第５卷第４期 ２０１５年８月 智能计算机与应用 ＩＮＴＥＬＵＧＥＮＴ ＣＯＭＰＵＴＥＲ ＡＮＤ ＡＰＰＵＣＡＴＩＯＮＳ Ｖ０１．５ ＮＯ．４ Ａｕｇ．２０１５ 基于ＢＰ神经网络的高速公路短时交通流预测 戴洪波。曾献辉 （东华大学信息科学与技术学院，上海２０１６２０） 摘 要：以高速公路交通流预澳Ｊ为研究对象，简化了高速公路宏观动态交通流模型，利用Ｍａｔｌａｂ神经网络工具建立模型并进行 网络训练与预测。对嘉兴站附近高速公路交通流数据进行了采集、建模和预测。从预测结果中得知，基于ＢＰ神经网络交通流预 测模型具有很高的可靠度，该简化的交通流模型更为简练，预测结果亦可以点带面地面描述该站点一定空间及时间范围内的交通 流情况。 关键词：高速公路；交通流预测；ＢＰ神经网络 中图分类号：ＴＰ３９３．０ 文献标识码：Ａ 文章编号：２ｏ９５—２１６３（２０１５）０４—００３６—０４ Ｈｉｇｈｗａｙ Ｄｙｎａｍｉｃ Ｔｒａｆｉｃ Ｆｌｆｏｗ Ｐｒｅｄｉｃｔｉｏｎ ｂａｓｅｄ ｏｎ ＢＰ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ＤＡＩ Ｈｏｎｇｂｏ，ＺＥＮＧ Ｘｉａｎｈｕｉ （Ｃｏｌｌｅｇｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇ￣，Ｄｏｎｇｈｕａ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ ２０１６２０，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｔａｋｅｓ ｈｉｇｈｗａｙ ｔｒａｆｉｆｃ ｆｌｏｗ ｐｒｅｄｉｃｔｉｏｎ ａｓ ｏｂｊｅｃｔ ｏｆ ｓｔｕｄｙ．ｓｉｍｐｌｉｉｆｅｓ ｔｈｅ ｈｉ ｇｈｗａｙ ｍａｃｒｏｓｃｏｐｉｃ ｄｙｎａｍｉｃ ｔｒａｆｆｉｃ ｆｌｏｗ ｍｏｄｅｌ ａｎｄ ｅｓｔａｂｌｉｓｈｅｓ ａ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｔｏ ｔｒａｉｎ ａｎｄ ｐｒｅｄｉｃｔ ｂａｓｅｄ ｏｎ Ｍａｔｌａｂ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｔｏｏｌｂｏｘ． Ｉｔ ｍｏｄｅｌｓ ａｎｄ ｐｒｅｄｉｃｔｓ ｒｅａｌ ｄａｔａ ｃｏｌｌｅｃｔｉｏｎ ｆｒｏｍ ｔｒａｆｆｉｃ ｆｌｏｗ ｎｅａｒｂｙ ＪｉａＸｉｎｇ ｓｔａｔｉｏｎ．Ｆｒｏｍ ｔｈｅ ｐｒｅｄｉｃｔｅｄ ｒｅｓｕｌｔｓ，ｔｈｉｓ ＢＰ ｎｅｌｌ— ｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｉｓ ｐｒｏｖｅｄ ｔｏ ｂｅ ｈｉｇｈｌｙ ｒｅｌｉａｂｌｅ．