基于BP神經網絡短時交通流預測研究

陳慧 張琪

摘?要：本文采用多車道數據，其中包含多條鄰近同方向的車道，我們需要依次分離出各條單車道的實際數據，但由于得到的數據較少，導致該BP模型的誤差略大，但從中我們依然可以看出預測值大約都在1.4上下浮動，數據分布較為集中，與實際值相比，誤差大約在0.5分鐘左右。因此我們可以看出，該模型的預測結果能較客觀地反映出該模型的可行性。

關鍵詞：BP模型;多車道數據;模型預測分析

一、預測模型的性能評價指標

在交通流預測領域，主要通過以下指標來評價模型的預測準確性。

這三個評價指標表示檢測到的實際值，則表示對應時間內的與預測值，根據實際值與我們的預測值代到上述公式得到結果。這四個值越小，說明模型擬合度越好，預測準確率越高.

二、模型的建立

神經網絡模型具有高度非線性關系映射能力，因此，在訓練數據中，在輸入個數、輸出個數相同的情況下，隱含層單元數目的不同會使權閾值不同，導致誤差較大。在本文中，考慮到各路段交通流之間的相互關系，我們將歷史交通流數據個數，觀測點個數生成樣本數據，并將其分成訓練數據與預測數據。

2.1實驗數據獲取位置的基本路況：

本文我們采集2016年7月2日至4日安徽省合肥市黃天路交叉口Htw002三個車道的視頻交通流檢測數據為研究對象，并且將車道情況記錄時間精確到秒。

2.2實驗數據的處理

該路段周邊多以大學城和小區為主，具有早晚高峰車流量大的特點，由于該路段視頻交通流監測器的流量數據比較齊全，我們對收集的數據進行分組，按照“訓練—輸入”、“訓練—輸出”、“測試—輸入”、“測試—輸出”四種類型進行分類，輸出結果如圖：

三、實驗仿真研究

3.1BP神經網絡的參數調整及預測效果

3.1.1 設置神經網絡結構與參數如下

（1）輸入層神經元設置

根據數據處理部分將輸入類的數據設置為的矩陣，所以將神經網絡輸入層的神經元設置為5;

（2）隱藏層的神經元設置

BP神經網絡的隱藏層節點數對BP神經網絡預測精度有較大的影響，節點數過少，不能得到較準確的結果;節點數過多，容易讓網絡陷入過擬合。為了防止這種情況，我們算出最優隱藏層的神經元個數為12，并且將數據分為三類：training，validation，test。

（3）參數設置

本文基于LM算法，設定學習率為0.1，最大迭代次數epoch為1000，精度為0.000000001.

3.1.2 預測結果分析Analysis

增加隱層節點數可以減少訓練誤差，本文基于隱藏層數12的前提條件下，訓練誤差小，而且收斂速度較快。訓練集數據能較為良好地反映這模型的運作狀況。連續進行了11次，確認樣本的輸出誤差都不再減小（甚至增大），訓練就會終止，在第五次獲得了最佳的MSE。樣本的誤差曲線以及測試樣本的誤差曲線走勢都是慢慢下降的，呈現良好的相關性，并且達到了一個合適的目標誤差。

四、BP神經網絡預測誤差曲線圖

五、結論

單車道的測試集數據利用本文列出的短時交通流預測效果評價指標，對該模型得出的預測效果值與實際交通流量進行計算，得出BP神經網絡的預測評價效果。該BP模型優化后的誤差分布較為集中，曲線擬合度達到了0.553，MSE為0.367，RMSE為0.606，MAD為0.502，各評價指標能較良好地體現該模型的符合程度，較好地實現短時交通流的合理預測。

最后，我們又對三條單車道的數據分別進行了梳理，根據每條車道的預測結果和絕對誤差得出了各車道的實際運算結果，選取絕對誤差作為預測效果評價指標，發現誤差值都在-0.6～0.08之間，處于可接受范圍。綜上所述，通過實力仿真研究表明，經過模擬BP神經網絡能夠對短時交通流進行預測，且預測效果較良好。

參考文獻

[1]?謝浩. 基于BP神經網絡及其優化算法的汽車車速預測[D].重慶大學，2014.

[2]?張希影. 基于遺傳算法優化的BP神經網絡股票價格預測[D].青島科技大學，2014.

[3]?張華. 基于優化BP神經網絡的微博輿情預測模型研究[D].華中師范大學，2014.

[4]?楊猛. 基于遺傳算法與人工神經網絡的加熱爐建模方法研究[D].中國科學技術大學，2017.