潘紅,范宏建

(1.上海市長(zhǎng)寧區(qū)交通管理中心,上海 200050;2.上海力陽(yáng)道路加固科技股份有限公司,上海 201599)

?

考慮公交車流運(yùn)行速度的城市短時(shí)交通流預(yù)測(cè)方法研究

潘紅1,范宏建2

(1.上海市長(zhǎng)寧區(qū)交通管理中心,上海 200050;2.上海力陽(yáng)道路加固科技股份有限公司,上海 201599)

摘要:目前,短時(shí)交通流預(yù)測(cè)已成為城市智能交通發(fā)展中的一個(gè)瓶頸。文中通過(guò)對(duì)具有固定時(shí)域與周期性運(yùn)行的公交車流速度的數(shù)據(jù)分析,發(fā)現(xiàn)公交車流運(yùn)行速度與本時(shí)域內(nèi)的短時(shí)交通流具有較好的相關(guān)性,對(duì)本時(shí)域內(nèi)的短時(shí)交通流的運(yùn)行特征會(huì)產(chǎn)生特定的標(biāo)記作用,進(jìn)而運(yùn)用BP人工神經(jīng)網(wǎng)絡(luò)方法,利用公交車流運(yùn)行速度來(lái)預(yù)測(cè)城市短時(shí)交通流,并將預(yù)測(cè)結(jié)果與常規(guī)城市短時(shí)交通流BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,驗(yàn)證了該方法良好的預(yù)測(cè)效果。

關(guān)鍵詞:城市交通;智能交通(ITS);短時(shí)交通流預(yù)測(cè);公交車流;BP人工神經(jīng)網(wǎng)絡(luò)

隨著中國(guó)快速城市化,與日俱增的機(jī)動(dòng)車給城市交通帶來(lái)巨大壓力,交通問(wèn)題日益突顯。智能交通ITS是有效解決城市交通問(wèn)題的關(guān)鍵途徑,其實(shí)施的一個(gè)重要環(huán)節(jié)是短時(shí)交通流的科學(xué)預(yù)測(cè)。由于短時(shí)交通流變化過(guò)程的隨機(jī)性、不確定性,隨著統(tǒng)計(jì)時(shí)間的變短,交通流變化的不確定性越來(lái)越顯著。同時(shí),城市短時(shí)交通流變化的不確定性還與上下游的交通流、天氣變化、交通事故和交通環(huán)境等因素相關(guān)聯(lián)。如何在具有不確定性的交通流變化過(guò)程中對(duì)城市短時(shí)交通流進(jìn)行科學(xué)、準(zhǔn)確、系統(tǒng)的數(shù)據(jù)分析,找出其中的規(guī)律,建立相應(yīng)的預(yù)測(cè)方法和模型是需要解決的問(wèn)題。在不考慮私有汽車、出租車及行人參與的混合交通流條件下,城市路網(wǎng)中通行的公交車流作為整個(gè)交通流的一部分,由于公交車的運(yùn)行路線固定,發(fā)車規(guī)律,公交車流在道路上的運(yùn)行狀態(tài)變化相對(duì)具有周期性與規(guī)律性。因此,該文運(yùn)用BP人工神經(jīng)網(wǎng)絡(luò)方法,對(duì)考慮公交車流運(yùn)行速度的城市短時(shí)交通流預(yù)測(cè)方法進(jìn)行研究。

1 原理分析

城市短時(shí)交通流預(yù)測(cè)是城市交通控制和交通誘導(dǎo)的一項(xiàng)基礎(chǔ)性工作。對(duì)于城市交通控制和交通誘導(dǎo)而言,誘導(dǎo)周期一般不超過(guò)5 min,控制周期一般為2～5 min,因而要求城市短時(shí)交通流預(yù)測(cè)的時(shí)間短。一般把短于15 min的城市交通流預(yù)測(cè)稱為城市短時(shí)交通流預(yù)測(cè),其預(yù)測(cè)內(nèi)容一般為交通量、平均速度、平均密度(或占有率)和旅行時(shí)間等?，F(xiàn)有城市交通流短時(shí)預(yù)測(cè)的原理如下:已知i路段及i+j路段在過(guò)去p個(gè)時(shí)刻的交通流參數(shù)值vi+j(t-k)(k=1,2,…,p),求出第i路段未來(lái)k個(gè)時(shí)段內(nèi)交通流狀態(tài)估計(jì)值vi(t-k),其中vi+j(t-k)稱為預(yù)測(cè)因子,包括時(shí)間數(shù)據(jù)和空間數(shù)據(jù)。時(shí)間數(shù)據(jù)主要是指i路段過(guò)去若干時(shí)刻間隔交通流參數(shù)及歷史平均值;空間數(shù)據(jù)是指與i路段相鄰上下游路段i+j當(dāng)前和過(guò)去各時(shí)刻交通流參數(shù)。