Ｉｔ ｃａｒｒｉｅｓ ｏｕｔ ｔｈａｔ ｔｈｅ ｓｉｍｐｌｉｆｉｅｄ ｍｏｄｅｌ ｏｆ ｔｒａｆｆｉｃ ｆｌｏｗ ｉｓ ｍｏｒｅ ｃｏｎｃｉｓｅ，ｐｒｅ— ｄｉｃｔｉｏｎｓ Ｃａｌｌ ａｌｓｏ ｄｅｓｃｒｉｂｅ ａ ｃｅｒｔａｉｎ ｓｐａｃｅ ａｎｄ ｔｉｍｅ ｏｆ ｔｈｅ ｓｉｔｅ’Ｓ ｔｒａｆｆｉｃ ｓｉｔｕａｔｉｏｎ ｔｈｒｏｕｇｈ ａ ｐｏｉｎｔ ｔｏ ａｎ ａｒｅａ． Ｋｅｙ ｗｏｒｄｓ：Ｈｉｇｈｗａｙ；Ｔｒａｆｆｉｃ Ｆｌｏｗ Ｐｒｅｄｉｃｔｉｏｎ；ＢＰ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ０ 引 言 随着社会经济的发展和私家车保有量的逐年递增，出行 车辆日渐增多，随之而来的交通拥堵，交通事故等问题即已 成为困扰社情民生的重大事件。智能交通系统作为这一状 变化的规律，从而准确描述短时间内的交通流的真实行为。 以交通流宏观流体模型为基础，本文提出了一个简化的 交通流预测模型，如图１所示。该模型参考了对短时间交通 流预测的思想，实现对高速公路站点短时间交通流预测。 况的有效解决手段，也随即吸引了时下众多专家的关注和重 视…，其中的短时交通流则是交通控制、车辆导航等领域亟 待解决的热点课题。近些年，鉴于神经网络具有的表示任意 非线性关系和学习的能力，即进一步展开了基于人工神经网 络预测模型的大量研究，且均已取得了令人满意的预测效 果 Ｊ。通过对各个模型的分析，指出了神经网络在智能交通 领域的工具性应用潜力，而且在实时交通预测中，神经网络 要比其它方法更具不可比拟的优越性。 ｉ 建立流量预测模型 短时段交通流预测是指预测尺度不超过十五分钟的交 通流 。交通流是由数以万计的出行者群体行为生成的，具 有高度的时变性、非线性和不确定性。但就道路上某一特定 图１交通流预测模型 Ｆｉｇ．１ Ｔｒａｆｉｃ ｆｆｌｏｗ ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌ 观测点来说，对于短时段交通流，随着观测尺度的缩短，交通 流受随机因素影响较大，其统计行为不是定常、周期或准周 期的，而是多会表现为纯随机行为。 在对高速交通网络中的站点进行实时预测时，路网中当 前和过去若干时段内的交通流信息是实时预测的数据基础。 因此首先必须采集实时交通数据，建立得到动态的交通数据 库。在数据处理分析时，结合上述交通流模型，通过一定的 数据挖掘方法分析得到有效的数据。如模型中指出，站点 在交通流量预测研究中，Ｍａｒｋｏｓ ＰａｐａｇｅｏｒｇｉＯＨ提出了一 个比较有代表性的高速公路交通流宏观流体模型 ，其中 主要描述了高速公路的交通流量、速度以及交通密度之间的 相互关系，以此来反映交通流随道路空间的分布以及随时间 Ｑ 上的交通流量与本站点前后若干个时段的交通流量有 收稿日期：２０１５—０７—１７ 作者简介：戴洪波（１９９０一），男，江西萍乡人，硕士研究生，主要研究方向：数据库与数据挖掘； 曾献辉（１９７４一），男，湖南长沙人，博士，副教授，硕士生导师，主要研究方向：智能信息处理、智能优化问题、决策与分析。 第４期 李冬：一种基于ＷｅｂＲＴＣ的视频会议系统的架构 ．４１． 展情况，合理选择一个发言申请者，授予其发言令牌，并从 “申请发言者”列表删除该用户名称。拥有了发言令牌的列 席者，就可以开启自己的音视频发送线程，向会议系统发送 音视频数据。