基于神经网络的智慧城市交通流量预测研究

２００６年第１０期　中图分类号：ＴＰ１８３　文献标识码：Ａ　文章编号：１００９一￣５２（９．００６）１０—００３６—０３　基于人工神经网络的交通流量预测模型的研究　周正林　，张　昕　（１．黑龙江工程学院，哈尔滨１５０００８；２．哈尔滨工程大学，哈尔滨１５０００１）　摘要：介绍了人工神经网络的ＢＰ算法，建立了基于Ｍａｆｌａｂ神经网络工具箱的交通流量预测模　型，并以实际道路交叉口为例进行２小时４０分，分时段的数据采集，利用模型进行短时流量预测。　关键词：神经网络；预测模型；交通流量；ＢＰ网络　Ｒｅｓｅａｒｃｈ　ｏｎ　ｍｏｄｅｌ　ｏｆ　ｔｒａｆｆｉｃ　ｆｌｕｘ　ｆｏｒｅｃａｓｔ　ｂａｓｅｄ　ｏｎ　ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ＺＨＯＵ　Ｚｈｅｎ￣．１ｉｎ　．ＺＨＡＮＧ　Ｘｉ　（１．ｒＩｅｉｌｏｎｇｉｉａｎｇ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ　１５００８０，Ｃｈｉｎａ；　２．Ｈａｒｂｉｎ　ｖ＊，￥，，ｅｅｒｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ　１５０００１，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｔｈｅ　ｍｏｄｅｌ　ｏｆ　ｔｈｅ　ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ　ＢＰ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｉｎｔｒｏｄｕｃｅｄ，ａｎｄ　ｔｈｅ　ｔｒａｆｆｉｃ　ｆｌｏｗ　ｆｏｒｅｃａｓｔ　ｍｏｄｅｌ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　Ｍａｔｌａｂ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｔｏｏｌｂｏｘ　ｉｓ　ｅｓｔａｂｌｉｓｈｅｄ．Ｗｅ　ａｌｓｏ　ｆｏｒｅｃａｓｔ　ｔｈｅ　ｔｒａｆｆｉｃ　ｆｌｏｗ　ｔｈｒｏｕｇｈ　ｓａｌＴｌ—　ｐｉｉｎｇ　ｔｈｅ　ｄａｔａ　ｄｕｒｉｎｇ　２　ｈｏｕｒｓ　ａｎｄ４０　ｍｉｎｕｔｅｓ　ｉｎ　ａ　ａｃｔｕａｌ　ｓｔｒｅｅｔ　ｉｎｔｅｒｓｅｃｔｉｏｎ．　Ｋｅｙ　ｗｏｒｄｓ：ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ；ｆｏｒｅｃａｓｔｉｎｇ　ｍｏｄｅｌ；ｔｒａ￣ｃ　ｆｌｕｘ；ｂａｃｋ　ｐｒｏｐａｇａｔｉｏｎ　ｎｅｔｗｏｒｋ　Ｏ　引言　当今世界各国的大城市无不存在着交通拥挤问　题。交通干道在高峰时段，车行速度十分缓慢。而　城市道路交叉口是城市干道中的最重要位置，交通　流高峰期间会使路网交叉口在短时间内发生拥堵。　所以，路网交叉口的交通量预测与控制一直是交通　领域研究的重点内容。本课题应用ＢＰ学习算法，　针对一般的路网交叉口建立起理想的流量预测模　型，实现路网交叉口短时交通量预测。　ｌ预测模型的建立　１．１三层ＢＰ人工神经网络　多层神经网络具有强大的计算能力，能够解决单　层感知器所不能解决的非线性问题。Ｋｏｌｍｏｇｏｒｏｖ等人　从理论上证明了三层网络模型对于非线性系统具有　良好的建模能力，任意连续函数或影射均可由输入　层、隐含层和输出层所组成的三层神经网络实现。　１．２　ＢＰ算法　ＢＰ（Ｂａｃｋ　Ｐｒｏｐａｇａｔｉｏｎ）算法是一种利用输出层的　误差来估计输出层的直接前导层的误差，再利用这　一３６一　个误差估计更前一层的误差。如此下去，就获得了　所有其他各层的误差估计，利用误差估计来调整网　络的权值，使得实际输出更接近于期望输出。　１．３　ＢＰ算法的训练　设网络的输入层单元数为ｒ／，，隐含层单元数为　，输出层单元数为ｑ，Ｐ为样本数；　为网络的输　入，　为输入层至隐含层的连接权值，Ｙｉ为隐含层　各单元的输出；　为输出层各单元的输出，　为隐　含层至输出层的连接权值，Ｏ　为理想输出。其中ｉ：　１，２，…，ｎ；　＝１，２，…，ｈ；ｋ＝１，２，…，ｑ。　１．３．１　向前传播阶段　①从样本集中取一个样本（‰，　），将　输入　网络。　②计算出相应的实际输出　。　用Ｓｉｇｒｎｏｉｄ函数作为激活函数：　收稿日期：２ｏｏ６—０８—１４　基金项目：２ｏ０４年院基金项目（１３０４０１１）　作者简介：周正林（１９６３一），男，副教授，硕士，主要从事电子信息学　科的教学和科研工作。

