羅紫宇

摘 要：針對道路交通擁堵的情況，對道路的短時交通流進行預(yù)測能夠很好的緩解擁堵并且具有預(yù)警能力。本文主要對國內(nèi)外基于神經(jīng)網(wǎng)絡(luò)對短時交通流預(yù)測算法研究進行綜述，最后得出本文結(jié)論。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);短時交通流;預(yù)測

1 引言

由于經(jīng)濟的快速發(fā)展和現(xiàn)代城市發(fā)展的加快，機動車的數(shù)量成了井噴式的發(fā)展。但由于空間資源的有限，道路的實際交通量已遠遠超過其能夠承載的交通量，從而造成交通擁堵時常發(fā)生。短時交通流預(yù)測是在時間跨度不超過15min，在此時刻t對下一決策時刻t+1乃至以后若干時刻t+n的交通流做出實時精準的預(yù)測[1]。對交通流進行實時、準確地預(yù)測能夠有效地對道路交通流量進行優(yōu)化，緩解道路擁堵程度，同時還能夠提升到路段交通預(yù)警能力。但交通流的變化具有非線性和不確定性特性，而神經(jīng)網(wǎng)絡(luò)具有很好的非線性收斂能力，因此可以更加準確的了解短時交通流的不確定性。所以國內(nèi)外有很多學(xué)者基于神級網(wǎng)絡(luò)對短時交通流進行預(yù)測。

2 國內(nèi)外研究綜述

2.1 國外研究綜述

Fabio等[2]通過統(tǒng)計方法來優(yōu)化人工神經(jīng)網(wǎng)絡(luò)，并提出了一種基于神經(jīng)網(wǎng)絡(luò)BP的混合模型來對短時交通流進行預(yù)測，其預(yù)測結(jié)果較優(yōu)，但由于人工神經(jīng)網(wǎng)絡(luò)閾值為定值，所以對預(yù)測精度有所影響。

Fusco[3]通過將貝葉斯網(wǎng)絡(luò)與人工神經(jīng)網(wǎng)絡(luò)進行融合來建模，通過采集到的交通數(shù)據(jù)，對模型結(jié)果進行驗證，結(jié)果表明貝葉斯網(wǎng)絡(luò)的空間結(jié)構(gòu)在一般條件下用于道路交通流預(yù)測是有效的，另外該模型能很好反映交通流的時空特性。

2.2 國內(nèi)研究綜述

2.2.1 基于BP神經(jīng)網(wǎng)絡(luò)研究

由于神經(jīng)網(wǎng)絡(luò)收斂速度較慢，張文勝等[4]提出了一種改進灰狼算法（Transformed Grey Wolf Optimizer，TWGO）交通流預(yù)測模型。并改進標準算法的收斂因子和位置更新公式，從而改善標準灰狼算法的尋優(yōu)能力和收斂特性，并利用其對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值以及閾值進行尋優(yōu)，使BP神經(jīng)網(wǎng)絡(luò)的收斂速度和精度有所提高。最后通過實例將改進灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)（TGWO-BP）、灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)（GWO-BP）、粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)（PSO-BP）和神經(jīng)網(wǎng)絡(luò)模型輸入數(shù)據(jù)，以及比較結(jié)果。研究發(fā)現(xiàn)，TGWO-BP的預(yù)測誤差最低，所以具有更好的預(yù)測精度和良好的應(yīng)用前景。

朱云霞等[5]提出了一種利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的方法，來預(yù)測交叉口的短時交通流。首先提出了準實時預(yù)測概念（在短時交通流預(yù)測的基礎(chǔ)上，把預(yù)測時長縮短到秒級）并構(gòu)建交叉口交通流準實時預(yù)測模型，為了與交叉口的實時交通量進行匹配，將時長縮短到了5s。通過實例分析表明，本文的預(yù)測方法與傳統(tǒng)方法相比，提高了預(yù)測精度，具有可靠性。但本文的不足之處在只對一個交叉口進行了分析。

蔡翠翠等[6]在分析道路短時交通流時空特性的基礎(chǔ)上，提出了一種基于時空特性和灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型，其通過短時交通流時空特性進行分析，并利用該模型進行預(yù)測。最后實例證明，與單一時間序列預(yù)測模型相比，該模型精度較高。

