基于神经网络的信号交叉口进口车道交通延误预测

林得刚，郑长江，陈淑燕

(1.河海大学 土木与交通学院，江苏 南京 210098;2.东南大学 交通学院，江苏 南京 210096)*

0 引言

人工神经网络作为非线性模拟技术以其良好的学习能力在许多领域众多学科中扮演了举足轻重的角色，在交通中的应用［1-9］也取得了丰硕的成果.例如:对城市短时交通流进行预测，结合遗传算法和粒子群算法进行时交通流量预测，结合模拟数据对交叉路口车辆到达进行预测，对居民出行产生量预测，利用模糊神经网络技术对复杂路口的车辆通行的实时控制，实现可变相位的模糊控制，利用模糊神经网络技术实现对复杂路口的车辆通行的实时控制，建立交通数据序列动态可预测性分析，交通状态判别等等.

人工神经网络中在交通领域得到广泛应用，但是它在交通延误特别是在城市信号交叉口的交通延误预测方面并没有充分发挥其优势，而机动车在进口车道的交通延误的分析预测对评价信号交叉口的服务水平、信号控制方案的设计和优化等有着重要的意义［10］.鉴于此，本文创新地尝试将BP网络技术应用于信号交叉口进口车道的交通延误预测，建立了用于预测交通延误的神经网络模型，并应用历史交通延误数据进行训练、预测、分析，获得了较为满意的结果.

1 BP神经网络原理及其应用方法

1.1 BP神经网络基本原理概述

BP神经网络实际上是多层感知机网络［11］，是一种采用Sigmoid功能函数的前向多层网络，是基于误差调整算法的有教师网络.由于网络的学习采用的是误差反向传播算法(error back propagation method)，因此，称之为BP神经网络.BP神经网络是由输入层、若干隐藏层和输出层组成.连接结构是前后相邻的两层节点均相连，非相邻层的节点、同层的节点之间无任何连接.从输入层开始按照以上连接方式直到输出层，连接结束.在BP神经网络中，除输入层节点外，其余的神经元的输出函数f全部采用可微分的函数［11］，例如S型函数.文中采用的是三层BP神经网络，所建立的用于交通延误预测的BP神经网络结构如图1所示.

图1 三层BP神经网络结构示意图

1.2 基于BP神经网络的交通延误预测方法

在用BP神经网络模型预测交叉口交通延误时，首先要以交通调查数据处理后所得的延误数据为样本训练该BP网络.该神经网络的训练主要的步骤及其具体算法的计算公式，参考文献［6］.

经过训练的神经网络能够有效地提取蕴藏在所调查的信号交叉口进口车道交通延误样本中的非线性映射关系，并以权值、阈值的分布形式储存起来.当用历史的交通延误预测数据完成对神经网络的训练之后，该网络模型的精度即已经达到预设的精度要求.

在运行阶段，当向神经网络输入非样本时，它便能完成从输入n维空间到输出q维空间的任意非线性映射［12］，在这里完成的是从输入已知的4维交通延误历史数据空间到输出1维交通延误预测数据空间的非线性映射.因此，神经网络能够通过学习逼近所期望的非线性映射，从而较为准确的描述不方便用数学关系来描述的信号交叉口交通延误规律，完成对未来短时交叉口进口车道交通延误预测.综上即为用神经网络进行交通延误预测的基本原理.

2 应用实例

2.1 基于点样本法获取交通延误数据及预处理

影响行车延误的有关因素主要有:驾驶员本身的特点、车辆的性能、道路的性质、转向车的比例、交通负荷、服务水平、交通信号控制、环境等.城市道路交叉口空间资源的分时利用，使得作为城市道路节点的城市交叉口，一直是城市道路交通系统的咽喉，大约有80%的交通延误发生在交叉口.信号交叉口延误的调查本文采用点样本方法，所调查的交叉口为定时信号控制，选定的取样时间保证了不能被周期长度所整除.采用点样本方法获得的数据是车辆在交叉口引导上的排队时间.点样本法将根据以下的公式得出相应的有关延误的数据:

(1)调查期内总延误为

式中，D为调查期内总延误;N为总停车车辆数;t为时间间隔.

