集成BP神經網絡預測模型的研究與應用

趙會敏，雒江濤，楊軍超，徐正，雷曉，羅林

（重慶郵電大學電子信息與網絡工程研究院，重慶400065）

研究與開發(fā)

集成BP神經網絡預測模型的研究與應用

趙會敏，雒江濤，楊軍超，徐正，雷曉，羅林

（重慶郵電大學電子信息與網絡工程研究院，重慶400065）

BP神經網絡對逼近實數(shù)值提供了一種頑健有效的學習方法，適合對路口交通流量進行預測。針對BP神經網絡存在易陷入局部最小值和收斂速度慢的問題，提出了一種集成BP預測模型。該模型集成多個具有不同初始權值和訓練集的BP模型，并以加權平均值的方法作為結合方法。其中的每個BP模型是以一種改進的MapReduce方法實現(xiàn)的。將該模型運用到交通路口車輛分流流量大小的預測實例中，并依次與單機實現(xiàn)的單個BP模型和MapReduce實現(xiàn)的單個BP模型進行比較。結果表明，集成BP模型在路口車輛分流流量大小的預測中有較高的準確率和實時性。

BP神經網絡；集成預測；MapReduce；加權平均值；交通路口分流流量大小的預測

TP183

A

1 引言

隨著國內城市的不斷高速發(fā)展，城市交通擁堵、交通事故頻發(fā)、能源浪費等已成為各個城市發(fā)展所面臨的問題，很多城市將大力發(fā)展智能交通系統(tǒng)（intelligent transport system，ITS）。在交叉路口對車輛分流流量大小（路口左轉、右轉、直行車流量的大小）的預測是ITS中非常關鍵、基礎的一部分，對它的研究將使交通信號燈智能控制成為可能，對交通服務行業(yè)的發(fā)展也有至關重要的影響。目前已經有很多種預測模型運用到車流量預測中，如非參數(shù)回歸預測方法、自回歸移動滑動平均（autoregressive moving average，ARMA）模型，參考文獻［1］對這些模型做了介紹和對比，除此還有BP（back propagation）神經網絡［2］、RBF神經網絡［3］、Elman神經網絡［4］、支持向量機［5］（support vector machine，SVM）等算法。其中BP神經網絡模型是應用最廣泛的預測模型。

BP神經網絡［6］由輸入層、隱含層和輸出層構成，隱含層的層數(shù)可以是一層或多層，每一層的神經元之間沒有相互連接。任意的函數(shù)可以用一個有3層結構的網絡以任意精度逼近。BP神經網絡是一種誤差反向傳播的模型，將網絡的誤差由輸出層反向傳播到輸入層，在此過程中使用隨機梯度下降的法則不斷優(yōu)化網絡參數(shù)，調整網絡的權值，使得網絡誤差下降，直到網絡誤差值開始有上升趨勢時停止，得到最優(yōu)網絡。BP神經網絡可以實現(xiàn)大規(guī)模的并行處理，可以用Hadoop的分布式計算框架MapReduce編程來處理海量的數(shù)據(jù)［7］，因此可以用來處理大量的交通數(shù)據(jù)。但BP神經網絡采用梯度下降的方法搜索網絡權值空間，這決定了其容易陷入局部極小值和收斂速度慢的問題，為此提出了一種集成BP神經網絡預測的模型。

集成學習是機器學習的一個發(fā)展成果，它將多個單個的模型按照某種結合方法結合在一起，來獲得比單個模型更好的預測效果［8］。目前，集成學習已經被廣泛應用于面部識別［9］、圖像分析［10］、疾病診斷［11］等領域，并已取得良好的效果。本文的集成預測模型集成了多個以MapReduce方式實現(xiàn)的BP神經網絡模型，為了解決易陷入局部極小值的問題，對每個網絡用不同的隨機權值初始化，這是因為網絡初始權值不同，則算法訓練權值的方向不同，算法最終會收斂于不同的局部極小值或全局極小值。集成模型的輸出是每個BP模型輸出的加權平均值，這樣就降低了某個模型陷入局部極小值，從而對預測結果的嚴重影響。此外，每個BP模型在計算更新權值量時引入了沖量項，使其越過誤差曲面的局部極小值或平坦區(qū)域，在梯度不變的區(qū)域逐漸增大搜索步長的效果，從而可以加快收斂速度。

