基于模糊神經(jīng)網(wǎng)絡的短時交通流預測方法研究

程山英

(江西科技師范大學 數(shù)學與計算機科學學院，南昌 330038)

基于模糊神經(jīng)網(wǎng)絡的短時交通流預測方法研究

程山英

(江西科技師范大學 數(shù)學與計算機科學學院，南昌 330038)

為滿足交通控制和誘導系統(tǒng)的實時性需求，減少交通擁擠狀況，降低交通事故突發(fā)頻率，需要對短時交通流進行預測;當前的短時交通流預測方法是采用K-近鄰的非參數(shù)回歸對其進行預測，預測過程中沒有將預測模型中關(guān)鍵因素對交通流的影響進行詳細的說明，導致預測結(jié)果不準確，存在短時交通流預測誤差較大的問題;為此，提出一種基于模糊神經(jīng)網(wǎng)絡的短時交通流預測方法;該方法首先以歷史短時交通流數(shù)據(jù)樣本序列為基礎(chǔ)，將提取的關(guān)聯(lián)維數(shù)作為短時交通流的混沌特征量，然后以該特征量為依據(jù)，對短時交通流數(shù)據(jù)進行聚類，使相同的短時交通流聚合類樣本比不同的交通流聚合類樣本更為貼近，采用高斯過程回歸對短時交通流預測模型進行建設，建設過程中利用差分方法對短時交通流預測序列進行平穩(wěn)化操作之后，對短時交通流預測模型進行訓練，將GPR模型引入至短時交通流預測過程中，得到交通流預測方差估計值，并確定交通流預測值置信區(qū)間，由此實現(xiàn)短時交通流的預測;由此實現(xiàn)短時交通流的預測;實驗結(jié)果證明，所提方法可以準確地預測交通運輸系統(tǒng)的實時狀況，為車輛行駛的最佳路線進行了有效引導，減少了自然影響方面和人為因素對短時交通流預測結(jié)果的干擾，為交通部門對交通路況的控制管理提供了依據(jù)。

模糊神經(jīng)網(wǎng)絡；短時交通流；預測方法

0 引言

如今，私家車越來越多，導致交通堵塞，以及交通事故突發(fā)的狀況時有發(fā)生。而短時交通流預測不僅可以減少道路上突發(fā)狀況的發(fā)生頻率，而且還可以為出行者的路徑選擇和出行時間提供參考。是交通管理方面十分重要的組成部分[1-2]。也正是因為短時交通流預測的深遠影響，使其成為了人們關(guān)注的熱點問題[3]。但是由于短時交通流預測具有不確定性、靈活性、不穩(wěn)定性等特點，導致大多數(shù)的預測方法無法對短時交通流進行高效、準確、穩(wěn)定地預測，經(jīng)常出現(xiàn)預測效果不理想，預測結(jié)果與實際路況偏差大等問題[4]。在這種情況下，如何增強短時交通流預測的穩(wěn)定性，減少預測所用時間，提高預測的效率和準確性成為亟待解決的問題[5]。而基于模糊神經(jīng)網(wǎng)絡的短時交通流預測方法，可以對短時交通流進行安全、可靠有效地預測，是解決上述問題的可行途徑[6]。鑒于短時交通流預測對人們?nèi)粘Ｉ罹哂泻艽蟮囊饬x，所以引起了廣大研究學者的高度重視，同時也出現(xiàn)很多優(yōu)秀的預測方法[7]。

文獻[8]提出了一種基于K近鄰非參數(shù)回歸的短時交通流預測方法。該方法首先對交通流的空間特征進行提取，利用特征提取結(jié)果對道路網(wǎng)進行劃分，然后以劃分結(jié)果為基礎(chǔ)，采用Elman神經(jīng)網(wǎng)絡對道路網(wǎng)中的多斷面短時交通流同時進行預測，最后以多斷面短時交通流數(shù)據(jù)量為依據(jù)，對該方法進行驗證。該方法預測效率較高，但是存在過程繁瑣的問題。文獻[9]提出了一種基于SVM的短時交通流預測方法。該方法首先利用SVM的獨立成分，分析獲得同一道路上各觀測點交通流量獨立源信號，然后采用支持向量機預測模型，對獨立源信號進行預測與建模，最后依據(jù)遺傳算法的優(yōu)化參數(shù)將上述模型轉(zhuǎn)化為短時交通流量數(shù)據(jù)，并獲得預測結(jié)果。該方法雖然較為簡單，但是存在預測結(jié)果偏差大的問題。文獻[10]提出了一種基于ICA的短時交通流預測方法，該方法首先分析短時交通流的特性，從原理上描述非參數(shù)回歸方法對短時交通流預測的適用性，然后依據(jù)應用非參數(shù)回歸，對短時交通流預測的關(guān)鍵影響因素進行討論，最后以討論結(jié)果為依據(jù)，完成對短時交通流的預測。該方法雖然用時較短，但是存在預測效率低的問題。

