基于神經網絡的短時交通流預測方法研究綜述

羅紫宇

摘 要：針對道路交通擁堵的情況，對道路的短時交通流進行預測能夠很好的緩解擁堵并且具有預警能力。本文主要對國內外基于神經網絡對短時交通流預測算法研究進行綜述，最后得出本文結論。

關鍵詞：神經網絡;短時交通流;預測

1 引言

由于經濟的快速發展和現代城市發展的加快，機動車的數量成了井噴式的發展。但由于空間資源的有限，道路的實際交通量已遠遠超過其能夠承載的交通量，從而造成交通擁堵時常發生。短時交通流預測是在時間跨度不超過15min，在此時刻t對下一決策時刻t+1乃至以后若干時刻t+n的交通流做出實時精準的預測[1]。對交通流進行實時、準確地預測能夠有效地對道路交通流量進行優化，緩解道路擁堵程度，同時還能夠提升到路段交通預警能力。但交通流的變化具有非線性和不確定性特性，而神經網絡具有很好的非線性收斂能力，因此可以更加準確的了解短時交通流的不確定性。所以國內外有很多學者基于神級網絡對短時交通流進行預測。

2 國內外研究綜述

2.1 國外研究綜述

Fabio等[2]通過統計方法來優化人工神經網絡，并提出了一種基于神經網絡BP的混合模型來對短時交通流進行預測，其預測結果較優，但由于人工神經網絡閾值為定值，所以對預測精度有所影響。

Fusco[3]通過將貝葉斯網絡與人工神經網絡進行融合來建模，通過采集到的交通數據，對模型結果進行驗證，結果表明貝葉斯網絡的空間結構在一般條件下用于道路交通流預測是有效的，另外該模型能很好反映交通流的時空特性。

2.2 國內研究綜述

2.2.1 基于BP神經網絡研究

由于神經網絡收斂速度較慢，張文勝等[4]提出了一種改進灰狼算法（Transformed Grey Wolf Optimizer，TWGO）交通流預測模型。并改進標準算法的收斂因子和位置更新公式，從而改善標準灰狼算法的尋優能力和收斂特性，并利用其對BP神經網絡的權值以及閾值進行尋優，使BP神經網絡的收斂速度和精度有所提高。最后通過實例將改進灰狼算法優化BP神經網絡（TGWO-BP）、灰狼算法優化BP神經網絡（GWO-BP）、粒子群算法優化BP神經網絡（PSO-BP）和神經網絡模型輸入數據，以及比較結果。研究發現，TGWO-BP的預測誤差最低，所以具有更好的預測精度和良好的應用前景。

朱云霞等[5]提出了一種利用遺傳算法優化BP神經網絡的方法，來預測交叉口的短時交通流。首先提出了準實時預測概念（在短時交通流預測的基礎上，把預測時長縮短到秒級）并構建交叉口交通流準實時預測模型，為了與交叉口的實時交通量進行匹配，將時長縮短到了5s。通過實例分析表明，本文的預測方法與傳統方法相比，提高了預測精度，具有可靠性。但本文的不足之處在只對一個交叉口進行了分析。

蔡翠翠等[6]在分析道路短時交通流時空特性的基礎上，提出了一種基于時空特性和灰色神經網絡預測模型，其通過短時交通流時空特性進行分析，并利用該模型進行預測。最后實例證明，與單一時間序列預測模型相比，該模型精度較高。

2.2.2 基于小波神經網絡研究

陸百川等[7]利用交通流時空相關性影響特征，并結合遺傳小波神經網絡較高的自適應降噪的優點，提出了一種基于路網時空性和遺傳小波神經網路的方法來進行短時交通流預測。并通過實例進行研究，該實例用了遺傳小波神經網絡（GA-WNN）、小波神經網絡（WNN）以及BP神經網絡來進行不同數據源預測。實例結果表明，GA-WNN能有效提高交通流預測精度，具有適用性以及可行性。

馬梅琴等[8]針對粒子群算法小波神經網絡（PSO-WNN）提出了一種基于IPSO-優化的WNN預測模型。最后實例結果證明，IPSO-WNN的預測精度高于WNN和PSO-WNN模型的預測精度。

2.2.3 基于ELM神經網絡研究

景輝鑫等[9]提出了一種基于灰色ELM神經網絡預測方法。首先將原始數據利用灰色模型累加處理，并將短時交通流數據變為長時交通流數據，然后利用ELM來代替一階線性自動微分方程。從而得到ELM神經網絡長時交通流預測數據結果，再通過累減還原，得到短時交通流預測結果。最后通過對比分析，該模型具有較高精度。

3 結論

為緩解交通擁堵問題，其中有效方法就是對交通流進行預測。但交通流具有線性和不確定性，用神經網絡能夠很好的對短時交通流進行預測。本文主要對結合神經網絡來預測短時交通流的算法進行綜述，主要包括BP神經網絡、小波神經網絡、ELM神經網絡、Elman神經網絡，發現結合以上神經網絡的算法精度較高。

參考文獻：

[1]盧建中，程浩.改進GA優化BP神經網絡的短時交通流預測[J].合肥工業大學學報（自然科學版），2015，38（01）：127-131.

[2]MORETTI F，PIZZUTI S，ANNUNZIATO M，et al.Urban traffic flow forecasting through statistical and neural network bagging? ??ensemble hybrid modeling[J].Neurocomputing，2015，167（C）：3-7.

[3]Gaetano Fusco，Chiara Colombaroni，Natalia Isaenko.Short-term speed predictions exploiting big data on large urban road networks[J].Transportation Research Part C，2016，73.

[4]張文勝，郝孜奇，朱冀軍，杜甜添，郝會民.基于改進灰狼算法優化BP神經網絡的短時交通流預測模型[J].交通運輸系統工程與信息，2020，20（02）：196-203.

[5]朱云霞，郭唐儀.基于GA-BP神經網絡的交叉口短時交通流預測[J].交通運輸研究，2019，5（02）：45-51.

[6]蔡翠翠，王本有，常志強.基于時空特性和灰色神經網絡的短時交通流預測[J].沈陽理工大學學報，2019，38（02）：32-36+43.

[7]陸百川，李玉蓮，舒芹.基于時空相關性和遺傳小波神經網絡的路網短時交通流預測[J].重慶理工大學學報（自然科學），2020，34（05）：25-34.

[8]馬梅琴，李風軍，趙菊萍.基于改進粒子群算法優化小波神經網絡的短時交通流預測[J].寧夏師范學院學報，2019，40（01）：71-77.

[9]景輝鑫，錢偉，車凱.基于灰色ELM神經網絡的短時交通流量預測[J].河南理工大學學報（自然科學版），2019，38（02）：97-102.