基于神经网络的交通流时间序列预测

摘  要：经济的发展，导致交通拥堵加剧，科学合理地解决交通相关的问题已成为一种全社会的共识。短期交通预测是一种直接估计未来短期交通状况的过程。文章介绍了BP神经网络、RBF神经网络及其改进算法，通过分析交通流量时间序列，使用BP神经网络、RBF神经网络进行短时交通流预测，并分析了在各种不同条件下的预测情况。

关键词：BP神经网络;RBF神经网络;交通流量预测

中图分类号：TP183      文献标识码：A 文章编号：2096-4706（2020）23-0087-04

Time Series Prediction of Traffic Flow Based on Neural Network

ZHANG Fan

（China Railway Eryuan Engineering Group Co.，Ltd.，Chengdu  610031，China）

Abstract：With the development of economy，the traffic congestion is aggravating. It has become a consensus of the whole society to solve the traffic related problems scientifically and reasonably. Short-term traffic forecasting is the process of directly estimating the short-term traffic situation in the future. This paper introduces BP neural network，RBF neural network and their improved algorithm. By analyzing the time series of traffic flow，BP neural network and RBF neural network are used for short-term traffic flow prediction，and analyzing the forecasting situation under various conditions.

Keywords：BP neural network;RBF neural network;traffic flow forecast

0  引  言

近年来，交通拥堵、交通事故和交通污染越来越严重。在智能交通系统中，交通流量预测已成为重要的研究领域，其预测精度对智能交通系统的应用十分关键。短期交通流量预测是一种根据历史数据，来估计近期未来数据的技术[1]。作者单位长期致力于研发智能交通系统，作者有幸参与其中，研究交通流量的预测等部分。

本文运用人工神经网络进行交通流量数据的短期预测。结果表明，人工神经网络具有良好的预测效果。本文首先使用BP、RBF神经网络，分别预测四个探测器后15分钟的交通流量。其次比较分析了BP神经网络、RBF神经网络的改进算法。然后将预测数据为5分钟和10分钟的结果进行了对比。最后对两步、四步、六步预测的结果进行分析。

1  人工神经网络

人工神经网络中，信息处理的方向是从输入层到各隐层再到输出层逐层进行。神经网络中一层的输出是下一层的输入，信息的处理具有逐层传递进行的方向性，一般不存在反馈环路[1]。本文主要使用BP神经网络和RBF神经网络对交通流进行预测。

1.1  BP神经网络

BP神经网络是由Rumelhart和Mccelland为首的科学家小组在1986年提出的，是一种按误差反向传播算法训练的多层前馈网络，其学习过程由信号的正向传播与误差的反向传播两个过程组成。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止[1]。BP神经元模型如图1所示。

其中，p为输入向量，w为权值向量，b为常数，R为向量个数，f为激活函数，a為输出结果。

BP算法的主要缺点是：收敛速度慢、存在局部极值、难以确定隐层和隐层节点个数[2]。在实际应用中，BP算法很难胜任，因此出现了许多改进算法，如有动量的梯度下降法、有自适应lr的梯度下降法、弹性梯度下降法、共轭梯度法、拟牛顿法、Levenberg-Marquardt训练法。

1.2  RBF神经网络

径向基函数（Radical Basis Function，RBF）是多维空间插值的传统技术，由Powell于1985年提出。1988年，Broomhead和Lowe根据生物神经元具有局部响应这一点，将RBF引入神经网络设计中，产生了RBF神经网络。RBF神经网络结构简单、训练简洁而且学习收敛速度快[2]。RBF神经网络是包含一个径向基函数神经元的隐层和一个线性神经元的输出层的一种两层前馈型神经网络[3]。一个径向基神经元的模型如图2所示。

其中，n为输入向量个数，||dist||为求取输入向量和权值向量的距离。

2  数据处理

本文所用的交通量数据来自华盛顿大学和西雅图大学的智能交通系统研究小组提供的TDAD数据库。探测器位于主要的交通交汇处，且探测器之间的距离非常远，因此不会相互影响。探测器每间隔30秒记录一次，时间是从2005年6月6日至2005年7月3日，共28天的交通流量数据。

