基于BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測概述

1.引言

當(dāng)前的中國社會正在處于高速的發(fā)展階段，尤其是城市道路建設(shè)以及交通的發(fā)展正處于迅猛高速的成長階段。隨著人民生活質(zhì)量的提高以及人均GDP的不斷增長，城市中尤其是大城市，如：北京，上海，廣州等，的機(jī)動(dòng)車數(shù)量在大幅度增加、膨脹，以至于給城市交通造成了很大的壓力，為市民的出行造成了不便。比如，生活在首都北京，如果在上下班高峰時(shí)期出行，本可以以小客車平均時(shí)速60km/h的速度1小時(shí)到達(dá)的地方，需要近3個(gè)小時(shí)才能到達(dá)。據(jù)北京市公安局公安交通管理局統(tǒng)計(jì)數(shù)據(jù)顯示，截止到2010年底，本市機(jī)動(dòng)車保有量為480.9萬輛，比2009年增加79.0萬輛，上升19.7%。與2000年底比較，10年來機(jī)動(dòng)車保有量增加了323.1萬輛。

截止到2010年底，本市機(jī)動(dòng)車駕駛員為625.3萬人，比20 09年增加56萬人，上升9.8%。與2000年底比較，10年來駕駛員保有量增加了359.2萬人。

針對目前種種交通擁塞問題，提前預(yù)測交通流量走勢可有效預(yù)知某地區(qū)某路段的來某一時(shí)間段內(nèi)的交通流走勢，通過對未來交通流量的預(yù)測可以提前提供預(yù)測數(shù)據(jù)于有計(jì)劃出行的市民中，讓這些市民可根據(jù)得到的預(yù)測數(shù)據(jù)對自己的出行計(jì)劃重新進(jìn)行評估和準(zhǔn)備，優(yōu)化自己的出行路線和時(shí)間，最后可選擇最優(yōu)路徑和時(shí)間去達(dá)自己的目的地。

神經(jīng)網(wǎng)絡(luò)方法正是可以得到預(yù)測數(shù)據(jù)的較理想的方法，通過大量交通流量的統(tǒng)計(jì)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，較長時(shí)間和較大規(guī)模地對交通流量神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可以得到相對可靠和準(zhǔn)確的預(yù)測方法，在實(shí)際應(yīng)用中可以對不同時(shí)間階段的道路交通情況進(jìn)行預(yù)測，提供有效的預(yù)測數(shù)據(jù)給需要的人們，讓大家的生活更加便利和高效。

圖1 機(jī)動(dòng)車保有量增長趨勢圖

2.概述

2.1 交通流量預(yù)測現(xiàn)狀

早期的交通流量預(yù)測主要為交通控制系統(tǒng)服務(wù)。第一代城市交通控制系統(tǒng)(Urban Traffic Control Systems，UTCS)采用歷史數(shù)據(jù)對交通流量進(jìn)行離線預(yù)測；第二代UTCS應(yīng)用實(shí)測數(shù)據(jù)對歷史平均數(shù)據(jù)進(jìn)行修正，進(jìn)而對交通流量進(jìn)行預(yù)測；第三代UTCS只利用實(shí)測數(shù)據(jù)預(yù)測交通流量。第二代和第三代UTCS預(yù)測算法都存在時(shí)滯問題。與此同時(shí)，不少研究者也在積極地探討著交通流量預(yù)測的其他方法。Nicholson和Swann(1974)利用譜分析法預(yù)測交通流量，取得了令人比較滿意的結(jié)果，但這種方法無法預(yù)測突發(fā)交通事件對交通流狀態(tài)產(chǎn)生的影響。AhmaedS.A.和CookA.R.(1979)利用Box—Jerkins技術(shù)對高速公路的交通流量進(jìn)行預(yù)測，結(jié)果表明這種方法的精度有限。NancyL.Nihan和Kjell0 Holmesland(1980)應(yīng)用BoxJerkins技術(shù)和一路段4年的交通流量數(shù)據(jù)對該路段的交通流量進(jìn)行預(yù)測，精度較高，但這種方法要求的歷史數(shù)據(jù)較多，對建模者的知識水平和建模技巧要求較高。1waoOkutani(1984)利用卡爾曼濾波理論建立了交通流量預(yù)測模型，預(yù)測的精度優(yōu)于第二代UTCS預(yù)測方法。GaryA.Davis和NancyL．Nihan(1991)應(yīng)用非參數(shù)回歸模型預(yù)測交通流量，此模型在某些情況下比時(shí)間序列預(yù)測模型的預(yù)測精度要高。P.C.Vythotkas(1993)提出了基于卡爾曼濾波理論的交通流量預(yù)測模型，計(jì)算結(jié)果比較令人滿意。BrianL．Smith和MichaelJ．Demetsky(1993)利用神經(jīng)網(wǎng)絡(luò)方法預(yù)測交通流量，預(yù)測結(jié)果具有較高的精度，并且沒有時(shí)滯現(xiàn)象。MaschavanderVoort(1996)將神經(jīng)網(wǎng)絡(luò)與ARIMA時(shí)間序列模型相結(jié)合預(yù)測交通流量，使ARIMA模型具有更廣泛的適應(yīng)性和可移植性。CorinneLedOUX(1997)建立了基于神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測模型，首先利用神經(jīng)網(wǎng)絡(luò)建立每個(gè)路段的交通流量預(yù)測模型，再建立整個(gè)路網(wǎng)的交通流量預(yù)測模型，并應(yīng)用模擬的數(shù)據(jù)對模型進(jìn)行了驗(yàn)證。

