小波滤波BP神经网络的高速公路节假日拥堵预测分析

刘清林， 戴红良

(浙江省交通科学研究院， 浙江 杭州 310006)

小波滤波BP神经网络的高速公路节假日拥堵预测分析

刘清林， 戴红良

(浙江省交通科学研究院， 浙江 杭州 310006)

随着节假日高速公路免收过路费政策的出台，保证高速公路畅通运行迫在眉睫。根据现有节假日数据首先进行小波滤波消除白噪声，然后采用具有闭环反馈的BP神经网络建立模型进行仿真预测2015年元旦交通量，并与实际值进行对比，结果表明该方法的预测结果能够很好的反映实际交通量。最后对2016年元旦交通量进行预测并提出应对高速公路交通拥堵的策略，其他节假日亦可采用此模型进行仿真预测。

小波滤波； BP神经网络； 高速公路； 拥堵预测； 交通流量

0 引言

近年来，随着社会经济的持续发展以及城市建设的逐步完善，人们往返于城市之间日趋频繁，运行在高速公路上的车辆也越来越多，导致高速公路上的拥堵情况愈加严重，由此所引发的交通事故、能源浪费、环境污染等问题也日趋恶化。

自2012年随着节假日高速公路免收过路费政策的出台，高速公路交通拥堵形势将变得越加严重，因此如何利用已有的交通量信息和资源对上述问题进行有效解决，防止交通运行恶化从而保证高速公路的畅通运行，成为目前高速公路迫切需要解决的问题。

高速公路交通拥堵日趋加剧的根本原因主要有两方面，一方面是高速公路交通管理部门缺乏对网状交通状态变化趋势的整体把握，因而无法进行有效的交通管控和疏导；另一方面在于出行者不清楚实时路况的变化，盲目驾驶从而导致交通拥堵的发生。而准确把握交通状态和实时路况变化趋势的关键在于对交通流量变化趋势的有效预测，因此要实现对高速公路的有效管理，减少交通拥堵和交通事故的发生，其重点在于对高速公路交通流量的准确预测[1]。

1 交通流预测技术研究现状

交通流量预测一直是智能交通领域的一个研究热点，从上世纪中叶开始国外就已经有学者利用其它领域的一些预测方法对交通流量进行预测，大约在上个世纪八十年代，我国一些学者也相继开始在交通流领域进行深入研究，迄今为止，国内外已经出现了许多较成熟的交通流量预测方法[1-3]。这些预测方法大致可以分为下几类：基于线性系统理论的预测方法、基于非线性系统理论的预测方法、基于数据训练的智能预测以及基于组合方式的预测方法[4]，下面将对这些方法略作介绍。

基于线性系统理论的预测方法在交通流相对平稳情况下，其预测效果较好，但在交通流波动较大时的预测效果相对较差；基于非线性理论的预测方法具有一定的适用性，例如混沌预测方法[5]，当交通流变化不具有混沌特性时，其预测精度较低；基于数据训练的智能预测方法大多需要进行学习和训练，对样本数据要求较高，且多采用离线方式建模，模型一旦建立无法根据实际的道路交通流变化进行自适应调整，当模型预测结果产生较大误差时需要重新进行学习和训练；组合预测方法能够充分发挥各单一预测方法的优势，从而获得比单一预测模型方法的更好预测结果，但其预测过程更加复杂多变[6]。

2 节假日高速公路拥堵预测技术分析

2.1 小波滤波分析

高速公路上交通量信息采集器由于自然或者自身的因素会导致采集所得的数据含有大量高斯白噪声，而对于交通量的预测来说含有噪声的数据是致命的，所以在用于数据的预测之前需要进行去除白噪声，获得相对准确的交通量数据。

含有噪声的交通流量一维信号的模型可以如式(1)的形式表示：

S(t)=f(t)+r*e(t)

t=0，1，…，n-1

(1)

其中：f(t)为真实信号，e(t)为噪声，r为噪声强度，S(t)为含噪声的信号[7]。

在真实的交通量分析中可知，数据中包含的高频部分一般属于无用的噪声信号，而其中所含的较平稳的低频信号则是有用的实际数据。所以在对所取得的含噪声信号的交通量数据加以过滤得到所需要的有用信息，以此为数据源。对原始信号去噪声的目的就是要尽量滤除信号中的噪声部分，然后从中逆构出真实信号，使得交通量源数据更加真实[8]。在一般情况下，对于一维信号的小波滤波过程可以按照如图1所示的流程来进行。

图1 小波滤波过程示意图Figure 1 Schematic diagram of wavelet filter

(a，b∈R，a≠0)

(2)

由于本文数据为离散数据所以采用离散小波滤波变换定义函数如式(3)所示：

(3)

当满足一定离散条件时，f(t)可以用离散小波变换作为系数而展开成小波级数[9]，即式(4)所示：

(4)