2 集成BP神經網絡預測模型

集成BP神經網絡預測模型的建立主要分為數(shù)據(jù)集構建、單個BP模型的建立和預測結果的匯聚3個步驟，如圖1所示。

圖1 集成BP神經網絡預測模型

2.1 數(shù)據(jù)集的構建

構建數(shù)據(jù)集首先需要確定特征字段，本文以交叉路口車輛分流流量大小的預測為例來驗證模型的預測性能。參考文獻［12］指出路口各個方向的車流量不僅和它前3個時間段的車流量有關，還和其他方向的流量有關。參考文獻［13］指出當前車流量與之前一個月以內的車流量關聯(lián)最為緊密，并且必須選取交通流量特征相似的時間段的數(shù)據(jù)。因此，選取路口前3個時間段的總流量、3個方向的流量以及下一個時間段路口的總流量，共13個特征字段作為輸入特征，以下一個時間段的3個方向的流量，共3個特征字段作為輸出特征。然后，選取一個特定的時間段（如上下班高峰期）的一個月的數(shù)據(jù)來建立訓練集，選取接下來一天該時間段的數(shù)據(jù)來建立驗證集和預測集。

由于BP神經網絡的隱含層一般采用Sigmoid轉換函數(shù)，為提高訓練速度和靈敏性以及有效避開函數(shù)的飽和區(qū)，一般要求輸入數(shù)據(jù)的值在0～1之間。因此要對輸入數(shù)據(jù)進行歸一化處理。本文采用min-max標準化線性歸一化處理方法，如式（1）所示：

2.2 單個BP神經網絡模型的建立

集成預測模型的關鍵在于構建出具有差異性的個體模型，這也是獲得較好集成效果的保證［14］。

BP神經網絡模型的建立，首先要確定BP網絡的網絡結構，然后確定構建差異性個體模型的方法，最后用一種改進的MapReduce編碼方式實現(xiàn)模型的建立。

2.2.1 BP網絡結構的確定

一個BP神經網絡是由網絡層數(shù)、每層節(jié)點數(shù)、激活函數(shù)、學習效率、沖量系數(shù)和網絡的初始連接權值等構成的。

（1）網絡層數(shù)和激活函數(shù)的確定

Hornik等人早已證明若輸入層和輸出層采用線性轉換函數(shù)，隱含層采用Sigmoid轉換函數(shù)，則包含一個隱含層的MPL網絡能夠以任意精度逼近任何有理函數(shù)［15］。因此采用3層BP網絡，即一個輸入層、一個隱含層、一個輸出層。網絡的激活函數(shù)采用Sigmoid函數(shù)。

（2）網絡各層節(jié)點數(shù)的確定

根據(jù)輸入層和輸出層的特征字段的個數(shù)，網絡的輸入層節(jié)點數(shù)是13個，輸出層的節(jié)點數(shù)是3個。隱含層的節(jié)點數(shù)的選擇對整個網絡的性能至關重要。若隱含層的節(jié)點數(shù)過少，網絡可能不能被訓練或網絡的性能很差；若節(jié)點數(shù)過多，雖然網絡的系統(tǒng)誤差可能很低，但一方面使網絡的訓練時間很長，另一方面很容易導致訓練陷入局部極小值而得不到最優(yōu)極小值，這也是訓練出現(xiàn)過擬合的內在原因，從而影響了網絡的泛化能力。所謂泛化能力是指訓練的網絡不僅對于訓練的數(shù)據(jù)能很好地擬合，并且對于不在訓練集內的新的預測數(shù)據(jù)也能很好地擬合，即有較高的預測準確率。因此，在滿足精度的要求下，隱含層的節(jié)點數(shù)越少越好。隱含層節(jié)點數(shù)不僅與輸入、輸出層的節(jié)點數(shù)有關，更與需要解決的問題的復雜程度、轉換函數(shù)的形式以及樣本數(shù)據(jù)的特性等因素有關。目前廣泛用于隱含層節(jié)點數(shù)確定的方法有兩種：一是Kolmogorov定理中指出，隱含層節(jié)點數(shù)一般為輸入層節(jié)點數(shù)的兩倍加1；另一種如式（2）所示，u是隱含層節(jié)點數(shù)，m、n分別是輸入層和輸出層的節(jié)點數(shù)，a為3～7之間的某個值。依照這兩種方法確定隱含層的節(jié)點數(shù)范圍大致在7～11或7～19中。

