文中建立了交通流量预测模型，其具体阐述如下。

3.1  选取评价指标

由于遗传算法和神经网络算法在具体运行过程中需要确定某一个指标，因此本文选取评价体系的均方误差[MSE]，作为预测模型的评价指标，公式如下：

[min MSE=1pj=1pi=1mxi-di2]  （11）

式中：[p]是算法的样本输入数量;[xi]是算法的输出数据;[di]是算法的期望输出数据;[m]是算法输入层的神经元数量。

3.2  构造训练样本集

通过对交通流量数据进行修复和去噪等处理，本文可以获取算法预测的初始数据。这些数据在进行归一化处理后，即为神经网络算法的输入数据。设某一输入样本数据为[Bi]，则算法的训练样本集为[B=b1，b2，…，bp]。

3.3  改进神经网络算法编码

在算法流程中，算法将随机产生一个初始种群，该种群包含[B]个成员，设[l]是种群成员的长度，[m]是算法输入层的神经元数量，[h]是隐含层的神经元数量，[v]是输出层的神经元数量，则种群成员的长度[l]的计算公式为：

[l=m·h+h+h·v+v]      （12）

式中：神经网络算法的输入层到隐含层之间的数据需使用权重矩阵[Q=qijm×h]进行计算;隐含层数据是一个[m]维的向量[G=g1，g2，…，gm];隐含层到输出层之间的数据需使用权重矩阵[F=fjkh×v]进行计算;输出层的数据是一个[v]维的向量[O=o1，o2，…，ov]。因此在改进神经网络算法的流程中，应用遗传算法的输入值[Y]为：

[Y=w11，…，wnh，g1，…，gm，f11，…，fhv，o1，…，ov] （13）

3.4  遗传算法阈值

由于利用遗传算法对神经网络算法进行必要的改进，所以本文仍需定义预测模型的适应度函数、交叉运算和变异运算。其中，预测模型的目标是得到令均方误差最小的权值和阈值，所以这里适应度函数[f]的公式为：

[fMSE=1MSE]      （14）

设[B1]和[B2]是种群的两个成员，[α]是其交叉运算参数，则其交叉运算的具体过程为：

[B′1=αB2+1-αB1B′2=αB1+1-αB2]    （15）

式中，[α]既是常量（均匀交叉运算），也可以是变量。设[xi]为个体的某一个变异数据，其取值范围是[Rmin，Rmax]，[p∈0，1]是其变异随机数，则变异运算的描述如下：

[xi=Rmin+p·Rmax-Rmin]   （16）

3.5  神经网络算法模型

通过引入遗传算法，本文可以获取适应度最大、均方误差最小的权值与阈值的某成员。然后，将该成员的数据输入神经网络算法，对其进行训练。从而计算得到较为精确的交通流量预测数据，其训练过程如图1所示。

4  模型仿真分析

為了验证本文预测模型的有效性和稳定性，采集某地市区道路的交通流量数据，并利用这些数据和本文的预测模型，对该道路的某些时刻做出了较为精确的交通流量预测。此外，基于同样的数据，本文还使用经典的遗传模型与神经网络模型进行预测计算，从而实现与本文预测模型的对比。为了实现较为精确的对比，根据预测模型的评价体系，本文计算了这3种模型的4项评价指标，结果如表1所示。

由表1的数据可知，在平均绝对误差、均方误差和平均相对误差指标方面，本文的预测模型的评价指标值均小于经典遗传模型和神经网络模型，这表明文中的计算误差最小且分布比较均匀;在均等系数指标方面，本文预测模型的数据均大于传统的遗传模型和神经网络模型，这表明文中的预测模型与真实数据之间的拟合度是最优的。因此，本预测模型有效地提高了交通流量预测的精确度。

5  结  语

利用拉格朗日中值定理和小波变换法，本文实现了交通流量数据的预处理。在此基础上，通过改进神经网络算法的具体流程，提出具有较高精确度的交通流量预测模型。然而，该模型的计算过程复杂，需要耗费较大的计算资源，这也将影响该预测模型的应用与推广。未来其将致力于降低算法的计算复杂度，从而提升模型的执行速度与计算效率。

参考文献

[1] 易超，杨晓芳.城市干道接入交通组织模式设计[J].电子科技，2017，30（3）：106?110.

[2] 史亚星.基于深度学习的车流量预测方法研究[J].计算机与数字工程，2019，47（5）：1160?1163.

[3] 董伟.随机交通流的组合控制预测模型和方法[J].沈阳工业大学学报，2018，40（1）：88?93.

[4] 孔垂猛，韩印.基于灰色马尔科夫模型的波动性交通流量预测[J].森林工程，2015（1）：92?96.

[5] 胡少鹏，郑淑鉴，熊文华.基于速度?流量模型的交通拥堵预警技术研究[J].信息技术，2019，43（9）：84?87.

[6] 文天，万夕里，白光伟.城市交通流量预测与信号控制优化[J].小型微型计算机系统，2019，40（7）：1579?1584.

[7] 冯宁，郭晟楠，宋超，等.面向交通流量预测的多组件时空图卷积网络[J].软件学报，2019，30（3）：269?279.

[8] 于江波，陈后金.基于分段学习的BP神经网络的交通流量预测[C]//全国博士生学术论坛（交通运输工程学科）.北京：北京交通大学，2005：837?840.

[9] 郭新.一种改进的短期交通流量预测算法研究[J].计算机技术与发展，2015（2）：103?107.

[10] 唐毅，刘卫宁，孙棣华，等.改进时间序列模型在高速公路短时交通流量预测中的应用[J].计算机应用研究，2015，32（1）：146?149.