总第２４２期 交通科技 Ｓｅｒｉａｌ Ｎｏ．２４２ ２０１０年第５期 Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ Ｎｏ．５ Ｏｃｔ．２Ｏ１Ｏ 改进ＢＰ神经网络的城市交通流预测研究 吴铁锋 （北京交通大学交通运输学院北京 １０００４４） 摘要 由于交通流预测具有高度的非线性特点，这与ＢＰ神经网络能够处理非线性问题的特征 相符合。但ＢＰ神经网络算法易使解陷入局部极小，而遗传算法的全局优化能力则恰恰可以克服 这一缺点。文中将遗传算法应用于对ＢＰ神经网络模型的改进来对交通流进行预测。通过对预测 数据与实测数据的比较分析，证实了改进后的方法更为有效。 关键词 ＢＰ神经网络 改进 遗传算法交通流预测 随着社会的发展，交通事故、交通拥挤、环境 为基本基因型，采用实数进行编码。 污染和能源消耗等问题日趋严重，如何发挥城市 （３）产生初始种群。设网络群体规模为Ｐ ， 道路的潜能，减少因交通拥挤和事故造成的经济 由随机数发生器分别产生小的随机数为网络权 损失，已迫在眉睫［】ｊ。交通流预测是实现城市交 值、闽值及转移函数的可变参数赋值。 通自适应控制系统配时优化的必要步骤，预测效 （４）将Ｐ个样本的输入向量施加到每个神经 果的好坏直接影响到交通控制的效果。国内外学 元上，得到输出层节点的实际输出向量，通过与理 者就如何实时、准确地预测交通流这一问题，从不 想输出向量进行比较，计算出每个网络的系统 同的角度做了大量的研究工作［ｚ－４］，特别是ＢＰ神 误差。 经网络模型的应用，使人们对交通流产生的机理 （５）复制操作。产生中间网络群体１。以适 和现象有了更为本质和深刻的认识。本文从生物 合度为依据，采用轮盘赌的方式选择Ｐ 个样本， 学习的角度，将遗传算法应用于改进ＢＰ神经网 记为中间网络群体ｌ。这种操作可使各世代的最 络，对城市交通流量进行中短期预测。 佳个体保留到子代。 １将遗传算法用于ＢＰ神经网络的改进 （６）交叉操作。交叉操作即为在具有相同网 络结构的网络个体之间交换相同个数的基本基 遗传算法（ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ，ＧＡ）是基于生 因，过程如图１所示。在中间群体１中任意选定 物群体中个体之间相互竞争、优胜劣汰以及自然 ２个网络个体，按照指定规则交叉概率Ｐ ，在随 选择的结果而得来的。由此，自然界中的这种“自 机选择的两个交叉位置交换部分基因，形成２个 寻优”过程对于ＢＰ人工神经网络的改进具有很 新的网络个体，记为中间群体２。 大的启发。利用遗传算法的全局优化能力可以克 交叉位置Ｉ 交叉位置ＩＩ 服ＢＰ神经网络算法易陷入局部极小和所需计算 凸 －◆Ｇ＿◆＆ ｝ ＆＿◆ ｆ 凸 时间长的缺点［５］。针对ＢＰ神经网络预测交通流 的特点，将遗传算法应用于ＢＰ神经网络改进的 一 ：一 一 。 一。 一 ／ 一 设计参数调整过程如下： 图１ ＢＰ神经网络参数调整迭代法交叉操作示意图 （１）由交通状态的历史趋势值和当前值构造 （７）变异操作。针对中间群体２中的每个网 Ｐ个学习样本的输入向量和理想输出向量。 络个体，按照指定的变异概率判断是否进行变异； （２）基因编码。以ＢＰ神经网络各层之间的 如需变异，从中随机选择具有最佳参数的网络个 权值和各神经元的阈值及其转移函数的可调参数 体取代本次变异的网络加入到网络群体中。当群 体中所有个体均完成了相应的变异操作时，称为 收稿日期：２０１０—０５—１８ ２０１０年第５期 吴铁锋：改进ＢＰ神经网络的城市交通流预测研究 一轮变异。为尽快得到误差最小的个体，本文采 用多轮变异的策略得到局部最优解，得到中间网 ２算例分析 络群体３。 本文算例采用２００８年８月上海延安路隧道 （８）终止判断。取中间网络群体系统误差的 浦东段某高峰时段０８：０ｏ～ｌ２：ＯＯ，利用埋设在道 最小值ｍｉｎ｛Ｅ）与预定精度要求相比较，如果达到 路上的环形线圈，以２０ Ｓ间隔探测到达此路段车 了精度要求，则结束网络训练过程，输出最佳网络 辆的数目ｋ（ ：＝＝０，ｌ，２，…，２６），连续观察７２０个 参数；否则，用中间网络群体３更新上一个世代， 时间单位，即２Ｏ×７２０／３ ６００—１４ ４００／３ ６００—４ ｈ 转步骤５并继续进行优化过程。 