基于BP神經網絡的城市交通擁堵等級預測

牛 凱，羅瑞琪，齊慶祥

（中國市政工程華北設計研究總院有限公司，天津 300381）

為避免城市交通擁堵，營造舒適便捷的出行環境，準確預測城市交通擁堵問題具有十分重要的現實意義[1]。侯麗萍[2]以車道占有率和速度躍遷概率為基本指標，研究了交通流參數時變特性及不同車道間的交通流特性，提出了交通擁堵狀態的判定算法和指標；姜桂艷等[3]通過分析城市擁堵的特征模式，利用數據挖掘技術，對占有率、速度、流量3個基礎交通流參數進行重新組合來判斷是否發生擁堵。羅小強等[4]應用小波分析理論和二項分布公式，根據占有率指標的突變和異常來識別城市道路交通擁堵，同時采用交通仿真數據來評價交通擁堵事件發生的有效性。

以上研究大多是基于占有率、速度等一系列指標對擁堵水平進行評價；而對于擁堵等級的預測鮮有關注且針對交通擁堵的預測研究缺乏大數據手段的支撐。基于此，本文借助BP神經網絡對城市交通擁堵等級進行預測。

1 城市交通擁堵影響因素分析

1）人為因素。主要考慮駕駛員屬性及步行者因素。新手司機由于操作不熟練，往往會影響車輛的行駛速度；另一方面行人過街過程中會對車輛的行進造成阻礙，進而影響車輛的正常行駛，造成交通堵塞。

2）車輛因素。主要包括車輛的類型及行車間距。一般來說，車型越大，占用的道路資源與空間越大，通過同一道路斷面所需要的時間也就越多；行車間距大，交叉口的通行效率會降低，進而影響車輛的整體通行效率[2]。

3）道路因素。主要包括車道數量、道路所處的區位、是否為施工道路。車道數量越多，可供車輛通行的空間也就越大，越不容易造成擁堵；城區道路相比郊區道路車輛數更多，更容易造成擁堵；此外，道路施工往往會造成車道數減少，道路寬度降低，影響車輛的正常通行[5]。

4）環境因素。主要包括車輛行駛的時間段、天氣狀況。通常意義上來說，早晚高峰由于出行需求的增加更容易造成擁堵；此外，惡劣天氣往往會增加車輛的行駛難度，降低車輛整體的通行效率。

如果將以上因素全部作為自變量來構建交通擁堵預測模型，可能會因變量過多而降低模型的預測精度；因此，有必要從眾多影響因素中挑選出造成交通擁堵的關鍵因素。

本文采用偏相關分析方法來選擇交通擁堵的關鍵影響因素

式中：r xy為變量x,y的簡單相關系數；r xy,z1為控制變量z1，x,y的相關系數；r xy,z1……z n為控制變量z1，……，z n，x,y的相關系數；xi為變量x的第i個值；xˉ為變量x的均值；yi為變量y的第i個值；yˉ為變量y的均值。

采用t統計量對偏相關系數進行顯著性檢驗

式中：t為檢驗統計量；r為偏相關系數；n為樣本量。

求取自由度為n-1時，該檢驗統計量對應的概率值p，通過表1來確定交通擁堵與關鍵影響因素的相關程度。

表1 相關性關系確定

交通擁堵與惡劣天氣、道路位置、行人過街數量、大車數量、路面施工、早晚高峰6個變量的相關關系較為顯著。見表2。

表2 影響因素與擁堵的相關性分析

2 BP神經網絡模型

2.1 模型的建立

以單隱含層來構建BP神經網絡模型[6]。以惡劣天氣、道路位置、行人過街數量、大車數量、路面施工、早晚高峰6個關鍵影響因素作為輸入變量（自變量），分別表示為x1～x6[7]。

輸出層節點數為期望輸出的擁堵等級，參考GBT33171—2016《城市交通運行狀況評價規范》，依據路網飽和度劃分為暢通、基本暢通、輕度擁堵、中度擁堵、嚴重擁堵5級[8]。見表3。

表3 交通擁堵等級劃分

續表3

根據經驗，BP神經網絡的隱含層神經元數是輸入輸出神經元數和的平方根加上一個常數，這里取為4，最終得到的BP神經網絡包含28個權重值和5個閾值。見圖1。

圖1 基于BP神經網絡的城市交通擁堵預測

以實際結果與預測結果的差值最小為目標，建立BP神經網絡數學模型。

約束條件：

輸出層

隱含層

轉換函數

式中：minE(w,b,v,c)為目標函數；w，v為待求權重值矩陣；b，c為待求閾值向量；O k()p為第p個路段樣本輸出層第k個神經元的實際結果；O k()p為第p個路段樣本輸出層第k個神經元的預測結果；l為輸出層神經元總數；v jk為隱含層第j個神經元對輸出層第k個神經元的權重；wij為輸入層第i個神經元對隱含層第j個神經元的權重；y j為隱含層第j個神經元輸出；x i為輸入層第i個神經元的值；c k為輸出層第k個神經元的閾值，k=1；b j為隱含層第j個神經元的閾值；m為隱含層神經元數，m=4；n為輸入層神經元數，n=11；q為總的路段樣本數。

2.2 模型求解

1）網絡初始化。設定模型計算精確度和最大學習次數，給各權值分別賦一個區間（-1，1）的隨機數。

2）隨機選擇任意一個路段樣本數據，用初始權值和閾值進行預測，得到預測擁堵結果O，與實際擁堵結果O進行比較，得到誤差函數，計算誤差函數對輸出層的偏導數δO。

3）利用隱含層到輸出層神經元的連接權值v jk、輸出層神經元的偏導數δO和隱含層神經元的輸出y j計算誤差函數對隱含層的偏導數δh。

4）利用輸出層神經元的偏導數δO和隱含層各神經元的輸出來修正連接權值?v j=ηδO y j；利用隱含層和輸入層各神經元的輸入xi修正連接權值Δw ij=ηδh(j)xi，η為學習速率。5）上一步獲得的權值和閾值對樣本數據進行預測，得到全局誤差E。當網絡全局誤差滿足計算精度要求或者最大學習次數時，算法結束；否則，返回到第二步，進入新一輪學習。

2.3 模型的驗證

根據上述算法，基于MATLAB編寫程序。取計算精確度為0.001，最大學習次數為100 000次，學習速率為0.8[9]。以250組數據作為訓練數據，當迭代次數達到最大學習次數時，目標函數為0.001 24。此時得到的權值和閾值

取剩余的50組數據作為檢驗數據，從檢驗結果來看，47組數據與實際數據相吻合，模型準確度高達94%，表明基于BP神經網絡的交通擁堵等級預測模型具有較高的可信性，可為交通擁堵問題的診斷與治理提供一定參考。見圖2。

圖2 模型驗證結果

3 結論

天氣狀況、道路位置、行人過街數量、大車數量、路面施工、早晚高峰6個因素對交通擁堵影響顯著且本文所構建的基于BP神經網絡的交通擁堵等級預測模型整體精度較高，可有效預測城市交通的擁堵等級，預測結果能為交通擁堵問題的治理提供一定的指導。□■