2.2 BP神经网络方法分析

BP神经网络是一种多层前馈神经网络，由输入层、隐含层和输出层组成。图2为一个典型的三层BP神经网络结构，层与层之间选择互相连接方式，每层与每层之间不能连接。输入层、隐含层及输出层之间有两种信号在传播，一种是正向的传输信号，另一种是反馈信号，当输入值与训练数据产生误差时则会产生一个误差反馈信号传输至输入层。BP神经网络的训练过程则由前向训练过程和误差反向传输过程组成。如在输出层不能得到期望的输出，则会将误差反向传输，误差信号沿原来通路返回，逐次校准网络各层的权值和阈值，最终到达输入层，然后不停的反复计算。这两个过程反复进行，不断调整各层的权值和阈值，使得网络误差最小或达到人们所期望的要求时，学习过程结束[10-12]。

图2 BP神经网络拓扑结构图Figure 2 BP neural network topology diagram

BP神经网络方法预测具体包括以下几步：

① 建立网络模型，设置隐含层神经元数目，选择隐含层及输出层神经元传递函数，选择网络训练的算法；

② 设置进行网络模型训练的参数，包括训练时间、训练精度及训练步长等，然后利用现有数据进行网络训练；

③ 利用训练好的网络模型进行网络预测，得出预测结果[13，14]。

2.3 节假日高速公路交通流预测

本文以G92高速公路某监测点的2013年及2014年的1月1日数据为源数据进行数据分析，预测2015年1月1日当天的交通流量并与实际数据作对比，为交通管理部门及大众出行提供参考依据。

① 小波滤波分析。

由于高速公路交通量采集设备本身存在一定的误差，并且由于天气等原因会更进一步影响到交通量采集的准确性，所以采集设备采集的数据信号与真实数据信息相比含有白噪声干扰信息，所以在进行数据预测之前需要进行数据的预处理，消除白噪声，使数据信息更符合实际情况，这样也更加有利于对数据进行处理预测。

根据前节小波滤波分析，在众多的小波变换函数中Symlet( )小波变换函数是具有线性相位的、近似对称的及双正交的函数且光滑性较好，计算也比较简单，因此我们采用该小波基函数进行小波滤波函数重构。

图3所示为未处理前2013年与2014年元旦第一天数据，可以明显看出该数据存在很多毛刺，非常不利于数据的运算预测，甚至直接导致预测失败。横轴是以每五分钟为一点，全天24 h共计288个点，则第144点表示中午12点，图示中第150点表示中午12点30分，以下均同。图4所示为小波滤波过程，其中图4(1)为原始数据图，图4(2～4)为小波滤波过程中的高频中频低频信息，图4(5)为小波变换重构数据信息即小波滤波后的无噪声数据。

图3 2013年与2014年交通量数据对比图Figure 3 Traffic data comparison chart of 2013 and 2014

图4 原始数据滤波过程及结果Figure 4 Raw data filtering process and results

② BP神经网络方法预测。

经过滤波过后得到相对准确的源数据，然后以此为输入信号建立BP神经网络模型进行训练，训练完毕后以2014年数据对2015年1月1日当天的交通量进行预测，预测结果如图5所示。

图5 2015年1月1日预测数据趋势图Figure 5 Forecast data trends in January 1，2015

③ 与2015年1月1日实际数据对比。

通过调阅交通量调查系统中的2015年1月1日当日数据与预测的数据进行对比可以看出交通流量走势与预测数据完全一致如图6所示，基本能够反映当日的交通状况。同时根据该条高速公路的交通量最大承受能力则可以推测出小时交通量为多少时其分别处于拥堵或者流畅状态。

图6 预测值与实际值对比图Figure 6 Comparison chart about the predicted value and the actual value

在交通流预测过程中，预测的准确与否，是否能够较好的反应当前的交通流变化需要一定的评价指标，在此选择常用的交通流评价指标平均相对误差MARE及均等系数EC，通过把预测的数据与实际发生的数据进行相应的计算可以求得MARE为0.17和EC为0.917。我们知道MARE越小表示预测值越接近于实际值，而EC越接近于1表示预测数值曲线越靠近于实际观测曲线，说明预测效果越好。通过这两个评价指标计算数值可以说明该预测方法所预测的交通量能够较好的反应实际交通状况。

3 结合预测数据分析高速公路交通流状况

根据本文所提出的节假日交通量预测模型预测下一年的节假日交通量，可提前预知其交通量走势，这可为交通管理部门提前做出决策防止拥堵，也为出行者安排出行时间及出行路线提供依据支撑。

3.1 2016年1月1日交通量预测

根据本文所提出的交通量预测方法预测的2016年1月1日交通量如图7所示。图8为2013年、2014年、2015年1月1日实际交通量数据及2016年1月1日预测交通量数据对比图，由图可知：虚线为临界值，高于临界值区域为拥堵区域，低于临界值区域为流畅区域，拥堵时段为两段分别为09：00-11：00及13：30-15：30之间，据此特征可以采取相应措施减缓交通拥堵状况。