針對上述產(chǎn)生的問題，提出一種基于模糊神經(jīng)網(wǎng)絡的短時交通流預測方法。仿真實驗證明，所提方法可以對短時交通流進行準確有效地預測。

1 基于模糊神經(jīng)網(wǎng)絡的短時交通流預測方法

1.1 短時交通流混沌關(guān)聯(lián)維特征提取與交通流數(shù)據(jù)聚類

為了提高短時交通流預測效率，以歷史短時交通流數(shù)據(jù)樣本序列為基礎(chǔ)，將提取的關(guān)聯(lián)維數(shù)作為短時交通流的混沌特征量，然后以該特征量為依據(jù)，對短時交通流數(shù)據(jù)進行聚類。交通流中的混沌特征一般表現(xiàn)為無明顯規(guī)則與次序、非同期性復雜的折疊與扭曲，所以必須利用關(guān)聯(lián)維數(shù)對交通流的混沌特征進行描述。

假設，將關(guān)聯(lián)維數(shù)當作短時交通流聚類的混沌特征量，以短時交通流特征相空間的重構(gòu)為依據(jù)，將相空間的一維時間序列在多維相空間中可以進行擴展。由此提取短時交通流混沌關(guān)聯(lián)維特征。本文對短時交通流特征相空間的重構(gòu)不做研究。利用對交通流特征相空間重構(gòu)的分析，可以得到相空間的重構(gòu)時間序列為：

Xi=(xi,xi+τ,…,xi+(m-1)τ)T

(1)

其中:Xi代表短時交通流特征相空間重構(gòu)時間序列，i代表短時交通流特征數(shù)量，xi代表短時交通流特征相空間重構(gòu)時間序列中的子集，τ代表影響上述相空間重構(gòu)的參數(shù)，m代表相空間維數(shù)，T代表相空間重構(gòu)的控制閾值。利用上述相空間重構(gòu)中的m維相空間，相點xj除了到xi本身的距離可以遠于r，否則不得遠于r，則相點數(shù)目Q可表示為：

(2)

(3)

其中:N代表相空間重構(gòu)中的向量數(shù)目，2代表為了排除重復的計數(shù)，CN(r)代表關(guān)聯(lián)函數(shù)。利用范數(shù)對兩個相點間的距離進行描述，由此可以獲得兩個相點間的距離，也可以稱為兩個矢量間最大的分差量：

(4)

N=m-(m-1)τ

(5)

對相點中存在的關(guān)聯(lián)相點對數(shù)占全部可能的N(N-1)/2種配對比例進行計算，并將其稱為關(guān)聯(lián)維數(shù)，則有公式如下：

(6)

其中:Cm(r)代表上述中的關(guān)聯(lián)維數(shù)，通過上述得到的關(guān)聯(lián)維數(shù)，就是短時交通流聚類的混沌特征量，通過此關(guān)聯(lián)維數(shù)完成短時交通流的聚類。短時交通流的聚類就是將短時交通流數(shù)據(jù)劃分為幾個類，使相同的短時交通流數(shù)據(jù)聚合類樣本，比不同的短時交通流數(shù)據(jù)聚合類樣本更為貼近。以上述的短時交通流混沌關(guān)聯(lián)維特征為基礎(chǔ)，對短時交通流數(shù)據(jù)進行聚類，具體過程如下。

假設，輸入n個交通流數(shù)據(jù)樣本{x1,x2,…,xn}，利用短時交通流混沌關(guān)聯(lián)維特征，在上述樣本中選取出U個短時交通流數(shù)據(jù)聚類中心，通過{z1,z2,…,zn}對其進行描述。

