基于神經(jīng)網(wǎng)絡(luò)的城市交通流預(yù)測(cè)研究

唐 凡

（中國(guó)市政工程西南設(shè)計(jì)研究總院有限公司，四川 成都 610000）

1 徑向基網(wǎng)絡(luò)（RBF）和BP 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)與區(qū)別

BP 神經(jīng)網(wǎng)絡(luò)的自變量是輸入模式與權(quán)向量的內(nèi)積，各項(xiàng)參數(shù)對(duì)BP 神經(jīng)網(wǎng)絡(luò)產(chǎn)生的效果是完全一樣的，因此BP 神經(jīng)網(wǎng)絡(luò)對(duì)非線性映射是全局逼近（與全部數(shù)據(jù)有關(guān)），而徑向基網(wǎng)絡(luò)（RBF）最大的不同之處便是：每項(xiàng)參量對(duì)其產(chǎn)生的效果都是不同的，因此徑向基網(wǎng)絡(luò)（RBF）對(duì)非線性映射的結(jié)果便稱為局部映射（與查詢點(diǎn)附近的數(shù)據(jù)有關(guān)）。

這兩種神經(jīng)網(wǎng)絡(luò)的中間層數(shù)與訓(xùn)練速度不同，BP 神經(jīng)網(wǎng)絡(luò)可以具備多個(gè)隱含層且訓(xùn)練，這也造成了其速度慢的原因之一，而徑向基網(wǎng)絡(luò)（RBF）就只有一個(gè)隱含層并且訓(xùn)練速度快。

2 交通流預(yù)測(cè)模型

2.1 主要影響城市交通流的原因

造成城市交通流變化的原因有很多，比如說：人口分布、城市社會(huì)的經(jīng)濟(jì)狀況、城市交通的總體規(guī)劃、地理位置的特點(diǎn)、車速和車輛擁有量等，在這些因素中，對(duì)城市交通流的影響最大的便是機(jī)動(dòng)車的運(yùn)行速度和車輛的擁有量。而導(dǎo)致城市機(jī)動(dòng)車的擁有量不同的最主要的原因便是人口密度的改變和人均生產(chǎn)總值（GDP）的變化。當(dāng)前，車輛的擁有量大部分是以交警部門通過管理機(jī)動(dòng)車所登記的數(shù)量為準(zhǔn)的；道路上安置的測(cè)速儀所測(cè)得的一段距離的平均速度便是主要的“車速”來源，這兩個(gè)因素將很大程度上決定道路的擁擠水平和道路的服務(wù)水平，其也會(huì)是交通分析和建立預(yù)測(cè)模型的主要數(shù)據(jù)，因此，主要的影響因素便會(huì)是車速、城市人口和車輛的擁有量。

2.2 將數(shù)據(jù)進(jìn)行預(yù)處理

數(shù)據(jù)的預(yù)處理方法有很多，例如：變換法、重新定標(biāo)法、標(biāo)準(zhǔn)化法、比例縮放法等等方法，本文采用的是最常用的比例縮放法對(duì)本文的數(shù)據(jù)進(jìn)行預(yù)處理。其公式為：

該公式中，原始數(shù)據(jù)為X，變化后的數(shù)據(jù)被稱為為T，其也被叫做目標(biāo)數(shù)據(jù)，X(max)、X(min)分別表示原始數(shù)據(jù)的最大值和最小值，T(max)、T(min)分別表示目標(biāo)數(shù)據(jù)的最大值和最小值，其取值范圍分別在0.8 至0.9 和0.1 至0.2 之間是最為適宜的。

數(shù)據(jù)的還原公式（網(wǎng)絡(luò)運(yùn)行以后）：

2.3 交通流的預(yù)測(cè)模型的建立方法

近幾年，出現(xiàn)了更加先進(jìn)的方法，比如說：神經(jīng)網(wǎng)絡(luò)模型法、灰色系統(tǒng)模型法等方法。其中灰色系統(tǒng)模型法滿足的是一種指數(shù)增長(zhǎng)，要求非負(fù)單調(diào)性的原始時(shí)間序列，然而想要滿足這個(gè)條件也不是很簡(jiǎn)單的。

