基于神經網絡的交通流時間序列預測

摘 ?要：經濟的發展，導致交通擁堵加劇，科學合理地解決交通相關的問題已成為一種全社會的共識。短期交通預測是一種直接估計未來短期交通狀況的過程。文章介紹了BP神經網絡、RBF神經網絡及其改進算法，通過分析交通流量時間序列，使用BP神經網絡、RBF神經網絡進行短時交通流預測，并分析了在各種不同條件下的預測情況。

關鍵詞：BP神經網絡;RBF神經網絡;交通流量預測

中圖分類號：TP183 ? ? ?文獻標識碼：A 文章編號：2096-4706（2020）23-0087-04

Time Series Prediction of Traffic Flow Based on Neural Network

ZHANG Fan

（China Railway Eryuan Engineering Group Co.，Ltd.，Chengdu ?610031，China）

Abstract：With the development of economy，the traffic congestion is aggravating. It has become a consensus of the whole society to solve the traffic related problems scientifically and reasonably. Short-term traffic forecasting is the process of directly estimating the short-term traffic situation in the future. This paper introduces BP neural network，RBF neural network and their improved algorithm. By analyzing the time series of traffic flow，BP neural network and RBF neural network are used for short-term traffic flow prediction，and analyzing the forecasting situation under various conditions.

Keywords：BP neural network;RBF neural network;traffic flow forecast

0 ?引 ?言

近年來，交通擁堵、交通事故和交通污染越來越嚴重。在智能交通系統中，交通流量預測已成為重要的研究領域，其預測精度對智能交通系統的應用十分關鍵。短期交通流量預測是一種根據歷史數據，來估計近期未來數據的技術[1]。作者單位長期致力于研發智能交通系統，作者有幸參與其中，研究交通流量的預測等部分。

本文運用人工神經網絡進行交通流量數據的短期預測。結果表明，人工神經網絡具有良好的預測效果。本文首先使用BP、RBF神經網絡，分別預測四個探測器后15分鐘的交通流量。其次比較分析了BP神經網絡、RBF神經網絡的改進算法。然后將預測數據為5分鐘和10分鐘的結果進行了對比。最后對兩步、四步、六步預測的結果進行分析。

1 ?人工神經網絡

人工神經網絡中，信息處理的方向是從輸入層到各隱層再到輸出層逐層進行。神經網絡中一層的輸出是下一層的輸入，信息的處理具有逐層傳遞進行的方向性，一般不存在反饋環路[1]。本文主要使用BP神經網絡和RBF神經網絡對交通流進行預測。

1.1 ?BP神經網絡

BP神經網絡是由Rumelhart和Mccelland為首的科學家小組在1986年提出的，是一種按誤差反向傳播算法訓練的多層前饋網絡，其學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。此過程一直進行到網絡輸出的誤差減少到可接受的程度，或進行到預先設定的學習次數為止[1]。BP神經元模型如圖1所示。

其中，p為輸入向量，w為權值向量，b為常數，R為向量個數，f為激活函數，a為輸出結果。

BP算法的主要缺點是：收斂速度慢、存在局部極值、難以確定隱層和隱層節點個數[2]。在實際應用中，BP算法很難勝任，因此出現了許多改進算法，如有動量的梯度下降法、有自適應lr的梯度下降法、彈性梯度下降法、共軛梯度法、擬牛頓法、Levenberg-Marquardt訓練法。

1.2 ?RBF神經網絡

徑向基函數（Radical Basis Function，RBF）是多維空間插值的傳統技術，由Powell于1985年提出。1988年，Broomhead和Lowe根據生物神經元具有局部響應這一點，將RBF引入神經網絡設計中，產生了RBF神經網絡。RBF神經網絡結構簡單、訓練簡潔而且學習收斂速度快[2]。RBF神經網絡是包含一個徑向基函數神經元的隱層和一個線性神經元的輸出層的一種兩層前饋型神經網絡[3]。一個徑向基神經元的模型如圖2所示。

其中，n為輸入向量個數，||dist||為求取輸入向量和權值向量的距離。

2 ?數據處理

本文所用的交通量數據來自華盛頓大學和西雅圖大學的智能交通系統研究小組提供的TDAD數據庫。探測器位于主要的交通交匯處，且探測器之間的距離非常遠，因此不會相互影響。探測器每間隔30秒記錄一次，時間是從2005年6月6日至2005年7月3日，共28天的交通流量數據。