（3）學習率、沖量系數(shù)和初始連接權值

學習率η會影響系統(tǒng)學習過程的穩(wěn)定性。大的學習率會導致網絡權值的修正量過大，甚至導致權值超出誤差的極小值，呈不規(guī)則跳躍而不收斂。雖然過小的學習率會導致學習訓練時間過長，但是能保證收斂到某個極小值。所以本文的η在0.1～0.8中。增加沖量項可以減少網絡訓練時間而又不導致震蕩，可以加快收斂速度，通常沖量系數(shù)在0～1中，而且一般比學習率大。BP算法決定了誤差函數(shù)一般存在多個局部極小值，網絡初始權值不同，則算法訓練權值的方向不同，這直接決定了算法收斂于哪個局部極小值或全局極小值，權重的初始化強烈影響著最終的解。

基于以上理論分析，結合車輛分流流量大小預測的數(shù)據(jù)集，單機Java編程BP神經網絡，確定最終BP神經網絡的結構：隱含層節(jié)點數(shù)為7，學習率為0.25，沖量系數(shù)為0.3，初始權值可以分布在［-0.3，0.3］、［-0.4，0.4］、［-0.5，05］、［-0.6，0.6］和［-0.7，0.7］幾個區(qū)間中。

2.2.2 構建多個差異性個體BP神經網絡模型

在引言部分已經說明使用不同的初始權值來構建BP神經網絡，所以使用已經驗證的［-0.3，0.3］、［-0.4，0.4］、［-0.5，05］、［-0.6，0.6］和［-0.7，0.7］這幾個分布區(qū)間來初始不同的BP神經網絡。使用不同的隨機種子來生成兩組在分布區(qū)間［-0.5，05］中的初始權值。共構建6個有差異性的單個BP神經網絡的模型。

Bagging是一種能夠提高不穩(wěn)定學習算法的預測精度的集成技術，對于決策樹和人工神經網絡這樣的學習算法特別有效［16］。借鑒Bagging集成技術，從構建的訓練集S中抽取6個子訓練集｛S1，S2，S3，S4，S5，S6}，分別用這些訓練集訓練6個BP神經網絡模型，即使用不同的數(shù)據(jù)集訓練網絡來增加單個BP神經網絡的差異度，從而有效地提高集成BP預測模型的泛化能力。

2.2.3 以MapReduce的方式實現(xiàn)BP神經網絡模型

［17］對BP神經網絡的MapReduce的實現(xiàn)思路是在map階段計算并輸出每個權值的變化量，然后在reduce階段統(tǒng)計每個權值的總變化量，再對權值進行調整。MapReduce過程中產生大量的中間結構，這就導致了大量的I/O操作，大大延長了作業(yè)的完成時間。本文采用了一種改進的MapReduce實現(xiàn)方式，能顯著減少算法的中間結果的數(shù)量，加快算法收斂速度。針對每個樣本map階段輸出的所有權值，定義了一個繼承于Hadoop序列化標準類的TwoDArrayWritable的WeightWritable類，用于傳遞權值，并且對于每個輸入樣本，經過數(shù)次的本地迭代后，才輸出多次迭代后的權值。

