余善好

摘要：隨著車輛的不斷增多，城市的交通問題成為一個重要的研究課題。智能交通要求能夠根據(jù)一些歷史數(shù)據(jù)及時對交通量進行預(yù)測，以便決策者對路段進行控制，使得道路交通達到一種理想的控制效果。計算機技術(shù)的快速發(fā)展，使得人工智能在這個研究領(lǐng)域占有其獨有的地位，也成為近年來計算機領(lǐng)域中研究的一個重點。

在神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中，均是采用BP神經(jīng)網(wǎng)絡(luò)或者改進模型。針對神經(jīng)網(wǎng)絡(luò)存在的問題，需要一種好的算法對神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，提高網(wǎng)絡(luò)的整體性能。遺傳算法在系統(tǒng)控制、結(jié)果優(yōu)化等諸多應(yīng)用領(lǐng)域方面都有十分成功的應(yīng)用。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；遺傳算法；車流量預(yù)測

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2018）16-0191-03

Research and Application of Neural Network Based on Genetic Algorithm Optimization

YU Shan-Hao

（Basic Experimental Teaching Center， Anhui Sanlian University， Hefei 230031， China）

Abstract： with the increasing number of vehicles， the traffic problem of the city has become an important research topic. Intelligent traffic demand can predict traffic volume timely according to some historical data， so that decision-makers can control the road sections， so that road traffic can achieve an ideal control effect. With the rapid development of computer technology， artificial intelligence occupies a unique position in this research field， and has also become a research focus in computer field in recent years.

In the practical application of neural network， the BP neural network or the improved model are used. In order to solve the problem of neural network， a good algorithm is needed to optimize the neural network to improve the overall performance of the network. Genetic algorithms have been successfully applied in many fields such as system control， result optimization and so on.

Key words： neural network； genetic algorithm； vehicle traffic prediction.

在經(jīng)濟高速發(fā)展的同時，人們的生活和出行方式也在不斷變化。但是，隨著車流量的增加與增多，很多道路都呈現(xiàn)擁堵的現(xiàn)象，給人們出行帶來不利。為此，為了更好地對道路的交通信息做好規(guī)劃、方便出行，人們不僅使用各種先進的信息獲取各種道路的實時信息，而且有的路段已經(jīng)對車流量進行預(yù)測，以便實現(xiàn)各種道路信息的互通，規(guī)劃合理的路徑和車流量分流，達到節(jié)約出行者的時間和精力等目的。因此，很多人投入到智能交通相關(guān)研究。

計算機學(xué)科中的人工智能也是自21世紀以來研究的熱點問題。隨著人們對神經(jīng)網(wǎng)絡(luò)研究的不斷深入以及處理復(fù)雜問題中展現(xiàn)出的優(yōu)勢，越來越多的學(xué)者參與神經(jīng)網(wǎng)絡(luò)的研究中，成為學(xué)術(shù)界的熱門研究專題。

神經(jīng)網(wǎng)絡(luò)是人們提出的一種模擬人腦復(fù)雜機制的新興學(xué)科，它描述的是人類大腦神經(jīng)網(wǎng)絡(luò)的抽象模擬過程，從而為人工智能和信息處理等應(yīng)用領(lǐng)域開辟一種全新的處理方法。整個神經(jīng)元是由許多簡單的神經(jīng)單元并行構(gòu)成，其工作方式是并行進行。神經(jīng)網(wǎng)絡(luò)主要是通過對輸入和輸出數(shù)據(jù)的學(xué)習、分析，掌握他們之間的潛在規(guī)則，推導(dǎo)出輸出結(jié)果。因此，在數(shù)學(xué)領(lǐng)域、模式識別領(lǐng)域、氣象預(yù)測等許多方面都有一定的實際應(yīng)用。

