基于BP神经网络技术的车辆通行时间预测研究*

蒋渭忠，朱金荣，邱 祥

(1.常州工学院 电气与光电工程学院，江苏 常州 213002；2.扬州大学 物理科学与技术学院，江苏 扬州 225002)



基于BP神经网络技术的车辆通行时间预测研究*

蒋渭忠1，朱金荣2，邱 祥2

(1.常州工学院 电气与光电工程学院，江苏 常州 213002；2.扬州大学 物理科学与技术学院，江苏 扬州 225002)

为进一步提高交通调度效率，解决日益严重的交通拥堵现状，提出基于BP神经网络模型预测车辆通行时间的方案。根据交叉路口特征，建立了三层BP (Back Propagation)神经网络模型，并确定模型的输入层和输出层神经元数目均为4个。采用MATLAB软件对采集的车辆通行数据进行仿真分析，最终确定隐含层神经元数目为9个。利用预测样本对BP神经网络模型进行了可行性验证。结果表明，BP神经网络模型能够用于预测排队车辆通行时间，误差在10%以内，可以作为交通控制器配时方案的依据，提高车辆通行效率。

BP神经网络；仿真；车辆通行时间；

0 引言

社会经济的发展促进人们生活水平全面提高，为了出行方便，越来越多的人选择购买私家车。城市人均汽车拥有量逐年攀升，由此导致交通拥堵问题日益严重。解决交通拥堵问题有两个方面，一方面增加基础设施建设，扩宽道路，但这种方式成本较大，不易实施；另一方面则是提高交通流调度效率，采用更加智能的交通信号控制系统。通过调研发现，现在大部分城市的交通灯控制系统采用的是固定时间的控制策略，难以对变化的交通流进行动态控制，因此研究基于车流量智能预测车辆通行时间对交通控制器配时方案具有重要意义[1-2]。神经网络具有很好的非线性逼近效果，本文提出采用BP神经网络控制算法预测车辆通行时间的方案。

1 神经网络预测模型建立

1.1 BP神经网络

20世纪80年代，RUMELHART D等人在总结前人研究成果的基础上，给出BP神经网络控制算法的清楚表述，解决了多层神经网络的学习问题。误差反向传播(Back Propagation, BP)神经网络是一种多层前向型神经网络[3]，目前大多数的应用中使用的都是BP神经网络及其变化形式。BP神经网络由输入层、隐含层、输出层组成。隐含层的数量可以为一层，也可以为多层。

1.2 神经网络预测模型建立

图1 交叉路口BP神经网络模型

2 仿真及结果分析

2.1 仿真确定隐含层神经元数

通过对扬州市大学北路与文昌中路交叉口的车流量进行实地统计，得出表1所示的路口停车等待的车辆数与通行时间统计表。

表1 路口车辆数量与通行时间统计表

对于表1中的数据，选择使用前8组数据作为训练样本，后2组数据作为测试样本。通过修改隐含层神经元的个数，运用trainlm函数对神经网络进行训练[7]，最终得出表2所示的隐含层神经元数量与训练误差的对应表。从表中可以看出，随着隐含层神经元数量的不断增加，训练误差逐渐减小后又增大。当隐含层神经元数量为9时，训练误差最小，同时训练次数也最少。综合比较分析后，确定隐含层神经元数量为9个。

表2 隐含层神经元数量与训练误差对应表

2.2 神经网络模型合理性验证

通过改变隐含层神经元的数量，观察训练误差的变化，最终确定了交叉路口神经网络模型的完整结构：4个输入层神经元、9个隐含层神经元和4个输出层神经元。为了验证神经网络的学习性能，使用函数Y=sim(net,P)根据输入样本预测出各方向车辆通行时间。为了更直观地观察神经网络的学习性能，图2绘出了北向样本通行时间与预测通行时间的对比图。由图中曲线可以看出，预测通行时间与样本通行时间基本吻合，验证了BP神经网络模型能够根据停车等待的车辆数量预测车辆通行时间。

图2 北向样本通行时间与预测通行时间对比

2.3 结果分析

为了进一步验证训练后的神经网络模型的预测性能，论文使用训练好的神经网络模型对未进行训练的第⑨、⑩两组样本进行预测，得出表3所示的数据。

通过表3数据分析得出，预测车辆通行时间与实际观测车辆通行时间两者之间存在一定的误差，但误差都在10%以内，可以作为交通灯控制器配时的依据，提高车流量的调度效率。分析可知，两者存在误差的主要原因为车辆的行驶具有很大的随机性，每个驾驶人员的驾驶技术也影响着车辆的通行时间。

表3 样本数据预测及对比表

3 结论

针对车流量变化不规律、随机性大的特点，提出基于BP神经网络控制算法的车辆通行时间预测模型。根据交叉路口特征建立了4个输入层神经元、9个隐含层神经元、4个输出层神经元的BP神经网络模型。采用MATLAB仿真平台对交叉路口的交通数据进行了学习训练，并对学习的相关性进行了检测。仿真结果表明，BP神经网络模型能够根据排队车辆数预测车辆通行时间。

[1] 吕兰涛,李全,刘志勇.人工神经网络在智能交通控制系统中的应用[J].交通科技,2002(6):73-76.

[2] 蒋紫峰,荆便顺.人工神经网络在交通领域中的应用[J].公路交通科技,1997,14(4):18-23.

[3] HOPFIELD JJ.Neural network and physical systems with emergent collective computional abilities[C].Proceedings of the National Academy of Sciences of USA,1982:2554-2558.

[4] 曹虹.基于BP神经网络的交通流量预测[D].西安：长安大学,2012.

[5] 李建伟,程晓卿,秦勇,等.基于BP神经网络的城市轨道交通车辆可靠性预测[J].中南大学学报(自然科学版),2013,44(1):42-46.

[6] 徐黎明,王清,陈剑平,等.基于BP神经网络的泥石流平均流速预测[J].吉林大学学报(地球科版),2013,43(1):186-191.

[7] CHANG T C. Risk degree of debris flow applying neural networks[J].Natural Hazards,2007,42(1):209-224.

Travel time prediction based on BP neural network

Jiang Weizhong1, Zhu Jinrong2, Qiu Xiang2

(1.School of Electrical and Photoelectronic Engineering, Changzhou Institute of Technology, Changzhou 213002, China;2.School of Physical Science & Technology, Yangzhou University, Yangzhou 225002, China)

In order to further improve the efficiency of traffic control and solve the growing traffic congestion, a new prediction model is proposed based on BP (Back Propagation) neural network. According to the characteristics of the intersection, BP neural network model is established. The number of input layer and output layer neuron model are four. MATLAB software simulates the data collected from vehicle traffic and ultimately chooses nine as the number of hidden layer neurons. Using prediction samples, the feasibility of the model is verified. The results showed that BP neural network can be used to predict traffic queuing time,the error is less than 10%. So it can be used as a reference for traffic controller.

BP neural network;simulate;vehicle travel time

2013年江苏省科技厅产学研前瞻性联合研究项目(BY2013063-4)

TP212

A

10.19358/j.issn.1674- 7720.2016.20.006

蒋渭忠，朱金荣，邱祥. 基于BP神经网络技术的车辆通行时间预测研究[J].微型机与应用，2016,35(20)：25-26,30.

2016-05-24)

蒋渭忠(1968-)，男，博士，副教授，主要研究方向：光电技术、自动控制。

朱金荣(1968-)，通信作者，男，硕士，副教授，主要研究方向：光电技术、自动控制。E-mail：351267595@qq.com。

邱祥(1989-)，男，硕士，硕士研究生，主要研究方向：嵌入式系统、自动控制。