數據歸一化的方法主要有最大最小法、平均數方差法。本文采用最大最小法。

為了衡量預測網絡輸出結果，使用以下幾個指標：

（1）相對誤差E：

（2）均方誤差MSE：

（3）均方根誤差RMSE：

（4）平均絕對百分比誤差MAPE：

（5）歸一化均方誤差NMSE：

其中，Yreal（t）為實際值，Ypred（t）為預測值，N為數值個數。

3 ?交通流量神經網絡設計與仿真結果

3.1 ?BP神經網絡仿真結果

設計一個多層前向單步預測網絡，目標誤差設為0.000 01。間隔時間為15分鐘，總共有2 685個數據，前2 585個作為訓練樣本，后100個作為測試樣本。

預測時間為15分鐘內的交通流量，以ES-855D探測器為例，其仿真結果如圖3所示，相對誤差如圖4所示。

3.2 ?改進的BP神經網絡算法結果比較

設計一個多層前向單步預測網絡，目標誤差設為0.000 01。間隔時間為15分鐘，總共有2 685個數據，前2 585個作為訓練樣本，后100個作為測試樣本。

預測時間為15分鐘內的交通流量，BP神經網絡的各改進算法的誤差值如表2所示。

由表2可知，Levenberg-Marquardt訓練法與其他改進方法相比較，預測的精度較高，預測效果較為理想。另外，由實驗可得，Levenberg-Marquardt訓練法與BP算法相比較，訓練網絡所用的時間較為短。

3.3 ?RBF神經網絡算法仿真結果

設計一個多層前向單步預測網絡，訓練精度設為0.02。間隔時間為15分鐘，總共有2 685個數據，前2 585個作為訓練樣本，后100個作為測試樣本。

預測時間為15分鐘內的交通流量，其仿真結果如圖5所示，相對誤差如圖6所示。

3.4 ?改進RBF神經網絡算法仿真結果

設計一個多層前向單步預測網絡。間隔時間為15分鐘，總共有1 100個數據，前1 000個作為訓練樣本，后100個作為測試樣本。

預測時間為15分鐘內的交通流量，不同網絡結構誤差值如表3所示。

由表3可知，當網絡嵌入維為10，隱含層神經元個數為40時，預測效果及精度較好。

3.5 ?不同預測時間間隔結果比較

下面用BP神經網絡選取不同預測時間間隔進行單步預測實驗，匯總為5分鐘、10分鐘、15分鐘的時間間隔，其中2 560組作為訓練樣本，100組作為測試樣本。不同預測時間間隔誤差值如表4所示。

由表4可知，隨著預測時間間隔的增大，交通流預測效果變差，即與真值偏離程度較大，預測精度降低。出現這樣的情況是因為隨著預測時間間隔變長，交通流的不確定性增加，非線性程度加大。

3.6 ?多步預測結果比較

本次實驗采用直接多步預測。直接多步預測時，由已知的前k個交通流數據，可直接預測后面第q個數據[4]。本次實驗進行直接2步、4步、6步的預測。采用Levenberg-Marquardt訓練法，網絡目標誤差為0.000 01，網絡訓練次數設為10 000次。間隔時間為15分鐘，總共有2 100個數據，前2 000個作為訓練樣本，后100個作為測試樣本。

預測時間為15分鐘內的交通流量，直接2步、4步、6步的誤差值如表5所示。

由表5可知，隨著直接預測步數的增加，預測精度降低，即與真值偏差較大，預測效果較差。這是由于預測步數增加，交通流量的非線性程度較大，其規律性不強，難以預測。

4 ?結 ?論

交通流量的預測具有隨機性和高度非線性，不易進行長期的交通流預測，故本文主要研究了短時交通流的預測。對于智能交通系統而言，重點就是短時交通流預測的精確度。本文使用BP、RBF神經網絡進行短時交通流的預測。通過改變神經網絡的訓練次數、訓練精度、學習率、嵌入維數及散布常數，來提高神經網絡預測的精確度大小。對建模和預測短時交通流來說，人工神經網絡是一種預測效果較好的方法。本文只考慮了正常情況下的交通流量預測，還可以在考慮天氣狀況等因素后進行交通流量的預測。

參考文獻：

[1] 韓力群.智能控制理論及應用 [M].北京：機械工業出版社，2007.

[2] 王小川，史峰，郁磊.MATLAB神經網絡43個案例分析 [M].北京：北京航空航天大學出版社，2013.

[3] 喻宗泉，喻晗.神經網絡控制 [M].西安：西安電子科技大學出版社，2009.

[4] 李松，劉力軍，翟曼.改進粒子群算法優化BP神經網絡的短時交通流預測 [J].系統工程理論與實踐，2012，32（9）：2045-2049.

作者簡介：張帆（1995—），女，漢族，甘肅張掖人，助理工程師，碩士研究生，研究方向：交通運輸。