基于改进BP神经网络的交通流数据融合

王晓全，邵春福，尹超英，袁 媛

(北京交通大学城市交通复杂系统理论与技术教育部重点实验室，北京 100044)

目前，交通信息挖掘已经成为智能交通系统(ITS)中进行科学交通预测、交通诱导以及交通组织的基础[1].多源异构交通数据的融合是交通数据挖掘和交通决策的依据[2-4].

常见的交通数据融合方法有神经网络模型、卡尔曼滤波、贝叶斯方法、模糊算法及D-S证据理论等[5]；然而，交通流状态的随机变化往往使得融合结果难以令人满意.数据融合技术在交通领域的可行性已经被实验证明，而有效的融合模型有待进一步的开发[6].道路交通传感器种类繁多，系统之间具有标准不一、交互性差的特点.徐涛[7]设计了一套融合体系对多源传感器信息进行融合，从而获得实用性更强的融合信息.融合框架及融合结构已被广泛研究[8-10]，通过对融合模型以及融合算法的改进，实现融合精度及容错能力的提高.

本文构建改进BP神经网络模型，通过对某主干路的线圈传感器和地磁传感器实测数据进行融合，充分发挥线圈和地磁传感器的优点，弥补单一检测方式获取交通数据的不足，得到更精确、更可靠的交通信息，进一步可以简化冗余交通信息[11-14].利用改进BP神经网络进行融合，可提高融合模型精度，并对模型的容错能力进行检验.

1 BP神经网络

BP神经网络是基于逆向传播算法的数学模型，网络信息正向传播而误差逆向传播，解决了神经网络权值系数优化问题，使其拥有更好的学习效果及更快的学习效率[15]，因此被广泛利用.

交通流基本参数之间存在相互变化关系，由交通流基本关系式q=ku表示，因此交通流3个基本参数只有2个独立变量[16].本文中考虑到交通流基本参数之间的相互关系，数据融合的输入包含线圈传感器和地磁传感器检测的交通流基本参数数据.

图1 基于BP神经网络的融合模型

一个简单的基于BP神经网络的融合模型如图1所示，其中vg,t、Qg,t、Og,t分别为地磁传感器检测的路段断面s上t时刻的交通流速度、流量、占有率数据，vw,t、Qw,t、Ow,t分别为线圈传感器检测的路段断面s上t时刻的交通流速度、流量、占有率数据.本文模型是一个以线圈传感器数据和地磁传感器数据为自变量、校验值为因变量寻找函数关系的过程，通过前期数据的预处理，每一条校验值都对应着一条线圈传感器数据和一条地磁传感器数据.训练的过程就是输入值在不断正向传播，误差反馈后对神经元的权值进行调整的过程，经过不断的训练学习，最终达到精度要求停止训练.

2 交通流数据融合

2.1 神经网络训练

交通检测技术的应用为数据融合提供了实测数据，对历史实测数据进行预处理，获得输入向量的序列.利用某主干路1d传感器数据参与训练，根据检测器位置，将某主干路分为10个断面，每个断面获取如图1所示6维输入向量，根据检测器5 min的采样间隔，剔除凌晨3个参数均为0的时段，1维输入向量为包含204组数据的时间序列.根据实际实验对比，选取3层网络，网络结构为6-15-1的BP神经网络，传递函数确定为收敛性较好的s型对数函数[17].

2.2 改进神经网络算法校验

BP神经网络是从输入数据中提取未知的、新的特征[14].改进BP神经网络使用一组传感器数据作为训练网络的输入向量和输出变量，训练网络提取输入向量的模式特征，利用另一组传感器实测数据作为输入，输入到训练好的神经网络，对输出的响应进行误差分析及LSE指标验证.传统的神经网络输入输出都是使用训练神经网络时的数据，输入向量会根据设定的误差限逼近输出向量，此时获得的误差较小，使用时容易引起精度虚报的情况[18-20].改进神经网络校验算法的设计流程如图2所示.

图2 改进神经网络算法

为了定量研究算法的性能，根据实验获得的数据基础，再进一步计算，并在有效性判断时采用LSE(Least Square Error Method)方法进行模型的有效性验证.

其中,k为样本，k=1,2…；n为样本量；ARk为第k条检验数据样本，可为线圈检测速度，地磁检测速度和融合值；AMk为第k条样本对应的车牌检测速度即校验值.

本文选取9个断面的数据训练神经网络，1个断面的数据输入到训练完成的神经网络，对神经网络的响应进行误差分析及LSE，通过对比传统BP神经网络获得的误差和改进后的校验方法的获得的误差值，来判定改进后的误差校验算法的有效性.

3 实例计算应用

3.1 融合结果

通过MATLAB进行数据融合，得到融合后的速度信息.以改进算法验证断面5#的融合速度和校验值，断面5#的融合速度和校验值之间的关系如图3和图4所示.

