|
摘要：为了实现精细、有效智能地监测交通流量变化状况，本文提出一种基于遗传算法改进的BP神经网络算法，构建精细的短时交通流预测模型。基于BP神经网络的结构和遗传算法的特点，总结了基于GA-BP短时交通流预测模型构建的全过程。经过对交通流特性以及短时交通流预测办法的分析，在思虑天气原因、节假日类型等多因素背景下，提取交通流预测模型的特征指标，并采用遗传算法对BP神经网络算法进行修改和优化，使得所创立的交通流预测模型均方误差降低23.96。另外，基于美国佐治亚州亚特兰大市观测到的真实交通流量数据，经过与传统BP神经网络模型以及WNN网络模型进行对比分析，验证算法的可行性及准确性。
关键词：智能交通、遗传算法、BP神经网络、交通流预测
1、引言
随着社会经济快速发展，人民生活水平持续加强，汽车保有量数目逐年攀升，交通拥堵作为世界各国都必须面对的重点问题。为处理这一问题，交通管理分部提出一系列处理方法，包含限号、限行等，但针对持续增长的交通流量，其功效微乎其微。随着计算机技术发展，智能交通系统（Intelligent Transportation Systems，ITS）[1,2]应运而生。
交通拥堵使得通行时间大幅增多，不仅给人们带来经济损失，况且在汽车排队等待的过程中，引擎仍处在运转状态，尾气连续向空气中排放导致环境污染。按照INRIX智能交通平台[3]数据统计，2022年全世界因为交通拥堵而导致的损失，如表1所示。
表1 城市由交通拥堵而导致的损失排行统计表
在这个科学快速发展、人工智能广泛应用的社会，怎样实施智能交通系统并利用各学科行业的科研办法[4]来预测将来一段时间内的交通流变化特性，已作为交通问题中急需处理的关键技术[5]。
Hou等人[6]提出了一种自适应混合模型来预测短期内的车辆行为，并结合了ARIMA办法和非线性小波神经网络办法来预测交通流量。然而，科研结果只注重了混合模型与单个模型的对比，但无思虑其他效率更高的模型，例如设备学习或深度学习模型。Shen等人[7]提出了一种基于混沌优化的向量关联性回归模型的多路口交通流预测体系，采用均方误差和百分比误差评定指标说明了其办法拥有较好的精度能力。凌智[8]经过分析高速路车流量数据特点，对BP神经网络预测模型的激励函数进行了改进，确定了预测模型中各参数的初始值的办法，加强了预测结果的精度。Jiang[9]创立了一种基于BP神经网络和灰色理论的公路交通流预测模型，减小了传统BP神经网络的训练误差。然则，BP神经网络在初始权值和阈值的选择上完全随机，存在固有的收敛速度慢，易入局部极值等问题引起其适用性不强。因此呢，本文借助遗传算法的全局寻优能力，构建遗传算法优化下的BP神经网络短时交通流预测算法，同期分析交通流特性并提取影响原因做为网络的输入，使改进的BP神经网络交通流预测模型能达到更好的预测结果。并经过实况数据验证了算法的优越性。
2、交通流特性与影响原因分析
交通流指的是车辆在道路上连续行驶的车流，交通流预测便是采用某种合适的模型，按照海量的交通历史数据来预测将来时刻的交通状况，预测目的则是使预测结果尽可能接近真实交通状况。
1.交通流的周期性分析
交通行径与人的出行作息密切关联。在当今社会，人们的出行拥有显著的规律性，导致交通流变化存在周期类似性。在1星期中的工作日中，交通流呈现出规律的周期性，在工作日内交通流量随着昼夜的交替显现高峰与低谷，如图1所示。
图1 1星期内工作日交通量变化图
2.交通流随机性分析
交通系统是一个由人、车、路和环境所一起形成的一个繁杂系统，这就引起交通流呈现出很强的随机性。驾驶员能够有多种行驶方法，可能由于道路的拥堵状况而灵活选取出行路线，或临时改变目的调转方向，亦可能由于路况、车况等原由停滞不前。而间隔时间越短，交通流的随机性越显著，如图2所示。
图2 区别时间间隔的交通流量变化
由图2分析可知，时间间隔越短交通流曲线表现出更强的波动性。选择时间间隔为15分钟的交通流数据进行预测，即能够最大限度地降低数据随机波动导致的预测误差，而又避免长期预测的不确定性。这使本科研对交通诱导拥有必定的前瞻性，更好地处理交通拥堵问题。
3.节假日原因
在1星期内，工作日呈现出类似的变化模式，非工作日则区别，工作日与非工作日的变化模式交替显现。最典型的是，在工作日上下班交通路上还有显著的早晚高峰，而非工作日在午后一段时间显现一个不很剧烈但连续时间较长的高峰。如图3所示。