(2)停车车辆的平均延误为

(3)引道车辆的平均延误为

(4)停车车辆百分比为

式中，p为引道上停车车辆的百分比;nsp为停车车辆数.

(5)停车百分比的容许误差为

式中，K为置信度;Nmin为进行延误调查的最小样本容量.

点样本法的优点是该法为自动调整，个别样本的错误或遗漏对总的结果几乎没有什么影响，因为每一个样本相对于前面的样本都是独立的.调查定周期性信号交叉口的交通延误，还要注意选择的时间间隔不能被信号周期所整除.但需要注意的是:点样本法得到的是引道平均延误时间;当停驶车辆百分数很高时，点样本法很难使用.

2.2 信号交叉口进口道交通延误实例调查和数据处理

本文采用了河北工程大学土木工程学院交通工程专业2008级的邢桂先等在2011年4月11日～4月15日，18日～23日每天的14:30～15:30，天气均晴好，对河北省邯郸市邯山区中华南大街与渚河路十字交叉口北路口的全部的机动车进口车道采(包括5条进口车道:3条直行车道，1条左转专用车道并设有左转待转区，1条右转车道)用点样本方法进行交通延误调查所得的数据.

该交叉口的中华南大街(南北向)为主干路，渚河路(东西向)为次干路，东西向信号周期较长，其红灯时长46 s，绿灯时长43 s，黄灯时长3 s.

记录一个调查时段(本次调查中取为1.0 h)内确定的时间间隔(该调查取为15 s)的车辆数，并分别记录交叉口引道上的停车车辆数和不停车驶过交叉口的车辆数.交叉口延误时间抽样结果记录，如表1所示，该结果记录表是以5 min种作为一个统计小结时段，表中列出其中一个统计时段的交通延误点样本随机抽样结果.

表1 点样本调查法延误时间抽样结果记录表

由以上这组数据就可以根据前述相关公式得到交通延误的有关数据:在14:31～14:35这个统计时段内，交通总延误D=(7+15+5+13)*15=40*15=600(辆·s)，停车车辆的平均延误D=600/24=25(s)，停车车辆百分比 P=24/58*100%=35%.

表2 交叉口延误时间抽样结果记录表

对现有的数据每5 min做一次延误统计计算，经过如上的方法处理后，所有的12组延误时间(交通总延误单位:辆·s)数据如表2所示.

按照这种形式，对一天的所有数据进行处理得到了12个数据，其中第1～5和第6个数据构成一组输入和输出数据，其中第7～11和第12个数据构成另一组输入和输出数据.同样的方法处理10天的调查数据，处理后能够得到24组数据.用这24组样本数据，借助matlab软件对所建立的BP神经网络进行训练与检测，其中20组用来训练，最后4组的输入数据用训练好的BP神经网络进行预测，然后与实际的调查值相对比，进行误差分析.

2.3 交通延误预测的BP神经网路的训练和测试

利用这120组数据对所建立的神经网络进行训练，并进行预测.BP神经网络隐含层神经元的个数，至今还没有一个确定的计算方法，本文应用经验公式进行估计得出神经元个数的范围，然后经过反复的训练测试，最终确定该网络隐含层的神经元个数为12.训练要求的精度设置为0.001，最大训练次数设为10 000，学习率设为0.01.

图2 matlab对该神经网络的训练误差变化曲线

应用matlab训练过程如图2所示，该神经网络在短时间内仅仅训练6614次后就达到非常高的精度，达到0.001，这充分体现了BP神经网络的学习的可靠性.最后选取了最后四组历史数据，输入上述训练好的网络用于对训练好的神经网络的可靠性的检验，输入该训练好的BP神经网络进行预测，测试样本的交通总延误的预测值与期望输出值之间的四组误差分别是 -23.860 3，10.050 3，-30.8879，51.518 7(单位均为 辆·s)，相对误差分别是3.18%、1.22%、3.95%、6.32%，误差均保持在7%以内，预测精度在可以接受的范围内.所以可以得出结论:在一定的误差范围内，BP神经网络在预测信号交叉口进口车道短时交通延误方面具有较强的可靠性与良好的适应性.