2.2 神經(jīng)網(wǎng)絡(luò)方法概述

2.2.1 神經(jīng)網(wǎng)絡(luò)基本概念

利用機(jī)器模仿人類的智能是長期以來人們認(rèn)識自然、改造自然和認(rèn)識自身的理想。人們希望能夠探索和模擬人的感覺、思維和行為的規(guī)律，設(shè)計(jì)具有人類智能的計(jì)算機(jī)系統(tǒng)。探討人腦的智能活動(dòng)，用物化了的智能來考察和研究人腦智能的物質(zhì)過程及其規(guī)律。基于此，人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡稱ANN）的方法應(yīng)運(yùn)而生。T.Koholen對于人工神經(jīng)網(wǎng)絡(luò)的定義：“人工神經(jīng)網(wǎng)絡(luò)是由具有適應(yīng)性的簡單單元組成的廣泛并行互連的網(wǎng)絡(luò)，它的組織能夠模擬生物神經(jīng)系統(tǒng)對真實(shí)世界物體所的交互反應(yīng)。”

圖3 神經(jīng)網(wǎng)絡(luò)基本模型

2.2.2 BP神經(jīng)網(wǎng)絡(luò)概念

BP（Back propagation）神經(jīng)網(wǎng)絡(luò)也稱為誤差反向傳播神經(jīng)網(wǎng)絡(luò)——由非線性變換單元組成的前饋網(wǎng)絡(luò)，一般多層前饋網(wǎng)絡(luò)也指BP神經(jīng)網(wǎng)絡(luò)。其實(shí)質(zhì)就是：求解誤差函數(shù)的最小值問題多層前饋神經(jīng)網(wǎng)絡(luò)權(quán)值的調(diào)節(jié)。

圖4 傳統(tǒng)三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3.BP網(wǎng)絡(luò)預(yù)測過程概述

3.1 選擇數(shù)據(jù)采集點(diǎn)

首先應(yīng)當(dāng)確定數(shù)據(jù)收集地點(diǎn)。地點(diǎn)的選取必須要有代表性，否則預(yù)測是毫無意義。該地點(diǎn)首先應(yīng)當(dāng)在高峰時(shí)期具有較大車流量，以便數(shù)據(jù)的記錄與統(tǒng)計(jì)，由于BP網(wǎng)絡(luò)的成功建立需要大量數(shù)據(jù)的訓(xùn)練，因此較大的車流量可以保證數(shù)據(jù)量方面的支持。其次該地點(diǎn)應(yīng)當(dāng)具有普遍性，使得該地點(diǎn)可以代表一定數(shù)量的其他道路，這樣也保證了訓(xùn)練好的BP網(wǎng)絡(luò)可以有效的進(jìn)行預(yù)測。

3.2 數(shù)據(jù)的采集

因?yàn)榭紤]到數(shù)據(jù)的可靠性與普通性，因此應(yīng)當(dāng)根據(jù)一定的時(shí)間間隔，對數(shù)據(jù)進(jìn)行采樣，以保證其隨機(jī)性。對于數(shù)據(jù)量的要求，最重要的就是這些數(shù)據(jù)應(yīng)當(dāng)能準(zhǔn)確的訓(xùn)練出適當(dāng)?shù)腂P網(wǎng)絡(luò)，并且能夠用這個(gè)網(wǎng)絡(luò)去較為準(zhǔn)確的進(jìn)行預(yù)測。因此在訓(xùn)練時(shí)應(yīng)當(dāng)首先保證訓(xùn)練數(shù)據(jù)在100組以上。而對于測試數(shù)據(jù)的要求比較寬松。因此至少應(yīng)當(dāng)采集120組數(shù)據(jù)樣本。為了保證數(shù)據(jù)的完整性，數(shù)據(jù)的采集可以持續(xù)一周連續(xù)五個(gè)工作日，并且對每日早晚高峰三個(gè)小時(shí)內(nèi)每隔十五分鐘的車流量進(jìn)行統(tǒng)計(jì)。

