銀川市城市道路交通流量短時預測研究

張文斌

(蘭州交通大學交通運輸學院,甘肅蘭州 730070)

銀川市城市道路交通流量短時預測研究

張文斌

(蘭州交通大學交通運輸學院,甘肅蘭州 730070)

城市道路交通流量短時預測是智能交通系統(ITS)的重要組成部分。本文結合銀川城市道路交通量分布的空間和時間相關性,利用BP神經網絡、RBF神經網絡和GRNN神經網絡建立3種道路交通量短時預測模型,利用銀川市區道路交叉口實際觀測數據,應用MATLAB對交叉口進口道交通量進行短時預測,并將預測結果與實際數據進行對比分析,指出每種預測模型的優點和不足。

交通流量短時預測 BP神經網絡 RBF神經網絡 GRNN神經網絡

1　引言

隨著人民生活水平及城市現代化建設水平的不斷提高，社會對城市道路交通運輸的需求日益增加，智能交通系統(ITS)作為一種有效的需求解決方案，逐漸成為交通運輸系統研究焦點。交通控制和交通誘導是智能交通系統研究的重要領域，實現交通控制和誘導的關鍵問題之一是實時準確的短時交通量預測。神經網絡模型在交通量預測領域是一種很有潛力的預測模型，利用神經網絡對短時交通量進行預測往往可以取得比較理想的效果，可為智能交通系統中交通控制和交通誘導的相關研究提供較為準確的預測數據。

2　道路交通流量短時預測原理

短時交通量預測與交通流量所具有的時間、空間特性相關。時間方面指路段i在過去若干時間間隔內的交通量歷史數據;空間方面指與路段i相鄰的上下游路段中對其交通量有顯著影響的路段i+j當前及過去時刻的交通量。據此，對交通量的短時預測是根據已知的路段i及路段i+j在過去m個時刻交通量實際值求出路段i及路段i+j在未來n個時段內的交通量估計值。

3　基于神經網絡的交通流量短時預測

BP神經網絡模型是一種按誤差逆向傳播算法訓練的多層前饋網絡，它能學習和存貯輸入-輸出模式映射關系，無需事前揭示描述這種映射關系的數學方程。RBF(徑向基函數)神經網絡模型在隱含層采用徑向基函數作為激勵函數，可以處理系統內的難以解析的規律性，學習收斂速度較快。GRNN(廣義回歸線性網絡)網絡模型的連接權值學習修正采用BP算法，隱含層結點的作用函數采用高斯函數，局部逼近能力強、學習速度快，網絡中人為調節的參數只有光滑因子，網絡學習全部依賴數據樣本，可最大程度避免人為因素對預測結果的影響。

3.1BP神經網絡、RBF神經網絡、GRNN神經網絡模型設計

圖1　研究交叉口位置示意圖

本文建模均運用MATLAB2009a軟件神經網絡工具箱。BP神經網絡選用含輸入層、隱含層和輸出層的三層網絡，隱含層神經元數目由經驗公式配合試算比較確定，隱含層以及輸出層傳遞函數均選用雙極性S型函數;RBF神經網絡利用newff ()函數設計和訓練，用sim()函數進行預測仿真，用mse()函數衡量預測和實測的擬合程度; GRNN神經網絡參數和結構均據學習樣本自適應調整，因此選用newgrnn()函數設計和訓練網絡，且GRNN神經網絡連接權值的學習修正使用BP算法。

3.2交通量數據說明與處理

本文對銀川市區寧安大街-新昌路交叉口A南進口路段在2014年9月24日(周三)14:00至19:00時段的交通量V(t)進行預測。寧安大街-新昌路交叉口A與寧安大街-黃河路交叉口B是兩個相鄰的十字交叉口(路況如圖1所示)。

由于預測路段的交通流量由其上游路段右轉、直行和左轉三個進口的交通量V1(t)、V2(t)和V3(t)決定，所以以2014年9月17日(上周三)和最近兩個工作日9月22日、9月23日這三天在7:00至19:00之間的交通量作為預測的歷史數據，以上周三、本周三及其前兩天7:00至14:00的交通量為訓練數據，以交叉口A的南進口路段當天14:00到19:00的交通量作為預測對比數據。交通流量數據利用檢測器采集，采集時段為早7:00至晚19:00，時間間隔為15分鐘。經分析后發現數據在選用時段內完整且波動范圍合理，不必進行數據修復，預測時對數據進行歸一化處理。