遺傳算法（Genetic Algorithm， GA）是1975年Holland教授提出來的一種優(yōu)化算法。旨在為群體找到最優(yōu)算法的搜索技術(shù)，對目標群體經(jīng)行選擇、交叉、變異等遺傳操作，產(chǎn)生新群體，再循環(huán)進行搜索、優(yōu)化，直到群體接近我們設(shè)置的要求或目標為止。因為該算法是針對全局的優(yōu)化搜索法，所以能夠避開局部極小點，魯棒性強。遺傳算法可以在全局范圍內(nèi)進行尋優(yōu)，不像神經(jīng)網(wǎng)絡(luò)可能是對某一區(qū)域的尋優(yōu)，有效地避免了網(wǎng)絡(luò)陷入局部最優(yōu)點的弊端，進而可以達到優(yōu)化神經(jīng)網(wǎng)絡(luò)的目的。

近年來，隨著兩種算法研究的不斷深入，很多學(xué)者設(shè)想將兩種算法組合在一起，形成一種全新的算法。神經(jīng)網(wǎng)絡(luò)雖然在自學(xué)習、自適應(yīng)等方面有顯著的優(yōu)勢，但是其在搜索的目標或者學(xué)習的范圍內(nèi)很難快速定位優(yōu)秀解的范圍，而遺傳算法是針對快速尋優(yōu)找出最優(yōu)解的一種有效算法，兩種方法的結(jié)合可以使得神經(jīng)網(wǎng)絡(luò)更加具有智能化的算法，是一種非常理想的方法。通過將兩種算法的有機結(jié)合，實現(xiàn)優(yōu)勢互補，是今后很長一段時間研究的重要課題之一。

1研究意義

神經(jīng)網(wǎng)絡(luò)存在不足并需要改進，普通的改進方法對于神經(jīng)網(wǎng)絡(luò)的改善效果不是十分理想，人們便想到能否使用一種新的改善方法或者算法來改進網(wǎng)絡(luò)。在神經(jīng)網(wǎng)絡(luò)應(yīng)用較多的非線性擬合函數(shù)中，分別對BP和GA—BP的效果做比較，分析對比兩者的結(jié)果，得出后者的優(yōu)勢。

混沌現(xiàn)象是生活中比較一種常見的現(xiàn)象，現(xiàn)實生活中交通流的理論認為，在路面上行駛的交通工具構(gòu)成的復(fù)雜系統(tǒng)中，系統(tǒng)內(nèi)部存在一種復(fù)雜關(guān)系，而且這些系統(tǒng)的最后結(jié)果會出現(xiàn)一種混沌現(xiàn)象產(chǎn)生。雖然交通流的混沌性很強，但是該系統(tǒng)還可以利用混沌理論解釋里面的內(nèi)容，因此可以短時預(yù)測流量。當混沌預(yù)測判斷結(jié)果理想的時候，可以利用這種理論判定路面車流量，減少或者避免路途的擁堵、無序狀態(tài)的發(fā)送。所以，對交通流的混沌現(xiàn)象做預(yù)測也是一個有價值的方向。

2遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)

2.1 GA—BP網(wǎng)絡(luò)原理

普通的BP神經(jīng)網(wǎng)絡(luò)中，由于隨機產(chǎn)生的權(quán)值和閾值具有隨機性，對網(wǎng)絡(luò)的穩(wěn)定性和誤差均存在一定的偶然性。而GA—BP網(wǎng)絡(luò)的目的就是減小、消除這種偶然性誤差，圖1是遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的流程圖，與普通的BP神經(jīng)網(wǎng)絡(luò)對比而言，GA—BP比普通的流程圖多了虛線框內(nèi)的遺傳算法部分。

GA-BP網(wǎng)絡(luò)的核心步驟和原理如下：對神經(jīng)網(wǎng)絡(luò)的參數(shù)進行編碼，利用算法按照誤差平方和最小的原則進行“適者生存”，再用優(yōu)化的參數(shù)訓(xùn)練網(wǎng)絡(luò)。圖1流程圖的步驟解釋：

確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)；

根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)，確定閾值、權(quán)值并編碼；

對種群進行初始化；

對訓(xùn)練的樣本進行歸一化處理，送入神經(jīng)網(wǎng)絡(luò)；

計算BP神經(jīng)網(wǎng)絡(luò)的適應(yīng)度函數(shù)，計算每一個個體的適應(yīng)度大?。?/p>

通過選擇交叉和變異得到下一代種群；

計算子代種群的適應(yīng)度，在滿足遺傳終止條件的前提下，找到最佳的個體；

將上述步驟的最佳個體進行解碼，分別賦值到神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值；

對BP神經(jīng)網(wǎng)絡(luò)重新訓(xùn)練，直到滿足終止條件，保留結(jié)構(gòu)并預(yù)測輸出。

2.2 遺傳算法的具體實現(xiàn)