图3 1星期内工作日的交通流量变化
思虑到周末和节假日对出行的影响，把1星期中的七天分为四类；表2清晰展示了1星期中区别类别的日子。
 表2 节假日类别表
Ⅰ类：前一天是工作日的工作日；Ⅱ类：前一天是非工作日的工作日；Ⅲ类：前一天是工作日的非工作日；Ⅳ类：前一天是非工作日的非工作日。将量化后的节假日影响原因做为交通流预测模型的一个输入变量输入到网络中进行预测。
4.天气原因
在道路交通出行中，出行者选取外出的外边要求是自然环境，而卑劣的外边环境会严重制约人们的出行，影响道路的交通量。在大雾、大雪等的天气原因影响下，平均车速与正常天气下相比会呈现递减的变化。当天气要求为中雨或大雨时，乃至更卑劣的天气情况时，道路上的交通车速就会较晴天显著降低，从而使得交通流量降低。图4展示了区别天气要求下的车辆平均速度数据。
图4 区别天气要求下的平均速度图
为了将天气指标做为变量输入本文所创立的预测模型，特将天气类别量化，如表3所示。
表3 天气类别量化表
在原因的选择过程中，需要综合思虑。取的太多，某些原因拥有关联性，即会存在高度重合性；取的太少，思虑的原因不全，则会由于影响原因的缺失而使得预测数据不拥有真实靠谱性。因此呢，在选择原因的过程中，需要多重思虑，保准选择的原因全面性。综上所述，本科研重点针对单一道路断面的交通流预测，按照交通流的特性和影响原因的分析，将交通流数据（15min）、天气和当天所属的类别（是不是为工作日）添加到训练模型中做为输入变量，输出变量为交通流的预测值。
3、BP神经网络的遗传算法改进
1.BP神经网络模型
BP神经网络是一种多层前馈神经网络，能够经过在信号和误差的传播过程中持续更新网络的权重和阈值来逼近高度非线性函数。网络一般有三层：输入层、隐匿层和输出层，如图5示。
图5 BP神经网络拓扑图
BP网络中，i，j分别暗示输入层，隐含层，xi暗示输入层的某个节点，n,m分别暗示输入层，隐含层的节点数。
对输入层节点i有：xi,.(i=0,1,2...... )
隐含层节点h的计算公式为：
输出层节点y的计算公式为：
BP网络的学习过程实质上便是对网络联结权值和阈值的调节过程，利用给定的传播公式，沿着误差减小的方向持续调节网络联结权重和阈值。在BP学习算法中，对样本集中的第r个样本，其输出层节点的期望输出用d_r暗示，实质输出用y暗示。其中d是已知的交通流量，y则由式（2）计算得出。倘若只是针对一个样本，实质输出与期望输出的误差定义为：
学习过程中，其连接权值的调节变量为对vj的调节：
对w.ij的调节：
在式（4）和式（5）中：v.jr 是第r次迭代时，从隐含层节点j到输出节点的连接权值；Δvjr是连接权值的变化量。wijr是第r次迭代时，从输入层节点i到隐含层节点j的连接权值，Δwijr是连接权值的变化量。η为学习因子。
2. BP神经网络的GA参数优化
虽然BP神经网络拥有较强的非线性映射能力等优点，但因为其初始权值和阈值是随机生成的，引起该算法的网络性能较差，容易因为误差平方和函数的局部最小值的生成而陷入局部最优的陷阱，导致预测偏差。另外，面对大型训练集，BP神经网络学习过程的学习速度不稳定，收敛速度会非常慢，引起算法效率不高。
为了处理BP神经网络算法的局限性和缺点，本文借助于在全局最优解搜索过程中拥有明显效果的遗传算法[10]来改进BP神经网络的缺陷。遗传算法（Genetic Algorithm,GA），是一种模拟遗传选取和自然淘汰生物进化过程的优化算法。该算法拥有更好的全局搜索性能，降低了局部最优解的捕捉危害。利用遗传算法优化BP神经网络的权值和阈值能够避免BP神经网络自己随机生成的权重和阈值引起的预测偏差。基于遗传算法改进的GA-BP神经网络交通流量预测模型的详细过程，如图6所示。
图6 遗传算法优化BP神经网络流程图
针对传统BP神经网络所存在的问题，首要采用BP神经网络的训练系统误差来做为遗传算法的评估标准，以寻找BP神经网络的最优初始权值和阈值，而后利用训练数据对所创立的交通流预测模型进行学习训练，从而得到最优的输入—输出映射模式。基于GA-BP神经网络的短时交通流量算法流程如下：
STEP1：种群初始化；
首要对染色体进行定义。采用实数编码法将种群进行编码。针对交通流预测的BP神经网络模型，取网络所有的权值和阈值，构成N维向量，做为一个个体的染色体。选取种群规模M，随机生成一个M*N的矩阵做为初始种群。其中：
