城市智能交通系統設計與實現

張淼

摘要：為了提高人們交通出行的效率，提出一種基于Java EE+BP算法的智能交通預測系統。該系統在需求目標的基礎上，將系統功能模塊分為實時監控模塊、違法管理模塊、布控管理模塊、智能研判模塊、查詢統計分析模塊與運維管理模塊。同時通過BP神經網絡對車流量進行預測。最后，系統測試表明，本系統可預測一段時間的車流量，從而為城市交通提供參考。

Abstract： In order to improve the efficiency of people's traffic travel， an intelligent traffic prediction system based on Java EE+BP algorithm is proposed. On the basis of requirements and objectives， the system divides the system function modules into real-time monitoring module， illegal management module， deployment control management module， intelligent research and judgment module， query statistical analysis module and operation and maintenance management module. At the same time， the traffic flow is predicted by BP neural network. Finally， the system test shows that the system can predict the traffic flow for a period of time， so as to provide a reference for urban traffic.

關鍵詞：智能交通;Java EE;BP神經網絡

Key words： intelligent transportation;Java EE;BP neural network

中圖分類號：TP311.52 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1006-4311（2020）30-0214-02

0 ?引言

隨著科技的進步，中國經濟水平也在快速發展。伴隨著經濟水平的升高，人們購買的機動車數量也在持續增加。機動車在方便人們生活的同時，也對道路提出更高要求。一方面現代城市道路容量有限;另一方面，城市車輛保有率越來越高，從而使得城市出現嚴重擁堵，給人們出行帶來極大不便。為了緩解該情況，交通部門借助先進的技術創建交通管理信息系統，但受到技術和人力限制，交通擁堵還未得到有效緩解。對此，交通部門提出“智能交通”的理念，開始引入現代智能技術對交通進行優化。本研究則結合現代智能技術，提出基于BP的交通管理與預測系統，并對該系統進行驗證，從而提高交通部門能力管理能力。

1 ?總體結構設計方案

結合當前的智能技術和物聯網技術，以物聯網技術為基礎，以智能算法作為依托，將系統構建為如圖1所示。

系統的技術方案則如圖2所示。結合SSH框架，然后以DAO作為數據連接接口，實現與數據庫的響應;以JSP頁面作為交互界面，實現用戶請求的輸入。

2 ?系統功能模塊設計

結合智能交通系統的需求，將系統的功能模塊分為實時監控模塊、違法管理模塊、布控管理模塊、智能研判模塊、查詢統計分析模塊與運維管理模塊。具體可以用圖3示意。

3 ?系統設計與實現

3.1 車流量預測模型構建

BP神經網絡（Back Propagation Neutral Network）是由多名科學家提出的一種神經網絡算法。主要原理是按照誤差逆向傳播進行訓練的一種多層前饋神經網絡。一般來說，BP神經網絡包含輸入層、隱含層與輸出層三層。在BP訓練過程中，包含學習和訓練兩個階段：一階段為前向傳導階段。即向輸入層輸入信息以后，經過各神經元計算，再向下一層進行傳導，直到輸出結果。如果輸出的結果與預期的結果有所出入，就需要進行第二階段;二階段是逆向傳導階段。這個階段的特點是逐層遞歸的計算實際輸出結果與期望輸出結果間的誤差，并根據該誤差調整各個神經元權值，以使誤差最小。經過不斷調整，直到輸出的結果值達到預期要求，則訓練結束。具體訓練過程如圖4所示。

3.2 系統實現環境搭建

本系統實現環境見表1所示。

4 ?系統測試

4.1 測試數據來源

考慮到測試數據來源的復雜性，本研究只針對分叉路口的車流量進行預測，從而為系統提供預測結果。假設總體時間為t，將t分為四個時間段，分別為t1、t2、t3、t4。以2018年5月10日至2018年5月21日的車流量作為數據樣本，每隔15分鐘記錄一次，將所有的數據收集起來，以前10天數據作為訓練樣本，將最后一天的數據作為測試樣本。但這里要注意的一點就是，每個時間點的數據跨度都是比較大的，為了得到更為準確的結果，所以會提前將數據進行歸一化處理。也就是將樣本數據映射到1，0之間。具體歸一化公式為：

（1）

設定BP神經網絡的結構為8-10-1，即輸入層為8，隱含層為10，輸出1個結果。

4.2 網絡傳遞函數選擇

對于BP神經網絡來說，如果采用不同的傳遞函數，那么BP神經網絡的訓練誤差、訓練時間以及映射的復雜程度都會受到一定的影響。所以選擇最適合的傳遞函數。本研究選擇改進版的S型函數，具體函數如下：

（2）

為了提升訓練的收斂性，在上述的公式中加入變量T，于是形成一個新函數。

（3）

4.3 測試結果

根據以上的參數設置，將數據導入智能系統中，并調用Matlab軟件，從而得到不同路口下的車流量預測結果界面，具體如圖5所示。

5 ?結語

城市智能系統的設計和實現是很有必要性的。就目前來看，城市智能交通系統的發展還是比較可觀的。本系統采用Java EE技術架構進行開發，還利用BP神經網絡提供數據支持，能夠有效的預測車流量，從而緩解交通的壓力，改善人們的出行環境。

參考文獻：

[1]陳軍.云平臺與物聯網協同的城市智能停車場系統設計與實現[J].通信電源技術，2020，37（10）：8-11，14.

[2]谷曉鵬，王佳維，張紅，汪溁鶴.新基建背景下城市智慧交通系統設計與實現[J].智能網聯汽車，2020（04）：94-96.

[3]黃慧瓊，張澤昆，榮武月.城市中心商業區停車場ETC系統應用與評價[J].交通科技與經濟，2020，22（01）：33-37.