（1）種群初始化及編碼

按照前文的編碼原理介紹，此處我們選擇實數(shù)編碼的方式，每一個個體均是一個實數(shù)。遺傳算法優(yōu)化的對象是神經(jīng)網(wǎng)絡(luò)隨機產(chǎn)生的權(quán)值和閾值，所以我們要知道神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和原理。按照結(jié)構(gòu)模型獲得的編碼長度可以充分發(fā)揮編碼的不重復(fù)性和有效性，保證了計算結(jié)果的有效性和合理性。

（2）適應(yīng)度函數(shù)

由于本文的非線性擬合函數(shù)是神經(jīng)網(wǎng)絡(luò)的常用功能，所以適應(yīng)度函數(shù)選擇比較簡單的計算方法，誤差絕對值作為適應(yīng)度函數(shù)。該函數(shù)可以直觀的反應(yīng)結(jié)果和實際的誤差大小，是一種簡單而有效地適應(yīng)度函數(shù)。當我們的誤差越來越小，表示適應(yīng)度是越來越好。

（3）選擇操作

遺傳算法中我們的選擇算子用的是前面說到的輪盤賭法，把每一個個體的適應(yīng)度比例作為選擇的策略，則每一個個體[i]選擇的概率[pi]為：

[pi=fij=1Nfi] （1）

其中，[fi]為每一個個體的適應(yīng)度。

（4）交叉操作

個體采用實數(shù)編碼方式，所以此處的編碼方式采用實數(shù)交叉法。

[ v1=chrom（index（1），pos）v2=chrom（index（2），pos）chrom（index（1），pos）=pick*v2+（1-pick）*v1chrom（index（2），pos）=pick*v1+（1-pick）*v2] （2）

（5）變異操作

具體的算法如下：

[gij=gij+（gij-gmax）*f（g） r>0.5 gij+（gmin-gij）*f（g） r≤0.5] （3）

上式中：[gmax]和[gmin]分別是基因的上下界，[f（g）=r1（1-gGmax）2]，[g]是當前的進化次數(shù)，[Gmax]是最大進化次數(shù)，[r]和[r1]均是為隨機數(shù)。

（6）遺傳算法的參數(shù)初始設(shè)置。

2.3 遺傳算法與BP神經(jīng)網(wǎng)絡(luò)的結(jié)合

與算法的流程圖相似，當用遺傳算法得到的適應(yīng)度滿足結(jié)束條件的時候，我們會把該個體的編碼對應(yīng)的權(quán)值和閾值取出來，替代隨機產(chǎn)生的權(quán)值和閾值。然后按照一般的神經(jīng)網(wǎng)絡(luò)算法的步驟對網(wǎng)絡(luò)進行訓(xùn)練、預(yù)測。最后的評判標準是比較兩者的誤差大小。

2.4 GA—BP優(yōu)化實驗結(jié)果

從圖2中可以看出，當我們的訓(xùn)練的次數(shù)進行到10次的時候，我們的網(wǎng)絡(luò)便可以達到我們設(shè)置的訓(xùn)練目標而結(jié)束訓(xùn)練。文中我們設(shè)置的結(jié)束目標是目標誤差達到0.00001，這里很快就會達到這個目標，所以結(jié)束訓(xùn)練。同樣，如果設(shè)置結(jié)束的目標不是誤差，而是訓(xùn)練的次數(shù)達到一定數(shù)量的時候，當訓(xùn)練的次數(shù)達到設(shè)置的次數(shù)時，網(wǎng)絡(luò)也會終止訓(xùn)練過程。

（2）預(yù)測誤差曲線圖

圖4所示的GA-BP的誤差范圍的絕對值均在0.05以內(nèi)，預(yù)測的精確度相對基本的BP網(wǎng)絡(luò)來說有了一定的進步改善。間接的表明：GA—BP中遺傳算法對網(wǎng)絡(luò)的確有幫助，減少了預(yù)測誤差大小，提高了預(yù)測的精度。