会议主持人还可以根据会议实况，控制当前发 言者的发言权限，被剥夺发言权的发言者将会重新变回普通 列席者。根据会议的实际情况，允许会议客户端相互之间可 以通过文字交流。而且会议终端也可以随时离开会议。会 议终端离开会议系统后，会议主持人的服务器端将通过轮询 模式定期检测客户端的离开情况，并将与会情况实时显示在 会议主持人的“会议终端”界面上。 ３．２．２ ＲＴＰ协议 前大部分的主流Ｃｏｄｅｃ，如Ｇ７１１、ｉＬＢＣ和ｉＳＡＣ等，能较好地 满足主流音频业务的需求。而视频模块则负责对视频信号 进行采集、处理和渲染。为了能够使用设备的硬件加速功 能，用户还可以将Ｈ２６４集成到ＷｅｂＲＴＣ的视频模块框架 中，由此可进一步提高编解码效率。 实际的网络情况将会因具体的应用而有所不同，但基于 ＷｅｂＲＴＣ的视频会议系统模型却因其采用了出色的ＷｅｂＲＴＣ 技术，全面解决了基于软件控制方法的视频会议系统质量低 劣、网络平台受限、维护费用趋高的状况，不失为一种有效的 模型。 ４结束语 随着网络通信和多媒体技术的快速发展，视频会议系统 ＲＴＰ（Ｒｅａｌ—ｔｉｍｅ Ｔｒａｎｓｆｅｒ Ｐｒｏｔｏｃｏ１）是一种网络层协议， 允许应用传送不同类型具有实时特征的数据，如音频、视频 等。Ｒ１、Ｐ位于ＩＰ和ＵＤＰ之上，可以用来传送单播和组播数 据流。ＲＴＰ依赖底层协议来提供负载类型认证、序号和时间 戳，以及监视数据传递的功能，再引入不同的应用来处理数 据包丢失和乱序传递问题。 以其高效率、低能耗、小成本，且方便快捷的特点而日渐受到 企事业和单位的欢迎，这也在相当程度上促进了视频会 议系统的深入研究和开发。基于ＷｅｂＲＴＣ的视频会议系统 的设计方案是在现代高速宽带网络的基础上，采用出色的基 于浏览器上的ＷｅｂＲＴＣ技术框架而构建并实现的，不仅跨越 网络平台和系统平台，而且具有优秀的视频音频性能。更进 一ＲＴＰ协议中包括两部分内容：其一为实时传输协议，即 ＲＴＰ协议，定义了数据报文格式及其使用规则；其二为实时 传输控制协议，即ＲＴＣＰ（Ｒｅａｌ—ｔｉｍｅ Ｔｒａｎｓｆｅｒ Ｃｏｎｔｒｏｌ Ｐｒｏｔｏ． 步地，该方案不仅节省了投入，同时还适合未来宽带网和 云平台的特点，因而表现出了强健的实用性、通用性和适应 性，已然成为一种颇具良好实效的视频会议系统架构方案。 ｃｏ１）协议，用于数据传输质量的反馈以及传输控制。ＲＴＰ协 议中包括实时传输控制协议ＲＴＣＰ协议和实时传输协议 ＲＴＰ协议，前者用于数据传输质量的反馈以及传输控制，后 者定义了数据报文格式及其使用规则 Ｊ。 以ＲＴＰ为基础的应用是通过ＲＴＣＰ周期性地向所有的 参考文献： ［１］林建平，黄东军．视频会议系统基于软交换的研究与设计［Ｊ］．赤 蜂学院学报（自然科学版），２００８（１１）：２７—２９． ［２］屈振华，龙显军，等．运营商借ＷｅｂＲＴＧ技术推进ＩＭＳ视频业务 发展［Ｊ］．通信世界，２０１２（３０）：２８—２８． ［３］胡凡良，宋玲，李陶深．基于ＤｉｒｅｃｔＳｈｏｗ的视频会议系统的设计与 会议终端传输会话控制信息，即可使会议服务器端能够根据 ＲＲ报文和ＳＲ报文中的统计数据，执行一些特殊处理及选 择，从而提供最优可控的视频和音频会议系统。 ３．２．３媒体数据处理 实现【Ｊ］．计算机工程与设计，２００６，２７（７）：１１６４—１１６６． ［４］马建生，于沛，赵金东．基于Ｐ２Ｐ技术的网络视频会议系统研究 ［Ｊ］．计算机工程与应用，２００７，２８（９）：２０６３—２０６５． ［５］Ｇｏｏ０ｅ Ｃｈｒｏｍｅ Ｔｅａｍ．ＷｅｂＲＴＣ Ｇｅｎｅｒａｌ Ｏｖｅｒｖｉｅｗ ａｎｄ Ｒｅｆｅｒｅｎｃｅｓ ［ＥＢ／ＯＬ］．【２０１４一ｏ４一Ｏ１］ｈｔｔｐ：／／ｗｗｗ．ｗｅｂｒｔｃ．ｏｒｓ／ｒｅｆｅｒｅｎｃｅ／ ａｒｃｈｉｔｅｃｔｎｒｅ． 媒体流模块主要由３大部分组成，即语音模块、视频模 块和数据传输模块。其中，语音模块负责采集语音信号，对 语音数字信号进行处理（如降噪、消除回声等），对语音信号 进行编码、解码以及深层的渲染和播放。语音模块集成了目 （上接第３８页） 量预测［Ｊ］．交通信息与安全，２００９（４）：２２—２５． ［１３］ＨＥＲＮＡＮＤＥＺ Ｐ Ｊ Ａ，（；ＡＲＣＩＡ Ａ Ｍ Ａ．ＴＲＹＳ—ＴＲＡＭ Ｇ．Ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｔｈｅ ｈｅａｔ ａｎｄ ｍａｓｓ ｔｒａｎｓｆｅｒ ｐｒｅｄｉｃｔｉｏｎ ｄｕｒｉｎｇ ｄｒｙｉｎｇ ｏｆ ［７］贾丹．基于神经网络的交通流的预测［Ｊ］．锦州师范学院学报（自 然科学版），２００２，２３（３）．２７—２９． ［８］袁曾任．人工神经元网络及其应用［Ｍ］．北京：清华大学出版社， １９９９． ｃａｓｓａｖａ ａｎｄ ｍａｎｇｏ［Ｊ］．Ｉｎｎｏｖａｔｉｖｅ Ｆｏｏｄ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｅｒｇｉｎｇ Ｔｅｃｈ－ ｎｏｌｏｇｉｅｓ，２００４（５）：５７—６４． ［９］许宏科，穆魏，焦家华．高速公路动态交通流模型及其参数的分段 辨识［Ｊ］．武汉理工大学学报（交通科学与工程版），２００５，２９（１）： ９１—９３． ［１４］任雪莲，陈晓芬，马骏．遗传神经网络在交通流预测中的应用 ［Ｊ］．交通科技与经济，２００９（４）：１０—１２． ［１５］谭国真，丁浩．广义神经网络的研究及其在交通流预测中的应用 ［Ｊ］．控制与决策，２００２，１７（Ｂ １１）：７７７—７８０． ［１６］ＸＩＡＯ Ｈ Ｐ Ｆ，ＺＨＵ Ｗ Ｄ Ｇ．Ｓｔｕｄｙ ｏｎ ｖａｒｉｏｕｓ ａｒｃｈｉｔｅｃｔｕｒｅ ｏｆ ａ ＢＰ ［１Ｏ］梁新荣，刘智勇，毛宗源．高速公路动态交通流Ｅｌｍａｎ神经网络 模型［Ｊ］．交通运输工程学报，２００６（９）：５Ｏ一５６． ［１１］樊小红，贺昱曜，刘勇顺．自动化高速公路交通流密度的反演变 结构控制【Ｊ］．计算机工程与应用，２００８，４４（１２）：２４４—２４８． ［１２］温惠英，周玮明．基于ｓ型函数预处理的ＲＢＦ神经网络交通流 ｎｅｕｒｌａ ｎｅｔｗｏｒｋ［Ｊ］．Ｃｏｎｔｒｏｌ ａｎｄ Ｄｅｃｉｓｉｏｎ，２００１（７）：３２—３３． ［１７］任英伟，宋玲玲，吴守荣，等．ＢＰ神经网络技术在交通工程中的 应用［Ｊ］．交通世界（运输车辆），２００９（１０）：１３６—１３７．
