基于神經網絡的信號交叉口進口車道交通延誤預測

林得剛，鄭長江，陳淑燕

(1.河海大學 土木與交通學院，江蘇 南京 210098;2.東南大學 交通學院，江蘇 南京 210096)*

0 引言

人工神經網絡作為非線性模擬技術以其良好的學習能力在許多領域眾多學科中扮演了舉足輕重的角色，在交通中的應用［1-9］也取得了豐碩的成果.例如:對城市短時交通流進行預測，結合遺傳算法和粒子群算法進行時交通流量預測，結合模擬數據對交叉路口車輛到達進行預測，對居民出行產生量預測，利用模糊神經網絡技術對復雜路口的車輛通行的實時控制，實現可變相位的模糊控制，利用模糊神經網絡技術實現對復雜路口的車輛通行的實時控制，建立交通數據序列動態可預測性分析，交通狀態判別等等.

人工神經網絡中在交通領域得到廣泛應用，但是它在交通延誤特別是在城市信號交叉口的交通延誤預測方面并沒有充分發揮其優勢，而機動車在進口車道的交通延誤的分析預測對評價信號交叉口的服務水平、信號控制方案的設計和優化等有著重要的意義［10］.鑒于此，本文創新地嘗試將BP網絡技術應用于信號交叉口進口車道的交通延誤預測，建立了用于預測交通延誤的神經網絡模型，并應用歷史交通延誤數據進行訓練、預測、分析，獲得了較為滿意的結果.

1 BP神經網絡原理及其應用方法

1.1 BP神經網絡基本原理概述

BP神經網絡實際上是多層感知機網絡［11］，是一種采用Sigmoid功能函數的前向多層網絡，是基于誤差調整算法的有教師網絡.由于網絡的學習采用的是誤差反向傳播算法(error back propagation method)，因此，稱之為BP神經網絡.BP神經網絡是由輸入層、若干隱藏層和輸出層組成.連接結構是前后相鄰的兩層節點均相連，非相鄰層的節點、同層的節點之間無任何連接.從輸入層開始按照以上連接方式直到輸出層，連接結束.在BP神經網絡中，除輸入層節點外，其余的神經元的輸出函數f全部采用可微分的函數［11］，例如S型函數.文中采用的是三層BP神經網絡，所建立的用于交通延誤預測的BP神經網絡結構如圖1所示.

圖1 三層BP神經網絡結構示意圖

1.2 基于BP神經網絡的交通延誤預測方法

在用BP神經網絡模型預測交叉口交通延誤時，首先要以交通調查數據處理后所得的延誤數據為樣本訓練該BP網絡.該神經網絡的訓練主要的步驟及其具體算法的計算公式，參考文獻［6］.

經過訓練的神經網絡能夠有效地提取蘊藏在所調查的信號交叉口進口車道交通延誤樣本中的非線性映射關系，并以權值、閾值的分布形式儲存起來.當用歷史的交通延誤預測數據完成對神經網絡的訓練之后，該網絡模型的精度即已經達到預設的精度要求.

在運行階段，當向神經網絡輸入非樣本時，它便能完成從輸入n維空間到輸出q維空間的任意非線性映射［12］，在這里完成的是從輸入已知的4維交通延誤歷史數據空間到輸出1維交通延誤預測數據空間的非線性映射.因此，神經網絡能夠通過學習逼近所期望的非線性映射，從而較為準確的描述不方便用數學關系來描述的信號交叉口交通延誤規律，完成對未來短時交叉口進口車道交通延誤預測.綜上即為用神經網絡進行交通延誤預測的基本原理.

2 應用實例

2.1 基于點樣本法獲取交通延誤數據及預處理

影響行車延誤的有關因素主要有:駕駛員本身的特點、車輛的性能、道路的性質、轉向車的比例、交通負荷、服務水平、交通信號控制、環境等.城市道路交叉口空間資源的分時利用，使得作為城市道路節點的城市交叉口，一直是城市道路交通系統的咽喉，大約有80%的交通延誤發生在交叉口.信號交叉口延誤的調查本文采用點樣本方法，所調查的交叉口為定時信號控制，選定的取樣時間保證了不能被周期長度所整除.采用點樣本方法獲得的數據是車輛在交叉口引導上的排隊時間.點樣本法將根據以下的公式得出相應的有關延誤的數據:

(1)調查期內總延誤為

式中，D為調查期內總延誤;N為總停車車輛數;t為時間間隔.

