基于BP神经网络的高速公路短时交通流预测

摘 要：以高速公路交通流预测为研究对象，简化了高速公路宏观动态交通流模型，利用Matlab神经网络工具建立模型并进行网络训练与预测。对嘉兴站附近高速公路交通流数据进行了采集、建模和预测。从预测结果中得知，基于bp神经网络交通流预测模型具有很高的可靠度，该简化的交通流模型更为简练，预测结果亦可以点带面地面描述该站点一定空间及时间范围内的交通流情况。

关键词：高速公路；交通流预测；BP神经网络

中图分类号：TP393.0 文献标识码：A 文章编号：2095-2163（2015）04-

Highway Dynamic Traffic Flow Prediction based on BP Neural Network

DAI Hongbo，ZENG Xianhui

（College of Information Science and Technology，Donghua University，Shanghai 201620，China）

Abstract：This paper takes highway traffic fIow prediction as object of study，simplifies the highway macroscopic dynamic traffic flow model and establishes a BP neural network model to train and predict based on Matlab neural network toolbox. It models and predicts real data collection from traffic flow nearby JiaXing station. From the predicted results， this BP neural network model is proved to be highly reliable. It carries out that the simplified model of traffic flow is more concise， predictions can also describe a certain space and time of the site’s traffic situation through a point to an area.

Keywords： Highway； Traffic Flow Prediction； BP Neural Network

0 引 言

随着社会经济的发展和私家车保有量的逐年递增，出行车辆日渐增多，随之而来的交通拥堵，交通事故等问题即已成为困扰社情民生的重大事件。智能交通系统作为这一状况的有效解决手段，也已吸引了时下众多专家的关注和重视[1]，其中的短时交通流则是交通控制、车辆导航等领域亟待解决的热点课题。近些年，鉴于神经网络具有的表示任意非线性关系和学习的能力，为此展开了基于人工神经网络预测模型的大量研究，且均已取得了令人满意的预测效果[2]。通过对各个模型的分析，指出了神经网络在智能交通领域的工具性应用潜力，而且在实时交通预测中，神经网络要比其它方法更具不可比拟的优越性。

1 建立流量预测模型

短时段交通流预测是指预测尺度不超过十五分钟的交通流[3]。交通流是由数以万计的出行者群体行为生成的，具有高度的时变性、非线性和不确定性。但就道路上某一特定观测点来说，对于短时段交通流，随着观测尺度的缩短，交通流受随机因素影响较大，其统计行为不是定常、周期或准周期的，多是表现为纯随机行为。

在交通流量预测研究中，Markos Papageorgiou 提出了一个比较有代表性的高速公路交通流宏观流体模型[4-5]，其中主要描述了高速公路的交通流量、速度以及交通密度之间的相互关系，以此来反应交通流随道路空间的分布以及随时间变化的规律，从而准确描述短时间内的交通流的真实行为。

以交通流宏观流体模型为基础，本文提出了一个简化的交通流预测模型，如图1所示。该模型参考了对短时间交通流预测的思想，实现对高速公路站点短时间交通流预测。

图1 交通流预测模型

Fig.1 Traffic flow forecasting model

在对高速交通网络中的站点进行实时预测时，路网中当前和过去若干时段内的交通流信息是实时预测的数据基础。因此首先必须采集实时交通数据，建立得到动态的交通数据库。在数据处理分析时，结合上述交通流模型，通过一定的数据挖掘方法分析得到有效的数据。如模型中指出， 站点 上的交通流量与本站点前后若干个时段的交通流量有着必然的关联， 同时在预测站点路段的交通情况时，该站点上下游路段交通情况也是一个关键因素。 这样便可以利用预测站点前几个时段的交通流量数据以及上下游站点交通流量数据来预测特定站点交通流量， 上述简化的交通流预测模型所要阐述的基本概念就在这。

设站点 （代号为15，下同）为要预测的路段， 为预测路段当前时刻 的交通流量，而 为要预测的该路段下一时刻 的交通流量，并与该站点 、 时刻的交通流量有着必然的联系，同时上下游站点（13、14、17等） 时刻的交通流量也将会影响着站点15下一时刻的交通流量。于是 与该站点以及附近站点的交通流量存在某种函数关系，具体表达则如方程（1）所示。

（1）

根据实际采集到的交通流数据，结合上述模型，利用Matlab平台建立BP神经网络来训练学习方程（1），并实现短时间交通流预测。

2 BP神经网络的构建

经过研究可知，Matlab中的神经网络工具箱是进行神经网络系统分析与设计的有力工具。使用Matlab平台构造神经网络的预测过程通常可分为：数据预处理、网络构建、训练和网络预测[6]。