因?yàn)榻煌髟跁r(shí)間上和空間上都是連續(xù)的整體，因此交通流的狀況會(huì)受到該時(shí)間點(diǎn)之前幾個(gè)時(shí)間段的影響，也會(huì)受到該交通點(diǎn)的上下游路段交通流的影響，如此看來，想要預(yù)測(cè)該交通流在未來一定時(shí)間的狀況，可以利用該時(shí)間點(diǎn)之前幾個(gè)時(shí)間段的交通狀況以及該交通點(diǎn)的上下游路段交通流的狀況。然而由于交通流的不確定性，便不能將上述搜集到的信息簡(jiǎn)單的帶入到模型當(dāng)中。為了使預(yù)測(cè)準(zhǔn)確度更加的高，選擇相關(guān)性更強(qiáng)的時(shí)間段，并且將不同時(shí)段的交通狀況作為神經(jīng)網(wǎng)絡(luò)的輸出便顯得尤為重要。

將在路段r 上且在t 的時(shí)間段上要預(yù)測(cè)的交通流設(shè)置為Ur(T)，相關(guān)路段的i前n 個(gè)時(shí)間段的交通流設(shè)為Ui(t-n)(n>=1)(r=i 意味著在預(yù)測(cè)路段之前n 個(gè)時(shí)段的交通流)，神經(jīng)網(wǎng)絡(luò)的輸出為Ur(T)，神經(jīng)網(wǎng)絡(luò)的輸入，即為具有較強(qiáng)相關(guān)性的Ui(t-n)(n>=1)，輸出與輸入之前的相關(guān)程度可用公式來表達(dá)。

2.4 預(yù)測(cè)城市交通流

我國(guó)城市交通網(wǎng)的現(xiàn)狀并不樂觀，改變這個(gè)境況的一種方法也是最先想到的方法：多修建路、多改路，然而這種方法并不能徹底的解決交通問題，還會(huì)導(dǎo)致更多新的問題，比如說：生態(tài)環(huán)境的破壞，人與人之間的矛盾的激化等這些問題都會(huì)加大決策者決策的難度，為了使決策者能夠更加方便高效的做出決策，需要建立智能化可預(yù)測(cè)的交通網(wǎng)絡(luò)來提高疏導(dǎo)交通的效率，而這種網(wǎng)絡(luò)體系的建立便是以準(zhǔn)確的預(yù)測(cè)交通流為基礎(chǔ)的。我國(guó)的國(guó)土面積廣大，交通線路也多且復(fù)雜，機(jī)動(dòng)車的數(shù)量多并且變化非常大，而且交通流的預(yù)測(cè)需要具備準(zhǔn)確性和實(shí)時(shí)性，因此本文將徑向基網(wǎng)絡(luò)（RBF）和BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行比較，希望探索出一種更加適合有效的方法。

3 仿真試驗(yàn)的結(jié)果分析

本文構(gòu)建模型所采用的方法分別是徑向基網(wǎng)絡(luò)（RBF）方法和BP 神經(jīng)網(wǎng)絡(luò)方法。第一個(gè)仿真試驗(yàn)研究的路網(wǎng)時(shí)間段為每天的下午五點(diǎn)半到七點(diǎn)半這兩個(gè)小時(shí)，試驗(yàn)天數(shù)為一百天，路網(wǎng)的節(jié)點(diǎn)有二十四個(gè)，共七十六條有向路段，交通流的數(shù)據(jù)每天八十條，每條十五分鐘，再加上大部分的訓(xùn)練時(shí)間。該試驗(yàn)得出的結(jié)論如下：

