【摘 要】城市道路交通流量短時預(yù)測是智能交通系統(tǒng)（ITS）的重要組成部分。本文結(jié)合銀川城市道路交通量分布的空間和時間相關(guān)性，利用BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和GRNN神經(jīng)網(wǎng)絡(luò)建立3種道路交通量短時預(yù)測模型，利用銀川市區(qū)道路交叉口實際觀測數(shù)據(jù)，應(yīng)用MATLAB對交叉口進口道交通量進行短時預(yù)測，并將預(yù)測結(jié)果與實際數(shù)據(jù)進行對比分析，指出每種預(yù)測模型的優(yōu)點和不足。

【關(guān)鍵詞】交通流量短時預(yù)測 BP神經(jīng)網(wǎng)絡(luò) RBF神經(jīng)網(wǎng)絡(luò) GRNN神經(jīng)網(wǎng)絡(luò)

【Abstract】Urban road short-term traffic flow prediction is an important part of intelligent transportation system（ITS）. This paper we Combining with the temporal-spatial correlation of traffic flow， Using the BP neural network， RBF neural network and GRNN neural network， to establish 3 kinds of short-time traffic flow forecasting models. Then intersection traffic flow data of Yinchuan are used in the MATLAB to predict the short-term traffic flow of the entrance lanes of the intersection. Finally， the advantages， disadvantages and the suitable condition of each models are put forward by analyses the predictive results and practical data..

【Key words】short-term traffic flow prediction； BP neural network； RBF neural network； GRNN neural network

1 引言

隨著人民生活水平及城市現(xiàn)代化建設(shè)水平的不斷提高，社會對城市道路交通運輸?shù)男枨笕找嬖黾樱悄芙煌ㄏ到y(tǒng)（ITS）作為一種有效的需求解決方案，逐漸成為交通運輸系統(tǒng)研究焦點。交通控制和交通誘導(dǎo)是智能交通系統(tǒng)研究的重要領(lǐng)域，實現(xiàn)交通控制和誘導(dǎo)的關(guān)鍵問題之一是實時準(zhǔn)確的短時交通量預(yù)測。神經(jīng)網(wǎng)絡(luò)模型在交通量預(yù)測領(lǐng)域是一種很有潛力的預(yù)測模型，利用神經(jīng)網(wǎng)絡(luò)對短時交通量進行預(yù)測往往可以取得比較理想的效果，可為智能交通系統(tǒng)中交通控制和交通誘導(dǎo)的相關(guān)研究提供較為準(zhǔn)確的預(yù)測數(shù)據(jù)。

2 道路交通流量短時預(yù)測原理

短時交通量預(yù)測與交通流量所具有的時間、空間特性相關(guān)。時間方面指路段i在過去若干時間間隔內(nèi)的交通量歷史數(shù)據(jù)；空間方面指與路段i相鄰的上下游路段中對其交通量有顯著影響的路段i+j當(dāng)前及過去時刻的交通量。據(jù)此，對交通量的短時預(yù)測是根據(jù)已知的路段i及路段i+j在過去m個時刻交通量實際值求出路段i及路段i+j在未來n個時段內(nèi)的交通量估計值。

3 基于神經(jīng)網(wǎng)絡(luò)的交通流量短時預(yù)測

BP神經(jīng)網(wǎng)絡(luò)模型是一種按誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，它能學(xué)習(xí)和存貯輸入-輸出模式映射關(guān)系，無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。RBF（徑向基函數(shù)）神經(jīng)網(wǎng)絡(luò)模型在隱含層采用徑向基函數(shù)作為激勵函數(shù)，可以處理系統(tǒng)內(nèi)的難以解析的規(guī)律性，學(xué)習(xí)收斂速度較快。GRNN（廣義回歸線性網(wǎng)絡(luò)）網(wǎng)絡(luò)模型的連接權(quán)值學(xué)習(xí)修正采用BP算法，隱含層結(jié)點的作用函數(shù)采用高斯函數(shù)，局部逼近能力強、學(xué)習(xí)速度快，網(wǎng)絡(luò)中人為調(diào)節(jié)的參數(shù)只有光滑因子，網(wǎng)絡(luò)學(xué)習(xí)全部依賴數(shù)據(jù)樣本，可最大程度避免人為因素對預(yù)測結(jié)果的影響。