数据归一化就是将数据通过某种算法处理后，使得数据映射到[0，1]或者[-1，1]等范围内，并且再经相应变换，最终将有量纲的表达式转化为无量纲的表达式，其结果即将限制在一定范围内。这不仅利于数据的进一步处理，同时还可以保证程序运行时收敛速度加快。本文中数据处理采用的是线性函数归一化：

（2）

其中， 、 分别为归一化前后的值， 、 分别为样本的最大值和最小值。

神经网路的核心在于网络结构的设计，其重点在于网络层数以及各层节点数的确定[7-11]。理论已经证明，增加网络层数可以进一步降低误差提高精度，但同时也会使网络复杂，降低实时性，加大网络的训练时间；而误差精度则可以通过增加隐含层中的神经元节点数目来获得提高，就其训练效果的观察和调整均比增加层数更为容易，所以一般情况下需优先考虑增加隐层神经元数目。对神经元网络输入层与输出层来说，则需要研究实例中求解的问题、具体的表示方式来确定各自神经元数目，同时考虑尽可能地减小系统规模，系统的训练时间和复杂性。基于前述的交通流预测模型分析，联系方程（1）可知，可将 、 、 、 、 、 、 和 等八个数据作为输入层，将下一时刻流量 作为输出层。文献[7]指出，适当增加隐层中的神经元数目可以在更大程度上降低误差、提高精度，隐层神经元数目可选择为输入层神经元数目的平方，即 。经过实验反复验证，文中隐层节点取为20。综上所述设定，文中的BP神经网络模型如图2所示。

图2 交通流神经网络模型

Fig.2 Neural network model of Traffic flow

神经网络采用自适应学习的负梯度下降法实现交通流的学习和预测， 网络的响应函数选择Sigmoid 型激励函数[12]，函数形式为 。

3 预测仿真与结果分析

数据使用的是浙江省某段高速公路2015年1月1日某几个站点的交通车辆收费数据，目的在于对其中一站点的车流量进行预测。从数据库中抽取浙江省嘉兴站点（代号15）当日的车流量数据以及短时间内车流量变化，具体如图3、图4所示。

图3 15站日间车流量变化

Fig.3 The curve of traffic flow dairy

图4 9-11时车流量变化

Fig.4 Curve of traffic flow hourly

由图3可以分析得出，一天中的交通流变化大致经过如下阶段：凌晨交通流，低谷期；早晨交通流，攀升期；中午交通流，平峰期；下午交通流，高峰期；晚上交通流，下降期。结合图3，且由图4可分析获知，在9～11点期间为车流量高峰期，短时间流量变化起伏很大，但总体维持在每分钟10～15辆左右。再次细致分析附近站点车流量变化趋势并与该站点比较发现，各临近站点车辆起伏变化相近，并且短时间内各站点之间车流量变化存在着某种相互影响的关联作用。于是，本文采取上述交通流预测模型来进行站点短时间内的车流量预测，该模型较其他宏观动态车流量模型更为简单，相应预测结果亦可反映当前附近站点范围内的车流量情况。

本论文重点即在结合当天该站点及附件站点车流量对本站日常车流量进行预测。训练数据选取附近六个站点日间车流量及结合本站车流量数据进行网络训练仿真。MATLAB仿真程序如下：

%首先导入已处理好的数据矩阵；

%矩阵p 输入矩阵，矩阵t为输入矩阵； [pn，minp，maxp，tn，mint，maxt]=premnmx（p，t）；%对矩阵进行归一化；

net=newff（minmax（pn），[8，20，1]，{'tansig'，'tansig'，'purelin'}，'traingdx'）； %建立net网络，输入节点为8，输出节点为1，隐层节点为20；

net.trainParam.show=50；

net.trainParam.lr=0.05；

net.trainParam.mc=0.9；

net.trainParam.epochs=10 000；

net.trainParam.goal=1e-3；

>> net=train（net，pn，tn）；%网络创建，训练；

%pi为测试数据；

pin=tramnmx（pi，minp，maxp）；%测试数据的归一化；

an=sim（net，pin）；%测试

[a]=postmnmx（an，mint，maxt）； %测试结果数据的反归一化，最终得到预测结果；

本文针对该站点日间9点～11点每分钟车流量展开仿真预测。训练时以9～11点时间段内120组数据进行训练，而用其后十分钟内的10组数据进行预测。9～11点车流量训练误差变化图如图5所示。