的时间间隔。研究路段交通流如表１所列。 表１研究路段交通流量统计表 在２０ ｓ内到来的车辆数 ７ ８ ９ １０ ｔ１ １２ １３ 在４ ｈ内的总次数 ４８ ８８ ８０ ８４ ６９ ４７ ４Ｏ 设“（￡）为观测路段上ｔ时刻的交通流，“（ｆ一 数，在ＰｅｎｔｉｕｍＩＶ１．７Ｇ／２５６Ｍ内存的配置下仿 ２０），ｇ（￡～４０）， （￡一６０）， （ｆ一８０）为ｔ时刻前４ 真。网络连接权重初始值随机给出，而后在学习 个时段的交通流。按如下步骤进行仿真预测。 过程中不断调整；学习速率初选０．０１，经过数次 步骤ｌ。输入数据列Ｘ一［“（ 一８０），“（￡一 仿真试验选用０．００５效果最佳。ＢＰ神经网络仿 ６０），Ｕ（ｒ一４０），Ｕ（ｆ～２０）］。 真结果如图２所示，预测后的误差如图３所示；遗 步骤２。对数据列进行处理，使之变换成ＢＰ 传算法改进后的ＢＰ神经网络仿真结果如图４所 网络的输入模式对，初始化ＢＰ网络各层的权值 示，预测后的误差如图５所示。 和阈值，让各层的权值和阈值取某一个随机数作 为初值，７．０“一ｒａｎｄｏｍ（・）， 一ｒａｎｄｏｍ（・）。 由图２、图３可知，ＢＰ神经网络预测结果 步骤３。训练样本的数据处理和初始化。 ＥＣ＝０．９２３ ６，平均相对误差７．５８ 。其中有１０ 步骤４。神经网络的学习过程。 个间隔上面出现相对误差大于２Ｏ 的高误差点。 步骤５。利用训练后的神经网络预测交通 而经遗传算法改进后的ＢＰ神经网络所得预测结 流。在ＢＰ神经网络训练之后，预测出ｔ时刻的交 果ＥＣ＝０．９３２ ３，平均相对误差４．２７ 。相对误 通流，可用下式求得： 差超过２ｏ 的高误差点间隔数为５个。 由２次仿真结果看，平均ＥＣ达到０．９２１ ５， Ｑ一１／Ｅ１一ｅｘｐ（－－ ）／（１ ｑ－ Ｊ一１ 二者的平均相对误差５．９２５ ，结果比较令人满 ｅｘｐ（－ ：训ｄ－ｚ ＋ ））＋ｙ ）］ 意。从改进后的仿真结果可以看出，预测的精度 有所提高，而且在避免高误差点上也有所改善。 步骤６。对Ｑ值进行数据处理即得交通流的 总的来说，用遗传算法对ＢＰ的改进是有效果的。 预测。 ２５ 在此引入均等系数， ＥＣ：：：１一 ！ ！ 二 ： ２（Ｊ √∑ （ｙ （ ）。＋＃２ｔＹｐｒｅｄ（ ）。 ｌ５ 式中：Ｙ （ｔ）为在ｔ时刻的神经网络预测值； 嚣ｌｏ Ｙ ｔ（ ）为在ｔ时刻的实测值。ＥＣ值大小充分反 应了预测效果的好坏。一般而言，ＥＣ值大于 ５ ０．８５的被视为较好的预测，ＥＣ值大于０．９的被 Ｏ 视为满意的预测；ＥＣ值越接近于ｌ，则整体预测 ｌ１１ ２９７ ４９０ ６９８ 效果越为理想。 时间间隔数／２０ ｓ 利用ＭＡＴＬＡＢ Ｒ２００６ａ神经网络工具箱函 图２ ＢＰ神经网络仿真实验图 ９４ 吴铁锋：改进ＢＰ神经网络的城市交通流预测研究 籁媾＊ 南 ∞ ∞ 巧 ｍ ０ ０ ２０１０年第５期 ０・４ ３结语 ０．３ 利用遗传算法改进ＢＰ神经网络，克服了ＢＰ ０．２ 网络的收敛速度慢，容易陷入局部最小解等固有 譬ｏ．１ Ｏ —缺陷。实验证明，改进后的ＢＰ网络具有更好的 预测能力，拟和程度比较好，误差也比较小。但遗 Ｏ・１ 传算法容易造成个体位编码发生移位 ］，因此提 高交叉与防止基因组变异是下一步重点关注的问 －０．２ 图３ ＢＰ神经网络预测的相对误差 题，还有待进一步的拓展和研究 参考文献 ［１］胡振文．城市智能交通系统现状与发展构想［Ｊ］． 国防交通工程与技术，２００３（２）：１０—１３． ［２］ Ｏｋｏｔａｎｉ Ｉ，Ｓｔｅｐｈａｎｅｄｅｓ Ｙ Ｊ．Ｄｙｎａｍｉｃ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｔｒａｆｆｉｃ ｖｏｌｕｍｅ ｔｈｒｏｕｇｈ ｋａｌｍａｎ ｆｉｌｔｅｒｉｎｇ ｔｈｅｏｒｙ［Ｊ］． Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｐａｒｔ Ｂ，１９９４（１）：２－１０． １１１ ２９７ ４９８ ６９８ ［３］Ｓｔｅｐｈａｎｅｄｅｓ Ｙ Ｊ，Ｍｉｃｈａｌｏｐｏｕｌｏｓ Ｐ Ｇ，Ｐｌｕｍ Ｒ Ａ． 