基于GA-BP神经网络的交叉口短时交通流预测研究
来源:用户上传
作者:
摘 要：现阶段影响交叉口车辆运行效率的因素主要分为两个方面：其一为受交通信号影响，即实际交通流与交叉口所反应出来的交通信号并不匹配;其二为时间间隔过长，目前短时交通流的普遍预测时长多集中为5-15分钟，过长的时间间隔无法提供有效的信号控制，很容易对最终的数据结果造成不良影响。为提升交叉口短时交通流预测的准确性和实效性，利用科学合理的方式方法对其进行改进有着重要的价值和意义。本文主要对GA-BP神经网络的交叉口短时交通流预测进行研究和分析。
关键词：GA-BP神经网络;交叉口;短时交通流;预测研究
现阶段，随着科技和信息的发展和进步，给各个领域的发展注入了新鲜的力量和活力，智能交通逐渐受到了越来越多人士的关注和重视，短时交通流也成为了当下最热门的研究方向之一。传统的历史平均法、卡尔曼滤波法、时间序列法、回归分析法等已经不能够满足当下对交叉口短时交通流预测提出来的要求和标准，选取更先进更现代化的预测法至关重要。本文主要以交叉口短时交通流预测为中心，就GA-BP神经网络的应用效果进行重点分析。
一、准实时交通流预测方法
（一）准实时交通流预测的概念
短时预测存在的普遍性问题即为周期过长，不能够将一定时期内的交通状况清晰的完整的反应出来，并且其实时信号不能够与实际交通流量实现完全匹配，基于此，以短时交通流预测为基础，尽量将其周期缩短到秒级，这种缩短到秒级的短时交通流预测即被命名为准时（Quasi-Real Time）交通流预测[1]。
（二）准实时交通流预测的原理
相对比于传统的交通流预测方法来说，准实时交通流预测方式实时性更明显，有利于提升智能交通系统的应用效率，有利于提升交通业的实效性和安全性。准实时交通流应用的主要原理为：以每一天、每一个星期、每一个月甚至是每一个年为单位，不难发现道路交通流的实际分布具有十分明显的规律性，但是具体到每一个特定路段，会发现其某天某时刻的交通流又存在着一定程度的随机性，没有任何规律可言，由此可见，利用历史交通流数据预测当下的道路交通流并不能够完全的准确的将当前实际交通形态反映出来。
（三）准实时交通流预测的特征
准实时交通流预测的特征主要体现在两个方面：其一为实时性，该预测方式的时间间隔极短，能够更快速的得到当下的预测结果;其二为准确性，预测结果必将服务于道路交通信号的实际控制之中，而只有准确的预测结果才能够实现交通道路的信号控制。对于交叉口的信号灯来说，只有实时的准确的信号灯指示，才能够对交通拥堵情况进行缓解。
二、基于GA-BP神经网络交叉口短时交通流预测方法
（一）BP神经网络在实际应用中存在的问题
BP神经网络算法是一种应用比较广泛比较优秀的局部搜索算法，同时该预测方法也存在着一定程度的局限性：算法性能的优劣取决于当下的网络环境。BP神经网络对于初始网络权重来说具有十分高的依赖性和敏感性，在不同的初始网络权重的影响下，BP神经网络算法于不同局部极小收敛，最终致使每次试验所得的数据结果都各不相同。并且对于初始化BP神经网络来说，其阈值和权值都存在很大程度的不确定性，致使网络接收训练时也存在着随机性，由此可见，对阈值和权值进行优化有助于实现BP神经网络下预测结果的改进，有利于获取到更优质的预测方法[1]。
（二）遗传算法在BP神经网络中的优化方法
遗传算法（Genetic Algorithm，GA）指的是对最优化问题进行解决的一种搜索启发式算法，该算法以可扩展性为主要特征，能够与其他算法进行结合，进而形成将两方优点相结合的优质混合算法。基于BP神经网络预测方法本身存在的缺陷性，利用GA来展开优化，能够对其初始化状态下的阈值和权值进行有效优化，能够更好的对BP神经网络展开实际训练和预测。利用遗传算法优化BP神经网络的主要思想为：将网络初始状态下的阈值和权值以个体进行代表，以个体值在BP神经网络初始化时存在的预测误差作为该个体的理论适应度值，通过交叉、操作、选择操作、变异操作等多种方式探寻到最优个体，得出最优的初始状态下BP神经网络的阈值和权值。利用遗传算法对BP神经网络进行优化主要涉及到以下几个步骤：其一为种群初始化，应用实数编码的方式对个体进行编码，由实数串代表个体，实数串包括隐层到输出层的权值、阈值，输入层到隐层的权值、阈值四个部分，形成随机初始种群;其二为获取个体评价函数，以其一所得到的权值和阈值为基础建立个体适应度函数;其三为选择运算，通过轮盘赌法将优良个体遗传到下一个群体;其四为交叉运算，交换部分染色体形成全新的个体;其五为变异运算，将选中的个体以每一个或某一些基因值、某一概率进行更改、转换为其他基因;其六为通过GA优化的方式获取到最优个体并对BP神经网络初始化状态下的阈值和权值进行替代，展开后续训练，获得最优结果[3]。
（三）以GA-BP神经网络为基础短时交通流预测方法
本文主要通过单隐层的BP神经网络对交叉口的交通流展开短时预测，所建立成的GA-BP神经网络模型主要包括输入层、隐含層和输出层三个部分，在整个模型中主要涉及到t5、t0和t1三个时刻，其中t0代表当前时刻，t5代表所预测时刻的前5秒（分钟），t1代表当前时刻的后5秒（分钟）即所需预测的时刻。将输入层设置2个神经元，分别为t5预测5秒（分钟）前的车道车辆数和t0当前时刻的车道车辆数，将输出层设置1个神经元，为t1当前时刻后5秒（分钟）的车道车辆数。通过试凑法取得隐含层节点数。
三、结语
本文主要对通过遗传算法对BP神经网络进行优化的方法进行分析，主要用于提升交叉口短时交通流预测的准确性和安全性。分别从准实时交通流预测方法、基于GA-BP神经网络交叉口短时交通流预测方法两个方面进行论述，重点对BP神经网络在实际应用中存在的问题、遗传算法在BP神经网络中的优化方法和以GA-BP神经网络为基础短时交通流预测方法进行分析，旨实现GA-BP神经网络预测的精准性。
参考文献：
[1]刘艺，张琨.基于小波去噪和GA-Elman神经网络的短时交通流预测[J].交通科技与经济，2017，92（6）：86-91.
[2]唐智慧，郑伟皓，董维，等.基于交互式BP-UKF模型的短时交通流预测方法[J].公路交通科技，2017，36（04）：121-128.
[3]蔡翠翠，王本有，李石荣.基于IPSO-BP神经网络的短时交通流量预测[J].四川理工学院学报（自然科学版），2016，32（01）：29-34.
转载注明来源:https://www.xzbu.com/1/view-15163742.htm