2.2.2 基于小波神經(jīng)網(wǎng)絡(luò)研究

陸百川等[7]利用交通流時空相關(guān)性影響特征，并結(jié)合遺傳小波神經(jīng)網(wǎng)絡(luò)較高的自適應(yīng)降噪的優(yōu)點，提出了一種基于路網(wǎng)時空性和遺傳小波神經(jīng)網(wǎng)路的方法來進行短時交通流預(yù)測。并通過實例進行研究，該實例用了遺傳小波神經(jīng)網(wǎng)絡(luò)（GA-WNN）、小波神經(jīng)網(wǎng)絡(luò)（WNN）以及BP神經(jīng)網(wǎng)絡(luò)來進行不同數(shù)據(jù)源預(yù)測。實例結(jié)果表明，GA-WNN能有效提高交通流預(yù)測精度，具有適用性以及可行性。

馬梅琴等[8]針對粒子群算法小波神經(jīng)網(wǎng)絡(luò)（PSO-WNN）提出了一種基于IPSO-優(yōu)化的WNN預(yù)測模型。最后實例結(jié)果證明，IPSO-WNN的預(yù)測精度高于WNN和PSO-WNN模型的預(yù)測精度。

2.2.3 基于ELM神經(jīng)網(wǎng)絡(luò)研究

景輝鑫等[9]提出了一種基于灰色ELM神經(jīng)網(wǎng)絡(luò)預(yù)測方法。首先將原始數(shù)據(jù)利用灰色模型累加處理，并將短時交通流數(shù)據(jù)變?yōu)殚L時交通流數(shù)據(jù)，然后利用ELM來代替一階線性自動微分方程。從而得到ELM神經(jīng)網(wǎng)絡(luò)長時交通流預(yù)測數(shù)據(jù)結(jié)果，再通過累減還原，得到短時交通流預(yù)測結(jié)果。最后通過對比分析，該模型具有較高精度。

3 結(jié)論

為緩解交通擁堵問題，其中有效方法就是對交通流進行預(yù)測。但交通流具有線性和不確定性，用神經(jīng)網(wǎng)絡(luò)能夠很好的對短時交通流進行預(yù)測。本文主要對結(jié)合神經(jīng)網(wǎng)絡(luò)來預(yù)測短時交通流的算法進行綜述，主要包括BP神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)、ELM神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)，發(fā)現(xiàn)結(jié)合以上神經(jīng)網(wǎng)絡(luò)的算法精度較高。

參考文獻：

[1]盧建中，程浩.改進GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測[J].合肥工業(yè)大學(xué)學(xué)報（自然科學(xué)版），2015，38（01）：127-131.

[2]MORETTI F，PIZZUTI S，ANNUNZIATO M，et al.Urban traffic flow forecasting through statistical and neural network bagging? ??ensemble hybrid modeling[J].Neurocomputing，2015，167（C）：3-7.

[3]Gaetano Fusco，Chiara Colombaroni，Natalia Isaenko.Short-term speed predictions exploiting big data on large urban road networks[J].Transportation Research Part C，2016，73.

[4]張文勝，郝孜奇，朱冀軍，杜甜添，郝會民.基于改進灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測模型[J].交通運輸系統(tǒng)工程與信息，2020，20（02）：196-203.

[5]朱云霞，郭唐儀.基于GA-BP神經(jīng)網(wǎng)絡(luò)的交叉口短時交通流預(yù)測[J].交通運輸研究，2019，5（02）：45-51.

[6]蔡翠翠，王本有，常志強.基于時空特性和灰色神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測[J].沈陽理工大學(xué)學(xué)報，2019，38（02）：32-36+43.

[7]陸百川，李玉蓮，舒芹.基于時空相關(guān)性和遺傳小波神經(jīng)網(wǎng)絡(luò)的路網(wǎng)短時交通流預(yù)測[J].重慶理工大學(xué)學(xué)報（自然科學(xué)），2020，34（05）：25-34.

[8]馬梅琴，李風(fēng)軍，趙菊萍.基于改進粒子群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測[J].寧夏師范學(xué)院學(xué)報，2019，40（01）：71-77.

[9]景輝鑫，錢偉，車凱.基于灰色ELM神經(jīng)網(wǎng)絡(luò)的短時交通流量預(yù)測[J].河南理工大學(xué)學(xué)報（自然科學(xué)版），2019，38（02）：97-102.