【摘 要】城市道路交通流量短时预测是智能交通系统（ITS）的重要组成部分。本文结合银川城市道路交通量分布的空间和时间相关性，利用BP神经网络、RBF神经网络和GRNN神经网络建立3种道路交通量短时预测模型，利用银川市区道路交叉口实际观测数据，应用MATLAB对交叉口进口道交通量进行短时预测，并将预测结果与实际数据进行对比分析，指出每种预测模型的优点和不足。

【关键词】交通流量短时预测 BP神经网络 RBF神经网络 GRNN神经网络

【Abstract】Urban road short-term traffic flow prediction is an important part of intelligent transportation system（ITS）. This paper we Combining with the temporal-spatial correlation of traffic flow， Using the BP neural network， RBF neural network and GRNN neural network， to establish 3 kinds of short-time traffic flow forecasting models. Then intersection traffic flow data of Yinchuan are used in the MATLAB to predict the short-term traffic flow of the entrance lanes of the intersection. Finally， the advantages， disadvantages and the suitable condition of each models are put forward by analyses the predictive results and practical data..

【Key words】short-term traffic flow prediction； BP neural network； RBF neural network； GRNN neural network

1 引言

随着人民生活水平及城市现代化建设水平的不断提高，社会对城市道路交通运输的需求日益增加，智能交通系统（ITS）作为一种有效的需求解决方案，逐渐成为交通运输系统研究焦点。交通控制和交通诱导是智能交通系统研究的重要领域，实现交通控制和诱导的关键问题之一是实时准确的短时交通量预测。神经网络模型在交通量预测领域是一种很有潜力的预测模型，利用神经网络对短时交通量进行预测往往可以取得比较理想的效果，可为智能交通系统中交通控制和交通诱导的相关研究提供较为准确的预测数据。

2 道路交通流量短时预测原理

短时交通量预测与交通流量所具有的时间、空间特性相关。时间方面指路段i在过去若干时间间隔内的交通量历史数据；空间方面指与路段i相邻的上下游路段中对其交通量有显著影响的路段i+j当前及过去时刻的交通量。据此，对交通量的短时预测是根据已知的路段i及路段i+j在过去m个时刻交通量实际值求出路段i及路段i+j在未来n个时段内的交通量估计值。

3 基于神经网络的交通流量短时预测

BP神经网络模型是一种按误差逆向传播算法训练的多层前馈网络，它能学习和存贮输入-输出模式映射关系，无需事前揭示描述这种映射关系的数学方程。RBF（径向基函数）神经网络模型在隐含层采用径向基函数作为激励函数，可以处理系统内的难以解析的规律性，学习收敛速度较快。GRNN（广义回归线性网络）网络模型的连接权值学习修正采用BP算法，隐含层结点的作用函数采用高斯函数，局部逼近能力强、学习速度快，网络中人为调节的参数只有光滑因子，网络学习全部依赖数据样本，可最大程度避免人为因素对预测结果的影响。

3.1 BP神经网络、RBF神经网络、GRNN神经网络模型设计

本文建模均运用MATLAB2009a软件神经网络工具箱。BP神经网络选用含输入层、隐含层和输出层的三层网络，隐含层神经元数目由经验公式配合试算比较确定，隐含层以及输出层传递函数均选用双极性S型函数；RBF神经网络利用newff （）函数设计和训练，用sim（）函数进行预测仿真，用mse（）函数衡量预测和实测的拟合程度；GRNN神经网络参数和结构均据学习样本自适应调整，因此选用newgrnn（）函数设计和训练网络，且GRNN神经网络连接权值的学习修正使用BP算法。

3.2 交通量数据说明与处理

本文对银川市区宁安大街-新昌路交叉口A南进口路段在2014年9月24日（周三）14：00至19：00时段的交通量V（t）进行预测。宁安大街-新昌路交叉口A与宁安大街-黄河路交叉口B是两个相邻的十字交叉口（路况如图1所示）。

