基于ＢＰ神经网络的城市道路行程时间预测 郑晏群 ，姜雪娇 ，夏江苏南京佳。 ５１８００３） （１．深圳市综合交通运行指挥中心，广东深圳５１８０４０；２．南京理工大学 自动化学院， ２１００９４；３．深圳市综合交通设计研究院，广东深圳摘要：为了保证数据的有效性，对行程时间预测原 理和条件进行分析，提出利用当前和历史的行程时 间数据进行预测的基本思想，并分析了不同检测器 提供数据的适用范围。利用ＢＰ神经网络的预测方 法对城市道路行程时间的预测进行建模，并结合不 同交通检测器提供的数据进行了ＢＰ神经网络建 模，借助Ｍａｔｌａｂ软件构建了基于ＢＰ算法思想的网 络构建、函数训练和函数预测三大步骤，获得了ＢＰ 训练过程中的误差变化，并引入两误差评价指标 ＭＡＲＥ和ＭＡＸＡＲＥ反映预测精度，最后通过实例 分析验证了模型。 关键词：行程时间；ＢＰ神经网络；Ｍａｔｌａｂ；预测建模 中图分类号：Ｕ４９１．１ 文献标识码：Ａ Ｃｉｔｙ ｒｏａｄ ｔｒａｖｅｌ ｔｉｍｅ ｐｒｅｄｉｃｔｉｏｎ ｂａｓｅｄ ｏｎ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ＺＨＥＮＧ Ｙａｈ—ｑｕｎ ，ＪＩＡＮＣ Ｘｕｅ ∞ ，ＸＩＡ Ｊｉａ３ （１．Ｓｈｅｎｚｈｅｎ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｏｐｅｒａｔｉｏｎ Ｃｏｍｍａｎｄ Ｃｅｎｔｅｒ，Ｇｕａｎｇｄｏｎｇ Ｓｈｅｎｚｈｅｎ ５１８０４０ Ｃｈｉｎａ；２．Ｓｃｈｏｏｌ ｏｆＡｕｔｏｍａｔｉｏｎ Ｎａ ｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｆｏ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｊｉａｎｇｓｕ Ｎａｎｉｆｎｇ ２１００９４ Ｃｈｉｎａ；３．Ｓｈｅｎｚｈｅｎ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ 咖＆ＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，Ｇｕａｎｇｄｏｎｇ Ｓｈｅｎｚｈｅｎ ５１８ｆｆｂ Ｃｈ／ｎａ） Ａｂｓｔｒａｃｔ：Ｉｎ ｏｒｄｅｒ ｔｏ ｇｕａｒａｎｔｅｅ ｔｈｅ ｖａｌｉｄｉｔｙ ｏｆ ｔｈｅ ｄａｔａ， ｔｈｉｓ ｐａｐｅｒ ａｎａｌｙｚｅｓ ｔｈｅ ｐｒｉｎｃｉｐｌｅｓ ａｎｄ ｃｏｎｄｉｔｉｏｎｓ ｏｎ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｔｒａｖｅｌ ｔｉｍｅ，ｐｕｔｓ ｆｏｒｗａｒｄ ｔｈｅ ｂａｓｉｃ ｔｈｏｕｇｈｔ ｏｆ ｐｒｅｄｉｃｔｉｏｎ ｕｓｉｎｇ ｃｕｒｒｅｎｔ ａｎｄ ｈｉｓｔｏｒｉｃａｌ ｔｒａｖｅｌ ｔｉｍｅ ｄａｔａ， ａｎｄ ａｎａｌｙｚｅｓ ｔｈｅ ｓｃｏｐｅ ｏｆ ａｐｐｌｉｃａｔｉｏｎ ｄａｔａ ｐｒｏｖｉｄｅｄ ｂｙ ｄｉｆｆｅｒｅｎｔ ｄｅｔｅｃｔｏｒｓ．Ｔｈｅ ｗａｙ ｔｏ ｐｒｅｄｉｃｔ ｔｈｅ ｒｏａｄ ｔｒａｖｅｌ ｔｉｍｅ ｉｓ ｍｏｄｅｌｅｄ ｕｓｉｎｇ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｐｒｅｄｉｃｔｉｏｎ ｍｅｔｈｏｄ． 