對BP神經網絡的MapReduce化實現(xiàn)主要通過兩個map函數(shù)和一個reduce函數(shù)來實現(xiàn)，第二個map函數(shù)用驗證集來測試預測模型，計算測試誤差，用來判斷是否可以停止迭代。其實現(xiàn)系統(tǒng)如圖2所示。

在第一個map函數(shù)中，網絡從文件系統(tǒng)中讀取權值，初始化網絡，讀入樣本。對每個樣本迭代20次之后，map輸出一個＜LongWritable，WeightWritable＞鍵值對，其中WeightWritable作為map的值類型，記錄了經過訓練后的網絡的所有權值。每一個回合的學習結果都要送到一個reduce中進行綜合，對輸出類型為LongWritable的鍵設一個統(tǒng)一的值，因為網絡連接權值包括輸入層到隱含層的連接權值和隱含層到輸出層的連接權值，因此有兩類權值矩陣，為將這兩個權值矩陣分開，將它們的鍵分別設為1、2。

在reduce函數(shù)中，接收map的輸出＜LongWritable，WeightWritable＞作為輸入，reduce函數(shù)的輸出仍為＜LongWritable，WeightWritable＞。收集map函數(shù)輸出的WeightWritable，根據(jù)不同的鍵值（1或2），累加不同的值和值的數(shù)目，計算出兩個權值矩陣的算術平均值WeightWritable作為reduce函數(shù)的輸出值，即獲得經過訓練后網絡的新權值。

在另一個map函數(shù)map1中，將reduce函數(shù)計算得到的權值作為初始權值，初始化一個神經網絡。并用驗證數(shù)據(jù)集測試網絡，計算驗證集的預測誤差，如果此次迭代的預測誤差小于上次迭代的預測誤差，則用reduce函數(shù)得到的權值矩陣更新文件系統(tǒng)中的權值文件。此外驗證集的預測誤差將會用來驗證模型的預測性能是否達到要求，從而判斷是否可以停止迭代。

另外還要設置一個驅動函數(shù)來保證程序的正常運行。驅動函數(shù)的輸入包括兩個路徑，一是樣本的輸入路徑，另一個是Hadoop作業(yè)的輸出路徑。該函數(shù)先判斷是否存在權值文件，如果沒有則創(chuàng)建一個WeightWritable實例，并賦予已選定區(qū)間的隨機值作為網絡的初始權值，寫入HDFS中供后續(xù)使用。然后根據(jù)參數(shù)中的樣本路徑、輸出路徑創(chuàng)建Hadoop作業(yè)。在創(chuàng)建作業(yè)之前，根據(jù)map1函數(shù)計算的預測誤差來判斷是否繼續(xù)進行下一次作業(yè)的循環(huán)迭代，評價標準是前后兩次迭代的預測誤差的差值小于0.01，且此次預測誤差大于上次誤差，則結束迭代。此評價標準與參考文獻［18］中提出的以訓練樣例的誤差達到某個閾值以下或達到一定訓練次數(shù)作為訓練的終止條件相比，解決了反向傳播算法容易過度擬合訓練樣例，降低對其他新的預測實例的泛化精度的問題。

圖2 BP神經網絡以MapReduce方式實現(xiàn)的系統(tǒng)

2.3 預測結果的匯集結合

運用已經訓練好的6個BP神經網絡模型（模型BP1、BP2、BP3、BP4、BP5、BP6）對預測集中的每個樣本實例進行預測，并保存每個模型的預測結果。然后根據(jù)加權平均值的匯聚結合方法，用每個BP模型驗證集誤差值最低的一次的驗證集的平均準確率除以所有模型平均準確率之和，計算出集成的加權系數(shù)。將6個模型的預測結果匯集，得到最終的集成預測結果。集成預測結果的匯聚結合方法如式（3）所示，其中Q代表集成預測的流量大小，Qn（n為1～6）代表單個BP模型的預測結果，Tn（n為1～6）代表每個模型的加權系數(shù)。Tn的計算方法如式（4）所示，其中Rn（n為1～6）代表每個BP模型驗證集誤差值最低的一次的驗證集的平均準確率。