图1 研究交叉口位置示意图

由于预测路段的交通流量由其上游路段右转、直行和左转三个进口的交通量V1（t）、V2（t）和V3（t）决定，所以以2014年9月17日（上周三）和最近两个工作日9月22日、9月23日这三天在7：00至19：00之间的交通量作为预测的历史数据，以上周三、本周三及其前两天7：00至14：00的交通量为训练数据，以交叉口A的南进口路段当天14：00到19：00的交通量作为预测对比数据。交通流量数据利用检测器采集，采集时段为早7：00至晚19：00，时间间隔为15分钟。经分析后发现数据在选用时段内完整且波动范围合理，不必进行数据修复，预测时对数据进行归一化处理。

3.3 模型的输入输出方案设计

输入变量包括：研究路段9月24日（周三）当前时段t，前两个时段t-15，t-30；周一、周二和上周三的t、t-15、t-30、t+15；以及上游交叉口周三t时段，周一和周二t+15时段汇入预测进口道的交通量在内的一共24个变量。输出为预测时段每隔15分钟的交通量。

3.4 短时交通流量预测模型的评价指标

本论文引入最大绝对相对误差MMSE、相对平均误差MRE、均方误差MSE和预测时间RT四个指标进行模型预测结果的量化评价。

（1）最大绝对相对误差（MMSE）：

式3-1

（2）相对平均误差（MRE）：

式3-2

（3）均方误差（MSE）：

式3-3

其中，N是数据个数， 是交通量实测值， 是交通量预测值。

4 预测结果分析、对比

4.1 预测结果分析

利用MATLAB进行交通量预测后，三种网络模型得到的预测数据分析图2-7如下：

图2 BP神经网络模型预测结果对比图 图3 BP神经网络模型预测相对误差

图4 RBF神经网络模型预测结果对比图 图5 RBF神经网络模型预测相对误差

图6 GRNN神经网络模型预测结果对比图 图7 GRNN神经网络模型预测相对误差

4.2 预测结果对比

各个模型预测结果量化评价指标成果如表1所示：

表1 不同神经网络模型预测结果对比

预测模型 MMSE MRE MSE RT

BP 0.0679 0.0268 40.9673 2.113s

RBF 0.0514 0.0219 25.1590 0.874s

GRNN 0.0827 0.0373 62.0837 0.658s

通过对研究路段交通流量实测数据进行对比：

（1）预测精确度分析：在本文设计的输入输出方案下，BP神经网络模型取得了比较理想的预测结果，但它存在隐含层节点数目选择方面的不足以及需进行多次参数调整测试，模型在预测时无法避免人为因素对预测结果的干扰；RBF神经网络模型结构简单，避免了反向传播这样复杂的计算过程，其预测精度方面也优于BP、GRNN神经网络模型；GRNN神经网络模型得到的预测结果在精确度方面表现不如BP神经网络和RBF神经网络，但其仅需要对光滑因子这一单一参数进行调节，网络学习全部依据样本数据，最大程度避免人为因素对预测结果的影响；综上，在三种预测模型中，RBF神经网络模型在达到最好仿真效果时预测精确度最高，且人为因素对预测结果干扰较小。（2）预测时间比较分析：由于BP神经网络自身的不足使得预测时间最长，其次是RBF神经网络模型，预测时间相对最短的是GRNN神经网络模型。

5 结语

本文研究的目的在于得到更准确、更合理的预测模型来对银川市城市道路短时交通流量进行预测。在利用仿真的方法系统地比较了BP、RBF、GRNN三种神经网络模型的预测性能后，可以得出以下结论：RBF神经网络模型相对于BP神经网络模型和GRNN神经网络模型来讲更适合对银川市城市道路进行短时交通量预测。

参考文献：

[1] 范腾腾.城市道路交通流量短时预测研究[D].北京交通大学大学，2012.

[2] 谢婉泽.城市轨道交通客流短时预测方法与运营编组优化设计[D].大连交通大学，2013.

[3] 吴 凯.基于神经网络的短时交通流量预测研究[D].南京邮电大学，2014.

[4] 任千里.智能算法在短时交通流量预测中的应用[J].交通建设与管理，2014.

[5] 王晓原.交通流数据清洗与状态辨识及优化控制关键理论方法.北京：科学出版社，2011.

[6] 张德丰.MATLAB神经网络应用设计.北京：机械工业出版社，2012.

作者简介：张文斌（1987—），男，甘肃武威人，硕士，毕业于兰州交通大学，在校研究生，研究方向：交通运输。