3.3模型的輸入輸出方案設計

輸入變量包括:研究路段9月24日(周三)當前時段t，前兩個時段t-15，t-30;周一、周二和上周三的t、t-15、t-30、t+15;以及上游交叉口周三t時段，周一和周二t+15時段匯入預測進口道的交通量在內的一共24個變量。輸出為預測時段每隔15分鐘的交通量。

圖2　BP神經網絡模型預測結果對比圖

3.4短時交通流量預測模型的評價指標

本論文引入最大絕對相對誤差MMSE、相對平均誤差MRE、均方誤差MSE和預測時間RT四個指標進行模型預測結果的量化評價。

圖3　BP神經網絡模型預測相對誤差

圖4　RBF神經網絡模型預測結果對比圖

圖5　RBF神經網絡模型預測相對誤差

圖6　GRNN神經網絡模型預測結果對比圖

圖7　GRNN神經網絡模型預測相對誤差

表1　不同神經網絡模型預測結果對比

(1)最大絕對相對誤差(MMSE):

(2)相對平均誤差(MRE):

(3)均方誤差(MSE):

4　預測結果分析、對比

4.1預測結果分析

利用MATLAB進行交通量預測后，三種網絡模型得到的預測數據分析圖2-7如下:

4.2預測結果對比

各個模型預測結果量化評價指標成果如表1所示:

通過對研究路段交通流量實測數據進行對比:

(1)預測精確度分析:在本文設計的輸入輸出方案下，BP神經網絡模型取得了比較理想的預測結果，但它存在隱含層節點數目選擇方面的不足以及需進行多次參數調整測試，模型在預測時無法避免人為因素對預測結果的干擾;RBF神經網絡模型結構簡單，避免了反向傳播這樣復雜的計算過程，其預測精度方面也優于BP、GRNN神經網絡模型;GRNN神經網絡模型得到的預測結果在精確度方面表現不如BP神經網絡和RBF神經網絡，但其僅需要對光滑因子這一單一參數進行調節，網絡學習全部依據樣本數據，最大程度避免人為因素對預測結果的影響;綜上，在三種預測模型中，RBF神經網絡模型在達到最好仿真效果時預測精確度最高，且人為因素對預測結果干擾較小。(2)預測時間比較分析:由于BP神經網絡自身的不足使得預測時間最長，其次是RBF神經網絡模型，預測時間相對最短的是GRNN神經網絡模型。

5　結語

本文研究的目的在于得到更準確、更合理的預測模型來對銀川市城市道路短時交通流量進行預測。在利用仿真的方法系統地比較了BP、RBF、GRNN三種神經網絡模型的預測性能后，可以得出以下結論:RBF神經網絡模型相對于BP神經網絡模型和GRNN神經網絡模型來講更適合對銀川市城市道路進行短時交通量預測。

[1]范騰騰.城市道路交通流量短時預測研究[D].北京交通大學大學, 2012.

[2]謝婉澤.城市軌道交通客流短時預測方法與運營編組優化設計[D].大連交通大學,2013.

[3]吳凱.基于神經網絡的短時交通流量預測研究[D].南京郵電大學, 2014.

[4]任千里.智能算法在短時交通流量預測中的應用[J].交通建設與管理,2014.

[5]王曉原.交通流數據清洗與狀態辨識及優化控制關鍵理論方法.北京:科學出版社,2011.

[6]張德豐.MATLAB神經網絡應用設計.北京:機械工業出版社,2012.

Urban road short-term traffic flow prediction is an important part of intelligent transportation system(ITS). This paper we Combining with the temporal-spatial correlation of traffic flow, Using the BP neural network, RBF neural network and GRNN neural network, to establish 3 kinds of shorttime traffic flow forecasting models. Then intersection traffic flow data of Yinchuan are used in the MATLAB to predict the short-term traffic flow of the entrance lanes of the intersection. Finally, the advantages, disadvantages and the suitable condition of each models are put forward by analyses the predictive results and practical data.

short-term traffic flow prediction; BP neural network; RBF neural network; GRNN neural network

張文斌(1987—),男,甘肅武威人,碩士,畢業于蘭州交通大學,在校研究生,研究方向:交通運輸。