基于多源監(jiān)測(cè)數(shù)據(jù)的道路擁堵情況預(yù)測(cè)

摘要：隨著城市發(fā)展步伐的加快，道路基礎(chǔ)設(shè)施建設(shè)取得了顯著成就。然而隨著居民生活水平的提高，巨大的出行需求與有限的道路基礎(chǔ)設(shè)施供應(yīng)之間的矛盾日益嚴(yán)峻，造成城市擁堵，有待改善。因此掌握城市交通狀態(tài)，不僅成為交通研究所的主要工作內(nèi)容，也是城市交通規(guī)劃的研究?jī)?nèi)容，同時(shí)，它為城市交通規(guī)劃和交通決策提供數(shù)據(jù)。基于上述原因，本文利用深圳市公安局交通警察局本次提供深圳市局部區(qū)域道路的交通卡口監(jiān)測(cè)數(shù)據(jù)、出租車為主的浮動(dòng)車數(shù)據(jù)以及互聯(lián)網(wǎng)導(dǎo)航平臺(tái)數(shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，應(yīng)用趨勢(shì)曲線法建立預(yù)測(cè)對(duì)象關(guān)于時(shí)間的趨勢(shì)變化模型，采用線性函數(shù)對(duì)數(shù)據(jù)進(jìn)行歸一化處理，構(gòu)建三層網(wǎng)絡(luò)結(jié)構(gòu)。用訓(xùn)練好的網(wǎng)絡(luò)對(duì)交通量數(shù)據(jù)進(jìn)行仿真，從而進(jìn)行交通擁堵情況預(yù)測(cè)，以協(xié)助交通部門有效地緩解這類交通擁堵問題。

關(guān)鍵詞：交通擁堵預(yù)測(cè)；趨勢(shì)曲線法；BP神經(jīng)網(wǎng)絡(luò)

一、預(yù)測(cè)方法——趨勢(shì)曲線法

趨勢(shì)曲線模型預(yù)測(cè)的自變量為時(shí)間t。大量交通調(diào)查的統(tǒng)計(jì)資料表明，無論宏觀層次、中觀層次還是微觀層次交通現(xiàn)象的發(fā)展有一定的規(guī)律性。當(dāng)預(yù)測(cè)對(duì)象隨時(shí)間變化呈現(xiàn)某種曲線形式的變化趨勢(shì)，且無明顯的周期波動(dòng)時(shí)，可以建立預(yù)測(cè)對(duì)象關(guān)于時(shí)間的趨勢(shì)變化模型y=f（t）。

當(dāng)此趨勢(shì)變化模型能夠反映時(shí)間序列的未來變化情況時(shí)，給定適當(dāng)?shù)淖宰兞縯就可以得到相應(yīng)時(shí)刻時(shí)間序列的預(yù)測(cè)值。使用趨勢(shì)外推法的兩個(gè)假設(shè)條件是：事物發(fā)展過程沒有跳躍式變化，而是漸進(jìn)性變化；由歷史資料建立的趨勢(shì)曲線模型是適合未來事物發(fā)展變化規(guī)律的，影響事物發(fā)展的因素是穩(wěn)定的。

趨勢(shì)曲線法根據(jù)所選用的擬合曲線，有以下多項(xiàng)式曲線預(yù)測(cè)模型：

（1）一次預(yù)測(cè)模型

（2）二次預(yù)測(cè)模型

（3）n次預(yù)測(cè)模型

二、BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型

（1）BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)模型的基本思想是：在前向傳遞中，信號(hào)經(jīng)輸入層、隱含層、輸出層逐層處理并傳遞，檢查預(yù)測(cè)輸出與給定輸出之間的誤差，若沒有達(dá)到精度要求，則轉(zhuǎn)入反向傳播，根據(jù)檢測(cè)到的誤差來調(diào)整輸入層與隱含層，隱含層與輸出層之間的權(quán)值和閾值，從而使預(yù)測(cè)輸出不斷逼近地期望輸出。

（2）BP網(wǎng)絡(luò)實(shí)現(xiàn)步驟

Step1：網(wǎng)絡(luò)初始化。置輸入層到隱含層，隱含層到輸出層的所有權(quán)值為任意小的隨機(jī)數(shù)，并設(shè)定初始閾值。

Step2：提供訓(xùn)練樣本。根據(jù)學(xué)習(xí)規(guī)則，需要提供輸入向量X=（ 和相對(duì)應(yīng)的輸出量 。

Step3： 從輸入層開始向隱含層、輸出層逐層計(jì)算輸出。

Step4：調(diào)整權(quán)值。根據(jù)誤差，從輸出層節(jié)點(diǎn)開始，到隱含層節(jié)點(diǎn)，再到輸入層節(jié)點(diǎn)逐層的調(diào)整權(quán)重。

