基于BP神經網絡技術的車輛通行時間預測研究*

蔣渭忠，朱金榮，邱 祥

(1.常州工學院 電氣與光電工程學院，江蘇 常州 213002；2.揚州大學 物理科學與技術學院，江蘇 揚州 225002)

?

基于BP神經網絡技術的車輛通行時間預測研究*

蔣渭忠1，朱金榮2，邱 祥2

(1.常州工學院 電氣與光電工程學院，江蘇 常州 213002；2.揚州大學 物理科學與技術學院，江蘇 揚州 225002)

為進一步提高交通調度效率，解決日益嚴重的交通擁堵現狀，提出基于BP神經網絡模型預測車輛通行時間的方案。根據交叉路口特征，建立了三層BP (Back Propagation)神經網絡模型，并確定模型的輸入層和輸出層神經元數目均為4個。采用MATLAB軟件對采集的車輛通行數據進行仿真分析，最終確定隱含層神經元數目為9個。利用預測樣本對BP神經網絡模型進行了可行性驗證。結果表明，BP神經網絡模型能夠用于預測排隊車輛通行時間，誤差在10%以內，可以作為交通控制器配時方案的依據，提高車輛通行效率。

BP神經網絡；仿真；車輛通行時間；

0 引言

社會經濟的發展促進人們生活水平全面提高，為了出行方便，越來越多的人選擇購買私家車。城市人均汽車擁有量逐年攀升，由此導致交通擁堵問題日益嚴重。解決交通擁堵問題有兩個方面，一方面增加基礎設施建設，擴寬道路，但這種方式成本較大，不易實施；另一方面則是提高交通流調度效率，采用更加智能的交通信號控制系統。通過調研發現，現在大部分城市的交通燈控制系統采用的是固定時間的控制策略，難以對變化的交通流進行動態控制，因此研究基于車流量智能預測車輛通行時間對交通控制器配時方案具有重要意義[1-2]。神經網絡具有很好的非線性逼近效果，本文提出采用BP神經網絡控制算法預測車輛通行時間的方案。

1 神經網絡預測模型建立

1.1 BP神經網絡

20世紀80年代，RUMELHART D等人在總結前人研究成果的基礎上，給出BP神經網絡控制算法的清楚表述，解決了多層神經網絡的學習問題。誤差反向傳播(Back Propagation, BP)神經網絡是一種多層前向型神經網絡[3]，目前大多數的應用中使用的都是BP神經網絡及其變化形式。BP神經網絡由輸入層、隱含層、輸出層組成。隱含層的數量可以為一層，也可以為多層。

1.2 神經網絡預測模型建立

圖1 交叉路口BP神經網絡模型

2 仿真及結果分析

2.1 仿真確定隱含層神經元數

通過對揚州市大學北路與文昌中路交叉口的車流量進行實地統計，得出表1所示的路口停車等待的車輛數與通行時間統計表。

表1 路口車輛數量與通行時間統計表

對于表1中的數據，選擇使用前8組數據作為訓練樣本，后2組數據作為測試樣本。通過修改隱含層神經元的個數，運用trainlm函數對神經網絡進行訓練[7]，最終得出表2所示的隱含層神經元數量與訓練誤差的對應表。從表中可以看出，隨著隱含層神經元數量的不斷增加，訓練誤差逐漸減小后又增大。當隱含層神經元數量為9時，訓練誤差最小，同時訓練次數也最少。綜合比較分析后，確定隱含層神經元數量為9個。

表2 隱含層神經元數量與訓練誤差對應表

2.2 神經網絡模型合理性驗證

通過改變隱含層神經元的數量，觀察訓練誤差的變化，最終確定了交叉路口神經網絡模型的完整結構：4個輸入層神經元、9個隱含層神經元和4個輸出層神經元。為了驗證神經網絡的學習性能，使用函數Y=sim(net,P)根據輸入樣本預測出各方向車輛通行時間。為了更直觀地觀察神經網絡的學習性能，圖2繪出了北向樣本通行時間與預測通行時間的對比圖。由圖中曲線可以看出，預測通行時間與樣本通行時間基本吻合，驗證了BP神經網絡模型能夠根據停車等待的車輛數量預測車輛通行時間。

