基于GA-BP神經網絡的交叉口短時交通流預測研究

徐宗川

摘?要：現階段影響交叉口車輛運行效率的因素主要分為兩個方面：其一為受交通信號影響，即實際交通流與交叉口所反應出來的交通信號并不匹配;其二為時間間隔過長，目前短時交通流的普遍預測時長多集中為5-15分鐘，過長的時間間隔無法提供有效的信號控制，很容易對最終的數據結果造成不良影響。為提升交叉口短時交通流預測的準確性和實效性，利用科學合理的方式方法對其進行改進有著重要的價值和意義。本文主要對GA-BP神經網絡的交叉口短時交通流預測進行研究和分析。

關鍵詞：GA-BP神經網絡;交叉口;短時交通流;預測研究

現階段，隨著科技和信息的發展和進步，給各個領域的發展注入了新鮮的力量和活力，智能交通逐漸受到了越來越多人士的關注和重視，短時交通流也成為了當下最熱門的研究方向之一。傳統的歷史平均法、卡爾曼濾波法、時間序列法、回歸分析法等已經不能夠滿足當下對交叉口短時交通流預測提出來的要求和標準，選取更先進更現代化的預測法至關重要。本文主要以交叉口短時交通流預測為中心，就GA-BP神經網絡的應用效果進行重點分析。

一、準實時交通流預測方法

（一）準實時交通流預測的概念

短時預測存在的普遍性問題即為周期過長，不能夠將一定時期內的交通狀況清晰的完整的反應出來，并且其實時信號不能夠與實際交通流量實現完全匹配，基于此，以短時交通流預測為基礎，盡量將其周期縮短到秒級，這種縮短到秒級的短時交通流預測即被命名為準時（Quasi-Real Time）交通流預測[1]。

（二）準實時交通流預測的原理

相對比于傳統的交通流預測方法來說，準實時交通流預測方式實時性更明顯，有利于提升智能交通系統的應用效率，有利于提升交通業的實效性和安全性。準實時交通流應用的主要原理為：以每一天、每一個星期、每一個月甚至是每一個年為單位，不難發現道路交通流的實際分布具有十分明顯的規律性，但是具體到每一個特定路段，會發現其某天某時刻的交通流又存在著一定程度的隨機性，沒有任何規律可言，由此可見，利用歷史交通流數據預測當下的道路交通流并不能夠完全的準確的將當前實際交通形態反映出來。

（三）準實時交通流預測的特征

準實時交通流預測的特征主要體現在兩個方面：其一為實時性，該預測方式的時間間隔極短，能夠更快速的得到當下的預測結果;其二為準確性，預測結果必將服務于道路交通信號的實際控制之中，而只有準確的預測結果才能夠實現交通道路的信號控制。對于交叉口的信號燈來說，只有實時的準確的信號燈指示，才能夠對交通擁堵情況進行緩解。

二、基于GA-BP神經網絡交叉口短時交通流預測方法

（一）BP神經網絡在實際應用中存在的問題

BP神經網絡算法是一種應用比較廣泛比較優秀的局部搜索算法，同時該預測方法也存在著一定程度的局限性：算法性能的優劣取決于當下的網絡環境。BP神經網絡對于初始網絡權重來說具有十分高的依賴性和敏感性，在不同的初始網絡權重的影響下，BP神經網絡算法于不同局部極小收斂，最終致使每次試驗所得的數據結果都各不相同。并且對于初始化BP神經網絡來說，其閾值和權值都存在很大程度的不確定性，致使網絡接收訓練時也存在著隨機性，由此可見，對閾值和權值進行優化有助于實現BP神經網絡下預測結果的改進，有利于獲取到更優質的預測方法[1]。

（二）遺傳算法在BP神經網絡中的優化方法

遺傳算法（Genetic Algorithm，GA）指的是對最優化問題進行解決的一種搜索啟發式算法，該算法以可擴展性為主要特征，能夠與其他算法進行結合，進而形成將兩方優點相結合的優質混合算法?；贐P神經網絡預測方法本身存在的缺陷性，利用GA來展開優化，能夠對其初始化狀態下的閾值和權值進行有效優化，能夠更好的對BP神經網絡展開實際訓練和預測。利用遺傳算法優化BP神經網絡的主要思想為：將網絡初始狀態下的閾值和權值以個體進行代表，以個體值在BP神經網絡初始化時存在的預測誤差作為該個體的理論適應度值，通過交叉、操作、選擇操作、變異操作等多種方式探尋到最優個體，得出最優的初始狀態下BP神經網絡的閾值和權值。利用遺傳算法對BP神經網絡進行優化主要涉及到以下幾個步驟：其一為種群初始化，應用實數編碼的方式對個體進行編碼，由實數串代表個體，實數串包括隱層到輸出層的權值、閾值，輸入層到隱層的權值、閾值四個部分，形成隨機初始種群;其二為獲取個體評價函數，以其一所得到的權值和閾值為基礎建立個體適應度函數;其三為選擇運算，通過輪盤賭法將優良個體遺傳到下一個群體;其四為交叉運算，交換部分染色體形成全新的個體;其五為變異運算，將選中的個體以每一個或某一些基因值、某一概率進行更改、轉換為其他基因;其六為通過GA優化的方式獲取到最優個體并對BP神經網絡初始化狀態下的閾值和權值進行替代，展開后續訓練，獲得最優結果[3]。

（三）以GA-BP神經網絡為基礎短時交通流預測方法

本文主要通過單隱層的BP神經網絡對交叉口的交通流展開短時預測，所建立成的GA-BP神經網絡模型主要包括輸入層、隱含層和輸出層三個部分，在整個模型中主要涉及到t5、t0和t1三個時刻，其中t0代表當前時刻，t5代表所預測時刻的前5秒（分鐘），t1代表當前時刻的后5秒（分鐘）即所需預測的時刻。將輸入層設置2個神經元，分別為t5預測5秒（分鐘）前的車道車輛數和t0當前時刻的車道車輛數，將輸出層設置1個神經元，為t1當前時刻后5秒（分鐘）的車道車輛數。通過試湊法取得隱含層節點數。

三、結語

本文主要對通過遺傳算法對BP神經網絡進行優化的方法進行分析，主要用于提升交叉口短時交通流預測的準確性和安全性。分別從準實時交通流預測方法、基于GA-BP神經網絡交叉口短時交通流預測方法兩個方面進行論述，重點對BP神經網絡在實際應用中存在的問題、遺傳算法在BP神經網絡中的優化方法和以GA-BP神經網絡為基礎短時交通流預測方法進行分析，旨實現GA-BP神經網絡預測的精準性。

參考文獻：

[1]劉藝，張琨.基于小波去噪和GA-Elman神經網絡的短時交通流預測[J].交通科技與經濟，2017，92（6）：86-91.

[2]唐智慧，鄭偉皓，董維，等.基于交互式BP-UKF模型的短時交通流預測方法[J].公路交通科技，2017，36（04）：121-128.

[3]蔡翠翠，王本有，李石榮.基于IPSO-BP神經網絡的短時交通流量預測[J].四川理工學院學報（自然科學版），2016，32（01）：29-34.