假設，將n個短時交通流數(shù)據(jù)樣本通過下列原則，按順序進行劃分到距離最近的類別ωj中，則有公式為：

(7)

(8)

(9)

(10)

其中:zIJ代表短時交通流數(shù)據(jù)ωI、ωJ的合并中心，NI和NJ分別代表數(shù)據(jù)聚類的控制閾值，zI和zJ分別代表新的聚類中心。假設l>d2，則結(jié)束迭代。將有相同混沌關(guān)聯(lián)特征的短時交通流數(shù)據(jù)依據(jù)上述過程合并成一類，由此實現(xiàn)短時交通流數(shù)據(jù)的聚類。

1.2 短時交通流預測

以1.1各項數(shù)據(jù)為基礎(chǔ)，利用高斯過程回歸對短時交通流進行預測。預測過程中，利用差分方法對短時交通流預測序列進行平穩(wěn)化操作之后，對短時交通流預測模型進行訓練，將GPR模型引入至短時交通流預測過程中，得到交通流預測方差估計值，并確定交通流預測值置信區(qū)間，從而完成對短時交通流的預測。則短時交通流的預測問題可表示為：

Yi+1=f(Xi)+ε

(11)

其中:Yi+1代表i+1時刻的短時交通流預測值，f(Xi)代表與第i+1時刻短時交通流的相關(guān)預測因子，f代表短時交通流的預測模型，ε代表未知短時交通流統(tǒng)計特性預測的噪聲。

因為實際短時交通流預測序列，具有非平穩(wěn)性，綜上可知短時交通流的預測模型，有隱含零均值的假設，容易對短時交通流預測產(chǎn)生誤差，所以需要采用差分法對交通流預測序列，進行穩(wěn)定化處理之后再完成短時交通流預測模型的訓練與預測，假設短時交通流預測序列為{Ai:i=1,…,n}，那么差分之后的預測序列為{▽BxO=xO-xO-B:O=B+1,B+2…}，式中,B代表差分間隔，O代表當前預測值，▽BxO代表第B+1時刻的短時交通流預測因子，為了將原有的短時交通流預測序列實現(xiàn)平穩(wěn)化，必須先確定差分間隔B，依據(jù)時間序列的分析理論，可利用樣本自相關(guān)函數(shù)對選取的短時交通流數(shù)據(jù)進行詳細分析，將短時交通流數(shù)據(jù)樣本的自相關(guān)函數(shù)估計值的相關(guān)周期，作為差分間隔B的估計值，則樣本的自相關(guān)函數(shù)估計值可表示為：

(12)

YO+1=xO-B+1+▽BxO+1=xO-B+1+h(▽BxO)

(13)

其中:YO+1代表第O+1時刻的短時交通流預測值，xO-B+1代表原短時交通流序列中第O-B+1時刻的預測值，h(▽BxO)代表短時交通流均值預測函數(shù)。綜上所述，短時交通流預測方法如下：

1)對原有的短時交通流預測序列{Ai:i=1,…,n}，利用樣本自相關(guān)函數(shù)得到樣本ACF的估計值，并依據(jù)樣本ACF估計的差分間隔B，轉(zhuǎn)2)。

2)以原有的短時交通流預測序列為基礎(chǔ)，得到差分序列{▽BxO=xO-xO-B:O=B,B+1,…}，對其進行歸一化處理，并對公式(14)給出的數(shù)據(jù)集進行訓練。

(14)

3)假設，短時交通流預測超參數(shù)初始值為θ0，在訓練短時交通流數(shù)據(jù)集D時，計算出最佳超參數(shù)θ*。

4)進入短時交通流預測，依據(jù)對數(shù)據(jù)集的測試，獲得短時交通流預測因子Bxm*=xm-xm-B，并將預測因子帶入短時交通流預測模型中，得到預測值為ym + 1*=xm-B + 1+h*(Bxm*)，式中，h*(Bxm*)代表最佳超參數(shù)的表達式，綜上所述，同樣可對該次的短時交通流預測方差估計值進行計算。