三、將BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)應(yīng)用于道路擁堵情況預(yù)測(cè)

（1）網(wǎng)絡(luò)構(gòu)建

輸入、輸出節(jié)點(diǎn)的選擇：每天不同時(shí)段的交通量相差較大。根據(jù)交通流量的變化起伏情況，將每天的數(shù)據(jù)分為四個(gè)時(shí)段（0：00-6：00，7：00-12：00，13：00-18：00，19：00-0：00）進(jìn)行分析。將這4個(gè)時(shí)段的數(shù)據(jù)作為網(wǎng)絡(luò)的 4 個(gè)輸入，相應(yīng)的選擇輸出這4個(gè)時(shí)間段的數(shù)據(jù)。即輸入層神經(jīng)元個(gè)數(shù)為 4 個(gè)，輸出層神經(jīng)元個(gè)數(shù)為 4 個(gè)。

隱含層節(jié)點(diǎn)的選擇：隱含層節(jié)點(diǎn)的個(gè)數(shù)也直接影響預(yù)測(cè)的精度：節(jié)點(diǎn)數(shù)太少，網(wǎng)絡(luò)不能很好的學(xué)習(xí)，若增加訓(xùn)練次數(shù)不僅會(huì)增加訓(xùn)練時(shí)間，而且訓(xùn)練的精度也受影響；節(jié)點(diǎn)數(shù)太多，訓(xùn)練時(shí)間增加，網(wǎng)絡(luò)容易過擬合。隱含層節(jié)點(diǎn)數(shù)的范圍可參考以下公式：

式中，N為隱含層神經(jīng)元數(shù)目，n 為輸入層神經(jīng)元數(shù)目，m 為輸出層神經(jīng)元數(shù)目，a為 0～10 之間的常數(shù)。神經(jīng)網(wǎng)絡(luò)確定為三層網(wǎng)絡(luò)，4 輸入 4 輸出，隱含層的節(jié)點(diǎn)范圍[4，12]。

（2）網(wǎng)絡(luò)訓(xùn)練

具體參數(shù)設(shè)置：隱含層神經(jīng)元的傳遞函數(shù)為 tansig，輸出層神經(jīng)元的傳遞函數(shù)為 logsig。訓(xùn)練函數(shù)分別為 traingd、traingdx＼trainlm時(shí)訓(xùn)練網(wǎng)絡(luò)。以上 3 種訓(xùn)練過程的對(duì)比見表3.1，可以看出函數(shù) trainlm 網(wǎng)絡(luò)的訓(xùn)練誤差比較小，而且收斂速度快。因此，選定 trainlm 對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

至此，確定 BP 神經(jīng)網(wǎng)絡(luò)的最終結(jié)構(gòu)：?jiǎn)坞[層，各層神經(jīng)元數(shù)目為 4-8-4，訓(xùn)練函數(shù)確定為 trainlm，并使用訓(xùn)練好的網(wǎng)絡(luò)對(duì)交通量數(shù)據(jù)進(jìn)行仿真。

（3）網(wǎng)絡(luò)預(yù)測(cè)

基于以上方法，通過對(duì)已有數(shù)據(jù)的處理，對(duì)部分卡口路段的車流量統(tǒng)計(jì)與預(yù)測(cè)

（4）對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)

基本BP算法存在著收斂速度慢和易陷入局部最小點(diǎn)等缺陷。為解決這一問題，人們提出了自適應(yīng)學(xué)習(xí)率和動(dòng)量法，特別對(duì)網(wǎng)絡(luò)局部動(dòng)態(tài)學(xué)習(xí)率進(jìn)行了深入的探討，實(shí)現(xiàn)了以動(dòng)量法優(yōu)化網(wǎng)絡(luò)收斂性。還可利用遺傳算法對(duì)傳統(tǒng)BP網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化，得出具有最佳隱節(jié)點(diǎn)的網(wǎng)絡(luò)結(jié)構(gòu)。另外，可對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，比如按比例對(duì)原始數(shù)據(jù)進(jìn)行縮放，能有效提高預(yù)測(cè)精度。

參考文獻(xiàn)

[1]劉慕仁，薛郁，孔令江.，城市道路交通問題與交通流模型[J].力學(xué)與實(shí)踐，2005，27（1）：1-6

[2]裴玉龍，王曉寧，基于BP神經(jīng)網(wǎng)絡(luò)的交通影響預(yù)測(cè)模型[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2004

[3]曾慶山，全書鵬，靳志強(qiáng)，融合BP神經(jīng)網(wǎng)絡(luò)與ARIMA的短時(shí)交通流預(yù)測(cè)[J].鄭州大學(xué)學(xué)報(bào)，2011.

作者簡(jiǎn)介：王蕓（1998-），四川成都人，本科生。