基于神经网络模型的交通流量预测*

罗 山

(攀枝花学院智能制造学院，四川 攀枝花 617000)

0 引言

随着智能交通系统的高速发展，有效地缓解了交通拥堵、减少了交通事故的发生，而精确的交通流量预测作为交通规划、交通诱导、交通控制、制定出行方案等的重要前提，在智能交通系统中发挥着重要作用。交通流量预测是用现有相关的交通流数据，采用合适的预测方法并建立模型推测其未来状态的过程，目前以短时预测为主，短时是指预测周期不超过15分钟。

交通流量预测的方法不断被提出，基于统计学原理、非参数理论、卡尔曼滤波技术、小波理论、分形技术等方法被应用到短时交通流预测领域[1]。王春安提出了在Hadoop环境下利用MapReduce的分布式处理框架与BP神经网络相结合的预测模型，该模型利用BP神经网络的MapReduce并行化在保证预测精度的同时减小预测时间，达到预测的实时性[2]。邢珊珊[3]针对城市快速路，开展了系统性的交通流预测研究，提出了适用于微波采集数据的数据预处理方法，并进一步考虑时空特性的交通流预测方法。弓晋霞[4]则针对高速公路交通量进行了系统性的预测研究，提出的高速公路交通量预测模型减小了预测误差，为交通量预测方面的研究提供了方法参考。但现有的预测方法存在一些不足，而BP神经网络具有分布式信息存储、非线性函数逼近、自适应学习能力强等优良性能[5]，在短时交通流量预测精度方面具有优势，因此本文采用BP神经网络作为短时交通流量预测模型。

1 BP神经网络基本原理

BP网络是典型的多层前馈网络，包含输入层、隐含层和输出层，其中隐含层可以是多层的。其信息处理具有逐层传递进行的方向性，信息处理能力主要来自于非线性函数的多次复合作用，且网络结构较为简单，易于实现[6]。

BP网络算法的基本思路是在前向传递中信号逐层处理并传递，检查预测输出与给定输出之间的误差，若没有达到精度要求，则转入反向传播，根据检测到的误差来调整输入层与隐含层，隐含层与输出层之间的权值和阈值，从而使预测输出不断地逼近期望输出。

2 基于BP神经网络的流量预测

2.1 BP神经网络预测流程

预测过程包含数据预处理、网络构建、网络训练和网络预测四个大的步骤：

1) 数据预处理是指输入数据(训练数据和测试数据)和归一化处理；

2) 网络构建是指网络层数的确定与隐含层数的选择和输入、输出节点数的确定；

3) 网络训练是指确定网络使用的各种函数如训练函数、学习函数和传递函数等以及利用训练数据训练网络；

4) 网络预测是指用训练好的网络对测试数据进行预测，对比输出结果。

具体预测流程如图1所示。

图1 BP神经网络预测流程

2.2 BP神经网络预测模型

本文只考虑一个交叉口的流量预测，因此输出层节点数为1。

输入层节点数受实际路段的影响[7]，对BP神经网络和预测的原理分析可知，模型输入层每一个神经元节点表示的是对预测输出t时段的交通流量影响最大的因素。本文采用相关系数来确定输入层节点数，给定两个交通序列X和Y，X表示网络输入序列，Y表示网络输出序列，相关系数的计算公式为：

(1)

M表示变量取值的个数，r表示相关系数。规定选取系数大的序列作为输入，从而确定网络的输入层节点个数。这里结合流量数据根据式(1)确定的输入层节点数为6。

隐含层节点数的取值范围计算公式[8]：

(2)

式中，N为隐含层节点数；n为输入层节点数；m为输出层节点数。网络模型设计是6输入1输出，即n=6，m=1，根据式(2)确定隐含层节点数在4～13之间，具体的数目在网络训练时根据预测效果进行确定。

2.3 训练网络及分析

经过多次实验确定网络的参数，隐含层传递函数采用S型的正切函数，输出层传递函数采用线性函数，采用LM学习算法，训练步数5000步，目标误差0.001。图2为6×10×1的网络训练效果收敛图，可见，网络达到预期的预测效果。

