陳飛

【摘 要】交通流預(yù)測(cè)是智能運(yùn)輸系統(tǒng)中的路徑誘導(dǎo)和交通流控制的必要條件，其實(shí)時(shí)性和可靠性直接關(guān)系到交通管理與控制的效果，因此本文利用利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值進(jìn)行優(yōu)化，從而應(yīng)用強(qiáng)大非線性逼近能力實(shí)現(xiàn)交通流量的準(zhǔn)確預(yù)測(cè)，并且通過實(shí)驗(yàn)進(jìn)行算法的仿真，結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)經(jīng)遺傳算法優(yōu)化后，精度得到提高，而且BP神經(jīng)網(wǎng)絡(luò)對(duì)交通流量的預(yù)測(cè)是可行的。

【關(guān)鍵詞】交通流量 遺傳算法 BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：G4 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.3969/j.issn.1672-0407.2015.04.003

一、引言

交通流量是反映交通路況的一個(gè)非常重要的信息，因此交通汽車流量的預(yù)測(cè)受到許多學(xué)者和科學(xué)工作者比較重視的方面。一些優(yōu)秀的預(yù)測(cè)算法和手段也先后被人們發(fā)明和改進(jìn)，但很少有人將兩者結(jié)合在一起，這也正是該課題研究意義之所在。BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力、高度的自學(xué)習(xí)自適應(yīng)能力、也具有將學(xué)習(xí)成果應(yīng)用于新知識(shí)的能力、還具有一定的容錯(cuò)能力。開展該課題的研究工作，不僅能有效地拓展神經(jīng)網(wǎng)絡(luò)算法和預(yù)測(cè)問題的研究角度，豐富學(xué)習(xí)內(nèi)容，更可能在理論上有所突破和創(chuàng)新，對(duì)于培養(yǎng)自身自學(xué)意識(shí)和創(chuàng)新意識(shí)，提高本科生分析能力與運(yùn)籌能力都是有所裨益的。

二、交通流量預(yù)測(cè)BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

基本BP算法包括兩個(gè)方面，信號(hào)的前向傳播和誤差的反向傳播，計(jì)算實(shí)際輸出時(shí)按從輸入到輸出的方向進(jìn)行，而權(quán)值和閾值的修正從輸出到輸入的方向進(jìn)行。

如圖所示，其中xj表示輸入層第j個(gè)節(jié)點(diǎn)的輸入，j=1，…，M；Wij表示隱含層第i個(gè)節(jié)點(diǎn)到輸入層第j個(gè)節(jié)點(diǎn)之間的權(quán)值； 表示隱含層第i個(gè)節(jié)點(diǎn)的閾值； （x）表示隱含層的激勵(lì)函數(shù)；Wki表示輸出層第k個(gè)節(jié)點(diǎn)到隱含層第i個(gè)節(jié)點(diǎn)之間的權(quán)值，i=1，…，q；ak表示輸出層第k個(gè)節(jié)點(diǎn)的閾值，k=1，…，L；ψ（x）表示輸出層的激勵(lì)函數(shù)；Ok表示輸出層第k個(gè)節(jié)點(diǎn)的輸出。BP神經(jīng)網(wǎng)絡(luò)的算法流程通過數(shù)據(jù)歸一化、數(shù)據(jù)分類、神經(jīng)網(wǎng)絡(luò)設(shè)置、指定訓(xùn)練參數(shù)進(jìn)行訓(xùn)練以及相應(yīng)的測(cè)試進(jìn)行。

三、利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

利用遺傳算法實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化的流程圖如圖2-1所示。從圖中可知，遺傳算法與BP神經(jīng)網(wǎng)絡(luò)溝通的橋梁即染色體與閾值、權(quán)值的等價(jià)，預(yù)測(cè)誤差與適應(yīng)度函數(shù)的等價(jià)，而兩算法的其他部分則都為獨(dú)立的。遺傳算法每次產(chǎn)生新的種群后，將每個(gè)染色體解碼成十進(jìn)制的閾值與權(quán)值，然后代入構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)中，計(jì)算每條染色體對(duì)應(yīng)的BP神經(jīng)網(wǎng)絡(luò)誤差作為遺傳算法的適應(yīng)度函數(shù)，若誤差越小則代表適應(yīng)度越高，越容易被保留而不被淘汰。根據(jù)計(jì)算出的適應(yīng)度函數(shù)，對(duì)種群中的染色體進(jìn)行自適應(yīng)交叉與變異，得到新的種群，然后不斷循環(huán)直到滿足算法迭代終止條件。