N=输入向量个数×隐含层数+隐含层数+隐含层数×输出向量个数+输出向量个数；
在本模型中，输入向量维度为6，包含过去4个时段的交通流历史数据、节假日数据和天气影响因子数据，输出向量维度为1，为当前预测交通流数据值。
STEP2：确定个体适应度函数；遗传算法针对个体的优劣性是用适应度函数值来评定的，结合选取的适应度函数对个体进行筛选，选取适应度好的个体，淘汰适应度差的个体。这儿将各个个体基因进行归类，其数值分别做为权值和阈值代入到交通流预测的BP神经网络模型中，用网络训练后得到的预测误差值做为个体适应度函数：
式（6）中：F为个体适应度函数；x为神经网络输出层的节点数；i为节点数；o.i为第i个节点的期望输出；yi为网络第i个节点的预测输出；k为常数。
STEP3：选取操作；根据个体适应度，采用轮盘赌法，选取优良个体遗传到下一个群体，轮盘赌算法的重点思想是各个个体的选取概率与其适应度函数值体积成正比。当种群规模为M时，则每一个个体i的选取概率pi为：
 
式（7）和式（8）中：p.i为第i个个体的选取概率；fi为第i个个体适应度值，M为种群规模。Fi为第i个个体的适应度函数；b为常数。
STEP4：交叉操作；遗传算法的核心便是交叉操作，在这一环节可能会产生更加优良的个体品种。由于STEP1中采用实数编码法，因此交叉办法亦采用实数交叉法。针对选中的成对个体，交换她们之间的部分染色体，由此产生新的个体。
式（9）和式（10）中：aci，aei分别为第c，e个染色体的i位；μ是[0,1]之间的随机数。
STEP5：变异操作；指定任选群体中的一个个体，为产生更加多优秀的个体，即使种群中产生更加多的交通流神经网络预测模型的权值与阈值解，保持种群的多样性，同期加强算法的搜索能力。对第i个个体的第j个基因进行变异操作。
STEP6：把遗传算法优化计算得到的最优个体当作本文所创立的神经网络交通流预测模型的最佳权值和阈值，取代BP神经网络设定的初始值，得到遗传算法优化后的交通流预测模型，而后BP网络再进行新一轮的训练，就能够得到更为精确的交通流数据。
4、实验与结果分析
1.数据处理
为了验证本文算法的有效性，采用仿真的办法对文中提出的BP神经网络交通流预测模型进行预测分析，仿真数据采用乔治亚州梅肯杰克逊市121-0456观测点2022June.7-June.21所采集到的交通流量数据进行分析。采集间隔15分钟，一天有96组数据，15天总共1344组数据。
思虑到交通流的独特特性和预测精度，将输入数据归一化至[0-1]范围，归化公式如下：
在以上等式中，xi暗示原始输入，ynor暗示归一化值，max(x)暗示样本中的最大值，以及min(x)暗示样本中的最小值。
2.算法的仿真测试设置
在仿真实验中，采用三层BP神经网络结构，分别将预测前四个时段的历史交通流数据、节假日类型数据和天气影响原因数据做为网络模型输入样本，预测交通流数据做为网络的输出。隐含层神经元个数设置为9个。输出层传递函数设置为traingdx传递函数，网络训练函数设置为trainsig函数。最大训练次数设置为100，学习率设置为0.001，选择13天的数据做为训练样本，第14天的随机50组数据做为验证样本。成功构建交通流预测模型后输入训练数据，满足以上设置要求后终止训练。
3.仿真分析
本文采用平均绝对百分比误差(MAPE)、均方误差(MSE)和均方根误差(RMSE)做为算法性能度量指标，并将区别模型的预测值与真实值和绝对误差进行比较。均方误差的体积暗示预测值与平均值的偏差，且均方误差越大，预测结果越差。以上评估指标的公式如下：
其中，Yi为样本真实值，yi为预测值，n为样本数量。
为了更好地验证网络模型的有效性及准确性，将优化后的GA-BP神经网络交通流量预测模型，分别与传统的BP神经网络预测模型以及应用较为广泛的小波神经网络(Wavelet Neural Network,WNN)预测模型进行对比测试，测试结果如图7、图8、图9所示。各参数预测结果的误差评估指标值，如表4示。
图7 BP神经网络预测值对比图(测试数据)
图8 WNN神经网络预测值对比图(测试数据)
图9 GA-BP神经网络预测值对比图(测试数据)