3.1 BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、GRNN神經(jīng)網(wǎng)絡(luò)模型設(shè)計

本文建模均運用MATLAB2009a軟件神經(jīng)網(wǎng)絡(luò)工具箱。BP神經(jīng)網(wǎng)絡(luò)選用含輸入層、隱含層和輸出層的三層網(wǎng)絡(luò)，隱含層神經(jīng)元數(shù)目由經(jīng)驗公式配合試算比較確定，隱含層以及輸出層傳遞函數(shù)均選用雙極性S型函數(shù)；RBF神經(jīng)網(wǎng)絡(luò)利用newff （）函數(shù)設(shè)計和訓(xùn)練，用sim（）函數(shù)進行預(yù)測仿真，用mse（）函數(shù)衡量預(yù)測和實測的擬合程度；GRNN神經(jīng)網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)均據(jù)學(xué)習(xí)樣本自適應(yīng)調(diào)整，因此選用newgrnn（）函數(shù)設(shè)計和訓(xùn)練網(wǎng)絡(luò)，且GRNN神經(jīng)網(wǎng)絡(luò)連接權(quán)值的學(xué)習(xí)修正使用BP算法。

3.2 交通量數(shù)據(jù)說明與處理

本文對銀川市區(qū)寧安大街-新昌路交叉口A南進口路段在2014年9月24日（周三）14：00至19：00時段的交通量V（t）進行預(yù)測。寧安大街-新昌路交叉口A與寧安大街-黃河路交叉口B是兩個相鄰的十字交叉口（路況如圖1所示）。

圖1 研究交叉口位置示意圖

由于預(yù)測路段的交通流量由其上游路段右轉(zhuǎn)、直行和左轉(zhuǎn)三個進口的交通量V1（t）、V2（t）和V3（t）決定，所以以2014年9月17日（上周三）和最近兩個工作日9月22日、9月23日這三天在7：00至19：00之間的交通量作為預(yù)測的歷史數(shù)據(jù)，以上周三、本周三及其前兩天7：00至14：00的交通量為訓(xùn)練數(shù)據(jù)，以交叉口A的南進口路段當(dāng)天14：00到19：00的交通量作為預(yù)測對比數(shù)據(jù)。交通流量數(shù)據(jù)利用檢測器采集，采集時段為早7：00至晚19：00，時間間隔為15分鐘。經(jīng)分析后發(fā)現(xiàn)數(shù)據(jù)在選用時段內(nèi)完整且波動范圍合理，不必進行數(shù)據(jù)修復(fù)，預(yù)測時對數(shù)據(jù)進行歸一化處理。

3.3 模型的輸入輸出方案設(shè)計

輸入變量包括：研究路段9月24日（周三）當(dāng)前時段t，前兩個時段t-15，t-30；周一、周二和上周三的t、t-15、t-30、t+15；以及上游交叉口周三t時段，周一和周二t+15時段匯入預(yù)測進口道的交通量在內(nèi)的一共24個變量。輸出為預(yù)測時段每隔15分鐘的交通量。

3.4 短時交通流量預(yù)測模型的評價指標(biāo)

本論文引入最大絕對相對誤差MMSE、相對平均誤差MRE、均方誤差MSE和預(yù)測時間RT四個指標(biāo)進行模型預(yù)測結(jié)果的量化評價。

（1）最大絕對相對誤差（MMSE）：

式3-1

（2）相對平均誤差（MRE）：

式3-2

（3）均方誤差（MSE）：

式3-3

其中，N是數(shù)據(jù)個數(shù)， 是交通量實測值， 是交通量預(yù)測值。

4 預(yù)測結(jié)果分析、對比

4.1 預(yù)測結(jié)果分析

利用MATLAB進行交通量預(yù)測后，三種網(wǎng)絡(luò)模型得到的預(yù)測數(shù)據(jù)分析圖2-7如下：

圖2 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果對比圖 圖3 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測相對誤差