城市交通流量预测研究

随着城市化程度的加深，城市交通拥堵问题日益突出。加剧的交通拥堵不仅会耗费大量的时间和精力，还会影响人们的生活质量和城市经济发展。因此，研究城市交通流量预测，对于加强城市交通管理，提高公共服务质量具有重要的实际意义。

城市交通流量预测的研究对象主要是交通系统中交通流量的变化规律。其中，交通流量是指衡量交通系统客流量大小的指标。城市交通流量多样性大、变化快，预测其变化趋势是交通规划、公共交通管理以及城市交通应急调度等方面的基本问题。

城市交通流量预测研究手段主要分为经验和模型两类。首先，已有的经验方法主要是基于统计和人工智能的数据挖掘技术，例如线性回归、决策树、支持向量机和神经网络等。其次，针对交通流量预测的复杂性，研究者也提出了各种模型来进行分析和预测。例如，传统的时间序列模型，如ARIMA，和基于深度学习的模型，如循环神经网络、卷积神经网络等，都被广泛应用于城市交通流量预测的研究中。相比于经验方法，这些模型更具有科学性和可靠性，但是相应的计算资源和数据需求也会更高。

针对城市交通流量预测研究中存在的问题，研究者提出了一系列的建议和改进措施。首先，大量的城市交通数据需要被持续收集和记录，以便更好地进行城市交通流量预测的实际应用。其次，应该建立一个标准化的城市交通流量预测体系，包括测量方法、预测技术和预测结果验证等方面。最后，需要在城市交通管理和规划方面加强政策支持，以促进城市交通流量预测技术在实践中的应用。

在这个过程中，城市交通系统也需要加强创新和发展，例如智能交通管理系统、智能公交调度系统和智慧停车等。由于城市交通流量预测涉及当前最先进的技术和研究成果，因此，端到端的开发和实现需要跨领域多方合作。

结语 城市交通流量预测研究是一项具有长期性和持续性的工作。从目前的研究成果来看，经验方法和模型方法各有特点，但城市交通预测技术在实际应用中仍面临一些挑战。我们需要进一步改进和完善当前的预测体系，提高预测的准确性和可靠性，并将相关技术应用到城市交通规划、管理和应急调度中。最终达到缓解交通拥堵，提高城市交通效率和建设智慧城市的目的。

基于BP神经网络的交通流量预测系统

一、研究背景

近年来，随着我国经济的增长和城市化进程的加快，带动起了交通运输行业的飞速发展。高效的交通运输加强了城市之间的资源流通，提高了客、货流的运转效率，促进了城市经济的增长。同时，便捷、快速的交通工具以及逐渐完善的道路交通网络使得人们的出行更加的便利，加之人民生活水平的不断提升，刺激了人们对于交通需求的增长，因而，机动车的保有量迅猛增加。但是，汽车在提高人们生活质量的同时，也给城市发展带来了许多的弊端。面对日益增长的机动车保有量，现有的城市道路网络的通行能力已逐渐无法满足人们的出行需求，继而导致了大量的交通问题显现出来，城市交通状况不容乐观。主要表现有：城市道路拥堵情况严重，交通事故频发，突发事件应急能力不足，此外车辆行驶所造成的尾气排放、噪声污染使环境问题不容乐观[1]，城市交通问题已成为不可忽视的社会问题。然而，单纯依靠拓展道路宽度、扩大城市道路网络的规模在有限的土地资源条件限制下并不能较好的解决交通需求问题，相反可能会对机动车数量增长产生刺激。为了更好地缓解城市交通拥堵现象，减轻车多路少的矛盾，必须加强道路管理与控制建设，改善路网的通行能力。

