基于神經網絡的智能交通動態預測模型

■李曉飛 呂陽 周勝龍（吉林建筑科技學院計算機科學與工程學院）

一、引言

隨著城市機動車數量的快速增長以及路網總量的提升，城市管理和發展的最重要的問題就是交通問題。交通供給和交通需求之間的矛盾日漸顯現，交通擁堵已經成為人們出行關心的重要問題之一。依靠傳統的交通管理系統已經不足以解決當前的交通問題，智能交通管理系統成為研究的一個熱點，主要包括電子警察、交通事件檢測、面向公眾的交通信息服務平臺、交通誘導等。智能交通管理系統的發展有助于解決交通擁堵問題，同時提高城市交通的管理，滿足人們的出行需求。

為了提高交通系統的快速反應能力以及對交通的預見性，本文研究了基于神經網絡的智能交通動態預測模型，并通過仿真數據進行實驗，并且通過實驗驗證了模型的有效性和可行性。

二、模型建立

智能交通動態預測模型是以交通誘導為基本，基于動態的交通分配理論，對路網上的流量空間進行預測，以及對實時變化的路網交通狀態進行分析，綜合運用GPS 等物聯網技術通過手機APP 和車載導航等為出行者提供實時的交通信息，避免交通擁堵。

在研究中發現，對于交通路況中的交叉口而言，影響交通流量的除了包括上下游路口的當前流量，還包括上下游路口的未來流量。但由于實際城市的路口交通流量受到道況、車速以及交通信號的控制等多方面因素的影響，模型用準確的函數關系難以表達。神經網絡具有較強的自學習能力，可以通過訓練優化網絡歷史數據，建立預測模型。假設交叉路口流量是連續的，即不會出現5 分鐘間隔無交通流量的狀況。此外，把交通路口組成的網絡簡化成網狀結構，每一個交叉路口的入口車流量只受下游三個路口的車流量的影響。在某一個事件段，假設每一個交叉路口為i,實測流量為Vi,作為交通預測控制模型的輸入。建立的基于神經網絡的交通控制模型如下：

在此模型中，輸入層節點表示路口當前期望的車流量。而對于隱含層，對于單個神經元Mi，有

其中，g是激活函數，此激活函數采用可驗證可導的非線性函數：

輸出層向后傳播階段采用BP 神經算法。初始化訓練因子為0到1 之間的數值。

定義第n 個樣本的誤差為：

總誤差為：

然后分別修正輸出層以及輸入層到隱層的權矩陣，直到整個樣本集的總誤差小于初始化要求的精度，從而得出優化的神經網絡系統。

整個模型處理系統如圖2 所示。

圖2 交通流模型處理系統

針對交通流量也受交通事故的影響，本模型將交通事故事件與正常的交通流量進行區分，將其作為特殊的一種流量，作為該模型中一個新增的輸入量，即作為模型的激勵變量而存在。針對交通事件屬于隨機事件的情況，把該類事件放在模型外層盡心處理，即對交通事故事件的處理進行單獨的機制處理。無交通事故事件的情況正常采用訓練的交通模型進行處理。

三、仿真實驗

本模型采用交通仿真手段對長春市主干道路網作了仿真研究。首先對基于BP神經網絡的模型進行了訓練，通過設定隱層和輸入量獲得神經元個數和誤差的關系。然后結合大量數據分析在該模型運作下的交通狀況。

該仿真實驗主要對關鍵交叉路口以及重點路段根據此模型進行交通分析，將本模型應用到交通仿真模型當中，對交叉路口和路段進行交通影響方面的分析和評價。

在模型訓練過程中，采集的數據來源于系統采集的目標路段的一周的交通流量數據，具有比較高的準確性。通過訓練發現的神經元個數與誤差的關系表1 所示。

表1神經元個數和誤差關系表

該模型由于采用BP 神經網絡，適當增加隱層的層數和節點數可以獲得精確度更高且更接近實際情況的預測，且其非線性特性也使得整個系統魯棒性更高。

四、結論

交通供給和交通需求之間的矛盾日漸顯現，交通擁堵已經成為人們出行關心的重要問題之一。為了提高交通系統的快速反應能力以及對交通的預見性，本文研究了基于神經網絡的智能交通動態預測模型，并通過仿真數據進行實驗，并且通過實驗驗證了模型的有效性和可行性。

本文的研究模型進行了一定的假設，對實際問題在可接受情況下做了一定程度上的簡化，因此，這一模型還存在較多的改進空間。在未來的研究中，將繼續對此模型根據實際問題進行優化和改進。