基于布谷鸟算法的BP神经网络短时交通流预测

薛 鹏，任鹏飞，刘守兵

(河南工程学院 电气信息工程学院，河南 郑州 451191)

机动车保有量的激增和日益发达的交通路网不断满足着人们的生活需求，随之而来的交通规划成为该领域的研究热点。短时交通流因其非线性和随机性特征被描述为非线性时间序列问题[1-2]，如何利用短时交通流数据准确预测未来交通情况是亟待解决的关键问题。

神经网络因其并行处理能力强、规模大、自适应学习能力强的特点在预测领域具有优势，利用BP网络、RBF网络的方案显示了网络逼近方法的能力[3]。然而，神经网络算法因搜索方法单一而存在容易陷入局部极小值的问题，于是算法的融合修正经常可见。小波神经网络中引入粒子群搜索算法可弥补梯度下降法的不足，更容易得到全局最优解[4-5]。陈晓利等[6]将神经网络与Adaboost算法结合，提出了准确预测交通流量的改进模型。此类智能算法用于短时交通流量预测问题时需要解决算法收敛速度慢和容易陷入局部最优解的问题。

布谷鸟算法属于迭代搜索智能算法，是以布谷鸟寄生繁殖为启发、基于莱维飞行模式提出的。该算法具有结构简单、参数少、易收敛于全局最优解等优点[7-8]，其中短距离和长距离交替行走强化了它的搜索能力。本研究将布谷鸟算法用于网络权值的搜索以提高权值的收敛速度，并以最优解确保网络对经验数据的逼近精度，采用优化后的网络对前期交通流量数据进行学习，对未来短时车流量进行预测，并基于MATLAB的实验结果验证了所得模型的有效性。

图1 BP神经网络结构Fig.1 Structure of BP neural network

1 BP神经网络结构

BP神经网络具有适应性强、容错性好的优点，其基本结构如图1所示。图1中，x1，x2，…，xk表示BP神经网络的输入，y1，y2，…，ym表示预测输出，wij和wjk分别表示关键网络层之间的连接权值矩阵。

从输入层得到隐含层，有

(1)

式中：σj(·)为隐含层神经元的活化函数。网络的输出可以表示为

(2)

2 布谷鸟算法

基于寄生鸟类布谷鸟的借巢繁衍行为得到布谷鸟算法，该算法具有搜索效率高、不容易陷入局部最优解的特点。目标函数选择平均绝对误差函数

(3)

式中：yp(t)、yr(t)分别表示实验预测数据和实测数据。

表1 布谷鸟搜索算法流程Tab.1 Cuckoo algorithm search process

(4)

3 仿真分析

基于MATLAB软件提供的神经网络工具箱，编程辅助实现交通流量数据学习及预测。测试BP神经网络设置3个输入节点、6个隐层节点和1个输出层节点，其输入为预测时间点中前3个时间点的交通流量，输出为当前时间点的交通流量预测值。

3.1 数据预处理

实验数据来源于复旦大学力学工程系的网络共享数据平台，导入网站提供的郑州市金水路高架监测点数据作为测试样本。测试样本记录了某日早上7：20—8：40共2 000个时间点的采样数据，将前1 800个数据点作为训练样本用于BP网络训练，利用训练好的网络分两组预测交通流量。由于网络的单元差异可能导致预测误差较大，故对实验数据进行归一化预处理：

(5)

3.2 交通流量预测

图2是实测交通流量数据，其中的数据分组用于网络训练。从图2中抽取用于一次网络训练的数据示例见图3。将布谷鸟算法的迭代学习次数上限设置为300，图4给出了迭代搜索过程中目标评价函数的动态过程。由于算法搜索过程的随机性，每次得到的结果并不完全相同，图4中所示搜索过程的最终目标函数值为 0.315。图5给出了网络输出的预测交通流量和实测原始数据的对比结果，可见布谷鸟算法可实现快速收敛并避免陷入局部最优，通过对网络权值的不断更新实现了对原始数据的有效学习。

图2 实测交通流量数据Fig.2 Actual traffic flow data

图3 实测交通流量数据分组样本Fig.3 Samples of actual traffic flow data

图4 布谷鸟算法的迭代过程Fig.4 Iterative process of Cuckoo algorithm

图5 网络训练逼近结果Fig.5 Approximation results of the network

以莱维飞行进行搜索具有明显的随机性。分析布谷鸟算法的效率，在上述参数环境下对比常见算法的实验数据，用文献[2]和文献[6]中的PSO算法和GA-BP算法对本实验数据进行预测学习，迭代次数和目标函数值的对比结果见表2。

表2 3种算法的迭代次数和目标函数值Tab.2 The target function values of the three algorithms

表2中的实验数据表明：同样以BP网络为基础，标准PSO算法的训练结果不是很好，迭代次数过大且寻优速度较慢；基于遗传算法的GA-P方案明显提高了搜索效率，但在迭代1 000次的寻优搜索实验中出现目标函数值下降不明显的结果；以布谷鸟算法进行搜索，迭代次数和目标函数值优化效果都有明显提升。

图6是利用训练好的网络得到的两组预测数据，将其与原始归一化数据进行对比，结果表明所给出的算法达到了快速、精确优化神经网络权值的目的，可基于前期实测交通流数据预测未来短时交通流的变化。

图6 预测值与实际值比较Fig.6 Comparison between predicted value and actual value

4 结语

针对神经网络预测方法中算法收敛速度慢、容易陷入局部最优解的问题，提出了基于布谷鸟算法的改进预测模型，可借助算法的高效搜索能力实现对未来交通流的快速、准确预测。实验与仿真结果表明： 布谷鸟算法长短结合的步长行进方法使得网络快速收敛，提高了基于经验数据的训练效率和学习精度；所得模型能够基于前期数据快速、准确地预测未来短期内的交通流变化趋势；布谷鸟算法在函数最优解的搜索中具有一定优势，该方法与新型网络结构的结合是值得探索的方向。