时间间隔数／２０ ｓ Ｉｍｐｒｏｖｅｄ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｔｒａｆｆｉｃ Ｆｌｏｗ ｆｏｒ ｒｅａｌ—ｔｉｍｅ 图４遗传算法改进ＢＰ神经网络仿真实验图 ｃｏｎｔｒｏｌ［Ｃ］．Ｗａｓｈｉｎｇｔｏｎ：Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｏ・５ Ｒｅｃｏｒｄ ７９５，ＴＲＢ：２８—２９． ０・４ ［４］王殿海．一种实时动态交通量预测方法研究［Ｊ］．中 Ｏ．３ 国公路学报，１９９８（１１）：１０３—１０６． ｊＩＩ｝『 饕 ［５］李贞珍．神经网络在城市交通流预测模型中应用的 罂Ｏ．１ 研究［Ｄ］．上海：上海交通大学，２００７． Ｏ ［６］叶晨洲，黄欣．实数编码遗传算法的缺陷分析及 Ｊ］．计算机集成制造系统，２００１（５）：２８—３２． ０．１ 其改进［图５遗传算法改进ＢＰ神经网络预测的相对误差 Ｓｔｕｄｙ ｏｆ Ｉｍｐｒｏｖｅｄ ＢＰ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｏｎ Ｆｏｒｅｃａｓｔｉｎｇ Ｃｉｔｙ Ｔｒａｆｆｉｃ Ｆｌｏｗ Ｗｕ Ｔｉｅｆｅｎｇ （Ｓｃｈｏｏｌ ｏｆ Ｔｒａｆｆｉｃ＆Ｔｒａｎｓｐｏｒｔａｔｉｏｎ，Ｂｅｉｊｉｎｇ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ １０００４４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａｓ ｔｈｅ ｔｒａｆｆｉｃ ｆｌｏｗ ｆｏｒｅｃａｓｔｓ ａｒｅ ｈｉｇｈｌｙ ｎｏｎ—ｌｉｎｅａｒ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ．ｗｈｉｃｈ ｉｓ ｉｎ ｌｉｎｅ ｗｉｔｈ ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｃａｐａｂｌｅ ｏｆ ｄｅａｌｉｎｇ ｗｉｔｈ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｎｏｎ～ｌｉｎｅａｒ ｐｒｏｂｌｅｍｓ．Ｂｕｔ ｎｅｕｒａｌ ｎｅｔ— ｗｏｒｋ ａｌｇｏｒｉｔｈｍ ｉｓ ｅａｓｙ ｔｏ ｍａｋｅ ｓｏｌｕｔｉｏｎ ｉｎｔｏ ａ ｌｏｃａｌ ｍｉｎｉｍｕｍ，ｎｅｖｅｒｔｈｅｌｅｓｓ ｔｈｅ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ａｒｅ ｊｕｓｔ ａｂｌｅ ｔＯ ｏｖｅｒｃｏｍｅ ｔｈｉｓ ｓｈｏｒｔｃｏｍｉｎｇ ｂｙ ｉｔｓ ｇｌｏｂａｌ ｏｐｔｉｍｉｚａｔｉｏｎ ｃａｐａｂｉｌｉｔｙ，ＳＯ ａ ｔｒａｆｆｉｃ ｆｌｏｗ ｐｒｅｄｉｃｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｉｍｐｒｏｖｅｄ ｂｙ Ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｉｓ ｐｕｔ ｆｏｒｗａｒｄ ｉｎ ｔｈｉｓ ｐａ— ｐｅｒ．Ｃａｓｅ ｓｔｕｄｙ ｐｒｏｖｅｓ ｔｈｅ ｖａｌｉｄｉｔｙ ｏｆ ｔｈｅ ｍｅｔｈｏｄ ｂｙ ｃｏｍｐａｒｉｎｇ ａｎｄ ａｎａｌｙｚｉｎｇ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｄａｔａ ａｎｄ ｔｈｅ ｒｅａｌ ｄａｔａ，ｗｈｉｃｈ ｍａｋｅｓ ｔｈｅ ｓｔｕｄｙ ｈａｖｅ ａ ｍｏｒｅ ｅｘｔｅｎｓｉｖｅ ａｐｐｌｉｃａｔｉｏｎ ｖａｌｕｅ． Ｋｅｙ ｗｏｒｄｓ：ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｉｍｐｒｏｖｅｄ；ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ；ｔｒａｆｆｉｃ ｆｌｏｗ ｐｒｅｄｉｃｔｉｏｎ