图2 训练效果收敛图

3 预测结果及分析

3.1 南北向流量的预测

考虑预测的有效性，预测时间间隔为10 min，采集7∶00～22∶00时段交叉路口南向北的流量数据，对数据进行预处理后送入训练好的网络进行运算，得到预测结果，如图3所示。

图3 南向北预测结果

从图3可见，预测值接近真实值，但个别样本也存在较大误差，均方根误差为5.1216。交叉路口的配时对交通流量有较大影响，同时东西向的车流汇入北向也有一定影响。

采集7∶00～22∶00时段交叉路口北向南的流量数据，对数据进行预处理后送入训练好的网络进行运算，得到预测结果，如图4所示。

由图4可见，北向南的预测效果相较于南向北的预测结果更为理想，其原因在于北向南的流量更加平稳。当某通行方向的流量趋于平稳时，BP神经网路呈现出较好的预测效果，路口之间不会因为流量而彼此影响，而且影响也体现在红绿灯相位配时、渠化、距离等方面。

图4 北向南预测结果

3.2 东西方向流量的预测

采集7∶00～22∶00时段交叉路口西向东的流量数据，对数据进行预处理后送入训练好的网络进行运算，得到预测结果，如图5所示。

图5 西向东预测结果

采集7∶00～22∶00时段交叉路口东向西的流量数据，对数据进行预处理后送入训练好的网络进行运算，得到预测结果，如图6所示。

图6 东向西预测结果

通过表1和表2对东西两个方向流量实际数据与预测结果进行对比，因为南北向配时时间较长，东西向直行与转弯的配时时间都较短造成了排队，且西方向来车极多，在高峰时期会造成排队,也就是说西向北的流量是接近路口该方向的最大通行能力。只是因为偶然原因如举办活动导致人员聚集,才使得流量有所波动。

表1 西向东流量实际数据与预测结果对比

表2 东向西流量实际数据与预测结果对比

3.3 交叉路口流量预测的分析

分析交叉路口流量的特点和预测结果，发现单个交叉路口短期通行能力的某些特性：

1) 对单交叉路口短期流量造成影响较大的因素主要有相邻路口的交通情况和本路口的配时方案及交叉口渠化等交通环境。

2) 交叉路口交通环境中的各种因素都会对流量造成影响，不仅仅只能考虑车辆数目。交叉口的渠化会影响车道数和排队长度，而配时方案更是决定了路口在单位时间内能够通行的车辆数，同时配时的相位中是否禁左或禁右更是完全决定了车辆是否被延误需要进行二次排队。

3) 当交叉口的某个路口或者某个通行方向的通行能力达到饱和时，来车辆数再多也并不会对路口的车流量造成影响，通过的车辆也不会增加。显然，此时不再适宜以上游路段来车辆数作为网络的数据源。

4) 两个路口之间的距离也会影响交叉口的车流量。上游路口通过的车辆数目对本交叉口的影响与两个路口之间的距离呈现出一定的反比关系，也就是说通过上游路口的车辆数目越多，两个路口之间的距离越近，影响也就越大，其原因在于上游路口信号灯造成的车辆数量的波形变化会因为距离的拉长而被削弱。因此在设计短期车流量预测网络时，应该针对路口车辆量彼此之间的影响做出考虑，进行适当的调整。

4 结束语

本文建立了BP神经网络的交通流量预测模型，通过对交叉路口四个方向的流量进行预测，对预测结果与实际流量进行对比分析。交叉口的交通环境对BP神经网络的预测效果有很大的影响，并且该环境指的是本路口和上游路口交通环境，比如信号灯配时方案、路口渠化、两路口之间的距离等。因此使用BP神经网络来预测短期实时流量应当针对所预测的交叉口的交通环境进行单独设计，BP神经网络对单个路口或者交叉口的预测是有效且精准的。