齊遠(yuǎn)

摘要：在高速公路工程交通量預(yù)測(cè)中，通過(guò)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)，能夠?qū)?shí)時(shí)交通量進(jìn)行統(tǒng)計(jì)分析。本文首先對(duì)BP神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行介紹，然后對(duì)基于神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)模型算法以及交通量預(yù)測(cè)模型的評(píng)價(jià)指標(biāo)進(jìn)行分析，并結(jié)合實(shí)例，對(duì)BP神經(jīng)網(wǎng)絡(luò)在高速公路交通量預(yù)測(cè)中的應(yīng)用方式進(jìn)行詳細(xì)探究。

Abstract： In the traffic volume forecast of expressway engineering， through the application of BP neural network， real-time traffic volume can be statistically analyzed. This article firstly introduces the BP neural network technology， and then analyzes the neural network-based traffic volume prediction model algorithm and the evaluation index of the traffic volume prediction model， and combines examples to analyze the application of BP neural network in the expressway traffic prediction.

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)技術(shù);高速公路交通量;預(yù)測(cè)

Key words： BP neural network technology;expressway traffic volume;prediction

中圖分類(lèi)號(hào)：U495;U491.113 ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)：1006-4311（2020）24-0163-02

0 ?引言

交通量指的是在單位時(shí)間內(nèi)，通過(guò)道路工程某個(gè)斷面的車(chē)輛總數(shù)，在高速公路交通量預(yù)測(cè)中，可采用灰色理論、時(shí)間序列等方式創(chuàng)建交通量預(yù)測(cè)模型，雖然能夠?qū)煌窟M(jìn)行準(zhǔn)確預(yù)測(cè)，但是交通量預(yù)測(cè)具有非線(xiàn)性特性，因此存在一些弊端。對(duì)此，為了能夠準(zhǔn)確反映出交通量實(shí)際情況，保證決策的合理性以及及時(shí)性，可采用BP神經(jīng)網(wǎng)絡(luò)創(chuàng)建高速公路交通量預(yù)測(cè)模型，能夠有效提升交通量預(yù)測(cè)的準(zhǔn)確性以及可靠性。因此，亟需對(duì)基于BP神經(jīng)網(wǎng)絡(luò)的高速公路交通量預(yù)測(cè)方式進(jìn)行深入研究。

1 ?BP神經(jīng)網(wǎng)絡(luò)技術(shù)概述

BP神經(jīng)網(wǎng)絡(luò)是一種先進(jìn)的非線(xiàn)信模擬技術(shù)，具有自學(xué)習(xí)、自組織以及自適應(yīng)等特征，可被應(yīng)用于多輸入以及多輸出系統(tǒng)創(chuàng)建中。BP神經(jīng)網(wǎng)絡(luò)主要被應(yīng)用于以下兩點(diǎn)：第一，對(duì)復(fù)雜系統(tǒng)進(jìn)行優(yōu)化以及計(jì)算;第二，對(duì)內(nèi)部位置系統(tǒng)進(jìn)行模擬分析。其中，高速公路交通量預(yù)測(cè)屬于上述第二種應(yīng)用方式。根據(jù)BP神經(jīng)網(wǎng)絡(luò)的連接形式，可將其分為兩種類(lèi)型，即沒(méi)有反饋的前向網(wǎng)絡(luò)以及相互結(jié)合型網(wǎng)絡(luò)。其中，前向網(wǎng)絡(luò)是由輸入層、中間層以及輸出層所組成的，其中對(duì)于中間層，又可被分為多個(gè)組織層，各層神經(jīng)元均只能夠接受由上一層的神經(jīng)元的輸出內(nèi)容，因此，能夠有效實(shí)現(xiàn)輸入層節(jié)點(diǎn)狀態(tài)空間至輸出層狀態(tài)空間之間的非線(xiàn)性映射。BP神經(jīng)網(wǎng)絡(luò)為多層前向網(wǎng)絡(luò)，是由輸入層、中間層以及輸出層所組成的，其中，中間層為多層結(jié)構(gòu)，在BP神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，三層神經(jīng)網(wǎng)絡(luò)的應(yīng)用比較常見(jiàn)，其是由輸入層、一層中間層以及輸出層所組成的。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程如圖1所示，具體包括向前傳播以及向后傳播兩部分內(nèi)容。對(duì)于誤差函數(shù)的計(jì)算過(guò)程即輸出層向輸入層進(jìn)行反向傳播的過(guò)程，在BP神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，通過(guò)反復(fù)學(xué)習(xí)訓(xùn)練樣本，即可對(duì)權(quán)值進(jìn)行優(yōu)化修整。在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，對(duì)于學(xué)習(xí)過(guò)程，可分為兩個(gè)內(nèi)容：第一，首先將數(shù)據(jù)輸入至網(wǎng)絡(luò)輸入層中，當(dāng)神經(jīng)元接受到數(shù)據(jù)信號(hào)后，即可通過(guò)神經(jīng)元傳遞至中間層中，再由中間層中的神經(jīng)元將數(shù)據(jù)傳遞至輸出層。第二，通過(guò)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)，能夠?qū)?shí)際輸入與目標(biāo)進(jìn)行比較分析，如果二者之間的誤差大于給定值，則需將誤差向后傳遞至輸出層中。

