徐宗川

摘?要：現(xiàn)階段影響交叉口車輛運行效率的因素主要分為兩個方面：其一為受交通信號影響，即實際交通流與交叉口所反應(yīng)出來的交通信號并不匹配;其二為時間間隔過長，目前短時交通流的普遍預(yù)測時長多集中為5-15分鐘，過長的時間間隔無法提供有效的信號控制，很容易對最終的數(shù)據(jù)結(jié)果造成不良影響。為提升交叉口短時交通流預(yù)測的準(zhǔn)確性和實效性，利用科學(xué)合理的方式方法對其進(jìn)行改進(jìn)有著重要的價值和意義。本文主要對GA-BP神經(jīng)網(wǎng)絡(luò)的交叉口短時交通流預(yù)測進(jìn)行研究和分析。

關(guān)鍵詞：GA-BP神經(jīng)網(wǎng)絡(luò);交叉口;短時交通流;預(yù)測研究

現(xiàn)階段，隨著科技和信息的發(fā)展和進(jìn)步，給各個領(lǐng)域的發(fā)展注入了新鮮的力量和活力，智能交通逐漸受到了越來越多人士的關(guān)注和重視，短時交通流也成為了當(dāng)下最熱門的研究方向之一。傳統(tǒng)的歷史平均法、卡爾曼濾波法、時間序列法、回歸分析法等已經(jīng)不能夠滿足當(dāng)下對交叉口短時交通流預(yù)測提出來的要求和標(biāo)準(zhǔn)，選取更先進(jìn)更現(xiàn)代化的預(yù)測法至關(guān)重要。本文主要以交叉口短時交通流預(yù)測為中心，就GA-BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用效果進(jìn)行重點分析。

一、準(zhǔn)實時交通流預(yù)測方法

（一）準(zhǔn)實時交通流預(yù)測的概念

短時預(yù)測存在的普遍性問題即為周期過長，不能夠?qū)⒁欢〞r期內(nèi)的交通狀況清晰的完整的反應(yīng)出來，并且其實時信號不能夠與實際交通流量實現(xiàn)完全匹配，基于此，以短時交通流預(yù)測為基礎(chǔ)，盡量將其周期縮短到秒級，這種縮短到秒級的短時交通流預(yù)測即被命名為準(zhǔn)時（Quasi-Real Time）交通流預(yù)測[1]。

（二）準(zhǔn)實時交通流預(yù)測的原理

相對比于傳統(tǒng)的交通流預(yù)測方法來說，準(zhǔn)實時交通流預(yù)測方式實時性更明顯，有利于提升智能交通系統(tǒng)的應(yīng)用效率，有利于提升交通業(yè)的實效性和安全性。準(zhǔn)實時交通流應(yīng)用的主要原理為：以每一天、每一個星期、每一個月甚至是每一個年為單位，不難發(fā)現(xiàn)道路交通流的實際分布具有十分明顯的規(guī)律性，但是具體到每一個特定路段，會發(fā)現(xiàn)其某天某時刻的交通流又存在著一定程度的隨機性，沒有任何規(guī)律可言，由此可見，利用歷史交通流數(shù)據(jù)預(yù)測當(dāng)下的道路交通流并不能夠完全的準(zhǔn)確的將當(dāng)前實際交通形態(tài)反映出來。

（三）準(zhǔn)實時交通流預(yù)測的特征

準(zhǔn)實時交通流預(yù)測的特征主要體現(xiàn)在兩個方面：其一為實時性，該預(yù)測方式的時間間隔極短，能夠更快速的得到當(dāng)下的預(yù)測結(jié)果;其二為準(zhǔn)確性，預(yù)測結(jié)果必將服務(wù)于道路交通信號的實際控制之中，而只有準(zhǔn)確的預(yù)測結(jié)果才能夠?qū)崿F(xiàn)交通道路的信號控制。對于交叉口的信號燈來說，只有實時的準(zhǔn)確的信號燈指示，才能夠?qū)煌〒矶虑闆r進(jìn)行緩解。

二、基于GA-BP神經(jīng)網(wǎng)絡(luò)交叉口短時交通流預(yù)測方法

（一）BP神經(jīng)網(wǎng)絡(luò)在實際應(yīng)用中存在的問題

BP神經(jīng)網(wǎng)絡(luò)算法是一種應(yīng)用比較廣泛比較優(yōu)秀的局部搜索算法，同時該預(yù)測方法也存在著一定程度的局限性：算法性能的優(yōu)劣取決于當(dāng)下的網(wǎng)絡(luò)環(huán)境。BP神經(jīng)網(wǎng)絡(luò)對于初始網(wǎng)絡(luò)權(quán)重來說具有十分高的依賴性和敏感性，在不同的初始網(wǎng)絡(luò)權(quán)重的影響下，BP神經(jīng)網(wǎng)絡(luò)算法于不同局部極小收斂，最終致使每次試驗所得的數(shù)據(jù)結(jié)果都各不相同。并且對于初始化BP神經(jīng)網(wǎng)絡(luò)來說，其閾值和權(quán)值都存在很大程度的不確定性，致使網(wǎng)絡(luò)接收訓(xùn)練時也存在著隨機性，由此可見，對閾值和權(quán)值進(jìn)行優(yōu)化有助于實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)下預(yù)測結(jié)果的改進(jìn)，有利于獲取到更優(yōu)質(zhì)的預(yù)測方法[1]。