数据归一化的方法主要有最大最小法、平均数方差法。本文采用最大最小法。

为了衡量预测网络输出结果，使用以下几个指标：

（1）相对误差E：

（2）均方误差MSE：

（3）均方根误差RMSE：

（4）平均绝对百分比误差MAPE：

（5）归一化均方误差NMSE：

其中，Yreal（t）为实际值，Ypred（t）为预测值，N为数值个数。

3  交通流量神经网络设计与仿真結果

3.1  BP神经网络仿真结果

设计一个多层前向单步预测网络，目标误差设为0.000 01。间隔时间为15分钟，总共有2 685个数据，前2 585个作为训练样本，后100个作为测试样本。

预测时间为15分钟内的交通流量，以ES-855D探测器为例，其仿真结果如图3所示，相对误差如图4所示。

3.2  改进的BP神经网络算法结果比较

设计一个多层前向单步预测网络，目标误差设为0.000 01。间隔时间为15分钟，总共有2 685个数据，前2 585个作为训练样本，后100个作为测试样本。

预测时间为15分钟内的交通流量，BP神经网络的各改进算法的误差值如表2所示。

由表2可知，Levenberg-Marquardt训练法与其他改进方法相比较，预测的精度较高，预测效果较为理想。另外，由实验可得，Levenberg-Marquardt训练法与BP算法相比较，训练网络所用的时间较为短。

3.3  RBF神经网络算法仿真结果

设计一个多层前向单步预测网络，训练精度设为0.02。间隔时间为15分钟，总共有2 685个数据，前2 585个作为训练样本，后100个作为测试样本。

预测时间为15分钟内的交通流量，其仿真结果如图5所示，相对误差如图6所示。

3.4  改进RBF神经网络算法仿真结果

设计一个多层前向单步预测网络。间隔时间为15分钟，总共有1 100个数据，前1 000个作为训练样本，后100个作为测试样本。

预测时间为15分钟内的交通流量，不同网络结构误差值如表3所示。

由表3可知，当网络嵌入维为10，隐含层神经元个数为40时，预测效果及精度较好。

3.5  不同预测时间间隔结果比较

下面用BP神经网络选取不同预测时间间隔进行单步预测实验，汇总为5分钟、10分钟、15分钟的时间间隔，其中2 560组作为训练样本，100组作为测试样本。不同预测时间间隔误差值如表4所示。

由表4可知，随着预测时间间隔的增大，交通流预测效果变差，即与真值偏离程度较大，预测精度降低。出现这样的情况是因为随着预测时间间隔变长，交通流的不确定性增加，非线性程度加大。

3.6  多步预测结果比较

本次实验采用直接多步预测。直接多步预测时，由已知的前k个交通流数据，可直接预测后面第q个数据[4]。本次实验进行直接2步、4步、6步的预测。采用Levenberg-Marquardt训练法，网络目标误差为0.000 01，网络训练次数设为10 000次。间隔时间为15分钟，总共有2 100个数据，前2 000个作为训练样本，后100个作为测试样本。

预测时间为15分钟内的交通流量，直接2步、4步、6步的误差值如表5所示。

由表5可知，随着直接预测步数的增加，预测精度降低，即与真值偏差较大，预测效果较差。这是由于预测步数增加，交通流量的非线性程度较大，其规律性不强，难以预测。

4  结  论

交通流量的预测具有随机性和高度非线性，不易进行长期的交通流预测，故本文主要研究了短时交通流的预测。对于智能交通系统而言，重点就是短时交通流预测的精确度。本文使用BP、RBF神经网络进行短时交通流的预测。通过改变神经网络的训练次数、训练精度、学习率、嵌入维数及散布常数，来提高神经网络预测的精确度大小。对建模和预测短时交通流来说，人工神经网络是一种预测效果较好的方法。本文只考虑了正常情况下的交通流量预测，还可以在考虑天气状况等因素后进行交通流量的预测。

参考文献：

[1] 韩力群.智能控制理论及应用 [M].北京：机械工业出版社，2007.

[2] 王小川，史峰，郁磊.MATLAB神经网络43个案例分析 [M].北京：北京航空航天大学出版社，2013.

[3] 喻宗泉，喻晗.神经网络控制 [M].西安：西安电子科技大学出版社，2009.

[4] 李松，刘力军，翟曼.改进粒子群算法优化BP神经网络的短时交通流预测 [J].系统工程理论与实践，2012，32（9）：2045-2049.

作者简介：张帆（1995—），女，汉族，甘肃张掖人，助理工程师，硕士研究生，研究方向：交通运输。