圖2 北向樣本通行時間與預測通行時間對比

2.3 結果分析

為了進一步驗證訓練后的神經網絡模型的預測性能，論文使用訓練好的神經網絡模型對未進行訓練的第⑨、⑩兩組樣本進行預測，得出表3所示的數據。

通過表3數據分析得出，預測車輛通行時間與實際觀測車輛通行時間兩者之間存在一定的誤差，但誤差都在10%以內，可以作為交通燈控制器配時的依據，提高車流量的調度效率。分析可知，兩者存在誤差的主要原因為車輛的行駛具有很大的隨機性，每個駕駛人員的駕駛技術也影響著車輛的通行時間。

表3 樣本數據預測及對比表

3 結論

針對車流量變化不規律、隨機性大的特點，提出基于BP神經網絡控制算法的車輛通行時間預測模型。根據交叉路口特征建立了4個輸入層神經元、9個隱含層神經元、4個輸出層神經元的BP神經網絡模型。采用MATLAB仿真平臺對交叉路口的交通數據進行了學習訓練，并對學習的相關性進行了檢測。仿真結果表明，BP神經網絡模型能夠根據排隊車輛數預測車輛通行時間。

[1] 呂蘭濤,李全,劉志勇.人工神經網絡在智能交通控制系統中的應用[J].交通科技,2002(6):73-76.

[2] 蔣紫峰,荊便順.人工神經網絡在交通領域中的應用[J].公路交通科技,1997,14(4):18-23.

[3] HOPFIELD JJ.Neural network and physical systems with emergent collective computional abilities[C].Proceedings of the National Academy of Sciences of USA,1982:2554-2558.

[4] 曹虹.基于BP神經網絡的交通流量預測[D].西安：長安大學,2012.

[5] 李建偉,程曉卿,秦勇,等.基于BP神經網絡的城市軌道交通車輛可靠性預測[J].中南大學學報(自然科學版),2013,44(1):42-46.

[6] 徐黎明,王清,陳劍平,等.基于BP神經網絡的泥石流平均流速預測[J].吉林大學學報(地球科版),2013,43(1):186-191.

[7] CHANG T C. Risk degree of debris flow applying neural networks[J].Natural Hazards,2007,42(1):209-224.

Travel time prediction based on BP neural network

Jiang Weizhong1, Zhu Jinrong2, Qiu Xiang2

(1.School of Electrical and Photoelectronic Engineering, Changzhou Institute of Technology, Changzhou 213002, China;2.School of Physical Science & Technology, Yangzhou University, Yangzhou 225002, China)

In order to further improve the efficiency of traffic control and solve the growing traffic congestion, a new prediction model is proposed based on BP (Back Propagation) neural network. According to the characteristics of the intersection, BP neural network model is established. The number of input layer and output layer neuron model are four. MATLAB software simulates the data collected from vehicle traffic and ultimately chooses nine as the number of hidden layer neurons. Using prediction samples, the feasibility of the model is verified. The results showed that BP neural network can be used to predict traffic queuing time,the error is less than 10%. So it can be used as a reference for traffic controller.

BP neural network;simulate;vehicle travel time

2013年江蘇省科技廳產學研前瞻性聯合研究項目(BY2013063-4)

TP212

A

10.19358/j.issn.1674- 7720.2016.20.006

蔣渭忠，朱金榮，邱祥. 基于BP神經網絡技術的車輛通行時間預測研究[J].微型機與應用，2016,35(20)：25-26,30.

2016-05-24)

蔣渭忠(1968-)，男，博士，副教授，主要研究方向：光電技術、自動控制。

朱金榮(1968-)，通信作者，男，碩士，副教授，主要研究方向：光電技術、自動控制。E-mail：351267595@qq.com。

邱祥(1989-)，男，碩士，碩士研究生，主要研究方向：嵌入式系統、自動控制。