基于BP神经网络的城市交通拥堵情况预测

文/胡鑫泽 张琪虹 孙涵莆 王嘉宁

（辽宁工程技术大学 辽宁省葫芦岛市 125105）

如今，随着人们生活水平越来越高，私家车的数量也越来越多，但私家车数量的增多却造成了城市交通的拥堵，反而给人们的出行带来更多的困扰。为了避免这种拥堵，方便居民的出行，能够准确预测城市交通拥堵情况有着重要意义。通过BP 神经网络建立城市交通的预测模型的方法解决该问题具有一定的应用价值。

1 影响城市交通拥堵因素分析

根据我国道路交通系统四要素对于造成拥堵的因素可以分为四大类：人为原因、车辆原因、道路原因、环境原因。由于影响因素数量过多，需要筛选主要影响因素。筛选结果和过程如下，第一：新手驾驶因素，据调查表明在一条道路上出现新手驾驶员会影响车辆的通行速度，尤其是在单位时间内，路口通行率照正常明显下降；第二：行人较多因素，在过多行人的道面上，行车速率会明显下降；第三：车距过长因素，一些车辆之间行车距离过长导致绿灯通行率下降；第四：车型过长，在一些大型车辆通过时，较普通车辆通过所需时间明显增加，尤其是转弯路口和过灯效率上；第五：路面施工，施工导致路面车道数降低;第六：道路照明不良，一些路面照明不好，影响行车视线；第七：车道数过少；第八：是否为核心道路，核心道路行驶车辆较多；第九：雨雪天气；第十：早晚高峰时刻作为主要影响因素。主要影响因素需要再通过主城分析法二次筛选关键影响因素作为最终影响因子。

2 主成分分析

标准的BP 神经网络迭代次数较高，需要对模型进行改进优化，且初选的影响因子存在或多或少的相关性，用主成分分析可以有效避免这种缺陷，主成分分析法可以将一些相关性较高的变量转换为不相关的变量，由此方法选出比原始数量个数少，能解释大部分资料中变量的几个新变量，通过对指标进行降维以减少模型的复杂程度[2]，主成分向量系数公式见式（1）：

式中，Fn 是第n 个主成分：a 是各主成分因子的相关系数；X是处理后的样本数据。

使用SPSS 软件对数据进行主成分分析，将各主成分的结果进行排序得到了新的影响变量的贡献率以及特征值具体如表1 所示，由表1 可知经过主成分分析后，前5 项的贡献率较大，特征值也比其他主成分的特征值高，因此选定前5 项作为主成分。通过主成分降维处理将 10 个指标数据降至具有代表性的5 个主成分，大大简化了模型复杂程度。

运用 SPSS 软件对样本数据进行主成分分析得到主成分向量系数表，如表2 所示。

3 BP神经网络预测模型

3.1 模型构建

表1：主成分分析

BP 网络又称反向传播神经网络[2]， 其主要计算公式见式（3）：

（3）式中在BP 神经网络学习时，令输入层节点为 xi，输出层节点为 yi，其中，f 为激活函数；wi(1)为输入层节点与输出层节点之间的连接权值；wi(2)为隐含层节点与输出层节点之间的连接权值；b(1)是隐含层各神经元的阀值；b(2)是输出层各神经元的阀值；Yi为数据中的实际值；

2.1 隐藏层设计

对于隐藏层的神经元数目，由于没有统一的标准，主要通过以下的经验公式（4）和（5） 式来确定神经元数目：

式中，n1为隐藏层神经元数，n 为输入层的神经元数，m 为输出层神经元数；a 为常数，取值[1，10]。通过计算，训练设置本次隐藏层数位8。

3.2 输出层设计

输出层节点数为期望输出的拥堵等级，而对于造成拥堵的等级划分参考我国《城市交通运行状况评价规范》(GBT33171—2016)[1]，将其划分为5 级。通过专家打分法将拥堵等级划分为畅通，基本畅通，轻度拥堵，中度拥堵，严重拥堵5 级。如表3 所示，通过专家打分的形式将风险等级进行数字量化，可将输出层的神经元个数简化为1。

3.3 激活函数

表2：成分向量系数表

表3：拥堵等级对应专家打分表

表4

图1：迭代次数与误差关系图

由于交通拥堵情况影响因素为非线性的问题，所以采用sigmoid 函数，取值范围为(-∞,+∞)。该函数可以将取值转化映射在（0，1）的范围内，具体函数公式（6）如下：

3.4 网络模型参数

建立神经网络模型后，对模型各种参数设置如表4 所示。

对于本次研究数据主要来源取自于对某市城市核心道路、主要干道与一些交叉口为期14 天的数据调查，其中调查时段主要是上午 6: 30-9: 30，中午11:00-12:00，下午4:30-6:30，调查方式为视频录像和调度监控，数据采集后进行归纳整理，共采集 300 组数据，其中 250 组数据作为模型训练使用，50 组数据用作模型测试。

由图1 可见，隐含层节点数为8 时，经过367 次训练模型逐渐逐渐接近目标值；对模型进行拟合优度检验得R2=97.13%，神经网络回归如图2 所示。

经过训练检测后可以看出模型预测精度较高，表明基于BP 神经网络的城市交通拥堵情况预测模型具有较高的准确性，可为城市交通拥堵时治理提供参考。

图2：神经网络回归

4 结论

首先对造成城市交通拥堵情况的影响因素做出了分析，选取新手驾驶因素，行人较多因素，车距过长因素，车型过长，路面施工，道路照明不良，车道数过少，是否为核心道路，雨雪天气，早晚高峰时刻等10 个影响因子作为模型自变量。通过主成分分析法对影响因子进行筛选从而减少模型复杂度，最后对模型进行训练，结果表明模型预测精度较高，可为城市交通拥塞情况预测提供一定的参考，可见基于BP 神经网络的城市交通拥堵情况的预测有一定应用价值。