图7 2016年1月1日交通量预测图Figure 7 Traffic prediction chart in January 1，2016

图8 1月1日交通拥堵分析图Figure 8 Traffic congestion analysis chart in January 1

3.2 缓解交通拥堵措施建议

根据图8所示交通量信息，可以提出相应的缓解交通拥堵的若干措施如下：

① 对于交通管理部门来说需要提前公布预测拥堵信息，加强信息诱导。对于经常发生拥堵的路段增加相应的诱导系统，能够实时或者提前显示前方路段交通拥堵情况诱导分流；

② 对于出行者来说需要根据拥堵预测信息规划线路，错峰出行。根据图示信息可以看出交通拥堵主要集中在09：00-11：00及13：30-15：30之间，选择提前或者延后一段时间出行或者选择其他线路能够避开车流高峰期；

③ 对于高速公路出入口实施动态管控措施。根据交通量预测信息发现即将进入拥堵时间段时则适当减缓进入高速公路的车流量，同时适当引导部分车辆从最近的出口离开高速公路，选择其他流畅路线进行分流。

4 总结

在快速发展的今天，深入挖掘交通量数据对于预测高速公路交通拥堵状况具有深远意义。本文通过对交通流数据进行小波滤波消除原始数据含有的白噪声，然后采用具有闭环反馈作用的BP神经网络方法进行训练预测数据，仿真实验结果表明这种组合方法的预测结果能够很好的吻合交通量的走势。通过长时间对交通运行状态的监控与预测，逐步探索高速公路交通运行规律，并适时提出应对交通拥堵策略，不仅能够为交通管理部门提供有效决策支持，同时也为居民出行提供有价值的参考，具有深远的社会意义。

[1] 魏方强.高速公路短时交通流量组合预测方法研究[D].重庆：重庆大学，2013.

[2] 杨兆升.智能运输系统概论[M].北京：人民交通出版社，2007.

[3] 曾超，唐伯明.重庆两江新区城市路网供需预测及匹配性研究[J].公路工程，2014，39(3)：107-111.

[4] 丛新宇，虞慧群，范贵生.基于组合模型的交通流量预测方法[J].华东理工大学报：自然科学版，2011(3)：340-345.

[5] 卓卉.基于混沌理论的短时交通流预测方法研究[D].北京：北京交通大学，2008.

[6] 胡佩锋.交通流量短时预测方法研究[D].北京：北京交通大学，2006.

[7] Sherif Ishak，Haitham AI-Deek.Performance Evaluation of Short-term Traffic Prediction Model[J].Journal of Transportation Engineering，2002，128(6).

[8] 刑丹丹，张立涛，段雨芬.基于小波分析的大跨径桥梁健康监测数据预处理研究[J].公路工程，2012，37(2)：33-36.

[9] 刘驰，刘伟铭.基于小波变换的交通流预测及模型优化[J].科学技术与工程，2008，8(21)：5858-5862.

[10] 喻丹.基于小波理论的短时交通流预测方法研究[D].长沙：长沙理工大学，2008.

[11] 胡纪元，文鸿雁，周吕，等.基于小波神经网络的隧道变形预测模型研究[J].公路工程，2014，39(4)：26-29.

[12] 刘秋平.神经网络在短期交通流预测中的应用研究[D].西安：长安大学，2011.

[13] TONGMingrong，XUEHengxin.Highway traffic volumeforecasting based on seasonal ARIMA model[J].Journal of Highway and Transportation Research and Development.2008，25(1)：124-128.

[14] 杜长海，黄席樾，杨祖元，等.基于神经网络和Markov链的交通流实时滚动预测[J].系统仿真学报，2008，20(9)：2464-2468.

Wavelet Filtering of the BP Neural Network of Highway Congestion Forecast Analysis during the Holidays

LIU Qinglin， DAI Hongliang

(Zhejiang Scientific Research Institute of Transport， Hangzhou， Zhejiang 310006， China)

As the highway tolls are exempted from policy in the holiday，assure the smoothly running of expressway is imminent.Firstly，data based on existing holidays are eliminated white noise by wavelet filter，and then BP neural network has a closed-loop feedback simulation model to predict the volume of traffic on New Year's 2015 comparing with the actual value，the results show that this method can predict the outcome well and reflect the actual traffic.Finally，forecast the traffic of 2016 New Year's Day and propose strategies to deal with highway traffic congestion，other holidays’traffic can also use this model to predict and simulate.

wavelet filter； BP neural network； highway； congestion forecasting； traffic data

2015 — 04 — 07

浙江省交通运输厅科研计划项目(2014T16)

刘清林(1987 — )，男，河南信阳人，硕士，助理工程师，主要从事智能交通工程方面的研究。

U 491.1+12

A

1674 — 0610(2016)06 — 0098 — 05