图5 车流量训练误差变化

Fig.5 Training error curve of traffic flow

预测样本结果如表1。

表1 预测样本结果比较分析

Tab.1 Compare and analysis with Predicted results

预测数据号 实际车流量 预测车流量 误差

1 13 13.440 6 3.39%

2 11 12.064 8 9.68%

3 18 15.259 5 15.23%

4 17 12.533 9 26.27%

5 13 15.418 7 18.61%

6 16 17.147 7.17%

7 12 12.360 2 3.00%

8 12 10.536 3 12.20%

9 11 9.834 3 10.60%

10 10 10.300 7 3.01%

表1 预测样本结果比较分析

Tab.1 Compare and analysis with Predicted results

由表1可知，预测车流量与实际车流量很接近，部分误差较大，但实际数值相差不大，车流量预测成功，基于BP神经网络的交通流预测模型具有很高的可靠度[12-16]。 然而上述预测却仍有不足，因存在不同道路、瞬时变化的交通状况的差异，作为神经网络输入的交通流量信息在选择上太过简单，实验结果单一，还应持续反复实验和多次比对探索。在交通流量预测中，如何选择与预测时段相关性强交通流量信息作为神经网络的输入对于预测精度的提高具有明确的必要性和重要性[17]。

4 结束语

本文在研究宏观动态交通流模型的基础上对其进行了简化，并针对某个站点的交通流随时间变化进行分析，同时结合了附近站点的交通流对其建立了基于BP神经网络的高速公路交通流预测。从预测结果中得知，基于BP神经网络交通流预测模型具有颇高的可靠度，该简化的交通流模型更为精确，预测结果亦可综合总体地描述该站点一定空间及时间范围内的交通流情况。

参考文献：

[1]张可，齐彤岩，刘冬梅，等.中国智能交通系统（ITS）体系框架研究进展[J].国家智能交通系统工程技术研究中心，2005（5）：6-11.

[2]王进，史其信.神经网络模型在短期交通流预测领域应用综述[J]-河南科技大学学报（自然科学版），2005（2）.23-25.

[3]朱中，杨兆升.实时交通流量人工神经网络预测模型[J].中国公路学报，1998，11（4）：89-92.

[4] MARKOS P，JEAN-MARC B，SAIEHADJ H.ModeIing and reaI - time controI of traffic fIow on the southern part of bouIevard peripherigue in Paris[J].Transportation research，l990，24A（5）： 345-359.

[5]撒元功，湖郁葱，徐建闽.高速公路动态交通流的神经网络模型[J].华南理工大学学报。2002，30（8）：91-94.

[6]Simon Haykin. Neural networks：A comprehensive foundation[M].北京：清华大学出版社，2000.

[7]贾丹.基于神经网络的交通流的预测[J].锦州师范学院学报（自然科学版），2002，23（3）.27-29.

[8]袁曾任.人工神经元网络及其应用[M].北京：清华大学出版社，1999 .

[9]许宏科，穆魏，焦家华.高速公路动态交通流模型及其参数的分段辨识[J].武汉理工大学学报（交通科学与工程版），2005，29（1）：91-93.

[10]梁新荣，刘智勇，毛宗源.高速公路动态交通流 Elman 神经网络模型[J].交通运输工程学报，2006（9）：50-56

[11]樊小红，贺昱曜，刘勇顺. 自动化高速公路交通流密度的反演变结构控制[J].计算机工程与应用，2008，44（12）：244-248.

[12]温惠英，周玮明.基于S型函数预处理的RBF神经网络交通流量预测[J].交通信息与安全，2009（4）：22-25.

[13] HERN?NDEZ P J A， GARCIA A M A. Trys-tram G. Neural networks for the heat and mass transfer prediction during drying of cassava and mango[J] ，2004（01）.57-64.

[14]任雪莲，陈晓芬，马骏. 遗传神经网络在交通流预测中的应用[J].交通科技与经济 ，2009（4）：10-12

[15]谭国真，丁浩.广义神经网络的研究及其在交通流预测中的应用.控制与决策，2002，17（B 11）：777-780.

[16] XIAO H P F，ZHU W D G.Study on various architecture of a BP neural network[J].Control and Decision，2001（7）.32-33

[17]任英伟，宋玲玲，吴守荣，王海燕. BP神经网络技术在交通工程中的应用[J].交通世界（运输车辆），2009（10）：136-137.