圖4 RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果對比圖 圖5 RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測相對誤差

圖6 GRNN神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果對比圖 圖7 GRNN神經(jīng)網(wǎng)絡(luò)模型預(yù)測相對誤差

4.2 預(yù)測結(jié)果對比

各個模型預(yù)測結(jié)果量化評價指標(biāo)成果如表1所示：

表1 不同神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果對比

預(yù)測模型 MMSE MRE MSE RT

BP 0.0679 0.0268 40.9673 2.113s

RBF 0.0514 0.0219 25.1590 0.874s

GRNN 0.0827 0.0373 62.0837 0.658s

通過對研究路段交通流量實測數(shù)據(jù)進行對比：

（1）預(yù)測精確度分析：在本文設(shè)計的輸入輸出方案下，BP神經(jīng)網(wǎng)絡(luò)模型取得了比較理想的預(yù)測結(jié)果，但它存在隱含層節(jié)點數(shù)目選擇方面的不足以及需進行多次參數(shù)調(diào)整測試，模型在預(yù)測時無法避免人為因素對預(yù)測結(jié)果的干擾；RBF神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)簡單，避免了反向傳播這樣復(fù)雜的計算過程，其預(yù)測精度方面也優(yōu)于BP、GRNN神經(jīng)網(wǎng)絡(luò)模型；GRNN神經(jīng)網(wǎng)絡(luò)模型得到的預(yù)測結(jié)果在精確度方面表現(xiàn)不如BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)，但其僅需要對光滑因子這一單一參數(shù)進行調(diào)節(jié)，網(wǎng)絡(luò)學(xué)習(xí)全部依據(jù)樣本數(shù)據(jù)，最大程度避免人為因素對預(yù)測結(jié)果的影響；綜上，在三種預(yù)測模型中，RBF神經(jīng)網(wǎng)絡(luò)模型在達到最好仿真效果時預(yù)測精確度最高，且人為因素對預(yù)測結(jié)果干擾較小。（2）預(yù)測時間比較分析：由于BP神經(jīng)網(wǎng)絡(luò)自身的不足使得預(yù)測時間最長，其次是RBF神經(jīng)網(wǎng)絡(luò)模型，預(yù)測時間相對最短的是GRNN神經(jīng)網(wǎng)絡(luò)模型。

5 結(jié)語

本文研究的目的在于得到更準(zhǔn)確、更合理的預(yù)測模型來對銀川市城市道路短時交通流量進行預(yù)測。在利用仿真的方法系統(tǒng)地比較了BP、RBF、GRNN三種神經(jīng)網(wǎng)絡(luò)模型的預(yù)測性能后，可以得出以下結(jié)論：RBF神經(jīng)網(wǎng)絡(luò)模型相對于BP神經(jīng)網(wǎng)絡(luò)模型和GRNN神經(jīng)網(wǎng)絡(luò)模型來講更適合對銀川市城市道路進行短時交通量預(yù)測。

參考文獻：

[1] 范騰騰.城市道路交通流量短時預(yù)測研究[D].北京交通大學(xué)大學(xué)，2012.

[2] 謝婉澤.城市軌道交通客流短時預(yù)測方法與運營編組優(yōu)化設(shè)計[D].大連交通大學(xué)，2013.

[3] 吳 凱.基于神經(jīng)網(wǎng)絡(luò)的短時交通流量預(yù)測研究[D].南京郵電大學(xué)，2014.

[4] 任千里.智能算法在短時交通流量預(yù)測中的應(yīng)用[J].交通建設(shè)與管理，2014.

[5] 王曉原.交通流數(shù)據(jù)清洗與狀態(tài)辨識及優(yōu)化控制關(guān)鍵理論方法.北京：科學(xué)出版社，2011.

[6] 張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計.北京：機械工業(yè)出版社，2012.

作者簡介：張文斌（1987—），男，甘肅武威人，碩士，畢業(yè)于蘭州交通大學(xué)，在校研究生，研究方向：交通運輸。