基于BP神经网络的城市占道交通拥堵预测

《基于BP神经网络的城市占道交通拥堵预测》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第３０卷第１期黑龙江工程学院学报Ｖｏｌ．３０，Ｎｏ．１２０１６年２月ＪｏｕｒｎａｌｏｆＨｅｉｌｏｎｇｊｉａｎｇＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙＦｅｂ．，２０１６基于ＢＰ神经网络的城市占道交通拥堵预测罗来鹏（华东交通大学理学院，江西南昌３３００１３）摘要：短时交通流预测是现代智能交通系统的核心内容，针对城市道路被占所造成的城市交通拥堵排队问题，以路段视频统计为例，利用ＢＰ神经网络方法就实际通行能力、具体车辆数、事故持续时间与排队最长长度之间的关系进行预测分析，从实验模拟结果来看，该方法能有效地解决交通流实时和可靠性预测。关键词：交通流；交通拥堵；ＢＰ神经网络；预测

2、中图分类号：ＴＰ３１１．３２文献标识码：Ａ文章编号：１６７１－４６７９（２０１６）０１－００４８－０３Ｔｒａｆｆｉｃｃｏｎｇｅｓｔｉｏｎｆｏｒｅｃａｓｔｉｎｇｆｏｒｃｉｔｙｏｃｃｕｐｙｉｎｇ－ｒｏａｄｂａｓｅｄｏｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋＬＵＯＬａｉｐｅｎｇ（ＳｃｈｏｏｌｏｆＳｃｉｅｎｃｅｓ，ＥａｓｔＣｈｉｎａＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｃｈａｎｇ３３００１３，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅｓｈｏｒｔ－ｔｅｒｍｔｒａｆｆｉｃｆｌｏｗｆｏｒｅｃａｓｔｉｎｇｉｓｔｈｅｃｏｒｅｏｆｍｏｄｅｒｎｉｎｔｅｌｌｉｇｅｎｔｔｒａｎｓｐｏｒｔｓｙｓｔｅｍ．Ａｉ

3、ｍｉｎｇａｔｑｕｅｕｉｎｇｐｒｏｂｌｅｍｏｆｃｉｔｙｔｒａｆｆｉｃｃｏｎｇｅｓｔｉｏｎｃａｕｓｅｄｂｙｏｃｃｕｐｙｉｎｇ－ｒｏａｄ，ａｎｄａｃｃｏｒｄｉｎｇｔｏｒｏａｄｖｉｄｅｏｓｔａｔｉｓｔｉｃｓ，ｔｈｅｒｅｌａｔｉｏｎｏｆａｃｔｕａｌｔｒａｆｆｉｃｃａｐａｃｉｔｙ，ｔｈｅｎｕｍｂｅｒｏｆｃａｒｓ，ｔｒａｆｆｉｃｉｎｃｉｄｅｎｔｄｕｒａｔｉｏｎｂｅｔｗｅｅｎｑｕｅｕｉｎｇｌｅｎｇｔｈｓａｒｅａｎａｌｙｚｅｄｗｉｔｈＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｍｅｔｈｏｄｔｏｓｏｌｖｅｒｅａｌ－ｔｉｍｅａｎｄｒｅｌｉａｂｌｅｆｌｏｗｆｏｒｅｃ

4、ａｓｔｉｎｇｉｓｓｈｏｗｎｉｎｔｈｅｅｘｐｅｒｉｍｅｎｔ．Ｋｅｙｗｏｒｄｓ：ｔｒａｆｆｉｃｆｌｏｗ；ｔｒａｆｆｉｃｃｏｎｇｅｓｔｉｏｎ；ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ；ｆｏｒｅｃａｓｔｉｎｇ随着我国国民经济的快速发展以及城市化进心内容，是实现先进的交通控制和交通诱导的基程的加快，我国机动车拥有量及道路交通量急剧增础。近几十年国内外的许多专家和学者都致力于加，尤其是在大城市，城市交通供给与需求矛盾逐该领域的研究，获得了很多预测模型，大体分为三渐加剧，虽然近一些年来各级政府投入了大量的人［４］类：一是基于解析数学方法的模型，包括历史平均力、物力、财力并取得了一定的成效，但交通

5、形势仍模型、自回归模型、滑动平均模型、自回归滑动平均不容乐观。交通拥堵现象由点到线、由线到面、由模型及卡尔曼滤波模型；二是基于经验的智能预测局部向大范围蔓延，不仅影响了城市生活的效率和模型，包括非参数回归模型、动态交通分配模型及质量，而且带来了环境恶化、交通事故等一系列社基于混沌理论的模型等；三是组合预测模型。上述会问题，因此，实时准确的交通流预测对于交通控模型在一定条件下能够解决一些交通流预测问题，制和交通诱导以及由此均衡路网负载、缓解交通拥也得到很好的预测结果，但是由于交通流复杂和非堵、提高道路的使用效率及服务水平就显得非常重线性等特点，单一的数学解析模型难以适应交通

6、流要。由于交通流受主观和客观的影响因素很多，由所具有的短时随机性强的特点，基于经验的智能预此引起交通流的变化因素随机性很大，在这个过程测模型复杂度高，在工程实现上有一定的困难，因中短时交通流的预测就成为关键，更具有实际意此，探索新方法尤其是智能方法是交通流预测发展［１－３］义。短时交通流预测是现代智能交通系统的核的重要内容。人工神经网络是指模拟人脑神经系统的结构收稿日期：２０１５－０８－２６作者简介：罗来鹏（１９７３－），男，副教授，研究方向：数据挖掘与智能和功能，运用大量的处理部件，由人工方式构造的计算．非线性动力学系统。它能够通过学习和训练获得ChaoXing第１期罗

7、来鹏：基于ＢＰ神经网络的城市占道交通拥堵预测·４９·用数据表达的知识，除了可以记忆已知的信息外，还具有较强的概括能力和联想记忆能力。当前，神经网络理论在智能控制、模式识别、非线性优化等方面都得到很好的应用。ＢＰ神经网络是应用最为广泛的神经网络，它采用三层结构，分别为输入层、隐藏层、输出层。Ｋｏｌｍｏｇｏｒｏｖ等人从理论上证明了三层网络模型对于非线性系统有较好的模拟能力，任一连续函数或者映射都可以由一个三层神经网络实现。由于交通数据流具有非线性等特点，因此，用神经网络研究短时交通流预测一度成为研究图１ＢＰ神经网络［４－１０］热点