从图7、图8和图9中分析说明，利用优化后的预测算法得到的预测结果的变化趋势，相比于传统的BP神经网络、WNN模型预测结果与期望输出更加吻合，预测值更接近真实值。表4能够反映出经过对三个模型的仿真测算，基于遗传算法优化后的BP预测模型在平均绝对百分比误差MAPE，均方根误差RMSE和均方误差MSE三个指标上相针对优化前的预测模型均有所降低，说明优化后的预测模型更加精确。
表4 区别模型的评估指标
5、结语
本文基于BP神经网络的特征和遗传算法的原理，提出一种基于遗传算法优化的BP神经网络交通流预测模型，在思虑天气原因、节假日类型等多原因背景下，提取出交通流预测模型的特征指标，并将其与交通流量数据结合，构建交通流量预测模型；以美国佐治亚州的真实交通流数据对算法进行了验证；另外，在交通流预测任务中，空间依赖性受道路拓扑结构的影响使其拥有高度动态性。因此呢，有必要捉捕节点间的动态空间依赖性以加强交通流预测精度。
吉林省教育厅研究项目：JJKH20220057KJ
参考文献:
[1]《中国公路学报》编辑部.中国交通工程学术科研综述·2016[J].中国公路学报,2016,29(06):1-161.DOI:10.19721/j.cnki.1001-7372.
2016.06.001.
[2]Purnendu S M Tripathi, Ambuj Kumar, Ashok Chandra. An Overview of Intelligent Transport System (ITS) and Its Applications[J]. Journal of Mobile Multimedia, 2021, 17: 1-3.
[3]INRIX 2022 Global Traffic Scorecard: London Tops List as Most Congested City, U.S. Cities InchCloser[EB/OL].(2023-01-10)[2023-03-16].https://inrix.com/press-releases/2022-global-traffic-scorecard-uk/.
[4]Dong, S., Li, R. Traffic identification method based on multiple probabilistic neural network model.[J] Neural Comput & Applic 31, 473–487 (2019).
[5]Lun-hui XU, Xiang-xue W (2016) Application of SVD-basedoptimized robust UKF algorithm to estimation of short-termtraffic flow state[J]. J Southwest Jiaotong Univ 44(12):44–52.
[6]Chen D, Hu M, Zhang H et al (2016) Short-term traffic flow prediction of airspace sectors based on bayesian estimation the-ory[J]. Xinan Jiaotong Daxue Xuebao/J Southwest Jiaotong Univ51(4):807–814.
[7]Z. Shen, W. Wang, Q. Shen, S. Zhu, H.M. Fardoun, [J]. Lou, A novel learningmethod for multi-intersections aware traffic flow forecasting, Neurocomputing398 (2020) 477–484.
[8]凌智.基于BP神经网络的高速公路车流量预测科研[D].武汉:武汉理工大学,2013.
[9]Jiang, Z. (2022). Highway traffic flow prediction model construction based on the gray theory and BP neural network. [J]Computational intelligence and neuroscience, 2022.
[10]马永杰,云文霞.遗传算法科研发展[J].计算机应用科研,2012,29(04):1201-1206+1210.
| 
发表于 2024-8-31 12:57:58