通過(guò)采集某路口一天幾個(gè)主要時(shí)刻t公交車流的運(yùn)行速度與對(duì)應(yīng)本路口10 min后即t+10 min的交通流運(yùn)行速度,畫(huà)出兩個(gè)對(duì)應(yīng)曲線的趨勢(shì)變化進(jìn)行對(duì)比研究(如圖1所示)。

圖1 公交車流運(yùn)行速度變化趨勢(shì)

由圖1可見(jiàn):在本路口隨著不同t時(shí)刻公交車流運(yùn)行速度的增大,t+10 min的交通流運(yùn)行速度也呈增大趨勢(shì);同時(shí),隨著不同t時(shí)刻公交車流運(yùn)行速度的減小,t+10 min的交通流運(yùn)行速度也減小。說(shuō)明在短時(shí)間間隔內(nèi),公交車流的運(yùn)行速度與10 min的交通流運(yùn)行速度的變化趨勢(shì)具有較好的相關(guān)性,這是因?yàn)橄鄬?duì)于普通車流運(yùn)行速度,以t時(shí)刻公交車流運(yùn)行速度作為預(yù)測(cè)因子的變化趨勢(shì)更具有規(guī)律性與固定性。

2 數(shù)據(jù)采集

目前國(guó)內(nèi)研究多集中于有時(shí)間因子影響的單點(diǎn)或單步預(yù)測(cè)模型,其中單點(diǎn)模型只考慮預(yù)測(cè)點(diǎn)自身歷史數(shù)據(jù),不考慮其他路段和交叉口;單步預(yù)測(cè)模型指t時(shí)刻只預(yù)測(cè)緊鄰時(shí)刻t+l的交通流參數(shù),以此類推滾動(dòng)預(yù)測(cè),在該文中即只采集預(yù)測(cè)單路口t時(shí)刻公交車流的運(yùn)行速度。為此,只考慮i路段t時(shí)刻的公交車輛運(yùn)行速度vi(t)作為預(yù)測(cè)因子,預(yù)測(cè)緊鄰時(shí)刻t+l的交通流參數(shù),并通過(guò)線圈檢測(cè)器、微波檢測(cè)器、紅外檢測(cè)器、視頻檢測(cè)器等常用檢測(cè)設(shè)備對(duì)預(yù)測(cè)路口公交車流運(yùn)行速度進(jìn)行采集。數(shù)據(jù)采集內(nèi)容包括信息ID、車牌號(hào)、數(shù)據(jù)上報(bào)時(shí)刻、所在經(jīng)度、所在緯度、標(biāo)記車流流向。

3 方法建模

早中期城市短時(shí)交通流預(yù)測(cè)多以回歸分析和時(shí)間序列預(yù)測(cè)為主,由于主要以線性分析為基礎(chǔ),其無(wú)法及時(shí)反映城市交通系統(tǒng)中不確定與非線性狀態(tài),因而預(yù)測(cè)精度不理想?，F(xiàn)在一些適應(yīng)能力強(qiáng)、計(jì)算效果好、抗干擾能力強(qiáng)的理論方法被應(yīng)用到城市短時(shí)交通流預(yù)測(cè)中,人工神經(jīng)網(wǎng)絡(luò)模型就是其中之一,因其具有實(shí)時(shí)信息更新網(wǎng)絡(luò)、保證預(yù)測(cè)實(shí)時(shí)性的特點(diǎn),與傳統(tǒng)方法相比較,其能更有效地解決城市短時(shí)交通流預(yù)測(cè)方面的問(wèn)題。