3 模型測試與結果分析

3.1 測試平臺

本文的BP神經網絡模型是以MapReduce方式實現(xiàn)的，需要在Hadoop平臺上進行運行測試。在虛擬機CentOS6.5系統(tǒng)中分別部署了Hadoop-2.6.0偽分布式平臺和主要開發(fā)平臺Eclipse-Jee-Luna-SR2-Linux。其中，為使Eclipse運行于Hadoop平臺上，使用插件Hadoop-Eclipse-Plugin-2.6.0。

3.2 數(shù)據(jù)集的來源及構建

數(shù)據(jù)來源于開源網站數(shù)據(jù)堂［19］，該數(shù)據(jù)是南京市一天的RFID交通數(shù)據(jù)，包含的特征字段為身份信息（電子牌編號）、車型信息（大、中、小）、時間信息（通過某一采集點時間）、位置信息（采集點編號及方位信息）和車道號（車輛處在哪個車道上）。利用源數(shù)據(jù)的這些特征字段構建集成預測模型的特征集。

分析這一天的南京市RFID數(shù)據(jù)的規(guī)律，編程仿造出30天的RFID數(shù)據(jù)，并將其構建為數(shù)據(jù)集，隨機分為6份，作為6個BP神經網絡的訓練集；將一天的南京市的RFID數(shù)據(jù)構建為數(shù)據(jù)集分為兩份，分別作為模型的驗證集和預測集。

3.3 預測結果與分析

預測的準確率和所需時間的長短是評估路口車輛分流流量大小預測模型的重要指標，流量預測具有實時性，如果預測的時間過長，將會使流量預測失去意義。準確率的計算式如下：

其中，q代表準確率，Q代表預測流量大小，G代表實際目標流量大小。用式（5）計算所有樣例的準確率，取平均作為模型的準確率。

本文將單機實現(xiàn)（即未用MapReduce方式）的BP神經網絡預測模型、MapReduce方式實現(xiàn)的BP神經網絡預測模型以及集成BP神經網絡預測模型三者的預測結果進行比較，見表1。

由表1可知，單機BP神經網絡預測模型的準確率略低于MapReduce方式實現(xiàn)的BP神經網絡預測模型的準確率，在左轉方向上低出1.4%～13.2%，在右轉方向上低出0.2%～8.7%，在直行方向上低出5.1%～8.3%。而它們的準確率都低于集成BP預測模型的準確率，在左轉方向上單機BP低出18.7%，MapReduce方式實現(xiàn)的BP低出5.5%～17.1%；在右轉方向上單機BP低出20.5%，MapReduce方式實現(xiàn)的BP低出11.8%～20.3%；在直行方向上單機BP低出10.6%，MapReduce方式實現(xiàn)的BP低出2.3%～5.5%。

表1 各個模型的路口車輛分流流量大小預測性能

出現(xiàn)以上結果的原因是單機BP神經網絡模型在訓練時，將樣本連續(xù)地輸入網絡，每個樣本每次經過網絡，網絡的權值都會被更新，這種訓練方式，有可能對后輸入的樣本訓練訓練效果較好，而對最開始輸入的樣本因訓練時間長久而“遺忘”；而MapReduce實現(xiàn)的BP神經網絡預測模型在訓練時，對每個實例進行多次本地迭代后更新權值，然后再求每個實例更新的權值的平均值作為神經網絡的權值，這兼顧了每個實例，因此后者的預測準確率高于前者的預測準確率；而集成預測模型，通過訓練多個BP神經網絡預測模型并將其結果集成輸出，提高了模型的泛化能力，因此本文提出的集成BP預測模型的預測準確率最高。各個模型準確率的比較結果如圖3所示。因為3個方向在各個模型中的預測準確率情況大致相似，因此，只展示出了各個模型左轉準確率的情況。