3應(yīng)用

在基于Java開發(fā)結(jié)合實際中交通流的情況，選擇間隔時間段為五分鐘，即每隔五分鐘進行一次車輛統(tǒng)計。我們調(diào)出了合肥市某高速路口2016年9月份連續(xù)20天的數(shù)據(jù)，具體時間每天上午八點至十二點的車流量，按照五分鐘的車流量為一個基本單位。與此同時，根據(jù)前文描寫的基本步驟和方法，我們對系統(tǒng)的隱含層數(shù)目確定為15。利用軟件平臺設(shè)計出基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)的車流量預(yù)測系統(tǒng)。測試數(shù)據(jù)如下：

圖5是實際數(shù)據(jù)，圖6是我們車流量的預(yù)測情況對比圖。其中，上面曲線是未經(jīng)優(yōu)化的基本網(wǎng)絡(luò)預(yù)測，下面曲線的是優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)測的結(jié)果。

實際數(shù)據(jù)：227；226；229；214；218；221；225； 226；223； 218；213；229； 218；221； 225； 226；223；222；213；229

BP預(yù)測：243；253；235； 233；247；232；224； 224；220； 214；238；222；217；232；224；244；240；244；238； 232

GA-BP預(yù)測：214；236；230； 224； 228；229；230；231；231；220；211； 213；220；223；210；213；210； 221；221；240

經(jīng)過對比數(shù)據(jù)分析誤差絕對值，GA-BP的誤差絕對值的范圍比BP的絕對值要小。從而證明了后者優(yōu)化的算法比未優(yōu)化的要理想。

4結(jié)語

BP神經(jīng)網(wǎng)絡(luò)在逼近連續(xù)函數(shù)的能力方面的優(yōu)勢使得其在近年的研究領(lǐng)域越來越廣泛。針對BP神經(jīng)網(wǎng)絡(luò)在這個方面的應(yīng)用，從神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果來看，結(jié)果在一定的誤差允許范圍內(nèi)，可以達到一定的效果。對于函數(shù)關(guān)系未知或者不能準確

建立輸入和輸出數(shù)學(xué)模型的函數(shù)逼近，其優(yōu)勢將更加明顯。當我們需要改善算法的精度，提高實驗要求時，需要引進一種新的算法，文中引入了遺傳算法。結(jié)合BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的優(yōu)勢，我們采用了GA—BP網(wǎng)絡(luò)，對同一個非線性函數(shù)進行預(yù)測。經(jīng)過實驗對比、分析，得到經(jīng)過優(yōu)化的算法的預(yù)測精度比沒有經(jīng)過優(yōu)化的算法精度要高。同時，部分實驗的性能也有所提高。這樣，對于實際生活或者實驗要求比較高的情況，算法可以得到他們的要求。

通過實驗的結(jié)果對比，我們知道，算法的改善在神經(jīng)網(wǎng)絡(luò)中的確起到了作用。在實際生活中，我們可以對類似的問題進行預(yù)測，爭取將該網(wǎng)絡(luò)應(yīng)用在越來越多的領(lǐng)域。

參考文獻：

[1]蔡自興，徐光祐.人工智能及其應(yīng)用[M].北京：清華大學(xué)出版社，2004.

[2]Stephanedes V J，Michalopoulos P G. Improved estimated of traffic flow for Real-Time control [J]. Transportation Research Record， 1981，795： 28-39

[3]陳淑燕.交通量預(yù)測方法和多相位交通信號模糊控制技術(shù)研究[D].南京：東南大學(xué)，2003.

[4]孫燕.服務(wù)于交通流誘導(dǎo)系統(tǒng)的動態(tài)路徑選擇模型與方法研究[D].南京：東南大學(xué)，2003.

[5]李宏萍.城市快速路交通流分形特征研究[J].土木工程學(xué)報，2006，31（5）：97-99.

[6]Pipes L A. An operational analysis of traffic danamics [J]. J. Appl. Phys. ， 1953， 24（3）：274-281.

[7]Tchrakian T.， Basu B. Real-time traffic flow forecasting using spectral analysis [J]. IEEE Transactions on Intelligent Transportations Systems， 2012，13（2）：519-526.