（二）遺傳算法在BP神經(jīng)網(wǎng)絡(luò)中的優(yōu)化方法

遺傳算法（Genetic Algorithm，GA）指的是對最優(yōu)化問題進(jìn)行解決的一種搜索啟發(fā)式算法，該算法以可擴展性為主要特征，能夠與其他算法進(jìn)行結(jié)合，進(jìn)而形成將兩方優(yōu)點相結(jié)合的優(yōu)質(zhì)混合算法?；贐P神經(jīng)網(wǎng)絡(luò)預(yù)測方法本身存在的缺陷性，利用GA來展開優(yōu)化，能夠?qū)ζ涑跏蓟癄顟B(tài)下的閾值和權(quán)值進(jìn)行有效優(yōu)化，能夠更好的對BP神經(jīng)網(wǎng)絡(luò)展開實際訓(xùn)練和預(yù)測。利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的主要思想為：將網(wǎng)絡(luò)初始狀態(tài)下的閾值和權(quán)值以個體進(jìn)行代表，以個體值在BP神經(jīng)網(wǎng)絡(luò)初始化時存在的預(yù)測誤差作為該個體的理論適應(yīng)度值，通過交叉、操作、選擇操作、變異操作等多種方式探尋到最優(yōu)個體，得出最優(yōu)的初始狀態(tài)下BP神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值。利用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化主要涉及到以下幾個步驟：其一為種群初始化，應(yīng)用實數(shù)編碼的方式對個體進(jìn)行編碼，由實數(shù)串代表個體，實數(shù)串包括隱層到輸出層的權(quán)值、閾值，輸入層到隱層的權(quán)值、閾值四個部分，形成隨機初始種群;其二為獲取個體評價函數(shù)，以其一所得到的權(quán)值和閾值為基礎(chǔ)建立個體適應(yīng)度函數(shù);其三為選擇運算，通過輪盤賭法將優(yōu)良個體遺傳到下一個群體;其四為交叉運算，交換部分染色體形成全新的個體;其五為變異運算，將選中的個體以每一個或某一些基因值、某一概率進(jìn)行更改、轉(zhuǎn)換為其他基因;其六為通過GA優(yōu)化的方式獲取到最優(yōu)個體并對BP神經(jīng)網(wǎng)絡(luò)初始化狀態(tài)下的閾值和權(quán)值進(jìn)行替代，展開后續(xù)訓(xùn)練，獲得最優(yōu)結(jié)果[3]。

（三）以GA-BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)短時交通流預(yù)測方法

本文主要通過單隱層的BP神經(jīng)網(wǎng)絡(luò)對交叉口的交通流展開短時預(yù)測，所建立成的GA-BP神經(jīng)網(wǎng)絡(luò)模型主要包括輸入層、隱含層和輸出層三個部分，在整個模型中主要涉及到t5、t0和t1三個時刻，其中t0代表當(dāng)前時刻，t5代表所預(yù)測時刻的前5秒（分鐘），t1代表當(dāng)前時刻的后5秒（分鐘）即所需預(yù)測的時刻。將輸入層設(shè)置2個神經(jīng)元，分別為t5預(yù)測5秒（分鐘）前的車道車輛數(shù)和t0當(dāng)前時刻的車道車輛數(shù)，將輸出層設(shè)置1個神經(jīng)元，為t1當(dāng)前時刻后5秒（分鐘）的車道車輛數(shù)。通過試湊法取得隱含層節(jié)點數(shù)。

三、結(jié)語

本文主要對通過遺傳算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化的方法進(jìn)行分析，主要用于提升交叉口短時交通流預(yù)測的準(zhǔn)確性和安全性。分別從準(zhǔn)實時交通流預(yù)測方法、基于GA-BP神經(jīng)網(wǎng)絡(luò)交叉口短時交通流預(yù)測方法兩個方面進(jìn)行論述，重點對BP神經(jīng)網(wǎng)絡(luò)在實際應(yīng)用中存在的問題、遺傳算法在BP神經(jīng)網(wǎng)絡(luò)中的優(yōu)化方法和以GA-BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)短時交通流預(yù)測方法進(jìn)行分析，旨實現(xiàn)GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測的精準(zhǔn)性。

參考文獻(xiàn)：

[1]劉藝，張琨.基于小波去噪和GA-Elman神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測[J].交通科技與經(jīng)濟，2017，92（6）：86-91.

[2]唐智慧，鄭偉皓，董維，等.基于交互式BP-UKF模型的短時交通流預(yù)測方法[J].公路交通科技，2017，36（04）：121-128.

[3]蔡翠翠，王本有，李石榮.基于IPSO-BP神經(jīng)網(wǎng)絡(luò)的短時交通流量預(yù)測[J].四川理工學(xué)院學(xué)報（自然科學(xué)版），2016，32（01）：29-34.