图3 融合值与校验值关系

图4 融合值与校验值对比

通过模型进行融合后的速度和校验值的对比，可以说明利用BP神经网络获得的输入和输出关系.由于融合值和检验值均为定距数据，通过计算Pearson相关系数分析两者之间线性相关性的强弱，得到两者的简单相关系数为0.996，相关系数的检验概率p近似为0，因此两者之间的具有较强的线性关系.

3.2 计算结果分析

通过对误差进行分析，根据改进BP神经网络校验算法进行验证，获得如图5所示的相对误差图.

由融合结果知，利用BP神经网络进行路段平均速度的融合结果相对误差都小于6%，即融合精度>94%，因此利用BP神经网络对地磁传感器和线圈传感器所检测路段平均速度的融合计算可以较为准确地反映路段平均速度的变化，很好地满足道路使用者对精度的要求.

各检测方式LSE结果，如表1所示，对比各检测方式LSE值得图6所示结果.

表1 各方式LSE值

图6 各断面LSE值图

由此可知，利用BP神经网络的交通流数据融合算法具有较高的融合精度，而且具有较好的容错能力.实验结果表明，融合误差可以很好地满足交通使用者的出行要求，同时对传统及改进验证算法的断面数据的融合结果证明了模型的有效性.

4 结束语

本文提出了一种改进BP神经网络的交通流数据融合模型，利用布设在某主干路的3种类型传感器数据验证了本文模型的融合能力.本文构建模型主要利用改进BP神经网络来获得输入和输出关系，以线圈和地磁传感器采集的交通流3个基本参数为输入，并以车牌识别数据作为校验值建立融合模型，融合结果表明，所有的融合结果的精度均高于94%，并可以通过LSE值验证，证明了本文构建模型的融合能力.

[1] Eunjeong Ko,Jinyoung Ahn and Eun Yi Kim.3D markov process for traffic flow prediction in real-time[J].Sensors,2016,16(2): 147-166.

[2] Wanli Min,Laura Wynter.Real-time road traffic prediction with spatio-temporal correlations[J].Transportation Research Part C,2011,19(4): 606-616.

[3] 王茹,翁剑成,乔国梁.不同道路条件对城市路段交通流特征的影响研究[J].道路交通与安全,2015,1: 8-14.

[4] 袁腾飞,史同广,李美玲.基于GPS数据的公交运行状态判别算法研究[J].道路交通与安全,2015,2: 23-27.

[5] 赵建东,徐菲菲,张琨.融合多源数据预测高速公路站间旅行时间[J].交通运输系统工程与信息,2016,16(1): 52-57.

[6] 杨兆升,王爽,马道松.基础交通信息融合方法综述

[J].公路交通科技,2006,23(3).

[7] 徐涛,杨晓光,徐爱功，等.面向城市道路交通状态估计的数据融合研究[J].计算机工程与应用,2011,47(7): 218-221.

[8] 张旭.面向交通运行状态评价的多源异质交通流数据融合技术方法研究[D].北京: 北京交通大学,2008.

[9] 夏玫.BP神经网络泛化能力改进研究[D].太原: 太原科技大学,2009.

[10] 张文溥.道路交通检测技术与应用[M].北京: 人民交通出版社,2009.

[11] Yin H,Wong S C,Xu J,et al.Urban traffic flow prediction using a fuzzy-neural approach[J].Transportation Research Part C Emerging Technologies,2002,10(2): 85-98.

[12] Yan G,Sujian L I.Fusion framework of urban traffic control and route guidance based on CPS theory[J].Journal of Highway & Transportation Research & Development,2012,7(1): 82-89.

[13] Chen N.Data-Fusion approach based on evidence theory combining with fuzzy rough sets for urban traffic flow[J].Research Journal of Applied Sciences Engineering & Technology,2013,6(11): 1993-1997.

[14] Yu H.The research of hierarchical data fusion based on three-tiers wireless sensor networks for urban real time traffic information monitoring[C].International Conference on Genetic & Evolutionary Computing.IEEE,2010: 802-805.

[15] 王修勇,温青,杨琪,等.基于新奇检测技术的斜拉索状态评估[J].公路交通科技,2011,28(9): 53-59.

[16] 邵春福,魏丽英,贾斌.交通流理论[M].北京: 电子工业出版社,2012.

[17] Xiao Z,Ye S J,Zhong B,et al.BP neural network with rough set for short term load forecasting[J].Expert Systems with Applications,2009,36(1): 273-279.

[18] Zhang Y,Wu L.Stock market prediction of S&P 500 via combination of improved BCO approach and BP neural network[J].Expert Systems with Applications,2009,36(5): 8849-8854.

[19] Sadeghi B H M.A BP-neural network predictor model for plastic injection molding process[J].Journal of Materials Processing Technology,2000,103(3): 411-416.

[20] Yu F,Xu X.A short-term load forecasting model of natural gas based on optimized genetic algorithm and improved BP neural network[J].Applied Energy,2014,134(134): 102-113.