圖3 各個模型左轉準確率比較情況

由表1可知，MapReduce方式實現(xiàn)的BP神經網絡預測模型的訓練時間和預測時間與單機BP神經網絡預測模型的訓練時間和預測時間相比，都大大縮短了。MapReduce方式實現(xiàn)的6個BP模型的平均訓練時間為30.063 s，與單機BP的訓練時間64.696 s相比，訓練時間減少了一半；MapReduce方式實現(xiàn)的6個BP模型的平均預測時間為9.762 s，與單機BP的預測時間17.626 s相比，預測時間將近減少了一半。而集成預測模型的預測時間為13.112 s，要稍微比MapReduce方式實現(xiàn)的6個BP神經網絡預測模型的平均預測時間9.762 s長，是因為在預測開始時，需要從HDFS上讀取已經訓練好的6個MapReduce方式實現(xiàn)的BP神經網絡預測模型的權值，來初始化6個BP神經網絡，需要消耗一定的時間，但這個時間開銷不是很大，在對路口車輛分流流量大小預測的實時性要求范圍內。各個模型預測時間的比較結果更直觀地展示如圖4所示。

4 結束語

集成學習可以提高單個神經網絡的泛化能力，即對新樣本有較高的預測準確率，從而提高模型的穩(wěn)定性。本文提出了集成多個BP神經網絡的預測模型，并以MapReduce的方式實現(xiàn)，將其分別與單機實現(xiàn)（即未用MapReduce方式）的BP神經網絡預測模型和MapReduce方式實現(xiàn)的BP神經網絡預測模型的進行性能比較。測試表明，集成預測模型的預測準確率較高、實時性合理，適合處理大量的交通流量預測數(shù)據(jù)。為路口車輛分流流量大小的預測提供了一種可靠的參考方法，在實際系統(tǒng)中，可以利用歷史RFID數(shù)據(jù)訓練建立集成BP神經網絡預測模型，確定各個BP模型的連接權值和匯聚結合計算式的加權系數(shù)，來預測路口實時車輛分流流量大小，并判斷預測的準確率是否達到要求，如果不符合要求便更新建模的數(shù)據(jù)和各個BP模型的連接權值、匯聚結合計算式的加權系數(shù)。但本文對路口車輛分流流量大小預測的準確率在0.9左右，仍有待提高。在本文的工作基礎上繼續(xù)深入研究，力爭建立性能更好的預測模型。

圖4 各個模型預測時間比較情況

參考文獻：

［1］SMITH B L，DEMESKY MJ.Traffic flow forecasting：comparison of modeling approaches［J］.Journal of Transportation Engineering，1997，123（4）：262-266.

［2］朱學明.基于神經網絡的短時交通流預測方法的研究與應用［D/OL］.蘭州：蘭州理工大學，2013［2013-10-30］.http：/xueshu.baidu.com/s？wd=paperuri%3A%28cccf11993959c64f0b0fa 9321a 680311%29amp;filter=sc_long_signamp;tn=SE_xueshusource_2kduw 22vamp;sc_vurl=http%3A%2F%2Fd.wanfangdata.com.cn%2F Thesis%2FY2335877amp;ie=utf-8.ZHU X M.Research and application on the short-term traffic flow prediction based on neural network［D/OL］.Lanzhou：Lanzhou University of Technology，2013［2013-10-30］.http：//xueshu.baidu.com/s？wd=paperuri%3 A%28cccf11993959c 64f0b 0fa9321a680311%29amp;filter=sc_long_signamp;tn=SE_xueshusource_2kduw22vamp;sc_vurl=http%3A%2F%2Fd.wanfangdata.com.cn%2FThesis%2FY2335877amp;ie=utf-8.

［3］ZHAO J Y，JIA L，WANG X Q.The forecasting model of urban traffic flow based on parallel RBF neural network［C］/The Interneational Conference on Intelligent Computing and Applications，April 4-6，2015，Wuhan，China.［S.l.：s.n.］，2005：515-520.

