基于神經(jīng)網(wǎng)絡的城市交通流預測研究

唐 凡

（中國市政工程西南設計研究總院有限公司，四川 成都 610000）

1 徑向基網(wǎng)絡（RBF）和BP 神經(jīng)網(wǎng)絡的特點與區(qū)別

BP 神經(jīng)網(wǎng)絡的自變量是輸入模式與權(quán)向量的內(nèi)積，各項參數(shù)對BP 神經(jīng)網(wǎng)絡產(chǎn)生的效果是完全一樣的，因此BP 神經(jīng)網(wǎng)絡對非線性映射是全局逼近（與全部數(shù)據(jù)有關(guān)），而徑向基網(wǎng)絡（RBF）最大的不同之處便是：每項參量對其產(chǎn)生的效果都是不同的，因此徑向基網(wǎng)絡（RBF）對非線性映射的結(jié)果便稱為局部映射（與查詢點附近的數(shù)據(jù)有關(guān)）。

這兩種神經(jīng)網(wǎng)絡的中間層數(shù)與訓練速度不同，BP 神經(jīng)網(wǎng)絡可以具備多個隱含層且訓練，這也造成了其速度慢的原因之一，而徑向基網(wǎng)絡（RBF）就只有一個隱含層并且訓練速度快。

2 交通流預測模型

2.1 主要影響城市交通流的原因

造成城市交通流變化的原因有很多，比如說：人口分布、城市社會的經(jīng)濟狀況、城市交通的總體規(guī)劃、地理位置的特點、車速和車輛擁有量等，在這些因素中，對城市交通流的影響最大的便是機動車的運行速度和車輛的擁有量。而導致城市機動車的擁有量不同的最主要的原因便是人口密度的改變和人均生產(chǎn)總值（GDP）的變化。當前，車輛的擁有量大部分是以交警部門通過管理機動車所登記的數(shù)量為準的；道路上安置的測速儀所測得的一段距離的平均速度便是主要的“車速”來源，這兩個因素將很大程度上決定道路的擁擠水平和道路的服務水平，其也會是交通分析和建立預測模型的主要數(shù)據(jù)，因此，主要的影響因素便會是車速、城市人口和車輛的擁有量。

2.2 將數(shù)據(jù)進行預處理

數(shù)據(jù)的預處理方法有很多，例如：變換法、重新定標法、標準化法、比例縮放法等等方法，本文采用的是最常用的比例縮放法對本文的數(shù)據(jù)進行預處理。其公式為：

該公式中，原始數(shù)據(jù)為X，變化后的數(shù)據(jù)被稱為為T，其也被叫做目標數(shù)據(jù)，X(max)、X(min)分別表示原始數(shù)據(jù)的最大值和最小值，T(max)、T(min)分別表示目標數(shù)據(jù)的最大值和最小值，其取值范圍分別在0.8 至0.9 和0.1 至0.2 之間是最為適宜的。

數(shù)據(jù)的還原公式（網(wǎng)絡運行以后）：

2.3 交通流的預測模型的建立方法

近幾年，出現(xiàn)了更加先進的方法，比如說：神經(jīng)網(wǎng)絡模型法、灰色系統(tǒng)模型法等方法。其中灰色系統(tǒng)模型法滿足的是一種指數(shù)增長，要求非負單調(diào)性的原始時間序列，然而想要滿足這個條件也不是很簡單的。

因為交通流在時間上和空間上都是連續(xù)的整體，因此交通流的狀況會受到該時間點之前幾個時間段的影響，也會受到該交通點的上下游路段交通流的影響，如此看來，想要預測該交通流在未來一定時間的狀況，可以利用該時間點之前幾個時間段的交通狀況以及該交通點的上下游路段交通流的狀況。然而由于交通流的不確定性，便不能將上述搜集到的信息簡單的帶入到模型當中。為了使預測準確度更加的高，選擇相關(guān)性更強的時間段，并且將不同時段的交通狀況作為神經(jīng)網(wǎng)絡的輸出便顯得尤為重要。

將在路段r 上且在t 的時間段上要預測的交通流設置為Ur(T)，相關(guān)路段的i前n 個時間段的交通流設為Ui(t-n)(n>=1)(r=i 意味著在預測路段之前n 個時段的交通流)，神經(jīng)網(wǎng)絡的輸出為Ur(T)，神經(jīng)網(wǎng)絡的輸入，即為具有較強相關(guān)性的Ui(t-n)(n>=1)，輸出與輸入之前的相關(guān)程度可用公式來表達。

