基于BP神經網絡的交通流量預測算法

吳志光

（池州職業技術學院 機電系，安徽池州247000）

先進的交通管理系統和交通控制系統都需要實時和準確的交通流量信息，因此為智能交通系統提供一個精確的交通流量實時預測一直是研究熱點，各種算法井噴涌出，但還處在一個發展時期，在理論和應用上都不夠完善。本文是將神經網絡技術研究與交通信息預測研究緊密結合，在總結國內外研究成果的基礎上，改進網絡結構，合理的改進算法來提高預測準確度，提出了一種基于BP神經網絡算法的交通流量預測模型，并分析系統的穩定性和進行了仿真實驗。通過對比預測結果表明，本交通流量預測系統具有很強的自學習、自組織、較強的容錯性等特點，能很好地解決具有隨機性、模糊性、動態性和不確定性的非結構化的交通流量預測這樣一個復雜系統。

1 交通流量系統

1.1 交通流量的參數

交通流量的參數基本上分為三個方面：流量、速度、通過率。它們是在某個特定時間內道路的特定地點、車道通過的具體數，其中包括機動車、非機動車、人流量。但是本文研究的是機動車流量.交通流量的參數為隨機數，即在不同的時間，不同的地域都是隨機的，隨著時間、天氣、環境變化所影響。所以在進行研究這些參數變化時，要進行合理的交通規劃和措施[2]。

流量指的是在某個特定的時間內，通過這一地點或者某條車道的交通數，這其中包括機動車流量、非機動車流量、人流量等，本文中就是機動車流量，并且是兩個方向以上的車輛個數。速度，在特定的時間內通過這一地點的速度。通過率是指某一特定時間內，有多少車輛通過這一地點。通常情況下，這三個參數都是隨機的.

1.2 交通流量的誘導系統(GPS)[2]

交通誘導系統（GPS）的使用是進行城市交通預測的重要研究內容之一,它能讓駕駛人員在當前位置能選擇到達目的地的最優路徑，并且在行駛途中，遇到的交通紅綠燈少，人和車流量少，并且有效地減少交通阻塞。實現了交通網絡分配的最優路徑。但是引入交通誘導系統（GPS）必然會引發駕駛人員交通行徑路線的變化，同時也改變了交通控制參數，但是（GPS）研究起步晚，各方面技術并未達到成熟，在城市交通預測中沒有達到預測效果.

交通流量的特征預測，是指通過在某一特定時間內的數據做出預報[2]。一般來說交通流量參數預測可以分成為兩大類：時間序列預測和綜合預測。前一種模型簡單，預測難度大，預測誤差大，不夠準確。一般采用后一種。圖1為交通誘導系統的基本功能：

圖1 交通流量框架圖

圖2 神經網絡結構圖

不同時間的同一地點交通流量參數也變化，合理科學的研究交通流量的參數有利于幫助交通規劃、管理、設計和交通的安全具有重大意義。特別在交通改善方案時，也需要進行也需要進行交通流量的特征預測，并通過在某一時間的數據做出預報。

2 基于BP神經網絡的交通流量預測

2.1 基于動態控制理論的神經網絡建模

本文利用i路段的前n時段的交通流量值來預測下一時段的交通流量值。令[][ui(k)][ui(k)]表示該路段在k時間的交通流量的真實值。建立的網絡模型如圖2所示，其中[uik-n-1][uik-n-1][uk][uk][uik-n，uik-n+1，uik][uik-n，uik-n+1，uik]作為為外部輸入信號，[wm1][wm1]為輸入層與隱含的層的連接權矩陣，[wm2][wm2]為隱含層到輸出層的連接權矩陣，[yk][yk]作為輸出值。

隱含層各單元的輸入為：

設隱含層的傳遞函數為：f(x)

得出隱含層的輸出如下：

2.2 基于最小梯度的神經網絡學習優化

本文中神經網絡的模型建立，假設只有一個隱含層。對于第j個隱含層節點，它的總輸入為表示第i個輸入節點到第j個隱節點的連接權系數。對于該節點，它的輸出為輸入層到隱含層的連接權矩陣。