(2)停車車輛的平均延誤為

(3)引道車輛的平均延誤為

(4)停車車輛百分比為

式中，p為引道上停車車輛的百分比;nsp為停車車輛數.

(5)停車百分比的容許誤差為

式中，K為置信度;Nmin為進行延誤調查的最小樣本容量.

點樣本法的優點是該法為自動調整，個別樣本的錯誤或遺漏對總的結果幾乎沒有什么影響，因為每一個樣本相對于前面的樣本都是獨立的.調查定周期性信號交叉口的交通延誤，還要注意選擇的時間間隔不能被信號周期所整除.但需要注意的是:點樣本法得到的是引道平均延誤時間;當停駛車輛百分數很高時，點樣本法很難使用.

2.2 信號交叉口進口道交通延誤實例調查和數據處理

本文采用了河北工程大學土木工程學院交通工程專業2008級的邢桂先等在2011年4月11日～4月15日，18日～23日每天的14:30～15:30，天氣均晴好，對河北省邯鄲市邯山區中華南大街與渚河路十字交叉口北路口的全部的機動車進口車道采(包括5條進口車道:3條直行車道，1條左轉專用車道并設有左轉待轉區，1條右轉車道)用點樣本方法進行交通延誤調查所得的數據.

該交叉口的中華南大街(南北向)為主干路，渚河路(東西向)為次干路，東西向信號周期較長，其紅燈時長46 s，綠燈時長43 s，黃燈時長3 s.

記錄一個調查時段(本次調查中取為1.0 h)內確定的時間間隔(該調查取為15 s)的車輛數，并分別記錄交叉口引道上的停車車輛數和不停車駛過交叉口的車輛數.交叉口延誤時間抽樣結果記錄，如表1所示，該結果記錄表是以5 min種作為一個統計小結時段，表中列出其中一個統計時段的交通延誤點樣本隨機抽樣結果.

表1 點樣本調查法延誤時間抽樣結果記錄表

由以上這組數據就可以根據前述相關公式得到交通延誤的有關數據:在14:31～14:35這個統計時段內，交通總延誤D=(7+15+5+13)*15=40*15=600(輛·s)，停車車輛的平均延誤D=600/24=25(s)，停車車輛百分比 P=24/58*100%=35%.

表2 交叉口延誤時間抽樣結果記錄表

對現有的數據每5 min做一次延誤統計計算，經過如上的方法處理后，所有的12組延誤時間(交通總延誤單位:輛·s)數據如表2所示.

按照這種形式，對一天的所有數據進行處理得到了12個數據，其中第1～5和第6個數據構成一組輸入和輸出數據，其中第7～11和第12個數據構成另一組輸入和輸出數據.同樣的方法處理10天的調查數據，處理后能夠得到24組數據.用這24組樣本數據，借助matlab軟件對所建立的BP神經網絡進行訓練與檢測，其中20組用來訓練，最后4組的輸入數據用訓練好的BP神經網絡進行預測，然后與實際的調查值相對比，進行誤差分析.

2.3 交通延誤預測的BP神經網路的訓練和測試

利用這120組數據對所建立的神經網絡進行訓練，并進行預測.BP神經網絡隱含層神經元的個數，至今還沒有一個確定的計算方法，本文應用經驗公式進行估計得出神經元個數的范圍，然后經過反復的訓練測試，最終確定該網絡隱含層的神經元個數為12.訓練要求的精度設置為0.001，最大訓練次數設為10 000，學習率設為0.01.

圖2 matlab對該神經網絡的訓練誤差變化曲線

應用matlab訓練過程如圖2所示，該神經網絡在短時間內僅僅訓練6614次后就達到非常高的精度，達到0.001，這充分體現了BP神經網絡的學習的可靠性.最后選取了最后四組歷史數據，輸入上述訓練好的網絡用于對訓練好的神經網絡的可靠性的檢驗，輸入該訓練好的BP神經網絡進行預測，測試樣本的交通總延誤的預測值與期望輸出值之間的四組誤差分別是 -23.860 3，10.050 3，-30.8879，51.518 7(單位均為 輛·s)，相對誤差分別是3.18%、1.22%、3.95%、6.32%，誤差均保持在7%以內，預測精度在可以接受的范圍內.所以可以得出結論:在一定的誤差范圍內，BP神經網絡在預測信號交叉口進口車道短時交通延誤方面具有較強的可靠性與良好的適應性.