收稿日期：２０１５— ３—０５ 作者简介：郑晏群（１９８４一），女，山东费县人，工程师，研 究方向为交通规划。 一１１０一 Ｗｉｔｈ ｔｈｅ ｈｅｌｐ ｏｆ ｔｈｅ ｓｏｆｔｗａｒｅ Ｍａｔｌａｂ．ｔｈｅ ｔｈｒｅｅ ｓｔｅｐｓ ｉｎｃｌｕｄｉｎｇ ｎｅｔｗｏｒｋ ｃｏｎｓｔｒｕｃｔｉｏｎ，ｆｕｎｃｔｉｏｎ ｔｒａｉｎｉｎｇ ａｎｄ ｆｕｎｃｔｉｏｎ ｐｒｅｄｉｃｔｉｏｎ ａｒｅ ｆｉｎｉｓｈｅｄ ｃｏｍｂｉｎｅｄ ｗｉｔｈ ｔｈｅ ｄａｔａ ｐｒｏｖｉｄｅｄ ｂｙ ｄｉｆｆｅｒｅｎｔ ｄｅｔｅｃｔｏｒｓ．Ｔｈｅｎ ｔｗｏ ｅｒｒｏｒ ｉｎｄｅｘｅｓ ＭＡＲＥ ａｎｄ ＭＡＸＡＲＥ ｒｅｆｌｅｃｔｉｎｇ ｔｈｅ ｆｏｒｅｃａｓｔ ｐｒｅｃｉｓｉｏｎ ａｙｅ ｉｎｔｒｏｄｕｃｅｄ ｔｏ ｏｂｔａｉｎ ｔｈｅ ｅｒｒｏｒ ｃｈａｎｇｅｓ ｉｎ ＢＰ ｔｒａｉｎｉｎｇ ｐｒｏｃｅｓｓ．Ａｔ ｌａｓｔ，ａｎ ｅｘａｍｐｌｅ ｖｅｒｉｆｉｅｓ ｔｈｅ ｍｏｄｅ１． Ｋｅｙ ｗｏｒｄｓ：ｔｒａｖｅｌ ｔｉｍｅ；ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｍａｔｌａｂ； ｐｒｅｄｉｃｔｉｖｅ ｍｏｄｅｌｉｎｇ 引言 行程时间预测作为ＩＴＳ的主要研究内容之一，必 须完成好基于交通状况数据采集技术下更准确、更可 靠、更及时的预测工作，为车辆的诱导提供强有力的 数据支撑。目前，许多学者从不同角度，用不同方法 对行程时问的预测进行相应的研究，即有文献针对行 程时间预测原理、算法等提出的利用卡尔曼滤波 、 马尔科夫链 、支持向量机 等进行预测的理论；也 有运用随机排队理论和路段上的车辆数来进行时间 预测 Ｊ，利用宏观延误模型进行信号控制路段上车辆 行程时间的分布预测 ，利用多元回归构建的行程时 间分析预测模型 等。然而无论是理论还是模型，一 类是适应性较强的综合型，要求大量的交通参数数 据；另一类是适应性较弱的针对某一路段的行程时间 预测，模型简单不具典型性。 １ 行程时间预测原理分析 １．Ｉ行程时间预测方法 所谓交通流特性，即交通流运行状态的定性、定量 特征，它的物理量称为交通流参数，可以反映交通流的 基本性质，具有一定规律性 。而行程时间就是交通 流参数的一种，必然具有一定的规律性。行程时问预测 则是要找到影响这些规律性的某种联系。这种联系一 般选取易于获得的参数，便于做到实时预估。对于行程 时间而言，与其联系最密切、最易获得的参数为交通流 量，所以，将交通流量作为行程时间预测的参数之一。 另外，同一路段在某一段时间内，影响行程时间 山东交通科技 的环境因素是基本保持不变的，相邻时段的行程时间 存在内在变化规律。所以，利用路段当前行程时间和 历史行程时间预测未来路段的行程时间。 １．２交通检测器数据采集 交通检测器分为固定检测器和移动检测器两种， 用于交通流参数的采集。固定检测器可获得交通流 量参数，其获取的交通量参数适用于正常交通运行状 态的行程时间进行预测。移动检测器可获得行程时 间参数，其获得的交通量参数适用于交通事故发生状 态下的行程时间预测。 １．３预测结果精确度 为确定本模型的预测结果的精确度，引入实际数 据进行比对验证。采用两种判断误差大小的评价指 标：平均绝对相对误差（ＭＡＲＥ）和最大绝对相对误差 （ＭＡＸＡＲＥ）。 ＭＡＲＥ＝ ∑Ｉ １．．．………（１） ＾ ｌ，、 ，、 ｌＭＡＸＡＲＥ：ｍａ）（１ ｌ丛 ｔ ｌｌ…………（ ２） 式中：Ｙ（ｔ）一实际观测值，Ｙ（ｔ）一预测方法中的 预测值。 ２基于ＢＰ神经网络的行程时间预测模型 ２．１ ＢＰ神经网络基本概念 ＢＰ神经网络，即多层前馈式误差反传神经网络，通 常由输入层、输出层和若干隐含层构成：每一层都由若 干个节点组成，每一个节点表示一个神经元，上层节点 与下层节点之间通过权连接，层与层之间的节点采用全 互联的连接方式，每层内节点之间没有联系。对于一个 三层的前馈网络，只要选择足够多的隐节点，可以解决 任意的工程问题。因此，采用ＢＰ算法的三层ＭＬＰ （Ｍｕｌｔｉ—Ｌａｙｅｒ ｆｅｅｄｆｏｒｗａｒｄ Ｐｅｒｃｅｐｔｒｏｎ），即含有一个输入 层、一个输出层和一个隐含层，其结构见图１。使用ＢＰ 神经网络进行预测分析的流程主要分为ＢＰ神经网络 构建、ＢＰ神经网络训练、ＢＰ神经网络预测三步。 输入层 隐含层 输出层 图１ ＢＰ神经网络拓扑结构 ２０１５年第３期 ２．２模型结构 根据基于固定检测器路段交通流平均行程时间 预测原理，确定的输入为当前时段的流量 （ｆ）、前一 时段的流量 （７－一１）、前两时段的流量 （ｒ一２），输 出为下一时段的行程时间ｔ（ ＋１），其结构见图２。 根据基于移动检测器路段交通流行程时间预测原理， 确定的输入为当前时段的行程时间ｔ（ ）、前一时段的 行程时间 （ 一１）、前两时段的行程时间ｔ（ｒ一１），输 出为下一时段的行程时间 （ ＋１），其结构见图３。 “ｔ） 豫 隐 堞 臂 ｌＩ，－ｉ） 燃 节 点 点 “ －２） ｍ２基于固定检测器的ＢＰ嗍络预测结构 嘲３纂干移动检测器的ＢＰ网络预测结构 ２．３模型预测步骤 （１）确定输出变量：包括输出变量的属性和个数， 可根据实际情况确定。对行程时间预测来说，输出变 量可以是单个路段的行程时间参数，也可以是多个路 段的行程时间参数。（２）选择输入变量：通过对行程 时间预测相关参数规律的分析，可以选择出与行程时 间参数具有较大关联性的参数（交通流量、行程时间） 作为ＢＰ神经网络的输入。（３）数据预处理：对所输入 的数据进行一定的分类处理，确定ＢＰ网络中所需的 训练样本和验证样本集合。确定ＢＰ网络结构与训练 方法。（４）建立ＢＰ模型进行预测：用训练样本集合对 ＢＰ模型中的参数进行标定，包括隐层节点数量和权 值。最后用验证样本集合对ＢＰ模型进行验证，评价 其预测的效果。 ３ ＢＰ神经网络行程时间预测的Ｍａｔｌａｂ 实现 利用Ｍａｔ１ａｂ进行基于ＢＰ神经网络的行程时间预测 建模的流程可以分为ＢＰ神经网络构建、ＢＰ神经网络训 练和ＢＰ神经网络预测三步，见图４。ＢＰ神经网络构建根 据实际的行程时间预测方法和交通检测器数据采集情况 确定ＢＰ神经网络结构。结构有三个输入参数和一个输 出参数，所以ＢＰ神经网络结构为３—７一ｌ，即输入层有２ 个节点，隐含层有７个节点，输出层有１个节点。使用某 条路段９：００一ｌ２：００的６０组交通流量和行程时间数 据，随机选用其中的５０组输入输出数据对预测模型 进行标定和测试，训练完成后，用剩余的１０组交通流 量和行程时间数据对模型进行验证。 （１）步骤１：数据选择及归一化处理。统计了某路 段的６３个行程时间数据，依次将前三个行程时间数据 作为后一个行程时间数据的历史数据，可以获得６０组 一１１ １— 郑晏群，姜雪娇，夏佳：基于ＢＰ神经网络的城市道路行程时间预测 本吻合，预测效果初步分析结果良好，图中下方的点 线段为预测输出和实际输出的差值曲线。 模型的输入输出数据，将每组的前三个输入数据定义为 ｉｎｐｕｔ存储在ｄａｔａ１．