基于多源监测数据的道路拥堵情况预测
来源:用户上传
作者:
摘要：随着城市发展步伐的加快，道路基础设施建设取得了显著成就。然而随着居民生活水平的提高，巨大的出行需求与有限的道路基础设施供应之间的矛盾日益严峻，造成城市拥堵，有待改善。因此掌握城市交通状态，不仅成为交通研究所的主要工作内容，也是城市交通规划的研究内容，同时，它为城市交通规划和交通决策提供数据。基于上述原因，本文利用深圳市公安局交通警察局本次提供深圳市局部区域道路的交通卡口监测数据、出租车为主的浮动车数据以及互联网导航平台数据，采用BP神经网络的预测模型，应用趋势曲线法建立预测对象关于时间的趋势变化模型，采用線性函数对数据进行归一化处理，构建三层网络结构。用训练好的网络对交通量数据进行仿真，从而进行交通拥堵情况预测，以协助交通部门有效地缓解这类交通拥堵问题。
关键词：交通拥堵预测；趋势曲线法；BP神经网络
一、预测方法——趋势曲线法
趋势曲线模型预测的自变量为时间t。大量交通调查的统计资料表明，无论宏观层次、中观层次还是微观层次交通现象的发展有一定的规律性。当预测对象随时间变化呈现某种曲线形式的变化趋势，且无明显的周期波动时，可以建立预测对象关于时间的趋势变化模型y=f（t）。
当此趋势变化模型能够反映时间序列的未来变化情况时，给定适当的自变量t就可以得到相应时刻时间序列的预测值。使用趋势外推法的两个假设条件是：事物发展过程没有跳跃式变化，而是渐进性变化；由历史资料建立的趋势曲线模型是适合未来事物发展变化规律的，影响事物发展的因素是稳定的。
趋势曲线法根据所选用的拟合曲线，有以下多项式曲线预测模型：
（1）一次预测模型
（2）二次预测模型
（3）n次预测模型
二、BP神经网络的预测模型
（1）BP神经网络拓扑结构
BP神经网络模型的基本思想是：在前向传递中，信号经输入层、隐含层、输出层逐层处理并传递，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逼近地期望输出。
（2）BP网络实现步骤
Step1：网络初始化。置输入层到隐含层，隐含层到输出层的所有权值为任意小的随机数，并设定初始阈值。
Step2：提供训练样本。根据学习规则，需要提供输入向量X=（ 和相对应的输出量 。
Step3： 从输入层开始向隐含层、输出层逐层计算输出。
Step4：调整权值。根据误差，从输出层节点开始，到隐含层节点，再到输入层节点逐层的调整权重。
三、将BP神经网络预测应用于道路拥堵情况预测
（1）网络构建
输入、输出节点的选择：每天不同时段的交通量相差较大。根据交通流量的变化起伏情况，将每天的数据分为四个时段（0：00-6：00，7：00-12：00，13：00-18：00，19：00-0：00）进行分析。将这4个时段的数据作为网络的 4 个输入，相应的选择输出这4个时间段的数据。即输入层神经元个数为 4 个，输出层神经元个数为 4 个。
隐含层节点的选择：隐含层节点的个数也直接影响预测的精度：节点数太少，网络不能很好的学习，若增加训练次数不仅会增加训练时间，而且训练的精度也受影响；节点数太多，训练时间增加，网络容易过拟合。隐含层节点数的范围可参考以下公式：
式中，N为隐含层神经元数目，n 为输入层神经元数目，m 为输出层神经元数目，a为 0～10 之间的常数。神经网络确定为三层网络，4 输入 4 输出，隐含层的节点范围[4，12]。
（2）网络训练
具体参数设置：隐含层神经元的传递函数为 tansig，输出层神经元的传递函数为 logsig。训练函数分别为 traingd、traingdx＼trainlm时训练网络。以上 3 种训练过程的对比见表3.1，可以看出函数 trainlm 网络的训练误差比较小，而且收敛速度快。因此，选定 trainlm 对网络进行训练。
至此，确定 BP 神经网络的最终结构：单隐层，各层神经元数目为 4-8-4，训练函数确定为 trainlm，并使用训练好的网络对交通量数据进行仿真。
（3）网络预测
基于以上方法，通过对已有数据的处理，对部分卡口路段的车流量统计与预测
（4）对传统BP神经网络的改进
基本BP算法存在着收敛速度慢和易陷入局部最小点等缺陷。为解决这一问题，人们提出了自适应学习率和动量法，特别对网络局部动态学习率进行了深入的探讨，实现了以动量法优化网络收敛性。还可利用遗传算法对传统BP网络进行网络结构优化，得出具有最佳隐节点的网络结构。另外，可对原始数据进行预处理，比如按比例对原始数据进行缩放，能有效提高预测精度。
参考文献
[1]刘慕仁，薛郁，孔令江.，城市道路交通问题与交通流模型[J].力学与实践，2005，27（1）：1-6
[2]裴玉龙，王晓宁，基于BP神经网络的交通影响预测模型[J].哈尔滨工业大学学报，2004
[3]曾庆山，全书鹏，靳志强，融合BP神经网络与ARIMA的短时交通流预测[J].郑州大学学报，2011.
作者简介：王芸（1998-），四川成都人，本科生。
转载注明来源:https://www.xzbu.com/1/view-14849827.htm