3 結論

應用BP神經網絡利用信號交叉口的交通延誤數據，進行了交叉口交通延誤預測的探索，取得了較為滿意的效果，驗證了BP神經網絡的有效性.BP神經網絡經過充分而恰當的訓練之后，能夠對將來短時期(如將來5 min)的信號交叉口進口車道的交通延誤進行較為精準的預測，這個結果有著比較重要的現實意義，將該預測信息與交通流的其他特性相結合，進行綜合分析、評價和預測城市交通的咽喉——城市道路交叉口的將來交通狀況，這對于交叉信號配時的優化，交通管理水平的提高，準確交通信息的及時發布等方面有著重要的實踐意義，有利于提高交叉口通行效率，提高整個路網運行質量，有助于降低燃油消耗，減少環境污染.進一步的研究工作可以從以下幾個方面入手:

(1)本文所用的數據是在交通流強度不大，相對比較平穩的情況下調查所得，BP神經網絡以該數據集合為樣本進行學習訓練，這是BP神經網絡在信號交叉口進口道延誤預測方面的初步嘗試，可嘗試在更加復雜的信號交叉口或容易出現交通延誤地段獲取數據，建立相應的神經網絡模型并進行學習訓練，使之對更加復雜的交通流狀態也具有實用性;

(2)由于選取的訓練數據和檢驗數據的樣本空間相對較少，一定程度的偶然性因素不能排除，在實際應用中可以將海量的歷史數據應用于所建立的神經網絡模型的訓練，這樣能更加符合實際情況，實際應用效果會更佳.另外，本文用于建立和訓練模型的數據在采集過程中可能由于各種原因造成個別數據出現錯誤，在應用的時候并沒有進行數據清洗工作，可考慮減少冗余錯誤信息對網絡學習訓練的干擾，優化所建立的神經網絡.

［1］姜桂艷，常安德，牛世峰，等.基于BP神經網絡的交通數據序列動態可預測性分析方法［J］.北京工業大學學報，2011，37(7):1019-1026.

［2］巫威眺，靳文舟，林培群，等.基于BP神經網絡的道路交通狀態判別方法研究［J］.交通信息與安全，2011，29(4):71-74，79.

［3］徐樹安.人工神經網絡交通流預測算法研究—結合粒子群、小波和混沌的方法［D］.柳州:廣西工學院，2010.

［4］吳明暉，黃輝先，付壽昌，等.平面交叉路口信號優化控制模型［J］.兵工自動化，2005，24(4):74-75.

［5］馮樹民，慈玉生.居民出行產生量BP神經網絡預測方法［J］.哈爾濱工業大學學報，2010，42(10):1624-1624

［6］徐今強，張裕清.基于BP神經網絡的城市交通流預測研究［J］.現代電子技術，2006，29(23):104-106.

［7］XIE YISHENG，SHEN GUOJIANG，CHEN XIANG.Fuzzy neural network control technique and its application in a complex intersection［J］.Energy Procedia，2012(16):1408-1415.

［8］ZHANGXIAOLI，HEGUOGUANG.Forecasting approach for short-term traffic flow based on principal component analysis and combined neural network［J］.Systems Engineering-Theory＆ Practice，2007，27(8):167-171.

［9］FAN XIAOPING，LIU YAOWU.Alterable-Phase Fuzzy Control Based on Neutral Network［J］.Journal of Transportation System Engineering and information Technology，2008，8(1)，80-85.

［10］金勇，姚榮涵.單點交叉口固定信號配時優化模型［J］.大連交通大學學報，2011，32(6):30-35.

［11］劉智勇.智能交通控制理論及其應用［M］.北京:科學出版社，2003:55-81.

［12］藺荻.基于移動通信增值業務平臺的智能交通系統研究［D］.北京:北京郵電大學，2008.