蒋渭忠1，朱金荣2，邱祥2
（1.常州工学院 电气与光电工程学院，江苏 常州 213002；2.扬州大学 物理科学与技术学院，江苏 扬州 225002）
为进一步提高交通调度效率，解决日益严重的交通拥堵现状，提出基于BP神经网络模型预测车辆通行时间的方案。根据交叉路口特征，建立了三层BP (Back Propagation)神经网络模型，并确定模型的输入层和输出层神经元数目均为4个。采用MATLAB软件对采集的车辆通行数据进行仿真分析，最终确定隐含层神经元数目为9个。利用预测样本对BP神经网络模型进行了可行性验证。结果表明，BP神经网络模型能够用于预测排队车辆通行时间，误差在10%以内，可以作为交通控制器配时方案的依据，提高车辆通行效率。
BP神经网络；仿真；车辆通行时间；
社会经济的发展促进人们生活水平全面提高，为了出行方便，越来越多的人选择购买私家车。城市人均汽车拥有量逐年攀升，由此导致交通拥堵问题日益严重。解决交通拥堵问题有两个方面，一方面增加基础设施建设，扩宽道路，但这种方式成本较大，不易实施；另一方面则是提高交通流调度效率，采用更加智能的交通信号控制系统。通过调研发现，现在大部分城市的交通灯控制系统采用的是固定时间的控制策略，难以对变化的交通流进行动态控制，因此研究基于车流量智能预测车辆通行时间对交通控制器配时方案具有重要意义［1-2］。神经网络具有很好的非线性逼近效果，本文提出采用BP神经网络控制算法预测车辆通行时间的方案。
1神经网络预测模型建立
20世纪80年代，RUMELHART D等人在总结前人研究成果的基础上，给出BP神经网络控制算法的清楚表述，解决了多层神经网络的学习问题。误差反向传播（Back Propagation, BP）神经网络是一种多层前向型神经网络［3］，目前大多数的应用中使用的都是BP神经网络及其变化形式。BP神经网络由输入层、隐含层、输出层组成。隐含层的数量可以为一层，也可以为多层。
1.2神经网络预测模型建立
BP神经网络预测模型的设计关键在于确定神经网络的层数、各层神经元数以及神经元的学习方法［45］。本文提出利用神经网络的自学习和自组织能力，对交通路口的车辆数与车辆通行时间进行学习训练，通过有导师的学习之后，神经网络模型能够根据路口等待通行车辆数预测其通行所用时间。本文选择使用三层BP神经网络对交叉路口进行建模。交叉路口要检测四个方向停车等待的车辆数，四个方向分别对应一个通行时间。所以BP神经网络的输入层节点数和输出层节点数均为4。在隐含层单元数的确定上，很多是依据经验进行判定，在此参考经验公式n1=n m a，其中n1为隐含层神经元数量，n为输入神经元数量，m为输出神经元数量，a为［1,10］之间的常数［6-7］。由公式可以计算得到隐含层神经元数量的范围是［4,13］。对于隐含层的具体数目，本文将通过对神经网络进行仿真分析，比较隐含层神经元数目在［4，13］范围内的训练误差和训练次数，综合选择隐含层神经元数目。经过前面的分析，最终确定了如图1所示的基于交叉路口的BP神经网络模型。四个输入节点为［CN,CW,CS,CE］,四个输出节点为［TN,TW,TS,TE］。隐含层神经元数量的范围是［4,13］。其中CN、CW、CS、CE分别代表北向、西向、南向、东向等待通行的车辆数，TN、TW、TS、TE分别代表北向、西向、南向、东向等待车辆完全通过所用的时间。
2仿真及结果分析
2.1仿真确定隐含层神经元数
通过对扬州市大学北路与文昌中路交叉口的车流量进行实地统计，得出表1所示的路口停车等待的车辆数与通行时间统计表。
对于表1中的数据，选择使用前8组数据作为训练样本，后2组数据作为测试样本。通过修改隐含层神经元的个数，运用trainlm函数对神经网络进行训练［7］，最终得出表2所示的隐含层神经元数量与训练误差的对应表。从表中可以看出，随着隐含层神经元数量的不断增加，训练误差逐渐减小后又增大。当隐含层神经元数量为9时，训练误差最小，同时训练次数也最少。综合比较分析后，确定隐含层神经元数量为9个。
2.2神经网络模型合理性验证
通过改变隐含层神经元的数量，观察训练误差的变化，最终确定了交叉路口神经网络模型的完整结构：4个输入层神经元、9个隐含层神经元和4个输出层神经元。为了验证神经网络的学习性能，使用函数Y=sim(net,P)根据输入样本预测出各方向车辆通行时间。为了更直观地观察神经网络的学习性能，图2绘出了北向样本通行时间与预测通行时间的对比图。由图中曲线可以看出，预测通行时间与样本通行时间基本吻合，验证了BP神经网络模型能够根据停车等待的车辆数量预测车辆通行时间。
2.3结果分析
为了进一步验证训练后的神经网络模型的预测性能，论文使用训练好的神经网络模型对未进行训练的第⑨、⑩两组样本进行预测，得出表3所示的数据。
通过表3数据分析得出，预测车辆通行时间与实际观测车辆通行时间两者之间存在一定的误差，但误差都在10%以内，可以作为交通灯控制器配时的依据，提高车流量的调度效率。分析可知，两者存在误差的主要原因为车辆的行驶具有很大的随机性，每个驾驶人员的驾驶技术也影响着车辆的通行时间。
3结论
针对车流量变化不规律、随机性大的特点，提出基于BP神经网络控制算法的车辆通行时间预测模型。根据交叉路口特征建立了4个输入层神经元、9个隐含层神经元、4个输出层神经元的BP神经网络模型。采用MATLAB仿真平台对交叉路口的交通数据进行了学习训练，并对学习的相关性进行了检测。仿真结果表明，BP神经网络模型能够根据排队车辆数预测车辆通行时间。
参考文献
［1］ 吕兰涛,李全,刘志勇.人工神经网络在智能交通控制系统中的应用［J］.交通科技,2002（6）:73-76.
［2］ 蒋紫峰,荆便顺.人工神经网络在交通领域中的应用［J］.公路交通科技,1997,14(4):18-23.
［3］ HOPFIELD JJ.Neural network and physical systems with emergent collective computional abilities［C］.Proceedings of the National Academy of Sciences of USA,1982:2554-2558.
［4］ 曹虹.基于BP神经网络的交通流量预测［D］.西安：长安大学,2012.
［5］ 李建伟,程晓卿,秦勇,等.基于BP神经网络的城市轨道交通车辆可靠性预测［J］.中南大学学报(自然科学版),2013,44(1):42-46.
［6］ 徐黎明,王清,陈剑平,等.基于BP神经网络的泥石流平均流速预测［J］.吉林大学学报(地球科版),2013,43(1):186-191.
［7］ CHANG T C. Risk degree of debris flow applying neural networks［J］.Natural Hazards,2007,42(1):209-224.
AET会员年终大福利！
,