ｍａｔ文件中，第四个输出数据定义为 ｏｕｔｐｕｔ存储在ｄａｔａ２．ｍａｔ文件中。从输入输出数据中随 （５）步骤５：结果分析。根据预测结果进行ＢＰ神 机选取５０组数据作为网络训练数据，ｌ０组数据作为网 络测试数据，并对训练数据进行归一化处理。 ＢＰ神经网络掏建 ．隔 ＢＰ神经网络预测 嘲络预测ｌ｝●— ｌ 则矾蜀ｅ ‘……’试 啦 ｆｌ●ｌ —－ 图４ ｍａｔｌａｂ实现ＢＰ网络预测的算法流程 （２）步骤２：ＢＰ神经网络构建。定义相关参数包 括输人层节点，输出层节点，权重，隐藏节点，最大迭 代次数，学习率等相关参数，初始化获取误差值的数 组ｅｉＴｏｒ和ｅｒｒｏｒｐ，并构建输入层到隐层以及隐层到输 出层的矩阵，进行内存的预分配为ＢＰ神经网络的训 练做好相应的准备。 （３）步骤３：ＢＰ神经网络训练。将归一化的训练 网络时使用的输入值和网络期望值依次输入网络中， 按ＢＰ算法的步骤进行ＢＰ神经网络训练，使网络的行 程时间输出具有预测能力，并得到每一次迭代所对应 的误差变化情况，见图５。可以得出，每一次迭代误差 逐渐变小趋近于０，当算法迭代到第２０次时，误差开 始趋于稳定。 ｊ｝ｌｌｊ 图５ ＢＰ算法迭代时的误差变化情况 （４）步骤４：ＢＰ神经网络预测。将随机出的需要 进行预测的输入值输入进已训练完成的网络中，用训 练好的ＢＰ神经网络预测下一时段的行程时间，并比 较ＢＰ神经网络预测的行程时间的输出值和实际的行 程时间的期望输出值之间的误差大小，见图６。方块 节点线段为本次预测行程时间的１Ｏ次预测输出，菱 形节点线段为本次预测行程时间所对应每次预测的 实际期望输出，可以看出红绿两条线段除个别点外基 一１ １２一 经网络的预测精度分析，预测得到的两个向量ＭＡＲＥ 和ＭＡＸＡＲＥ的值分别为０．０３０ １和０．０９０ １，即平均 绝对相对误差和最大绝对相对误差分别为３％和 ９％。图７和图８分别为本行程时间预测每一次的误 差和误差百分比。 厘 蓝 样本 Ｏ ０ ０ ０ 图６行程时间预测和期望输出及其比较 ¨腮 图７行程时问预测误差 图８行程时间预测误差百分比 分析表明，应用ＢＰ神经网络行程时间预测模型 和相关路段历史数据的行程时间预测精度具有不稳 定性，但预测的行程时间基本上符合实测行程时间的 变化规律，并且变动浮动不大，这也说明了神经网络 行程时间预测模型的有效性。预测精度不高的主要 原因是训练的样本数较少，没有包含行程时间与交通 流量之间的所有特征关系。 Ｏ 山东交通科技 ２０１５年第３期 Ｍｕｌｔｉｍｅｄｉａ ａｎｄ Ｕｂｉｑｕｉｔｏｕｓ Ｅｎｇｉｎｅｅｒｉｎｇ．Ｂｅｒｌｉｎ：Ｓｐｒｉｎｇｅｒ Ｎｅｔｈｅｒｌａｎｄｓ，２０１３． ４ 结语 结合现有交通检测器的检测数据分析了不同情 况下的行车时间预测方法，并利用ｍａｔｌａｂ加以实现。 从实例的预测精度可以看出模型的有效性。同时经 过训练的神经网络的预测速度会不断加快，利用这一 特性可实现行程时间的实时预测。 参考文献： ［４］ Ｄ０ Ｈ Ｎａｍ ａｎｄ Ｄｏｎａｌｄ Ｒ Ｄｒｅｗ．Ｔｒａｆｉｆｃ ｄｙｎａｍｉｃｓ ｍｅｔｈｏｄ ｆｏｒ ｅｓｔｉｍａｔｉｏｎ ｆｒｅｅｗａｙ ｔｒａｖｅｌ ｔｉｍｅ ｉｎ ｒｅａｌ ｔｉｍｅ ｆｒｏｍ ｆｌｏｗ ｍｅａｓｕｒｅｍｅｎｔｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｅｎｇｉｎｅｅｉｒｎｇ．１９９６ （５）：１８５—１９１． ［５］ Ｎａｇｕｉ Ｍ Ｒｏｕｐｈａｉｌ ａｎｄ Ｎａｖａｎｅｅｔ Ｄｕｔｔ．