［4］董春嬌，邵春福，熊志華，等.基于Elman神經網絡的道路網短時交通流預測方法［J］.交通運輸系統(tǒng)工程與信息，2010，10（1）：145-151.DONG C J，SHAO C F，XIONG Z H，et al.Short-term traffic flow forecasting of road network based on Elman beural network［J］.Transportation Systems Engineering and Information Technology，2010，10（1）：145-151.

［5］徐啟華，楊瑞.支持向量機在交通流量實時預測中的應用［J］.公路交通科技，2005，22（12）：131-134.XU Q H，YANG R.Traffic flow prediction using support vector machine based method［J］.Highway and Transportation Research and Development，2005，22（12）：131-134.

［6］MITCHELL T M.機器學習［M］.北京：機械工業(yè)出版社，2003：60-90.MITCHELL T M.Machine Learing［M］.Beijing：China Machine Press，2003：60-90.

［7］朱晨杰，楊永麗.基于MapReduce的BP神經網絡算法研究［J］.微型電腦應用，2012，28（10）：9-12.ZHU C J，YANG Y L.Research of MapReduce based on BP neural network algorithm［J］.Microcomputer Applications，2012，28（10）：9-12.

［8］BREIMAN L.Bagging predictors［J］.Machine Learning，1996，24（2）：123-140.

［9］CONNOLLY J F，GTANGER E，SABOURIN R.Dynamic multi-objective evolution of classifier ensembles for video face recognition［J］.Applied Soft Computing，2013，13（6）：3149-3166.

［10］SAUX B L，SANFOURCHE M.Robust vehicle categorization from aerial images by 3d-template matching and multiple classifier system［C］/The 7th International Symposium on Imageamp;Signal Processingamp;Analysis，September 4-6，2011，Dubrovnik，Croatia.New Jersey：IEEE Press，2011：466-470.

［11］KRAWCZYK B，SCHAEFER G.Effective multiple classifier systems for breast thermogram analysis［C］/The 21st Inte rnational Conference on Pattern Recognition（ICPR），November 11-15，2012，Tsukuba，Japan.New Jersey：IEEE Press，2012：3345-3348.

［12］尚寧，罩明貴，王亞琴，等.基于BP神經網絡的路口短時交通流量預測方法［J］.計算機應用與軟件，2006，23（2）：32-33.SHANG N，QIN MG，WANG Y Q，et al.A BP neural network method for short-term traffic flow forecasting on crossroads［J］.Computer Applications and Software，2006，23（2）：32-33.

［13］崔德光，吳淑寧，徐冰.空中交通流量預測的人工神經網絡和回歸組合方法［J］.清華大學學報（自然科學版），2005，45（1）：96-99.CUI D G，WU S N，XU B.Air traffic flow forecasts based on artificial neural networks combined with regression methods［J］.Journal of Tsinghua University（Science and Technology Edition），2005，45（1）：96-99.

［14］DIETTERICH T G.Ensemble Methods in Machine Learning［M］.Berlin：Springer Berlin Heidelberg，2000：1-15.

［15］CHU C T，SANG K K，LIN Y A，et al.Map-reduce for machine learning on multicore［C］/The Twentieth Annual Conference on Neural Information Processing Systems，December 4-7，2006，Vancouver，Canada.［S.l.：s.n.］，2006，281-288.

［16］QUINLAN J R.Bagging，boosting，and C4.5［EB/OL］.（1996-08-04）［2015-3-11］.http：/xueshu.baidu.com/s？wd=paperuri%3A%28c35 bca131cc209561cc4f533a6cfd1a0%29amp;filter=sc_long_signamp;sc_ks_para=q%3DBagging%2C%20boosting%2C%20and%20C4.Samp;tn=SE_baiduxueshu_c1gjeupaamp;ie=utf-8.

［17］鞠訓光，邵曉根，鮑蓉，等.Hadoop下并行BP神經網絡駱馬湖水質分類［J］.南京師大學報（自然科學版），2014，37（1）：52-56.JU X G，SHAO X G，BAO R，et al.Based on parallel BP neural network of classification on water quality of Luoma lake under hadoop［J］.Journal of Nanjing Normal University（Natural Science Edition），2014，37（1）：52-56.