2.4 預測城市交通流

我國城市交通網(wǎng)的現(xiàn)狀并不樂觀，改變這個境況的一種方法也是最先想到的方法：多修建路、多改路，然而這種方法并不能徹底的解決交通問題，還會導致更多新的問題，比如說：生態(tài)環(huán)境的破壞，人與人之間的矛盾的激化等這些問題都會加大決策者決策的難度，為了使決策者能夠更加方便高效的做出決策，需要建立智能化可預測的交通網(wǎng)絡來提高疏導交通的效率，而這種網(wǎng)絡體系的建立便是以準確的預測交通流為基礎的。我國的國土面積廣大，交通線路也多且復雜，機動車的數(shù)量多并且變化非常大，而且交通流的預測需要具備準確性和實時性，因此本文將徑向基網(wǎng)絡（RBF）和BP 神經(jīng)網(wǎng)絡進行比較，希望探索出一種更加適合有效的方法。

3 仿真試驗的結(jié)果分析

本文構(gòu)建模型所采用的方法分別是徑向基網(wǎng)絡（RBF）方法和BP 神經(jīng)網(wǎng)絡方法。第一個仿真試驗研究的路網(wǎng)時間段為每天的下午五點半到七點半這兩個小時，試驗天數(shù)為一百天，路網(wǎng)的節(jié)點有二十四個，共七十六條有向路段，交通流的數(shù)據(jù)每天八十條，每條十五分鐘，再加上大部分的訓練時間。該試驗得出的結(jié)論如下：

神經(jīng)網(wǎng)絡方法下實際交通流量與預測交通流的大部分相對誤差較小，但是有小部分的相對誤差很大；徑向基網(wǎng)絡（RBF）方法下的實際交通流量與預測交通流的相對誤差基本都很小，與BP 神經(jīng)網(wǎng)絡方法相比，其失誤率大大減少，基本上在一條直線上。這兩種方法的具體對比結(jié)果為：

RBF：訓練時間為12 秒，訓練次數(shù)為536 次，平均絕對相對差為-5.7%，擬合度為0.95。

B P：訓練時間為6 秒，訓練次數(shù)為37 次，平均絕對相對差為-0.08%，擬合度為0.99。

平均絕對相對差：是算術(shù)平均值的偏差與所有單個觀測值的絕對值得平均。

擬合度：簡單來說，就是計算結(jié)果與實際結(jié)果的吻合程度，用前后兩個數(shù)據(jù)的比值來表示。

從以上數(shù)據(jù)可以直觀的看出基于BP 神經(jīng)網(wǎng)絡的模型比基于徑向基網(wǎng)絡（RBF）的模型更加低效；RBF 的訓練次數(shù)更加的少，訓練時間更加的短，但其平均絕對相對差卻更加的接近于0（其預測結(jié)果與現(xiàn)實結(jié)果更加的切合）。因此采用徑向基網(wǎng)絡（RBF）的方法建立的預測模型更加的復合本文的要求，基于徑向基網(wǎng)絡（RBF）的預測模型會是更加有效果的模型。

為了使結(jié)果更具有說服力，本文將描述第二種次不同地點，不同時間段的仿真試驗：

選取另一個地點，時間選為零點到晚上二十一點，在這段時間里，零點到早上七點和晚上七點到九點分為兩個時間段，對這些時間段的道路堵塞狀況進行預測，共建立二層網(wǎng)絡的八個輸入節(jié)點，并且將上午十點到十一點和下午三點到四點作為輸入節(jié)點，進行與上文相同的測量與計算方法，后來發(fā)現(xiàn)得出來的結(jié)論與第一次的相同，都是基于徑向基網(wǎng)絡（RBF）的模型準確度更大、速度更快。

4 結(jié)束語

通過分析影響交通流的原因、數(shù)據(jù)預處理的方法、交通流預測模型的建立方法以及仿真試驗的進行，使得采用BP 神經(jīng)網(wǎng)絡的模型和徑向基網(wǎng)絡（RBF）的模型的仿真試驗取得了較為明顯的結(jié)果，也使預測模型的有用性得到了證明，對這兩種模型的對比研究使我們知道基于徑向基網(wǎng)絡（RBF）的模型效率和準確率都更加的高，更適合使用這種模型作為城市交通流的預測模型。