Ｅｓｔｉｍ￣ｉｏｎ ｔｒａｖｅｌ ｔｉｍｅ ｄｉｓｔｉｂｕｔｒｉｏｎｓ ｆｏｒ ｓｉｇｎａｌｉｚｅｄ ｌｉｎｋｓ：ｍｏｄｅｌ ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ ｐｏｔｅｎｔｉａｌ ＩＴＳ ａｐｐｌｉｃａｔｉｏｎｓ［Ｒ］．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｈｅｔ １９９５ Ａｎｎｕａｌ Ｍｅｅｔｉｎｇ ｏｆ ＩＴＳ Ａｍｅｒｉｃａ，１９９５． ［１］ 傅惠，徐建闽．基于卡尔曼滤波的路径行程时间预测 方法［Ｊ］．微计算机信息．２００７（２３）：２９０—２９２． ［２］ 胡继华，李国源，程智锋．基于马尔科夫链的公交站间 行程时间预测算法［Ｊ］．交通信息与安全．２０１４（２）：１７—２２． ［３］ Ｃｈｕｎｇ Ｙ Ｓ，Ｋｉｍ Ｊ Ｍ，Ｋｉｍ Ｄ Ｈ，ｅｔ ａ１．Ａ ｓｔｕｄｙ ｔｏ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌｉｎｇ ｏｆ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｔｒａｆｆｉｃ ａｃｃｉｄｅｎｔｓ［Ｍ］． ［６］ 魏华，贾守镇．公交车辆实时动态行程时间与行车间 隔确定方法研究［Ｊ］．渭南师范学院学报，２００５（１３）：８—１０． ［７］ 王殿海．交通流理论［Ｍ］．北京：人民交通出版社， ２００２：１０—１１． （上接第１０９页） 的时间。泥浆循环系统具备局部反冲洗功能，用来防 止管路堵塞。考虑带压作业时，开挖舱保压不易形 成，专门设计了高压膨润土系统，通过压缩空气调节 ５．８碎石机 针对碎石机易坏，的保护措施需做进一 步的改进。采用更多的硬管连接，减小损害几率。油 管采用柱形金属衬套，防止胶管在接头处弯折，高效 系统将高密度膨润土喷射到掌子面，使其产生高密度 泥膜，起到一定密闭作用，更好的平衡土压和水压，保 证了高压进仓的安全性，同时也提高了工作效率。 ５．７配备同步注浆、二次注浆和超前注浆系统 的密封防止小石块和渣土进入胶管和衬套间缝隙。 参考文献： 配备同步注浆、二次注浆和超前注浆系统预留超 前钻进管线，为超前地质钻探、超前注浆加固和通过 断层施工在设备和技术上做了预备。 ［１］ 周迎，丁烈云，周诚等．越江隧道工程泥水盾构适应性 分析研究［Ｊ］．铁道工程学报，２０１１（１１）：６８—７４． 科普知识 １．临界车道交通流量：是指某一信号相对每个车 道所观测的实际的交通流中最大的那个车道的交通 流量。 ６．（路侧）人行道：用路缘石或护栏及其它类似设 施加以分隔的专门供人行走的部分。 ７．分隔带：沿公路纵向设置的分隔行车道用的带 状设施。 ２．变速车道：高等级公路上的加速车道和减速车 道的总称。 ８．分隔带：沿路中线设置的分隔带。 ９．中间带：由分隔带及其两侧的路缘带组成 的地带。 ３．爬坡车道：设置在上坡路段，供慢速上坡车辆 行驶专用的车道。 １０．条、路肩：位于行车道外缘至路基边缘，具有 一４．停车带：为使汽车停车而不防碍交通安全，在 高等级公路行车道的右侧设置的供临时停车用的 地带。 定宽度的带状结构部分（包括硬路肩与土路肩）。 为保持行车道的功能和临时停车使用，井作为路面的 横向支承。 ５．错车道：在单车道的公路可通视的一定距离 内，供车辆交错避让用的一段加宽车道。 一ｌｌ３一
