基于BP神經網絡的高速公路交通量預測探析

齊遠

摘要：在高速公路工程交通量預測中，通過應用BP神經網絡，能夠對實時交通量進行統計分析。本文首先對BP神經網絡技術進行介紹，然后對基于神經網絡的交通流量預測模型算法以及交通量預測模型的評價指標進行分析，并結合實例，對BP神經網絡在高速公路交通量預測中的應用方式進行詳細探究。

Abstract： In the traffic volume forecast of expressway engineering， through the application of BP neural network， real-time traffic volume can be statistically analyzed. This article firstly introduces the BP neural network technology， and then analyzes the neural network-based traffic volume prediction model algorithm and the evaluation index of the traffic volume prediction model， and combines examples to analyze the application of BP neural network in the expressway traffic prediction.

關鍵詞：BP神經網絡技術;高速公路交通量;預測

Key words： BP neural network technology;expressway traffic volume;prediction

中圖分類號：U495;U491.113 ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1006-4311（2020）24-0163-02

0 ?引言

交通量指的是在單位時間內，通過道路工程某個斷面的車輛總數，在高速公路交通量預測中，可采用灰色理論、時間序列等方式創建交通量預測模型，雖然能夠對交通量進行準確預測，但是交通量預測具有非線性特性，因此存在一些弊端。對此，為了能夠準確反映出交通量實際情況，保證決策的合理性以及及時性，可采用BP神經網絡創建高速公路交通量預測模型，能夠有效提升交通量預測的準確性以及可靠性。因此，亟需對基于BP神經網絡的高速公路交通量預測方式進行深入研究。

1 ?BP神經網絡技術概述

BP神經網絡是一種先進的非線信模擬技術，具有自學習、自組織以及自適應等特征，可被應用于多輸入以及多輸出系統創建中。BP神經網絡主要被應用于以下兩點：第一，對復雜系統進行優化以及計算;第二，對內部位置系統進行模擬分析。其中，高速公路交通量預測屬于上述第二種應用方式。根據BP神經網絡的連接形式，可將其分為兩種類型，即沒有反饋的前向網絡以及相互結合型網絡。其中，前向網絡是由輸入層、中間層以及輸出層所組成的，其中對于中間層，又可被分為多個組織層，各層神經元均只能夠接受由上一層的神經元的輸出內容，因此，能夠有效實現輸入層節點狀態空間至輸出層狀態空間之間的非線性映射。BP神經網絡為多層前向網絡，是由輸入層、中間層以及輸出層所組成的，其中，中間層為多層結構，在BP神經網絡的實際應用中，三層神經網絡的應用比較常見，其是由輸入層、一層中間層以及輸出層所組成的。BP神經網絡的學習過程如圖1所示，具體包括向前傳播以及向后傳播兩部分內容。對于誤差函數的計算過程即輸出層向輸入層進行反向傳播的過程，在BP神經網絡的實際應用中，通過反復學習訓練樣本，即可對權值進行優化修整。在BP神經網絡的訓練過程中，對于學習過程，可分為兩個內容：第一，首先將數據輸入至網絡輸入層中，當神經元接受到數據信號后，即可通過神經元傳遞至中間層中，再由中間層中的神經元將數據傳遞至輸出層。第二，通過應用BP神經網絡，能夠將實際輸入與目標進行比較分析，如果二者之間的誤差大于給定值，則需將誤差向后傳遞至輸出層中。

2 ?基于神經網絡的交通流量預測模型算法

在高速公路交通量預測中，某一路段的交通量預測結果與前幾個時段所的交通量有一定關聯，路段是路網中的組成部分，因此，某一路段中的交通量主要受上下游不同路段交通量的影響。因此，在對高度公路交通量進行預測時，可對某一路段前幾個時間段的交通量進行分析，然后對未來的交通量進行合理預測分析。

在上述公式中，marerr指的是絕對值分數預測結果的誤差，交通量預測結果與實際測量值的擬合度可用EC標識，如果EC達0.9以上，則擬合比較好。

4 ?BP神經網絡在高速公路交通量預測中的應用實例

4.1 數據來源 ?因高速公路封閉、行駛條件良好、沖突點和道路影響遠低于城市道路，且高速公路檢測體系完善、高速公路網聯網系統的統計數據完備全面，因此，高速公路聯網系統統計數據是模型良好的測試平臺。本項目利用1144套聯網門架構建的2020年4月份湖南省高速公路聯網系統作為數據樣本來源。

4.2 數據處理 ?選取長益高速公路關山附近路段2020年4月9日6：00～17：00期間的數據作為訓練樣本，據此預測17：00～19：00時段內交通量，預測間隔為2min。第一，采用Matlab7.0軟件工具箱中的神經網絡函數，對17：00～17：02時間段交通量進行預測。第二，將6：00～17：02的實測數據作為新的訓練樣本，對17：02～17：04時間段交通流量進行預測，依次類推，直到預測完畢。

4.3 數據結果 ?交通量預測結果如圖2和圖3所示，通過對圖2和圖3進行分析可見，神經網絡模型預測效果好，對于預測誤差，能夠控制在10%以內，平均絕對相對誤差為4.47%，預測結果精度高。另外，神經網絡訓練所需時間比較短，為5.832s，因此可被推廣應用于高速公路交通量預測中。

5 ?結語

綜上所述，本文主要對BP神經網絡在高速公路交通量預測中的應用方式進行了詳細探究。通過對高速公路交通量進行準確預測，能夠為高速公路服務水平評估、高速公路運營管理提供可靠依據。通過應用BP神經網絡創建高速公路交通量預測模型，與傳統的交通量預測方式相比，不僅操作方式便捷，而且靈活度更高，能夠保證交通量預測結果的準確性和可靠性。

參考文獻：

[1]姜曉輝，胡勇，彭楚元，等.基于BP神經網絡的軟件可靠性安全性評價方法[J].計算機科學與應用，2019，009（002）：214-219.

[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，2019，36（04）：117-124.

[3]趙懷柏，王逸凡，宋曉鵬.基于遺傳算法優化BP神經網絡的交通流預測[J].交通與運輸，2017，3（02）：37-41.