基于.NET框架的交通預測監控系統設計

城市汽車保有量的迅猛增加，帶來的交通擁堵問題日益突出。為此需采取有效手段對交通流量進行預測，幫助出行人提高出行效率?；诖嗽O計了一個基于.NET框架的交通預測監控系統，該系統利用超聲波傳感器實時采集路段車速數據，通過串口通信實現交通現場與上位機的數據傳輸，并利用神經網絡模型對交通數據做出預測。實際運行證明該系統可以準確預測交通狀況，幫助行人合理規劃出行路線。

【關鍵詞】交通系統 上位機 神經網絡 串口通信

高德地圖發布的2017年第一季度中國主要城市交通分析報告中稱，同比高德地圖交通大數據去年第一季度檢測的60個城市中，超半數城市的擁堵指數依然很高。嚴重的城市交通擁堵不僅影響了居民的正常出行，而且加劇了環境污染。

為了幫助行人了解出行路段的交通情況，必須對路段交通進行實時分析和預測。系統利用.NET框架平臺設計上位機，實時顯示交通當前運行情況以及預測情況。

1 交通數據采集發送原理

1.1 超聲波檢測原理

系統以STC15F2K60S2單片機為控制核心，主要完成的工作有與超聲波通訊、定時器計時、交通數據的運算、存儲和與上位機進行串口通訊等。交通數據采集部分采用一對40KHz分體式超聲波傳感器T40-16、R40-16作為檢測器。

當單片機產生40KHz的方波脈沖信號后，經超聲波發射端T40-16發射脈沖信號，發射的脈沖信號如果遇到障礙物將會反彈過來，由超聲波接收端R40-16接受脈沖信號。在程序設計中，可以利用單片機中定時器確定發射脈沖和接受脈沖的時間差，從而計算出障礙物與超聲波探頭之間的距離，再利用時差法測速。

為了消除時差測速法導致的測量誤差，系統將5min之內通過路段的平均速度作為一個數據單位，由單片機計算出具體值并及時存儲，發送至上位機。

1.2 數據傳輸原理

串行通信具有遠距離傳輸成本低的優點。STC15F2K60S2單片機內部有兩個可編程全雙工串行通信接口。系統中單片機利用串口1完成數據幀的發送，數據采集端與上位機接收端通過規定好的串口通信協議進行通信，上位機采用自動獲取串口方式，波特率為9600bps，8位數據構成一幀，在差錯檢驗中數據幀采用CRC16循環冗余校驗法，選取的生成多項式為0XA001，前六位為數據位，后兩位為校驗位，確保數據正確傳輸。

2 交通流量預測

2.1 BP神經網絡在交通預測系統中的實現

為了實現交通流量的準確預測，系統采用BP（Back Propagation）神經網絡建立數學模型。為了提高預測精度，系統選用某5天的數據為輸入變量，第6天的數據為輸出變量，第7天的數據用于驗證網絡預測精度。

這樣輸入層神經元個數為5，輸出層神經元個數為1，通常隱含層節點數的選取采用經驗公式得為4～13。隱含層神經元個數的最終確定，可通過MATLAB中神經網絡函數進行仿真確定。

2.2 搭建BP神經網絡數學模型

在BP神經網絡數學模型中輸入神經元Xm通過與權值ωmi的累加乘積完成對隱含層神經元的刺激，由于輸出值不包含負值，隱含層的激活函數可采用Log-Sigmoid函數作為傳遞函數。隱含層Ki通過與權值ωin的累加乘積完成對輸出層的刺激，輸出層神經元的輸出函數Yn通常采用線性函數。

下面利用MATLAB軟件確定其隱含層個數，以及訓練函數。

2.3 MATLAB軟件仿真

對于如何將誤差信號反向傳播，不斷修正權值，MATLAB提供了很多訓練函數。為了建立有效的預測模型，假定系統訓練次數為10000次，收斂誤差為0.01，學習率為0.3。

先采用訓練函數traingd、traingdx由仿真結果可知當訓練次數達到最大值10000時誤差均不滿足訓練要求。最后采用trainlm算法，對系統進行仿真分析，當隱含層數為12時，訓練誤差僅為0.00960，訓練次數為79次，訓練時長1s，此時訓練速度較快，系統誤差滿足設計要求。這樣系統訓練函數采用trainlm函數，隱含層設置12個。

3 上位機設計

為了向出行人提供一種簡潔、直觀的人機交互界面，系統利用微軟用戶界面框架技術（Windows Presentation Foundation，WPF）技術設計出用戶界面。

當單擊即將通過的路段坐標時可進入具體交通數據監測畫面，如圖1所示。該界面可以實時顯示道路當前的平均車速，和前一個星期的交通數據。系統根據平均車速的大小和交通擁堵指數定義將當前道路運行狀態進行分類，在出行建議中，告知出行者當前交通狀況，并利用C#語言實現MATLAB仿真中確定的神經網絡數據模型，預測出5min后通過此路段的平均車速。出行者也可參考歷史交通數據，做出出行選擇。

4 結語

本系統根據出行者對交通認知的需求出發，將傳感器技術、串口通信、神經網絡算法相結合，通過上位機平臺實時顯示采集到的大量交通數據，可有效監測當前交通狀況并預測未來交通狀況，系統架構完整，應用型強。但系統功能較為單一，未能充分利用傳感器技術和上位機平臺，為出行者提供更多交通信息，這為進一步豐富系統功能，指明了方向。

參考文獻

[1]蘭羽.基于AT89C51的超聲波測速系統設計[J].電子設計工程，2013（07）：137-139.

[2]曹虹.基于BP神經網絡的交通流量預測[D].長安大學，2012.

[3]王剛.基于.net的串口示波器開發[J].電子測試，2016（13）：82-83+77.

[4]趙朝鳳.淺析BP神經網絡基本模型的C語言實現[J].通信技術，2013（01）：89-91+94.

作者簡介

景鵬（1995-），男，江蘇省鹽城市人。大學本科學歷。研究方向為嵌入式開發。

徐海彬（1995-），男，江蘇省鹽城市人。大學本科學歷。研究方向為機電一體化。

杜年茂（1994-），男，江蘇省徐州市人。大學本科學歷。研究方向為.NET平臺開發。

朱鵬（1995-），男，江蘇省鎮江市人。大學本科學歷。研究方向為計算機技術。

作者單位

江蘇科技大學 江蘇省張家港市 215600endprint