四、交通流程預(yù)測(cè)的Matlab仿真與分析

經(jīng)研究表明，城市交通路網(wǎng)中交通路段上某時(shí)刻的交通流量與本路段前幾個(gè)小時(shí)的交通流量有關(guān)，并且交通流量具有周期性，為24小時(shí)。本文利用交通流量的這些特性，將采集的五天的某路網(wǎng)同一路口的交通流量，每隔4分鐘采集一次，每條共360個(gè)數(shù)據(jù)點(diǎn)，其中前四天的前276個(gè)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入訓(xùn)練數(shù)據(jù)，前四天的后84個(gè)數(shù)據(jù)點(diǎn)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸入測(cè)試數(shù)據(jù)；第五天的前276個(gè)交通流量數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸出訓(xùn)練數(shù)據(jù)，后84個(gè)的數(shù)據(jù)點(diǎn)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸出測(cè)試數(shù)據(jù)。也就是利用前四天的交通流量數(shù)據(jù)訓(xùn)練好神經(jīng)網(wǎng)絡(luò)后，在第五天的前276個(gè)交通流量已知的情況下，對(duì)第五天的后84個(gè)交通流量進(jìn)行預(yù)測(cè)。

本文構(gòu)造的神經(jīng)網(wǎng)絡(luò)為1-5-1BP神經(jīng)網(wǎng)絡(luò)，也就是單輸入單輸出，5隱含層的BP神經(jīng)網(wǎng)絡(luò)；對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化的遺傳算法的參數(shù)為：種群數(shù)10、進(jìn)化代數(shù)50，交叉概率0.6、變異概率0.1。BP神經(jīng)網(wǎng)絡(luò)優(yōu)化前后對(duì)交通流量預(yù)測(cè)的結(jié)果如圖2-1至圖2-3所示。

通過仿真實(shí)驗(yàn)可以得到以下結(jié)論：

1.由圖2-1可知，遺傳算法在第27代即已收斂，說(shuō)明利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)是可行的，并且效率很高。

2.由圖2-2可知，BP神經(jīng)網(wǎng)絡(luò)優(yōu)化前后都能實(shí)現(xiàn)對(duì)交通流量的預(yù)測(cè)，說(shuō)明BP神經(jīng)網(wǎng)絡(luò)具有很好的非線性逼近能力，可以利用于交通流量的預(yù)測(cè)。

3.由圖2-3可知，改進(jìn)前，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差區(qū)間為。-3.137%-5.042%；改進(jìn)后BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差區(qū)間為-3.146%-3.831%。由此可知，利用遺傳算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)不僅是可行，而且預(yù)測(cè)精度也切實(shí)地得到了提高。

參考文獻(xiàn)

[1]王萬(wàn)良、吳啟迪等.基于Hopfield神經(jīng)網(wǎng)絡(luò)的作業(yè)車間生產(chǎn)調(diào)度方法[J].自動(dòng)化學(xué)報(bào).2002，28（5）：838一844.

[2]王小平，曹立明，遺傳算法—理論、應(yīng)用與軟件實(shí)現(xiàn)M，西安：西安交通大學(xué)出版社，2002.

[3]陳永春.Matlab語(yǔ)言高級(jí)編程[M].北京：清華大學(xué)出版社，2004.

[4]李華.基于一種改進(jìn)遺傳算法的神經(jīng)網(wǎng)絡(luò).太原：太原理工大學(xué)，2007.

[5]陳明.Matlab神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解.北京：清華大學(xué)出版社，2013.