基于多源監測數據的道路擁堵情況預測

摘要：隨著城市發展步伐的加快，道路基礎設施建設取得了顯著成就。然而隨著居民生活水平的提高，巨大的出行需求與有限的道路基礎設施供應之間的矛盾日益嚴峻，造成城市擁堵，有待改善。因此掌握城市交通狀態，不僅成為交通研究所的主要工作內容，也是城市交通規劃的研究內容，同時，它為城市交通規劃和交通決策提供數據。基于上述原因，本文利用深圳市公安局交通警察局本次提供深圳市局部區域道路的交通卡口監測數據、出租車為主的浮動車數據以及互聯網導航平臺數據，采用BP神經網絡的預測模型，應用趨勢曲線法建立預測對象關于時間的趨勢變化模型，采用線性函數對數據進行歸一化處理，構建三層網絡結構。用訓練好的網絡對交通量數據進行仿真，從而進行交通擁堵情況預測，以協助交通部門有效地緩解這類交通擁堵問題。

關鍵詞：交通擁堵預測；趨勢曲線法；BP神經網絡

一、預測方法——趨勢曲線法

趨勢曲線模型預測的自變量為時間t。大量交通調查的統計資料表明，無論宏觀層次、中觀層次還是微觀層次交通現象的發展有一定的規律性。當預測對象隨時間變化呈現某種曲線形式的變化趨勢，且無明顯的周期波動時，可以建立預測對象關于時間的趨勢變化模型y=f（t）。

當此趨勢變化模型能夠反映時間序列的未來變化情況時，給定適當的自變量t就可以得到相應時刻時間序列的預測值。使用趨勢外推法的兩個假設條件是：事物發展過程沒有跳躍式變化，而是漸進性變化；由歷史資料建立的趨勢曲線模型是適合未來事物發展變化規律的，影響事物發展的因素是穩定的。

趨勢曲線法根據所選用的擬合曲線，有以下多項式曲線預測模型：

（1）一次預測模型

（2）二次預測模型

（3）n次預測模型

二、BP神經網絡的預測模型

（1）BP神經網絡拓撲結構

BP神經網絡模型的基本思想是：在前向傳遞中，信號經輸入層、隱含層、輸出層逐層處理并傳遞，檢查預測輸出與給定輸出之間的誤差，若沒有達到精度要求，則轉入反向傳播，根據檢測到的誤差來調整輸入層與隱含層，隱含層與輸出層之間的權值和閾值，從而使預測輸出不斷逼近地期望輸出。

（2）BP網絡實現步驟

Step1：網絡初始化。置輸入層到隱含層，隱含層到輸出層的所有權值為任意小的隨機數，并設定初始閾值。

Step2：提供訓練樣本。根據學習規則，需要提供輸入向量X=（ 和相對應的輸出量 。

Step3： 從輸入層開始向隱含層、輸出層逐層計算輸出。

Step4：調整權值。根據誤差，從輸出層節點開始，到隱含層節點，再到輸入層節點逐層的調整權重。

三、將BP神經網絡預測應用于道路擁堵情況預測

（1）網絡構建

輸入、輸出節點的選擇：每天不同時段的交通量相差較大。根據交通流量的變化起伏情況，將每天的數據分為四個時段（0：00-6：00，7：00-12：00，13：00-18：00，19：00-0：00）進行分析。將這4個時段的數據作為網絡的 4 個輸入，相應的選擇輸出這4個時間段的數據。即輸入層神經元個數為 4 個，輸出層神經元個數為 4 個。

隱含層節點的選擇：隱含層節點的個數也直接影響預測的精度：節點數太少，網絡不能很好的學習，若增加訓練次數不僅會增加訓練時間，而且訓練的精度也受影響；節點數太多，訓練時間增加，網絡容易過擬合。隱含層節點數的范圍可參考以下公式：

式中，N為隱含層神經元數目，n 為輸入層神經元數目，m 為輸出層神經元數目，a為 0～10 之間的常數。神經網絡確定為三層網絡，4 輸入 4 輸出，隱含層的節點范圍[4，12]。

（2）網絡訓練

具體參數設置：隱含層神經元的傳遞函數為 tansig，輸出層神經元的傳遞函數為 logsig。訓練函數分別為 traingd、traingdx＼trainlm時訓練網絡。以上 3 種訓練過程的對比見表3.1，可以看出函數 trainlm 網絡的訓練誤差比較小，而且收斂速度快。因此，選定 trainlm 對網絡進行訓練。

至此，確定 BP 神經網絡的最終結構：單隱層，各層神經元數目為 4-8-4，訓練函數確定為 trainlm，并使用訓練好的網絡對交通量數據進行仿真。

（3）網絡預測

基于以上方法，通過對已有數據的處理，對部分卡口路段的車流量統計與預測

（4）對傳統BP神經網絡的改進

基本BP算法存在著收斂速度慢和易陷入局部最小點等缺陷。為解決這一問題，人們提出了自適應學習率和動量法，特別對網絡局部動態學習率進行了深入的探討，實現了以動量法優化網絡收斂性。還可利用遺傳算法對傳統BP網絡進行網絡結構優化，得出具有最佳隱節點的網絡結構。另外，可對原始數據進行預處理，比如按比例對原始數據進行縮放，能有效提高預測精度。

參考文獻

[1]劉慕仁，薛郁，孔令江.，城市道路交通問題與交通流模型[J].力學與實踐，2005，27（1）：1-6

[2]裴玉龍，王曉寧，基于BP神經網絡的交通影響預測模型[J].哈爾濱工業大學學報，2004

[3]曾慶山，全書鵬，靳志強，融合BP神經網絡與ARIMA的短時交通流預測[J].鄭州大學學報，2011.

作者簡介：王蕓（1998-），四川成都人，本科生。