李晓阳 李峰 苏峰

摘 要：随着社会经济的不断发展与人口数量的不断增多，国内GDP不断增长的同时也给交通运输提出了更高的要求。现今，导航、GPS广泛的被人们应用，但这些高科技产品也存在着许多缺陷。研究分析国内交通拥堵现状并提出解决办法是进一步发展的需求。

通过分析题目，结合搜集资料找到现有交通流量，交通拥挤时间以及各大城市交通负载等方面的数据，求解该问题时用Excel对其做数值统计处理，处理后的数据用Matlab软件中的相关函数对其进行分析，结合Excel、Maple优化软件与Matlab软件画图工具，最终对相关的问题做出结论。

关键词：交通拥堵、时间预测、实时监控、BP神经网络

1.问题背景

在导航软件中，行程时间的估计往往是一个重要的功能。现有的导航软件通过安装了该软件的出租车或其他车辆来获取实时GPS数据以确定当前道路状况。在交通严重堵塞的情况下，车速较慢，所以对车速的估计是非常不准确的。这导致了预测交通阻塞时间的准确性变得很差，所需的实际时间有时甚至与预测时间相差几倍到十倍。

2.问题重述

（1）收集现有数据，分析交通拥堵现状。

（2）建立模型，预测交通堵塞的时间。

3.问题分析

对如何精准的预测交通堵塞的时间问题，通过对数据的搜集与整理，得到了影响交通拥堵的各个因素，进而建立了基于DC的交叉口拥挤自动识别模型。并得出在一个周期内的拥挤度预测值：DC = 到达车辆数/理想消散车辆数。由于城市道路交通系统是一个非线性的复杂系统，而BP神经网络具有非线性的描述能力，使预测交通堵塞时间的问题变得简单。因此建立了基于BP神经网络的道路交通预测模型。期间我们采用MATLAB对交通数据进行了相应的拟合和处理，并使用函数 对其进行验证。

4.模型假设

（1）假设所收集到的数据真实可靠;

（2）假设数据经过微处理后对原始的结果影响并不大;

（3）数据中的奇异数据及缺省的值忽略后对总体信息不会有显著的影响;

5.模型的建立与求解

5.1交通拥堵问题的成因

交通拥堵是道路运行系统故障最直接的体现，直接导致交通的瘫痪，对人们的出行以及社会秩序的维持带来了很大的不便。解决交通拥堵问题，可以从以下方面进行探究。[1]

5.1.1交通需求增长迅速

（1）出行需求增长速度快

快速发展的国民经济和急劇膨胀的城市规模促使出行的需求量迅速增长。随着社会经济的飞速发展，城市规模快速增扩，大批量人口涌入城市，导致城市交通设施遭受冲击。在城市化道路推进过程中，人口增长必定使人们对交通出行通畅的诉求日益升高。

（2）小汽车拥有量急速增加

小汽车拥有量的急速增加加速了交通的拥堵。我国城市汽车保有量一直处在大幅增长的阶段。一方面，随着经济的迅速发展，城市居民的可支配收入显著增加，居民的购买力明显增强;另一方面，随着国家汽车产业政策的发布，汽车生产厂商进行规模化生产，导致轿车销售价格大幅度下跌，促使人们购买汽车的欲望更加强烈。在以上两种因素的共同影响下，我国城市汽车保有量迅速增长。

5.1.2道路基础设施建设不足

我国的城市交通中，道路等级不高，道路网稀疏是普遍存在的问题。虽然道路建设水平已有提升，但仍然比较落后。目前大多数城市已然开始重视交通建设，增大对道路交通基础设施的投资占比，通过修建、改建老路、增加交通标志、安装交通信息显示屏等方法来改善交通。[2]

5.1.3其他社会因素

（1）交通参与者交通意识缺乏

（2）城市土地利用与规划布局不够合理

（3）机动车质量低

（4）交通管理部门不足

5.2基于BP神经网络的道路交通预测模型

由于BP神经网络模型能够根据路口等待通行车辆数来预测其通行所用时间因此利用BP神经网络的自组织和自学习能力，对交通路口的车辆通行时间进行预测。通过计算分析，选择使用四层BP神经网络对交叉路口进行建模。在交叉路口要对四个方向停车等待的车辆数进行检测，因此四个方向分别对应一个通行时间。所以BP神经网络的输入层节点数和输出层节点数均为4。而在隐含层单元数的确定上，根据公式 （其中 为隐含层神经元数量，n为输入神经元数量，m为输出神经元数量，a为0--10之间的常数）。通过公式计算可以得出隐含层神经元数量的范围是（5，14）。经过前面的分析计算，最终确定了基于BP神经网络的道路交通预测模型。四个输入节点分别为TN、TW、TS、TE。四个输出节点分别为ON、OW、OS、OE。其中TN、TW、TS、TE分别代表北向、西向、南向、东向等待通行的车辆数，ON、OW、OS、OE分别代表其四个方向等待车辆完全通过所用的时间。[3][4]

输入层

通过对隐含层神经元数量的改变，来观察其误差的变化，从而确定了道路交通路口BP神经网络模型的完整结构：4个输入层神经元、4个输出层神经元和10个隐含层神经元。从而确定复杂道路交通路口的交通受4个方向的影响，进而得出参数表达式为：

其中，和 分别表示路段I处的流入和流出的交通流量。

隐含层

通过前面的计算分析可得，隐含层有10个神经元，包含了常发性拥挤神经元、正常状态神经元和偶发性拥挤神经元。因此可以得出通过道路的延迟时间总和为：

则预测通过最短时间为：

在对交通路口车辆通行时间预测的问题上，通过建立BP神经网络模型进行了相应的预测分析。在道路交通路口建立4个输入层神经元、4个输出层神经元以及10个隐含层神经元。计算期间采用MATLAB对交通数据进行了处理和拟合，并通过函数 对其进行验证。结果表明，BP神经网络模型可以根据拥堵的车辆数进行预测车辆通行时间。

参考文献

[1]李兰冰，《我国城市交通拥挤的成因及其对策研究》，《理论学刊》，2005-06-15

[2]陈涛，《基于系统科学理论的城市道路交通拥挤预测与控制模型研究》，东南大学，2005-05-01

[3]蒋渭忠，《基于BP神经网络技术的车辆通行时间预测研究》，《微型机与应用》，2016-05-24

[4]邱祥，《基于神经网络的智能交通控制系统设计》，扬州大学，2016-05-01

作者简介：李晓阳（1999—），男，汉族，山东菏泽人，本科在读，电气工程与智能控制专业;

李峰（2000—），男，汉族，山东潍坊人，本科在读，机械制造设计及其自动化专业;

苏峰（2001—），男，汉族，山东菏泽人，本科在读，国际商务专业。