基于神经网络的短时交通流预测方法研究综述

罗紫宇

摘 要：针对道路交通拥堵的情况，对道路的短时交通流进行预测能够很好的缓解拥堵并且具有预警能力。本文主要对国内外基于神经网络对短时交通流预测算法研究进行综述，最后得出本文结论。

关键词：神经网络;短时交通流;预测

1 引言

由于经济的快速发展和现代城市发展的加快，机动车的数量成了井喷式的发展。但由于空间资源的有限，道路的实际交通量已远远超过其能够承载的交通量，从而造成交通拥堵时常发生。短时交通流预测是在时间跨度不超过15min，在此时刻t对下一决策时刻t+1乃至以后若干时刻t+n的交通流做出实时精准的预测[1]。对交通流进行实时、准确地预测能够有效地对道路交通流量进行优化，缓解道路拥堵程度，同时还能够提升到路段交通预警能力。但交通流的变化具有非线性和不确定性特性，而神经网络具有很好的非线性收敛能力，因此可以更加准确的了解短时交通流的不确定性。所以国内外有很多学者基于神级网络对短时交通流进行预测。

2 国内外研究综述

2.1 国外研究综述

Fabio等[2]通过统计方法来优化人工神经网络，并提出了一种基于神经网络BP的混合模型来对短时交通流进行预测，其预测结果较优，但由于人工神经网络阈值为定值，所以对预测精度有所影响。

Fusco[3]通过将贝叶斯网络与人工神经网络进行融合来建模，通过采集到的交通数据，对模型结果进行验证，结果表明贝叶斯网络的空间结构在一般条件下用于道路交通流预测是有效的，另外该模型能很好反映交通流的时空特性。

2.2 国内研究综述

2.2.1 基于BP神经网络研究

由于神经网络收敛速度较慢，张文胜等[4]提出了一种改进灰狼算法（Transformed Grey Wolf Optimizer，TWGO）交通流预测模型。并改进标准算法的收敛因子和位置更新公式，从而改善标准灰狼算法的寻优能力和收敛特性，并利用其对BP神经网络的权值以及阈值进行寻优，使BP神经网络的收敛速度和精度有所提高。最后通过实例将改进灰狼算法优化BP神经网络（TGWO-BP）、灰狼算法优化BP神经网络（GWO-BP）、粒子群算法优化BP神经网络（PSO-BP）和神经网络模型输入数据，以及比较结果。研究发现，TGWO-BP的预测误差最低，所以具有更好的预测精度和良好的应用前景。

朱云霞等[5]提出了一种利用遗传算法优化BP神经网络的方法，来预测交叉口的短时交通流。首先提出了准实时预测概念（在短时交通流预测的基础上，把预测时长缩短到秒级）并构建交叉口交通流准实时预测模型，为了与交叉口的实时交通量进行匹配，将时长缩短到了5s。通过实例分析表明，本文的预测方法与传统方法相比，提高了预测精度，具有可靠性。但本文的不足之处在只对一个交叉口进行了分析。

蔡翠翠等[6]在分析道路短时交通流时空特性的基础上，提出了一种基于时空特性和灰色神经网络预测模型，其通过短时交通流时空特性进行分析，并利用该模型进行预测。最后实例证明，与单一时间序列预测模型相比，该模型精度较高。

2.2.2 基于小波神经网络研究

陆百川等[7]利用交通流时空相关性影响特征，并结合遗传小波神经网络较高的自适应降噪的优点，提出了一种基于路网时空性和遗传小波神经网路的方法来进行短时交通流预测。并通过实例进行研究，该实例用了遗传小波神经网络（GA-WNN）、小波神经网络（WNN）以及BP神经网络来进行不同数据源预测。实例结果表明，GA-WNN能有效提高交通流预测精度，具有适用性以及可行性。

马梅琴等[8]针对粒子群算法小波神经网络（PSO-WNN）提出了一种基于IPSO-优化的WNN预测模型。最后实例结果证明，IPSO-WNN的预测精度高于WNN和PSO-WNN模型的预测精度。

2.2.3 基于ELM神经网络研究

景辉鑫等[9]提出了一种基于灰色ELM神经网络预测方法。首先将原始数据利用灰色模型累加处理，并将短时交通流数据变为长时交通流数据，然后利用ELM来代替一阶线性自动微分方程。从而得到ELM神经网络长时交通流预测数据结果，再通过累减还原，得到短时交通流预测结果。最后通过对比分析，该模型具有较高精度。

3 结论

为缓解交通拥堵问题，其中有效方法就是对交通流进行预测。但交通流具有线性和不确定性，用神经网络能够很好的对短时交通流进行预测。本文主要对结合神经网络来预测短时交通流的算法进行综述，主要包括BP神经网络、小波神经网络、ELM神经网络、Elman神经网络，发现结合以上神经网络的算法精度较高。

参考文献：

[1]卢建中，程浩.改进GA优化BP神经网络的短时交通流预测[J].合肥工业大学学报（自然科学版），2015，38（01）：127-131.

[2]MORETTI F，PIZZUTI S，ANNUNZIATO M，et al.Urban traffic flow forecasting through statistical and neural network bagging    ensemble hybrid modeling[J].Neurocomputing，2015，167（C）：3-7.

[3]Gaetano Fusco，Chiara Colombaroni，Natalia Isaenko.Short-term speed predictions exploiting big data on large urban road networks[J].Transportation Research Part C，2016，73.

[4]张文胜，郝孜奇，朱冀军，杜甜添，郝会民.基于改进灰狼算法优化BP神经网络的短时交通流预测模型[J].交通运输系统工程与信息，2020，20（02）：196-203.

[5]朱云霞，郭唐仪.基于GA-BP神经网络的交叉口短时交通流预测[J].交通运输研究，2019，5（02）：45-51.

[6]蔡翠翠，王本有，常志强.基于时空特性和灰色神经网络的短时交通流预测[J].沈阳理工大学学报，2019，38（02）：32-36+43.

[7]陆百川，李玉莲，舒芹.基于時空相关性和遗传小波神经网络的路网短时交通流预测[J].重庆理工大学学报（自然科学），2020，34（05）：25-34.

[8]马梅琴，李风军，赵菊萍.基于改进粒子群算法优化小波神经网络的短时交通流预测[J].宁夏师范学院学报，2019，40（01）：71-77.

[9]景辉鑫，钱伟，车凯.基于灰色ELM神经网络的短时交通流量预测[J].河南理工大学学报（自然科学版），2019，38（02）：97-102.