基于BP神經(jīng)網(wǎng)絡(luò)的城市交通擁堵情況預(yù)測

文/胡鑫澤 張琪虹 孫涵莆 王嘉寧

（遼寧工程技術(shù)大學(xué) 遼寧省葫蘆島市 125105）

如今，隨著人們生活水平越來越高，私家車的數(shù)量也越來越多，但私家車數(shù)量的增多卻造成了城市交通的擁堵，反而給人們的出行帶來更多的困擾。為了避免這種擁堵，方便居民的出行，能夠準(zhǔn)確預(yù)測城市交通擁堵情況有著重要意義。通過BP 神經(jīng)網(wǎng)絡(luò)建立城市交通的預(yù)測模型的方法解決該問題具有一定的應(yīng)用價(jià)值。

1 影響城市交通擁堵因素分析

根據(jù)我國道路交通系統(tǒng)四要素對于造成擁堵的因素可以分為四大類：人為原因、車輛原因、道路原因、環(huán)境原因。由于影響因素?cái)?shù)量過多，需要篩選主要影響因素。篩選結(jié)果和過程如下，第一：新手駕駛因素，據(jù)調(diào)查表明在一條道路上出現(xiàn)新手駕駛員會影響車輛的通行速度，尤其是在單位時間內(nèi)，路口通行率照正常明顯下降；第二：行人較多因素，在過多行人的道面上，行車速率會明顯下降；第三：車距過長因素，一些車輛之間行車距離過長導(dǎo)致綠燈通行率下降；第四：車型過長，在一些大型車輛通過時，較普通車輛通過所需時間明顯增加，尤其是轉(zhuǎn)彎路口和過燈效率上；第五：路面施工，施工導(dǎo)致路面車道數(shù)降低;第六：道路照明不良，一些路面照明不好，影響行車視線；第七：車道數(shù)過少；第八：是否為核心道路，核心道路行駛車輛較多；第九：雨雪天氣；第十：早晚高峰時刻作為主要影響因素。主要影響因素需要再通過主城分析法二次篩選關(guān)鍵影響因素作為最終影響因子。

2 主成分分析

標(biāo)準(zhǔn)的BP 神經(jīng)網(wǎng)絡(luò)迭代次數(shù)較高，需要對模型進(jìn)行改進(jìn)優(yōu)化，且初選的影響因子存在或多或少的相關(guān)性，用主成分分析可以有效避免這種缺陷，主成分分析法可以將一些相關(guān)性較高的變量轉(zhuǎn)換為不相關(guān)的變量，由此方法選出比原始數(shù)量個數(shù)少，能解釋大部分資料中變量的幾個新變量，通過對指標(biāo)進(jìn)行降維以減少模型的復(fù)雜程度[2]，主成分向量系數(shù)公式見式（1）：

式中，F(xiàn)n 是第n 個主成分：a 是各主成分因子的相關(guān)系數(shù)；X是處理后的樣本數(shù)據(jù)。

使用SPSS 軟件對數(shù)據(jù)進(jìn)行主成分分析，將各主成分的結(jié)果進(jìn)行排序得到了新的影響變量的貢獻(xiàn)率以及特征值具體如表1 所示，由表1 可知經(jīng)過主成分分析后，前5 項(xiàng)的貢獻(xiàn)率較大，特征值也比其他主成分的特征值高，因此選定前5 項(xiàng)作為主成分。通過主成分降維處理將 10 個指標(biāo)數(shù)據(jù)降至具有代表性的5 個主成分，大大簡化了模型復(fù)雜程度。

運(yùn)用 SPSS 軟件對樣本數(shù)據(jù)進(jìn)行主成分分析得到主成分向量系數(shù)表，如表2 所示。

3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

3.1 模型構(gòu)建

表1：主成分分析

BP 網(wǎng)絡(luò)又稱反向傳播神經(jīng)網(wǎng)絡(luò)[2]， 其主要計(jì)算公式見式（3）：

（3）式中在BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時，令輸入層節(jié)點(diǎn)為 xi，輸出層節(jié)點(diǎn)為 yi，其中，f 為激活函數(shù)；wi(1)為輸入層節(jié)點(diǎn)與輸出層節(jié)點(diǎn)之間的連接權(quán)值；wi(2)為隱含層節(jié)點(diǎn)與輸出層節(jié)點(diǎn)之間的連接權(quán)值；b(1)是隱含層各神經(jīng)元的閥值；b(2)是輸出層各神經(jīng)元的閥值；Yi為數(shù)據(jù)中的實(shí)際值；