根據梯度下降算法，為了減小誤差，必須對輸入層到隱含層的連接權系數進行調整。

則權值變化為：

采用一種改進的算法。其權值調整如

假設神經網絡預測的模型是穩定的構造建模誤差em(k)em(k)的李雅普諾夫函數，如果給定的函數趨向某一特定的穩定值，則系統的輸出跟預測的希望基本一致，則必須

2.3 基于動量的改進BP算法

BP神經網絡的算法缺點在于學習效率低、收斂速度慢、很難確定隱層和隱節點個數，并且隨著學習維數的逐步增加，網絡的性能可能會越來越差，預測越來越不準確。其次BP神經網絡對參數和權值的訓練更為敏感，網絡初始值的選取和隱層節點個數的確定影響網絡的準確度和精度。在梯度下降算法中權值的選取和閾值的大小與網絡的誤差的一階導數成正比關系。根據此類梯度下降算法，如果網絡初始值確定，就確定了網絡的收斂方向[6]。因此一開始對權值選擇和閾值就變得重要。為了加快BP網絡算法學習速度，避免陷入局部最小值，本文采用附加動量法來改進BP算法，加入的動量實質上相當于阻尼項，有助于系統滑過局部極小值，減小了學習過程的振蕩趨勢，改善了收斂性，提高訓練速度。

所以得到：

3 系統仿真實驗

3.1 系統仿真圖

對交通流量的預測可以分為三種不同的類型：晴天、陰雨天、暴雨天、仿真數據選取分別取自三種天氣的同一路段的不同時刻的同一時間進行仿真，本文選取的是陰雨天進行仿真。選取其中的100組數據，70組進行訓練，15組驗證，15組進行測試。如果訓練數據和驗證數據將網絡訓練的好，那測試數據將很好的預測，這些數據可以得出預測值與真實值之間的比較。本文所用的神經網絡為前饋向BP神經網絡，需要在仿真過程中對神經網絡的結構和權系數進行調整。

3.2 實驗效果仿真圖

對已經選取的數據進行訓練和測試，只有一個隱含層，初步選取隱含層的節點數量為10個，如果網絡的非線性程度強，可以適當增加隱含層的節點個數，來確保系統的穩定性和減少實驗的誤差，通常情況下網絡的訓練好壞與兩個參數息息相關，一個是自相關誤差。第二個是系統輸出誤差。

圖3為系統自相關誤差圖，如果假設系統是沒有誤差，即模型在一個時間的輸出誤差跟另一個時間段內的輸出誤差無關，這種模型在實際情況中很難實現。定義在10%左右之間的誤差是被接受的。

圖3 神經網絡誤差分析圖

圖4 真實值與預測值對比圖

3.3 真實值與預測值的比較

經過多次實驗學習，該網絡有了很好的擬合效果，從仿真圖形可知，晴天，陰雨天，暴雨天不同時間段的差異，在進行數據訓練，測試，驗證中，網絡的權數是隨機給定的，訓練是多次的，保證自相關誤差是越小越好。

4 結束語

本文通過在智能控制領域內對交通流量預測的一個實驗，針對這樣一個具有隨機性、模糊性、動態性和不確定性的非結構化的一個復雜系統，提出了基于BP神經網絡建立模型進行仿真，取得了較為理想的效果，但存在問題也比較多，比如網絡的收斂速度慢，隨機性強，也存在著隱含層數目和節點數目選擇的問題，只有通過試湊法來最終確定。應用神經網絡對交通流量的評估存在一定的誤差性。但是總體效果不錯。并且在其他方面應用也很廣泛。

神經網絡作為一種智能信息處理的技術，根據內在的聯系建立模型，具有優良的非線性逼近能力和對復雜信息綜合處理的能力，根據神經網絡的這一特點，不需要建立非線性系系統和數學模型，在未來，基于神經網絡領域的預測方法仍將是主要研究方向。