城市智能交通系统设计与实现

张淼

摘要：为了提高人们交通出行的效率，提出一种基于Java EE+BP算法的智能交通预测系统。该系统在需求目标的基础上，将系统功能模块分为实时监控模块、违法管理模块、布控管理模块、智能研判模块、查询统计分析模块与运维管理模块。同时通过BP神经网络对车流量进行预测。最后，系统测试表明，本系统可预测一段时间的车流量，从而为城市交通提供参考。

Abstract： In order to improve the efficiency of people's traffic travel， an intelligent traffic prediction system based on Java EE+BP algorithm is proposed. On the basis of requirements and objectives， the system divides the system function modules into real-time monitoring module， illegal management module， deployment control management module， intelligent research and judgment module， query statistical analysis module and operation and maintenance management module. At the same time， the traffic flow is predicted by BP neural network. Finally， the system test shows that the system can predict the traffic flow for a period of time， so as to provide a reference for urban traffic.

关键词：智能交通;Java EE;BP神经网络

Key words： intelligent transportation;Java EE;BP neural network

中图分类号：TP311.52                                  文献标识码：A                                  文章编号：1006-4311（2020）30-0214-02

0  引言

随着科技的进步，中国经济水平也在快速发展。伴随着经济水平的升高，人们购买的机动车数量也在持续增加。机动车在方便人们生活的同时，也对道路提出更高要求。一方面现代城市道路容量有限;另一方面，城市车辆保有率越来越高，从而使得城市出现严重拥堵，给人们出行带来极大不便。为了缓解该情况，交通部门借助先进的技术创建交通管理信息系统，但受到技术和人力限制，交通拥堵还未得到有效缓解。对此，交通部门提出“智能交通”的理念，开始引入现代智能技术对交通进行优化。本研究则结合现代智能技术，提出基于BP的交通管理与预测系统，并对该系统进行验证，从而提高交通部门能力管理能力。

1  总体结构设计方案

结合当前的智能技术和物联网技术，以物联网技术为基础，以智能算法作为依托，将系统构建为如图1所示。

系统的技术方案则如图2所示。结合SSH框架，然后以DAO作为数据连接接口，实现与数据库的响应;以JSP页面作为交互界面，实现用户请求的输入。

2  系统功能模块设计

结合智能交通系统的需求，将系统的功能模块分为实时监控模块、违法管理模块、布控管理模块、智能研判模块、查询统计分析模块与运维管理模块。具体可以用图3示意。

3  系统设计与实现

3.1 车流量预测模型构建

BP神经网络（Back Propagation Neutral Network）是由多名科学家提出的一种神经网络算法。主要原理是按照误差逆向传播进行训练的一种多层前馈神经网络。一般来说，BP神经网络包含输入层、隐含层与输出层三层。在BP训练过程中，包含学习和训练两个阶段：一阶段为前向传导阶段。即向输入层输入信息以后，经过各神经元计算，再向下一层进行传导，直到输出结果。如果输出的结果与预期的结果有所出入，就需要进行第二阶段;二阶段是逆向传导阶段。这个阶段的特点是逐层递归的计算实际输出结果与期望输出结果间的误差，并根据该误差调整各个神经元权值，以使误差最小。经过不断调整，直到输出的结果值达到预期要求，则训练结束。具体训练过程如图4所示。

3.2 系统实现环境搭建

本系統实现环境见表1所示。

4  系统测试

4.1 测试数据来源

考虑到测试数据来源的复杂性，本研究只针对分叉路口的车流量进行预测，从而为系统提供预测结果。假设总体时间为t，将t分为四个时间段，分别为t1、t2、t3、t4。以2018年5月10日至2018年5月21日的车流量作为数据样本，每隔15分钟记录一次，将所有的数据收集起来，以前10天数据作为训练样本，将最后一天的数据作为测试样本。但这里要注意的一点就是，每个时间点的数据跨度都是比较大的，为了得到更为准确的结果，所以会提前将数据进行归一化处理。也就是将样本数据映射到1，0之间。具体归一化公式为：

（1）

设定BP神经网络的结构为8-10-1，即输入层为8，隐含层为10，输出1个结果。

4.2 网络传递函数选择

对于BP神经网络来说，如果采用不同的传递函数，那么BP神经网络的训练误差、训练时间以及映射的复杂程度都会受到一定的影响。所以选择最适合的传递函数。本研究选择改进版的S型函数，具体函数如下：

（2）

为了提升训练的收敛性，在上述的公式中加入变量T，于是形成一个新函数。

（3）

4.3 测试结果

根据以上的参数设置，将数据导入智能系统中，并调用Matlab软件，从而得到不同路口下的车流量预测结果界面，具体如图5所示。

5  结语

城市智能系统的设计和实现是很有必要性的。就目前来看，城市智能交通系统的发展还是比较可观的。本系统采用Java EE技术架构进行开发，还利用BP神经网络提供数据支持，能够有效的预测车流量，从而缓解交通的压力，改善人们的出行环境。

参考文献：

[1]陈军.云平台与物联网协同的城市智能停车场系统设计与实现[J].通信电源技术，2020，37（10）：8-11，14.

[2]谷晓鹏，王佳维，张红，汪溁鹤.新基建背景下城市智慧交通系统设计与实现[J].智能网联汽车，2020（04）：94-96.

[3]黄慧琼，张泽昆，荣武月.城市中心商业区停车场ETC系统应用与评价[J].交通科技与经济，2020，22（01）：33-37.