3 结论

应用BP神经网络利用信号交叉口的交通延误数据，进行了交叉口交通延误预测的探索，取得了较为满意的效果，验证了BP神经网络的有效性.BP神经网络经过充分而恰当的训练之后，能够对将来短时期(如将来5 min)的信号交叉口进口车道的交通延误进行较为精准的预测，这个结果有着比较重要的现实意义，将该预测信息与交通流的其他特性相结合，进行综合分析、评价和预测城市交通的咽喉——城市道路交叉口的将来交通状况，这对于交叉信号配时的优化，交通管理水平的提高，准确交通信息的及时发布等方面有着重要的实践意义，有利于提高交叉口通行效率，提高整个路网运行质量，有助于降低燃油消耗，减少环境污染.进一步的研究工作可以从以下几个方面入手:

(1)本文所用的数据是在交通流强度不大，相对比较平稳的情况下调查所得，BP神经网络以该数据集合为样本进行学习训练，这是BP神经网络在信号交叉口进口道延误预测方面的初步尝试，可尝试在更加复杂的信号交叉口或容易出现交通延误地段获取数据，建立相应的神经网络模型并进行学习训练，使之对更加复杂的交通流状态也具有实用性;

(2)由于选取的训练数据和检验数据的样本空间相对较少，一定程度的偶然性因素不能排除，在实际应用中可以将海量的历史数据应用于所建立的神经网络模型的训练，这样能更加符合实际情况，实际应用效果会更佳.另外，本文用于建立和训练模型的数据在采集过程中可能由于各种原因造成个别数据出现错误，在应用的时候并没有进行数据清洗工作，可考虑减少冗余错误信息对网络学习训练的干扰，优化所建立的神经网络.

［1］姜桂艳，常安德，牛世峰，等.基于BP神经网络的交通数据序列动态可预测性分析方法［J］.北京工业大学学报，2011，37(7):1019-1026.

［2］巫威眺，靳文舟，林培群，等.基于BP神经网络的道路交通状态判别方法研究［J］.交通信息与安全，2011，29(4):71-74，79.

［3］徐树安.人工神经网络交通流预测算法研究—结合粒子群、小波和混沌的方法［D］.柳州:广西工学院，2010.

［4］吴明晖，黄辉先，付寿昌，等.平面交叉路口信号优化控制模型［J］.兵工自动化，2005，24(4):74-75.

［5］冯树民，慈玉生.居民出行产生量BP神经网络预测方法［J］.哈尔滨工业大学学报，2010，42(10):1624-1624

［6］徐今强，张裕清.基于BP神经网络的城市交通流预测研究［J］.现代电子技术，2006，29(23):104-106.

［7］XIE YISHENG，SHEN GUOJIANG，CHEN XIANG.Fuzzy neural network control technique and its application in a complex intersection［J］.Energy Procedia，2012(16):1408-1415.

［8］ZHANGXIAOLI，HEGUOGUANG.Forecasting approach for short-term traffic flow based on principal component analysis and combined neural network［J］.Systems Engineering-Theory＆ Practice，2007，27(8):167-171.

［9］FAN XIAOPING，LIU YAOWU.Alterable-Phase Fuzzy Control Based on Neutral Network［J］.Journal of Transportation System Engineering and information Technology，2008，8(1)，80-85.

［10］金勇，姚荣涵.单点交叉口固定信号配时优化模型［J］.大连交通大学学报，2011，32(6):30-35.

［11］刘智勇.智能交通控制理论及其应用［M］.北京:科学出版社，2003:55-81.

［12］蔺荻.基于移动通信增值业务平台的智能交通系统研究［D］.北京:北京邮电大学，2008.