2 ?基于神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)模型算法

在高速公路交通量預(yù)測(cè)中，某一路段的交通量預(yù)測(cè)結(jié)果與前幾個(gè)時(shí)段所的交通量有一定關(guān)聯(lián)，路段是路網(wǎng)中的組成部分，因此，某一路段中的交通量主要受上下游不同路段交通量的影響。因此，在對(duì)高度公路交通量進(jìn)行預(yù)測(cè)時(shí)，可對(duì)某一路段前幾個(gè)時(shí)間段的交通量進(jìn)行分析，然后對(duì)未來(lái)的交通量進(jìn)行合理預(yù)測(cè)分析。

在上述公式中，marerr指的是絕對(duì)值分?jǐn)?shù)預(yù)測(cè)結(jié)果的誤差，交通量預(yù)測(cè)結(jié)果與實(shí)際測(cè)量值的擬合度可用EC標(biāo)識(shí)，如果EC達(dá)0.9以上，則擬合比較好。

4 ?BP神經(jīng)網(wǎng)絡(luò)在高速公路交通量預(yù)測(cè)中的應(yīng)用實(shí)例

4.1 數(shù)據(jù)來(lái)源 ?因高速公路封閉、行駛條件良好、沖突點(diǎn)和道路影響遠(yuǎn)低于城市道路，且高速公路檢測(cè)體系完善、高速公路網(wǎng)聯(lián)網(wǎng)系統(tǒng)的統(tǒng)計(jì)數(shù)據(jù)完備全面，因此，高速公路聯(lián)網(wǎng)系統(tǒng)統(tǒng)計(jì)數(shù)據(jù)是模型良好的測(cè)試平臺(tái)。本項(xiàng)目利用1144套聯(lián)網(wǎng)門(mén)架構(gòu)建的2020年4月份湖南省高速公路聯(lián)網(wǎng)系統(tǒng)作為數(shù)據(jù)樣本來(lái)源。

4.2 數(shù)據(jù)處理 ?選取長(zhǎng)益高速公路關(guān)山附近路段2020年4月9日6：00～17：00期間的數(shù)據(jù)作為訓(xùn)練樣本，據(jù)此預(yù)測(cè)17：00～19：00時(shí)段內(nèi)交通量，預(yù)測(cè)間隔為2min。第一，采用Matlab7.0軟件工具箱中的神經(jīng)網(wǎng)絡(luò)函數(shù)，對(duì)17：00～17：02時(shí)間段交通量進(jìn)行預(yù)測(cè)。第二，將6：00～17：02的實(shí)測(cè)數(shù)據(jù)作為新的訓(xùn)練樣本，對(duì)17：02～17：04時(shí)間段交通流量進(jìn)行預(yù)測(cè)，依次類(lèi)推，直到預(yù)測(cè)完畢。

4.3 數(shù)據(jù)結(jié)果 ?交通量預(yù)測(cè)結(jié)果如圖2和圖3所示，通過(guò)對(duì)圖2和圖3進(jìn)行分析可見(jiàn)，神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果好，對(duì)于預(yù)測(cè)誤差，能夠控制在10%以?xún)?nèi)，平均絕對(duì)相對(duì)誤差為4.47%，預(yù)測(cè)結(jié)果精度高。另外，神經(jīng)網(wǎng)絡(luò)訓(xùn)練所需時(shí)間比較短，為5.832s，因此可被推廣應(yīng)用于高速公路交通量預(yù)測(cè)中。

5 ?結(jié)語(yǔ)

綜上所述，本文主要對(duì)BP神經(jīng)網(wǎng)絡(luò)在高速公路交通量預(yù)測(cè)中的應(yīng)用方式進(jìn)行了詳細(xì)探究。通過(guò)對(duì)高速公路交通量進(jìn)行準(zhǔn)確預(yù)測(cè)，能夠?yàn)楦咚俟贩?wù)水平評(píng)估、高速公路運(yùn)營(yíng)管理提供可靠依據(jù)。通過(guò)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)創(chuàng)建高速公路交通量預(yù)測(cè)模型，與傳統(tǒng)的交通量預(yù)測(cè)方式相比，不僅操作方式便捷，而且靈活度更高，能夠保證交通量預(yù)測(cè)結(jié)果的準(zhǔn)確性和可靠性。

參考文獻(xiàn)：

[1]姜曉輝，胡勇，彭楚元，等.基于BP神經(jīng)網(wǎng)絡(luò)的軟件可靠性安全性評(píng)價(jià)方法[J].計(jì)算機(jī)科學(xué)與應(yīng)用，2019，009（002）：214-219.

[2]唐智慧，鄭偉皓，董維，等.基于交互式BP-UKF模型的短時(shí)交通流預(yù)測(cè)方法[J].公路交通科技，2019，36（04）：117-124.

[3]趙懷柏，王逸凡，宋曉鵬.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)[J].交通與運(yùn)輸，2017，3（02）：37-41.