［18］朱啟敏.基于云計算平臺的神經網絡計算方法及其應用研究［D/OL］.廣州：華南理工大學，2014［2014-12-28］.http：/xueshu.baidu.com/s wd=paperuri%3A%28376cd6d6a7a74296 f30ac 11139993edc%29amp;filter=sc_long_signamp;tn=SE_xueshusource_2kduw22vamp;sc_vurl=http%3A%2F%2Fcdmd.cnki.com.cn%2FArticle%2FCDMD-10561-1014064144.htmamp;ie=utf-8.ZHU Q M.Research on computation methods of neural networks and applications based on a cloud computing platform（master dessertation）.Guangzhou：South China University of Technology，2014［2014-12-28］.http：/xueshu.baidu.com/s wd=paperuri%3A%28376cd6d6a7a74296f30ac 11139993edc%29amp;filter=sc_long_signamp;tn=SE_xueshusource_2kduw22vamp;sc_vurl=http%3A%2F%2Fcdmd.cnki.com.cn%2FArticle%2FCDMD-10561-1014064144.htmamp;ie=utf-8.

［19］南京交通RFID及車牌識別數(shù)據(jù)集（樣例版）［EB/OL］.（2015-04-20）［2015-05-21］.http：/www.datatang.com/data/47187.

Research and app lication of prediction model based on ensemble BP neural network

ZHAO Huimin，LUO Jiangtao，YANG Junchao，XU Zheng，LEI Xiao，LUO Lin
Electronic Information and Networking Research Institute，Chongqing University of Posts and Telecommunications，Chongqing 400065，China

BP neural network provides a robust and effective learning method for approximating real values.It is fit for intersection traffic flow prediction.In order to resolve its slow convergence speed and easily falling into local minimum problem，an ensemble prediction model was proposed.This model integrated multiple BP neural networks which had different initial weights and training set and used weighted average as combination method.It had used an improved MapReduce method to implement every BP neural network of the ensemble prediction model.This ensemble prediction model took traffic shunt flow prediction at intersection as an example.At last，it was compared with simple single implementation BP model and MapReduce implementation BP model respectively.Finally，results prove that ensemble prediction model has a higher accuracy rate and real-time performance in traffic shunt flow prediction at intersection.

BP neural network，ensemble prediction，MapReduce，weighted average，traffic shunt flow prediction at intersection

s：Collaborative Innovation Center for Information Communication Technology Foundation of Chongqing，Key Technology Research on Classification，Identification of Network Traffic and Depth Analysis Based on Cloud Computing（No.cstc2013yykfA40006）

10.11959/j.issn.1000-0801.2016060

2015-10-07；

2016-01-08

重慶市新一代信息網絡與終端協(xié)同創(chuàng)新中心經費支持項目；基于云計算的網絡流量分類標識和深度分析關鍵技術研究項目（No.cstc2013yykfA40006）

趙會敏（1988-），女，重慶郵電大學電子信息與網絡工程研究所碩士生，主要研究方向為數(shù)據(jù)挖掘、交通大數(shù)據(jù)分析。

雒江濤（1971-），男，博士，重慶郵電大學電子信息與網絡工程研究所副院長、教授、博士生導師，IEEE高級會員，主要研究方向為移動互聯(lián)網數(shù)據(jù)挖掘和新一代網絡技術。

楊軍超（1988-），男，重慶郵電大學電子信息與網絡工程研究所博士生，主要研究方向為數(shù)據(jù)挖掘。

徐正（1989-），男，重慶郵電大學電子信息與網絡工程研究所碩士生，主要研究方向為數(shù)據(jù)挖掘。

雷曉（1989-），男，重慶郵電大學電子信息與網絡工程研究所碩士生，主要研究方向為數(shù)據(jù)挖掘。

羅林（1990-），男，重慶郵電大學電子信息與網絡工程研究所碩士生，主要研究方向為數(shù)據(jù)挖掘。