BP人工神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的一種人工神經(jīng)網(wǎng)絡(luò),它是一種多層前饋網(wǎng)絡(luò),包含輸入層、隱含層和輸出層,同層單元之間不相連,是一種單向傳播、具有從輸入到輸出的高度非線性映射的多層前向網(wǎng)絡(luò)。在輸入層和輸出層之間可有一個(gè)或多個(gè)隱含層,由信息的正向傳播和誤差的反向傳播兩個(gè)過(guò)程組成,信號(hào)向前逐層傳遞,不帶反饋和層內(nèi)相互連接結(jié)構(gòu),上層節(jié)點(diǎn)輸出值只會(huì)影響下層節(jié)點(diǎn)的輸入值;通過(guò)參數(shù)調(diào)整即誤差反向傳播過(guò)程調(diào)整網(wǎng)絡(luò)的連接權(quán)值,在最小均方差條件下使網(wǎng)絡(luò)輸出值最大程度地接近于期望輸出值。其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。下面運(yùn)用BP人工神經(jīng)網(wǎng)絡(luò)方法,考慮公交車流運(yùn)行速度來(lái)預(yù)測(cè)城市短時(shí)交通流。

圖2 BP人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

3.1 建模原則

基于BP人工神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)模型的建立原則如下:

(1)精確性,即預(yù)測(cè)結(jié)果滿足精度要求。

(2)實(shí)時(shí)性,表現(xiàn)為計(jì)算的復(fù)雜性,要求能在規(guī)定的時(shí)間內(nèi)求出結(jié)果,及時(shí)獲取交通流信息。

(3)動(dòng)態(tài)反饋性,要求在發(fā)生異常情況時(shí),能根據(jù)實(shí)際情況動(dòng)態(tài)反饋,進(jìn)行調(diào)整。

(4)可移植性,即模型能通過(guò)參數(shù)調(diào)整而具有時(shí)空移植性。

3.2 神經(jīng)元函數(shù)

在人工神經(jīng)網(wǎng)絡(luò)中,在生物神經(jīng)中神經(jīng)元和突觸是神經(jīng)網(wǎng)絡(luò)的基本組成部分,神經(jīng)元常被稱為處理單元或節(jié)點(diǎn)。人工神經(jīng)元的假定,是對(duì)生物神經(jīng)元進(jìn)行簡(jiǎn)化和概括,更便于數(shù)學(xué)化表達(dá)。圖3為人工神經(jīng)元結(jié)構(gòu)模型。

圖3 人工神經(jīng)元模型圖

根據(jù)不同的人工神經(jīng)元輸入、輸出特性,可采用不同的傳遞函數(shù)。sigmoid函數(shù)在同一網(wǎng)絡(luò)中既能處理小信號(hào),也能處理大信號(hào),該函數(shù)中區(qū)的高增益解決了小信號(hào)需要放大的要求,而兩側(cè)的低增益適宜處理大的凈輸入信號(hào)。鑒于此,模型網(wǎng)絡(luò)的隱含層神經(jīng)元的轉(zhuǎn)移函數(shù)采用sigmoid函數(shù)中取值范圍為(0,1)的非線性的單極性對(duì)數(shù)函數(shù)Iogsig(S型函

數(shù)),其表達(dá)式如下:

式中:λ為S型函數(shù)的壓縮系數(shù),這里令其為1,即

由于模型輸出層為單一的交叉口交通流量值,為了在輸出得到具體數(shù)值,輸出神經(jīng)元轉(zhuǎn)移函數(shù)采用線性函數(shù)purelin。

3.3 模型結(jié)構(gòu)

模型中,取輸入數(shù)據(jù)的維數(shù)為1,用一個(gè)一維的向量X表示;輸出數(shù)據(jù)的維數(shù)為1,用一個(gè)一維的向量Y表示,即X=vi(t),Y=vi(t+1)。網(wǎng)絡(luò)輸入層、輸出層的節(jié)點(diǎn)數(shù)均為1。