5)對短時交通流預測誤差進行計算，如果需要再次預測，則返回4)。

6)對累計的短時交通流預測誤差進行計算，并對預測結(jié)果進行分析與評價，由此完成了對短時交通流的預測。

2 仿真實驗結(jié)果與分析

為證明基于模糊神經(jīng)網(wǎng)絡的短時交通流預測方法的可行性，需要進行一次仿真實驗。在Matlab的環(huán)境下搭建短時交通流預測實驗仿真平臺。實驗數(shù)據(jù)取自于北京三環(huán)道路的全天交通流量，利用本文所提方法對實驗數(shù)據(jù)進行預測，觀察本文所提方法的整體有效性和可靠性。表1是不同方法下全天短時交通流預測的相對誤差率(%)對比。相對誤差率公式為：

(15)

表1 不同方法下全天短時交通流預測相對誤差率對比

分析表1可知，文獻[9]所提方法的全天短時交通流預測相對誤差率，要高于本文所提方法的相對誤差率，由于文獻[9]所提方法在進行短時交通流預測時，利用SVM的獨立成分，分析的是同一道路上各觀測點交通流量獨立源信號，并沒有根據(jù)不同路徑的具體情況進行分析，導致在進行短時交通流預測時，相對誤差率較大，而本文所提方法在進行短時交通流預測時對各種短時交通流數(shù)據(jù)進行聚類，針對不同交通流數(shù)據(jù)類進行預測，所以相對誤差率較小，證明本文所提方法在進行短時交通流預測時具有穩(wěn)定性。表2是不同方法下，高峰時段的短時交通流預測相對誤差率(%)對比。

表2 不同方法下高峰時段交通流預測相對誤差率對比

通過表2可以看出，在高峰時段，文獻[10]所提方法下的短時交通流預測相對誤差率較高。由于上下班屬于路況的高峰期，所以短時交通流的預測相對誤差率會比較大。文獻[10]所提方法依據(jù)非參數(shù)回歸，對短時交通流預測的關(guān)鍵影響因素進行討論，以討論結(jié)果為依據(jù)，完成對短時交通流的預測，并沒有進行具體實驗分析，由于討論結(jié)果與實際應用得到的結(jié)果有很大差別，所以使文獻[10]所提方法下的短時交通流預測效果不是很理想，存在預測的相對誤差率較大的問題，依據(jù)表1對本文所提預測方法的分析，說明本文所提方法優(yōu)于文獻所提方法，證明本文所提方法具有可實踐性。圖1是不同方法下短時交通流預測耗時(s)對比。

圖1 不同方法下短時交通流預測耗時對比

由圖1可知，在相同數(shù)量的短時交通流下，本文所提方法在進行短時交通流預測時，耗時較少，文獻[8]、文獻[9]和文獻[10]所提方法預測耗時較多，這主要是因為在利用本文所提方法進行短時交通流預測時，采用高斯過程回歸法，并利用樣本自相關(guān)函數(shù)法對選取的短時交通流數(shù)據(jù)進行詳細分析，此操作減少短時交通流預測所用時間，提高預測效率，進一步證明本文所提方法的可擴展性。圖2是不同方法下短時交通流數(shù)據(jù)聚類時間(s)對比。

圖2 不同方法下短時交通流數(shù)據(jù)聚類時間對比

分析圖2可知，文獻[8]和文獻[10]所提方法的短時交通流數(shù)據(jù)聚類時間，比本文方法的交通流聚類時間要多，文獻[9]所提方法的聚類時間曲線波動雖然不大，但上升趨勢很明顯，與之相比的本文所提方法，在短時交通流數(shù)據(jù)為200萬之前，聚類時間曲線略有上升趨勢，但在200萬之后得到了緩沖，聚類時間又有所減少，說明本文所提方法的數(shù)據(jù)聚類速度很快，為交通流的預測節(jié)省時間。圖3是不同方法下短時交通流預測準確率(%)的對比。

通過圖3可知，文獻[8]所提方法在短時交通流預測準確率方面優(yōu)于文獻[9]和文獻[10]所提方法，但是與本文所提方法做對比，預測準確率有一定的差距。本文所提方法相應的預測準確率較高，是因為利用對短時交通流的特征提取、交通流數(shù)據(jù)聚類等過程完成短時交通流預測。預測準確率變化曲線說明本文所提方法的適用性和實用性都很強，可以廣泛地應用于短時交通流預測中。

圖3 不同方法下短時交通流預測準確率對比

仿真實驗證明，本文所提方法可以準確地對短時交通流進行預測，具有較好的穩(wěn)定性和靈活性。

3 結(jié)束語

采用當前方法對短時交通流進行預測時，無法安全準確地對其進行預測，存在短時交通流預測偏差大的問題。提出一種基于模糊神經(jīng)網(wǎng)絡的短時交通流預測方法。并通過仿真實驗證明，所提方法可以準確地對短時交通流進行預測，為該領(lǐng)域的鉆研提供支撐和依據(jù)。

[1] 周 桐,楊智勇,孫棣華,等.分車型的高速公路短時交通流量預測方法研究[J].計算機應用研究,2015,32(7):1996-1999.