神經(jīng)網(wǎng)絡(luò)方法下實(shí)際交通流量與預(yù)測(cè)交通流的大部分相對(duì)誤差較小，但是有小部分的相對(duì)誤差很大；徑向基網(wǎng)絡(luò)（RBF）方法下的實(shí)際交通流量與預(yù)測(cè)交通流的相對(duì)誤差基本都很小，與BP 神經(jīng)網(wǎng)絡(luò)方法相比，其失誤率大大減少，基本上在一條直線上。這兩種方法的具體對(duì)比結(jié)果為：

RBF：訓(xùn)練時(shí)間為12 秒，訓(xùn)練次數(shù)為536 次，平均絕對(duì)相對(duì)差為-5.7%，擬合度為0.95。

B P：訓(xùn)練時(shí)間為6 秒，訓(xùn)練次數(shù)為37 次，平均絕對(duì)相對(duì)差為-0.08%，擬合度為0.99。

平均絕對(duì)相對(duì)差：是算術(shù)平均值的偏差與所有單個(gè)觀測(cè)值的絕對(duì)值得平均。

擬合度：簡(jiǎn)單來說，就是計(jì)算結(jié)果與實(shí)際結(jié)果的吻合程度，用前后兩個(gè)數(shù)據(jù)的比值來表示。

從以上數(shù)據(jù)可以直觀的看出基于BP 神經(jīng)網(wǎng)絡(luò)的模型比基于徑向基網(wǎng)絡(luò)（RBF）的模型更加低效；RBF 的訓(xùn)練次數(shù)更加的少，訓(xùn)練時(shí)間更加的短，但其平均絕對(duì)相對(duì)差卻更加的接近于0（其預(yù)測(cè)結(jié)果與現(xiàn)實(shí)結(jié)果更加的切合）。因此采用徑向基網(wǎng)絡(luò)（RBF）的方法建立的預(yù)測(cè)模型更加的復(fù)合本文的要求，基于徑向基網(wǎng)絡(luò)（RBF）的預(yù)測(cè)模型會(huì)是更加有效果的模型。

為了使結(jié)果更具有說服力，本文將描述第二種次不同地點(diǎn)，不同時(shí)間段的仿真試驗(yàn)：

選取另一個(gè)地點(diǎn)，時(shí)間選為零點(diǎn)到晚上二十一點(diǎn)，在這段時(shí)間里，零點(diǎn)到早上七點(diǎn)和晚上七點(diǎn)到九點(diǎn)分為兩個(gè)時(shí)間段，對(duì)這些時(shí)間段的道路堵塞狀況進(jìn)行預(yù)測(cè)，共建立二層網(wǎng)絡(luò)的八個(gè)輸入節(jié)點(diǎn)，并且將上午十點(diǎn)到十一點(diǎn)和下午三點(diǎn)到四點(diǎn)作為輸入節(jié)點(diǎn)，進(jìn)行與上文相同的測(cè)量與計(jì)算方法，后來發(fā)現(xiàn)得出來的結(jié)論與第一次的相同，都是基于徑向基網(wǎng)絡(luò)（RBF）的模型準(zhǔn)確度更大、速度更快。

4 結(jié)束語(yǔ)

通過分析影響交通流的原因、數(shù)據(jù)預(yù)處理的方法、交通流預(yù)測(cè)模型的建立方法以及仿真試驗(yàn)的進(jìn)行，使得采用BP 神經(jīng)網(wǎng)絡(luò)的模型和徑向基網(wǎng)絡(luò)（RBF）的模型的仿真試驗(yàn)取得了較為明顯的結(jié)果，也使預(yù)測(cè)模型的有用性得到了證明，對(duì)這兩種模型的對(duì)比研究使我們知道基于徑向基網(wǎng)絡(luò)（RBF）的模型效率和準(zhǔn)確率都更加的高，更適合使用這種模型作為城市交通流的預(yù)測(cè)模型。