BP人工神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)量和隱含層節(jié)點(diǎn)數(shù)的設(shè)計(jì),從結(jié)構(gòu)上決定著網(wǎng)絡(luò)性能的優(yōu)劣,它是模型建立成敗的關(guān)鍵。隱含層一般為1～2層,該模型采用1層隱含層。對(duì)于BP人工網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù),首先根據(jù)輸入節(jié)點(diǎn)數(shù)2n+1的經(jīng)驗(yàn)方法來(lái)確定,該網(wǎng)絡(luò)模型中的輸入層節(jié)點(diǎn)為1個(gè),暫定隱含層神經(jīng)元數(shù)為3個(gè);再通過(guò)數(shù)據(jù)樣本,基于MATLAB人工神經(jīng)網(wǎng)絡(luò)工具箱的訓(xùn)練試驗(yàn)來(lái)修正網(wǎng)絡(luò),訓(xùn)練函數(shù)采用默認(rèn)函數(shù)trainlm,訓(xùn)練步長(zhǎng)為10 000,精度值為0.000 01,學(xué)習(xí)率為0.01。通過(guò)逐步增加或減少隱含層神經(jīng)元數(shù)來(lái)調(diào)整網(wǎng)絡(luò),直到滿意精度。

3.4 模型測(cè)試

網(wǎng)絡(luò)模型經(jīng)過(guò)MATLAB人工神經(jīng)網(wǎng)絡(luò)工具箱訓(xùn)練好后,輸入檢驗(yàn)樣本,根據(jù)檢驗(yàn)誤差測(cè)試網(wǎng)絡(luò)性能。利用仿真函數(shù)對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行檢驗(yàn),函數(shù)表達(dá)式如下:

a=sim(net,p)

式中:a為網(wǎng)絡(luò)輸出;net為網(wǎng)絡(luò)對(duì)象;p為輸入向量或矩陣。

若p為向量,則是單點(diǎn)仿真;若p為矩陣,則是多點(diǎn)仿真。最終確定BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型隱含層節(jié)點(diǎn)數(shù)取6,輸出層為1個(gè)節(jié)點(diǎn),即網(wǎng)絡(luò)初始結(jié)構(gòu)為1×6×1。

4 方法應(yīng)用

依據(jù)上述數(shù)據(jù)采集方法,隨機(jī)對(duì)某一路口進(jìn)行不同時(shí)刻實(shí)際數(shù)據(jù)采集,預(yù)測(cè)10 min后該路口的實(shí)際交通運(yùn)動(dòng)參量,即輸入層輸入采集樣本為t時(shí)刻該路口公交車流的運(yùn)行速度,預(yù)測(cè)t+10 min時(shí)刻該路口交通流運(yùn)行速度參量。同時(shí),為對(duì)該預(yù)測(cè)方法進(jìn)行對(duì)比評(píng)價(jià),針對(duì)常規(guī)BP人工神經(jīng)網(wǎng)預(yù)測(cè)方法進(jìn)行數(shù)據(jù)采集,即輸入層輸入采集樣本為t時(shí)刻該路口普通車流的運(yùn)行速度,預(yù)測(cè)t+10 min時(shí)刻該路口交通流運(yùn)行速度參量。以均方誤差MSE作為模型預(yù)測(cè)性能的評(píng)價(jià)指標(biāo),對(duì)比結(jié)果如圖4和圖5所示。

圖4 交通流量預(yù)測(cè)結(jié)果對(duì)比

圖5 交通流量預(yù)測(cè)均方誤差MSE值對(duì)比

由圖4可見(jiàn):相比于常規(guī)預(yù)測(cè)方法,運(yùn)用文中方法得到的不同時(shí)刻的預(yù)測(cè)值都更接近于實(shí)際值,說(shuō)明文中方法較好的預(yù)測(cè)效果不具有偶然性。這是由于相對(duì)于采用本身隨機(jī)性、不確定性的普通車流作為預(yù)測(cè)輸入樣本,采用線路固定、發(fā)車規(guī)律的公交車流作為預(yù)測(cè)輸入樣本具有周期性,其預(yù)測(cè)效果具有一定的可靠性。