3.3 數(shù)據(jù)的訓(xùn)練

首先應(yīng)當(dāng)選擇適當(dāng)?shù)挠?xùn)練函數(shù)。在matlab軟件中包含的傳遞函數(shù)主要有tansig，logsig，purelin，訓(xùn)練函數(shù)包括∶learnbp()，trainbp()，trainbpx().這兩類函數(shù)有多種不同的組合方式，在實(shí)際操作中，應(yīng)當(dāng)根據(jù)數(shù)據(jù)的不同進(jìn)行調(diào)配，以選擇出誤差最小，即訓(xùn)練效果最好的一組搭配作為實(shí)驗(yàn)采用的BP網(wǎng)絡(luò)模型。

模型組建完成之后，將采集好的前100組的數(shù)據(jù)輸入到模型中。本文采取的預(yù)測方法是，使用前三個(gè)數(shù)據(jù)預(yù)測第四個(gè)數(shù)據(jù)，因此對于BP網(wǎng)絡(luò)應(yīng)當(dāng)選擇三輸入一輸出的架構(gòu)。將100組數(shù)據(jù)分別輸入完成之后，針對該地段車流量預(yù)測的BP網(wǎng)絡(luò)就訓(xùn)練完成了。

3.4 數(shù)據(jù)的預(yù)測

現(xiàn)在可以利用訓(xùn)練好的BP網(wǎng)絡(luò)對采集到的剩余數(shù)據(jù)進(jìn)行預(yù)測。預(yù)測時(shí)應(yīng)當(dāng)繼續(xù)采用三輸入一輸出的結(jié)構(gòu)，以保證訓(xùn)練與預(yù)測的一致性。需要注意的是，數(shù)據(jù)記錄的是車流量，因此都以整數(shù)形式出現(xiàn)。為了訓(xùn)練與預(yù)測的方便，數(shù)據(jù)的大小可以自行調(diào)整。

4.BP網(wǎng)絡(luò)的缺陷與改進(jìn)

從網(wǎng)絡(luò)結(jié)構(gòu)可以看出，網(wǎng)絡(luò)運(yùn)行時(shí)單方向傳播，沒有反饋。因此，BP網(wǎng)絡(luò)本質(zhì)上是靜態(tài)網(wǎng)絡(luò)，只能實(shí)現(xiàn)非線性靜態(tài)映射，不具有動(dòng)態(tài)信息處理能力，并不是一個(gè)非線性的動(dòng)力學(xué)系統(tǒng)。標(biāo)準(zhǔn)BP算法采用的是非線性無約束極值問題求解方法是最速下降法。由非線性優(yōu)化知識可知，最速下降法只是對局部而言，整體來說卻不一定是最速下降方向。另外，由于算法本身的原因，學(xué)習(xí)過程可能收斂于局部極小點(diǎn)。

BP網(wǎng)絡(luò)學(xué)習(xí)過程應(yīng)當(dāng)包括BP網(wǎng)絡(luò)連接權(quán)值的學(xué)習(xí)和網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)，新的改進(jìn)算法應(yīng)當(dāng)是同時(shí)包括權(quán)值學(xué)習(xí)和結(jié)構(gòu)學(xué)習(xí)的混合算法。學(xué)習(xí)算法的改進(jìn)也可以考慮采用混合算法的形式。從聯(lián)結(jié)主義的觀點(diǎn)來看，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)應(yīng)當(dāng)受到重視，通過結(jié)構(gòu)調(diào)整中不使用梯度法而是基于別的理論進(jìn)行改進(jìn)。自適應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整方法和適用于BP網(wǎng)絡(luò)這一特殊非線性無約束優(yōu)化問題的改進(jìn)算法都將使BP網(wǎng)絡(luò)研究取得突破性進(jìn)展。

為了克服算法的缺陷，實(shí)踐中已經(jīng)提出了多種對其改進(jìn)的新算法，從不同角度對網(wǎng)絡(luò)進(jìn)行改進(jìn)，并取得了一定的成果，在一定程度上改進(jìn)了BP學(xué)習(xí)算法的性能。

5.結(jié)論

使用BP網(wǎng)絡(luò)對車流量進(jìn)行預(yù)測，不僅是一種有效而準(zhǔn)確的嘗試，更重要的是預(yù)測具有較大的實(shí)際意義，可以被相關(guān)部門用來進(jìn)行交通的管理與疏導(dǎo)，真正做到科研與實(shí)際相結(jié)合。

[1]E.Gelenbe.Neural Networks:Advances and Applications[M].Amsterdam:North-Hollande.1991.

[2]羅軍輝,馮平等.MATLAB 7.0在圖像處理中的應(yīng)用[M].北京:機(jī)械工業(yè)出版社,2005.

[3]聞新,周露等.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].北京:科學(xué)出版社,2003.

[4]李士勇.模糊控制.神經(jīng)控制和智能控制[M].哈爾濱:哈爾濱工業(yè)大學(xué)出版社,1998.

[5]索勝軍,孫光偉.幾種改進(jìn)BP算法的性能比較[J].哈爾濱建筑大學(xué)學(xué)報(bào),2000.