2.1 隱藏層設(shè)計(jì)

對于隱藏層的神經(jīng)元數(shù)目，由于沒有統(tǒng)一的標(biāo)準(zhǔn)，主要通過以下的經(jīng)驗(yàn)公式（4）和（5） 式來確定神經(jīng)元數(shù)目：

式中，n1為隱藏層神經(jīng)元數(shù)，n 為輸入層的神經(jīng)元數(shù)，m 為輸出層神經(jīng)元數(shù)；a 為常數(shù)，取值[1，10]。通過計(jì)算，訓(xùn)練設(shè)置本次隱藏層數(shù)位8。

3.2 輸出層設(shè)計(jì)

輸出層節(jié)點(diǎn)數(shù)為期望輸出的擁堵等級，而對于造成擁堵的等級劃分參考我國《城市交通運(yùn)行狀況評價(jià)規(guī)范》(GBT33171—2016)[1]，將其劃分為5 級。通過專家打分法將擁堵等級劃分為暢通，基本暢通，輕度擁堵，中度擁堵，嚴(yán)重?fù)矶? 級。如表3 所示，通過專家打分的形式將風(fēng)險(xiǎn)等級進(jìn)行數(shù)字量化，可將輸出層的神經(jīng)元個數(shù)簡化為1。

3.3 激活函數(shù)

表2：成分向量系數(shù)表

表3：擁堵等級對應(yīng)專家打分表

表4

圖1：迭代次數(shù)與誤差關(guān)系圖

由于交通擁堵情況影響因素為非線性的問題，所以采用sigmoid 函數(shù)，取值范圍為(-∞,+∞)。該函數(shù)可以將取值轉(zhuǎn)化映射在（0，1）的范圍內(nèi)，具體函數(shù)公式（6）如下：

3.4 網(wǎng)絡(luò)模型參數(shù)

建立神經(jīng)網(wǎng)絡(luò)模型后，對模型各種參數(shù)設(shè)置如表4 所示。

對于本次研究數(shù)據(jù)主要來源取自于對某市城市核心道路、主要干道與一些交叉口為期14 天的數(shù)據(jù)調(diào)查，其中調(diào)查時段主要是上午 6: 30-9: 30，中午11:00-12:00，下午4:30-6:30，調(diào)查方式為視頻錄像和調(diào)度監(jiān)控，數(shù)據(jù)采集后進(jìn)行歸納整理，共采集 300 組數(shù)據(jù)，其中 250 組數(shù)據(jù)作為模型訓(xùn)練使用，50 組數(shù)據(jù)用作模型測試。

由圖1 可見，隱含層節(jié)點(diǎn)數(shù)為8 時，經(jīng)過367 次訓(xùn)練模型逐漸逐漸接近目標(biāo)值；對模型進(jìn)行擬合優(yōu)度檢驗(yàn)得R2=97.13%，神經(jīng)網(wǎng)絡(luò)回歸如圖2 所示。

經(jīng)過訓(xùn)練檢測后可以看出模型預(yù)測精度較高，表明基于BP 神經(jīng)網(wǎng)絡(luò)的城市交通擁堵情況預(yù)測模型具有較高的準(zhǔn)確性，可為城市交通擁堵時治理提供參考。

圖2：神經(jīng)網(wǎng)絡(luò)回歸

4 結(jié)論

首先對造成城市交通擁堵情況的影響因素做出了分析，選取新手駕駛因素，行人較多因素，車距過長因素，車型過長，路面施工，道路照明不良，車道數(shù)過少，是否為核心道路，雨雪天氣，早晚高峰時刻等10 個影響因子作為模型自變量。通過主成分分析法對影響因子進(jìn)行篩選從而減少模型復(fù)雜度，最后對模型進(jìn)行訓(xùn)練，結(jié)果表明模型預(yù)測精度較高，可為城市交通擁塞情況預(yù)測提供一定的參考，可見基于BP 神經(jīng)網(wǎng)絡(luò)的城市交通擁堵情況的預(yù)測有一定應(yīng)用價(jià)值。