由圖5可見(jiàn):文中預(yù)測(cè)方法在不同時(shí)刻的預(yù)測(cè)均方誤差MSE值均在1%內(nèi),遠(yuǎn)小于常規(guī)預(yù)測(cè)方法的均方誤差MSE值。說(shuō)明文中方法的預(yù)測(cè)效果具有較好的穩(wěn)定性。一般交通流量預(yù)測(cè)均方誤差MSE值要求為1%～10%,采用文中預(yù)測(cè)方法在滿足預(yù)測(cè)要求的前提下,可保證較好的精度,達(dá)到理想的預(yù)測(cè)效果。

5 結(jié)語(yǔ)

該文通過(guò)采集某路口一天幾個(gè)主要時(shí)刻公交車流的運(yùn)行速度與短時(shí)間間隔內(nèi)對(duì)應(yīng)該路口的交通流運(yùn)行速度,發(fā)現(xiàn)公交車流的運(yùn)行速度與下一時(shí)刻的交通流運(yùn)行速度的變化趨勢(shì)具有較好的相關(guān)性。運(yùn)用BP人工神經(jīng)網(wǎng)絡(luò)方法,考慮公交車流運(yùn)行速度來(lái)預(yù)測(cè)城市短時(shí)交通流,與常規(guī)預(yù)測(cè)方法相比,該方法在不同時(shí)刻的預(yù)測(cè)值都更接近于實(shí)際值,說(shuō)明該預(yù)測(cè)方法較好的預(yù)測(cè)效果不具有偶然性,保障了預(yù)測(cè)方法應(yīng)用的可靠性與穩(wěn)定性,同時(shí)該預(yù)測(cè)方法在滿足預(yù)測(cè)要求的前提下可保證較好的精度,達(dá)到理想的預(yù)測(cè)要求,具有較高應(yīng)用價(jià)值。

參考文獻(xiàn):

[1]陸鍵,項(xiàng)喬君.智能運(yùn)輸系統(tǒng)(ITS)規(guī)劃與應(yīng)用[M].南京:江蘇科學(xué)技術(shù)出版社,2008.

[2]吳浩勇.城市快速路交通參數(shù)預(yù)測(cè)方法研究[D].長(zhǎng)春:吉林大學(xué),2005.

[3]李貞珍.神經(jīng)網(wǎng)絡(luò)在城市交通流預(yù)測(cè)模型中的應(yīng)用研究[D].上海:上海交通大學(xué),2007.

[4]周剛.智能公交調(diào)度系統(tǒng)通信協(xié)議研究與實(shí)現(xiàn)[D].武漢:華中師范大學(xué),2008.

[5]馬壽峰,賀國(guó)光,劉豹.智能交通系統(tǒng)中短時(shí)交通流預(yù)測(cè)系統(tǒng)的研究[J].預(yù)測(cè),2004,23(2).

[6]秦偉剛.基于人工神經(jīng)網(wǎng)絡(luò)的智能交通系統(tǒng)檢測(cè)與控制[D].濟(jì)南:山東大學(xué),2005.

[7]戴娟莉,宋奇文.基于多因素的交通指數(shù)回歸分析短時(shí)預(yù)測(cè)研究[J].公路與汽運(yùn),2015(3).

[8]范騰騰.城市道路交通流量短時(shí)預(yù)測(cè)研究[D].北京:北京交通大學(xué),2010.

[9]劉麗娜.城市道路交通流量短時(shí)預(yù)測(cè)的研究[D].北京:北京郵電大學(xué),2010.

[10]夏冰,董菁,張佐.周相似特性下的交通流預(yù)測(cè)模型研究[J].公路交通科技,2003,20(2).

[11]蔡巖.基于灰色預(yù)測(cè)模型的短期交通流預(yù)測(cè)研究[D].成都:西南交通大學(xué),2009.

[12]唐麗娜,張衛(wèi)華.短時(shí)交通流預(yù)測(cè)方法的比較研究[A].2007第三屆中國(guó)智能交通年會(huì)論文集[C].2007.[13]蘭云.短時(shí)交通流量預(yù)測(cè)研究[D].西安:西北工業(yè)大學(xué),2002.

收稿日期:2015-04-07

中圖分類號(hào):U491.1

文獻(xiàn)標(biāo)志碼:A

文章編號(hào):1671-2668(2016)02-0039-03