基于bp神经网络的城市占道交通拥堵预测

1、 黑 龙 江 工 程 学 院 学 报 ，第卷第期年月 基于 神经网络的城市占道交通拥堵预测罗来鹏 （华东交通大学 理学院，江西 南昌 ） 摘 要：短时交通流预测是现代智能交通系统的核心内容，针对城市道路被占所造成的城市交通拥堵排队问题，以路段视频统计为例，利用 神经网络方法就实际通行能力、具体车辆数、事故持续时间与排队最长长度之间的关系进行预测分析，从实验模拟结果来看，该方法能有效地解决交通流实时和可靠性预测。 关键词：交通流；交通拥堵； 神经网络；预测 中图分类号： 文献标识码：文章编号：（） （， ，） ： ， ， ， ， ：； 随着我国国民经济的快速发展以及城市化进程的加快，我国机动车拥

2、有量及道路交通量急剧增加，尤其是在大城市，城市交通供给与需求矛盾逐渐加剧，虽然近一些年来各级政府投入了大量的人力、物力、财力并取得了一定的成效，但交通形势仍不容乐观。交通拥堵现象由点到线 、由线到面、由局部向大范围蔓延，不仅影响了城市生活的效率和质量，而且带来了环境恶化、交通事故等一系列社会问题，因此，实时准确的交通流预测对于交通控制和交通诱导以及由此均衡路网负载、缓解交通拥堵、提高道路的使用效率及服务水平就显得非常重要。由于交通流受主观和客观的影响因素很多，由此引起交通流的变化因素随机性很大，在这个过程中短时交通流的预测就成为关键，更 具有实际意义。短时交通流预测是现代智能交通系统的核 心内

3、容，是实现先进的交通 控制和交通诱导的基础。近几十年国内外的许多专家和学者都致力于该 领域的研究，获得了很多预测模型，大体分为三类：一是基于解析数学方法的模型，包括历史平均模型、自回归模型、滑动平均模型、自回归滑动平均 模型及卡尔曼滤波模型；二是基于经验的智能预测模 型，包括非参数回归模型、动态交通分配模型及 基于混沌理论的模型等；三是组合预测模型。上述模型在一定条件下能够解决一些交通流预测问题， 也得到很好的预测结果，但是由于交通流复杂和非线性等 特点，单一的数学解析模型难以适应交通流所具有的短时随机性强的特点，基于经验的智能预测模型复杂度高，在工程实现上有一定的困难，因 此，探索新方法尤其

4、是智能方法是交通流预测发展的重要内容。 人工神经网络是指模拟人脑神经系统的结构 和功能，运用大量的处理部件，由人工方式构造的 非线性动力学系统。它能够通过学习和训练获得 收稿日期： 作者简介：罗来鹏（ ），男，副教授，研究方向：数据挖掘与智能 计算 第期罗来鹏：基于 神经网络的城市占道交通拥堵预测 用数据表达的知识，除了可以记忆已知的信息外， 还具有较强的概括能力和联想记忆能力。当前，神经网络理论在智能控制、模式识别、非线性优化等 方面都得到很好的应用。 神经网络是应用最为广泛的神经网络，它采用三层结构，分别为输入层、隐藏层、输出层。 等人从理论上证明了三层网络模型对于非线性系统有较好的模拟能

5、力，任一连续函数或者映射都可以由一个三层神经 网络实现。由于交通数据流具有非线性等特点，因此，用神经网络研究短时交通流预测一度成为研究热点，也取得很多成果。本文利用神经网络模型研究城市道路被占后交通流的变化、事故处理的时间与排队长度之间的关系，而这种关系的掌握对 于交通流的引导和分配有着重要的作用。 图 神经网络迭代地改变连接权，直到误差足够小或者权值增量 很小，或者迭代步数足够大。 案例分析 表是在个不同路段占道造成交通流发生改 变折算后的数据，采用三层 神经网络进行分析， 神经网络模型简介 图为一个简单的 神经网络模型，其工作原理具体步骤如下： ）初始化权。网络的连接权被初始化为很小 的随

6、机数。 ）各单元的输入输出计算。输入层的单元， 它的输出等于它的输入，即对于单元， ，隐藏 层和输出层的每个单元的净输入用其输入的线性 组合计算，即 ，输出函数采用 取学习率 。表截面测试数据 实际通行能力具体车辆数 事故持续时间 排队最长长度 （辆） （辆） ， 式中： 是由上一层的单元 到 连接的权； 是上一层单元的输出；而 是单元 的偏置，偏置充当阈值，用来改变单元的活性。给定单元 的净输入，则单元 的输出 计算公式为 ）误差计算。 输出层单元，误差 计算 公式： （ ）（ ）。式中： 是单元 的实际输出，而 是 基于给定训练样本的已知类标号真正输出。 隐层单元 的误差计算公式 为： （

7、） 。式中： 为单元 神经网络模型输出训练的结果如图、图 所示。 与（前一层）单元 之间的连接权值， 为单元 的误差。 结束语从数据模拟结果来看，神经网络方法在本案例中能很好地拟合交通流前后变化，对排队长度预测效果很好，应该说排队长度与交通流变化、事故处理时间有一定的关系。但是 神经网络在训练过程中存在对初始阈值设置敏感、易陷入局部极小值 ）更 新。 权 更 新 计 算 公 式： （）， 。式中： 是权 的改 变，是学习率。 偏置由更新计算公式： （）， ，其中， 是权 的改 变，是学习率。 网络的学习过程就是按上述两个更新公式 黑龙江工程学 院 学 报 第卷 参考文献 程铁信，崔苗，陈敬柱城

8、市中心商业区混合交通流的 诱导优化模型及其仿真交通运输系统工程与信息，（）： 胡启洲，孙煦基于联系数的城市路网交通拥堵态势监控模型中国公路学报，（）：李慧兵，杨晓光面向行程时间预测准确度评价的数据融合方法同济大学学报（自然科学版）， （）： 吴志周，范宇杰，马万经基于灰色神经网络的点速度预测模 型 西 南 交 通 大 学 学 报，（）： 图训练结果方差 马君，刘小冬，孟颖基于神经网络的城市交通流预测 研究电 子 学 报，（）： 喻丹，吴义虎，喻伟，等基于自适应 神经网络的城市道路偶发性拥堵判别公路与汽运，（）： 李松，刘力军，翟曼改进粒子群算法优化 神经网络的短时交通流预测系统工程理论与实践， （）： 郑建湖，黄明芳，文子娟，等（，）模型在道路交通事故预测中的应用黑龙江工程学院学报（自然科学版），（）： 黄恩洲基于粒子群一小波神经网络的短时交通量预 测黑龙江工程学院学报（自然科学版）， （）： 图 预测结果对比 等不足，此外，由于造成交