交通流量预测系统系统是一种采用多种先进技术建立起的大范围、全方位发挥作用的综合交通管理系统，能够科学、有效地改善和解决城市交通问题。随着城市道路交通状况越来越复杂，智能交通系统中各个子系统之间的联系更加的密切。交通流诱导系统可以帮助信号控制系统无法进行疏导的拥堵路段做出适当的导航，同时，控制系统为诱导的车辆进行优化控制，两个系统之间的协调配合有效的提高了城市道路的通行能力。智能交通系统有效的发挥协调作用，必须要实时准确地获取到交通流状态信息。因而，交通流预测对于交通系统运行效果的发挥具有至关重要的影响。交通流预测指利用获取的道路历史交通流信息对未来时刻交通流状态进行预测[2]。交通流预测的实质是对交通流基本参数，即流量、速度和密度进行预测，预测期因交通流数据获取方式不同而长短不一，通常预测间隔在15内为短时交通流预测。实时、准确的短时交通流预测，不仅对交通的管理和控制具有重要作用，更对交通事业的发展具有重要的意义。

第５期　２００９年５月　电　子　学　报　ＡＣ－ＩｒＡ　ＥＬＥＣｒＲ０ＮＩＣＡ　ＳＩＮＩＣＡ　Ｖｏ１．３７　Ｎｏ．５　Ｍａｙ　２ＯＯ９　

基于神经网络的城市交通流预测研究　

马君，刘小冬，孟颖　

（西安财经学院计算机系，陕西西安７１００６５）　

摘要：　建立了一种基于神经网络的交通流量动态预测模型，分别采用ＢＰ神经网络和径向基网络（ＲＢＦ）建立　了预测模型，给出了数据预处理方法和预测模型评价指标．仿真结果表明该交通流量预测方法的有效性，结果分析得　

出径向基网络能够更加快速有效的进行城市交通流预测．　

关键词：　神经网络；交通流；预测模型　

中图分类号：ＴＰ１８　文献标识码：　Ａ　文章编号：０３７２－２１１２（２００９）０５—１０９２　０３　

Ｒｅｓｅａｒｃｈ　ｏｆ　Ｕ　ｒｂａｎ　Ｔｒａｆｆｉｃ　Ｆｌｏｗ　Ｆｏｒｅｃａｓｔｉｎｇ　Ｂａｓｅｄ　ｏｎ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　

ＭＡ　Ｊｕｎ，ＬＩ　Ｘｉａｏ—ｄｏｎｇ，ＭＥＮＧ　Ｙｉｎｇ　

（Ｏ￣，ａｒｔｍ￣ｏｆＣｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ，　∞Ｕｎｉｖｅｒｓｉｔｙ　ｏｆｔｈｅ　Ｆｉｎａｎｃｅ　ａｎｄ　Ｅｃｏｎｏｍｉｃｓ，Ｘｉ　∞，Ｓｈａａｎ￣ｉ　７１００６５，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ａ由，Ｉ１ａⅡ１ｉｃ　ｔｒａｆｆｉｃ　ｆｌｏｗ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｏｄｅｌ　ｂａｓｅｄ　ｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｉｓ　ｐｒｏｐｏｓｅｄ．ＢＰ　ａｎｄ　ＲＢＦ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ａｌｅ　

ｕｓｅｄｔｏ　ｂｕｉｌｄ　ｔｈｅ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｏｄｅｌｓ．Ｔｈｅ　ｄａｔａ　ｐｒｅ－ｈａｎｄｌｅ　ｍｅｔｈｏｄ　ａｎｄ　ｔｈｅ　ｊｕｄｇｍｅｎｔ　ｃｒｉｔｅｒｉｏｎ　ｏｆ　ｔｈｅ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｏｄｅｌ　ａｌｅ　ｇｉｖｅｎ．　

Ｓｉｍｕｌａｔｉｏｎ　ｓｈｏｗｓ　ｔｈｅ　ｔｒａｆｆｉｃ　ｆｌｏｗ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｅｔｈｏｄｉｓ　ｅｆｆｅｃｔｉｖｅ．ａｎｄｔｈｅ　ＲＢＦ　Ｃａｎ　ｂｅ　ｍｏｌｅ　ｆａｓｔ　ａｎｄ　ｅｆｆｅｃｔｉｖｅ　ｉｎ　ｆｏｒｅｃａｓｔｉｎｇ　ｔｈｅ　ｔｒａｆ－