[2] 梁 軻,譚建軍,李英遠.一種基于MapReduce的短時交通流預測方法[J].計算機工程,2015,41(1):174-179.

[3] 康 軍,段宗濤,唐 蕾,等.高斯過程回歸短時交通流預測方法[J].交通運輸系統(tǒng)工程與信息,2015,15(4):51-56.

[4] 張洪賓,孫小端,賀玉龍.短時交通流復雜動力學特性分析及預測[J].物理學報,2014,63(4):51-58.

[5] 楊春霞,符義琴,鮑鐵男,等.基于相似性的短時交通流預測[J].公路交通科技,2015,32(10):124-128.

[6] 譚國平,劉如通,譚林風.基于車輛合作的擁塞檢測機制研究[J].電子設計工程,2016,24(21):118-121.

[7] 袁 磊,梁丁文,蔡之華,等.基于正交差分演化無跡卡爾曼濾波的短時交通流量預測方法[J].計算機應用,2015,35(11):3151-3156.

[8] 黃 杰,李 軍,郭 翔.遞推SOM神經(jīng)網(wǎng)絡在短時交通流預測中的應用[J].公路,2015,36(4):1-5.

[9] 徐健鋒,湯 濤,嚴軍峰,等.基于多機器學習競爭策略的短時交通流預測[J].交通運輸系統(tǒng)工程與信息,2016,16(4):185-190.

[10] 羅向龍,焦琴琴,牛力瑤,等.基于深度學習的短時交通流預測[J].計算機應用研究,2017,34(1):91-93.

Short-term Traffic Flow Prediction Method Based on Fuzzy Neural Network Research

Cheng Shanying

(College of Math and Computer of the Jiangxi Science & Technology Normal University, Nanchang 330038,China)

In order to satisfy the real time demand of traffic control and guidance system, reduce the occurrence of traffic congestion, reduce the frequency of traffic accident emergency, need to forecast the short-term traffic flow. Current short-term traffic flow prediction method is using K - nearest nonparametric regression to forecast and predict the process of no will be key factors in the prediction model of traffic flow in detail, the influence of lead to inaccurate prediction results, the problems of short-term traffic flow prediction error is bigger. For this, put forward a kind of short-term traffic flow prediction method based on fuzzy neural network. This method firstly on the basis of the history of short-term traffic flow data sample series, the extracted correlation dimension as a short-term traffic flow of the chaos characteristics, and then based on the characteristics, the clustering of the short-term traffic flow data and make the same short-term traffic flow aggregation class samples than the aggregation of different traffic flow class samples more press close to, by using the Gaussian process regression of short-term traffic flow forecasting model, using the finite difference method in the process of construction of short-term traffic flow forecasting sequences with smooth operation, after training for short-term traffic flow prediction model, introducing the Gaussian model to short-term traffic flow prediction in the process, get the traffic flow forecasting variance, and traffic flow prediction confidence interval were determined, thus realizing short-term traffic flow prediction. The realization of short-term traffic flow prediction. The experimental results show that the proposed method can accurately predict the transportation system of the real-time condition, the best way for vehicle is the effective guidance, reduces the impact on natural and human factors interference, the result of the short-term traffic flow prediction for the traffic department to provide a basis for the control of road traffic management.

fuzzy neural network; short-term traffic flow; prediction method

2017-04-21；

2017-05-09。

江西省科技計劃指導性項目(2015ZBAB201007)；江西科技師范大學校級科研重點項目(2016XJZD006)； 江西省高校人文社會科學研究項目(TQ1505)。

程山英(1979-)，女，江西南昌人，碩士，講師，主要從事智能交通方向的研究。

1671-4598(2017)08-0155-04

10.16526/j.cnki.11-4762/tp.2017.08.040

U491

A