基于遗传算法优化BP神经网络的城市道路车速动态预测方法

海雨之霖 赵博选 黎敏琦 董丽华

摘  要：车速预测对于考虑实际交通特性的车辆路径规划十分有必要，本文将相邻路段与待预测路段的当前时刻和历史时刻的车速作为输入，建立了基于BP神经网络的车速预测模型，并采用遗传算法优化神经网络的权值和阈值，以提高预测模型的精度。与传统BP神经网络构建的预测模型相比，该方法提高了预测精度。

关键词：车速预测;BP神经网络;遺传算法

城市道路路径规划可降低最后一公里配送的成本，提高配送效率，但动态的城市道路同行情况使得路径规划在一定时间后失效，因此为了应对交通时变特性对路径规划的影响，预先的道路通行速度预测变得十分必要。徐韬[2]利用小波变换较强的时频域特性，运用平移不变小波变换对数据去噪，对去噪后的数据建立 arima 模型，最后对浮动车辆的速度进行预测和分析。袁鲁山[3]通过研究分析车速数据时间序列特性，利用NAR神经系统网络在处理非线性与时变性时间序列上的优势建立预测模型，对车速进行有效预测。牟涛等[4] 通过客观分析与主观分析方法相结合的方式，使用BP神经网络有效地预测了高速公路安全车速。

传统BP神经网络收敛速度慢，易陷入局部最优解，影响预测结果的准确性[5]。若利用遗传算法优化神经网络参数，就可以较好的提高收敛速度，防止陷入局部最优。本研究探讨基于遗传算法的神经网络预测市区路段车流量方法，考虑车速的时空特性，将待预测路段及其相邻上、下游路段的历史车流量数据作为网络输入，预测数据作为网络输出，通过遗传算法获得网络的较优权值和阈值，以降低网络预测误差，加快收敛速度，通过测试，该方法提高了预测精度。

1 BP神经网络车速预测模型

1.1模型的拓扑结构

要预测某一指定道路的车速，若仅根据当前道路的时间序列建立车速预测模型，则BP神经网络车速预测模型的训练过程只是在学习历史车速的相关性，但道路并不是孤立存在的，而是与其相邻道路连接构建成交通路网，因此车速还会受到其他道路车速的影响。将实际复杂路网简化为如图1所示的交通环境图，待预测道路的上游相邻路段道路1、道路2和道路3的车流会在路口A汇入待预测路段，同时该路段的车流会随着时间的推移在路口B依次汇入下游相邻路段道路4和道路5。由于道路车速与道路车流量成反比，即道路车流量越大则该道路的平均通行车速越慢，若下游相邻路段车速低，则意味着这些路段车流量大，进入了拥堵状态，那么待预测路段车流从路口B 汇入下游路段时等待的时间会相应的延长，导致待预测路段车速降低;若上游相邻路段车速高，则意味着上游路段车辆从路口A汇入待预测路段的车流量增加速度变快，可能导致待预测路段的道路车速降低。由此可见，预测某一道路的车速并不能仅将该道路的速度时间序列作为模型输入，还需要考虑其空间特性，从时空相关性的角度设置BP神经网络车速预测模型的输入。

Vnt表示路段n在t时刻的平均车速，任意一个路段的下一时刻的拥堵状况是由相邻n-1个路段和当前路段的t个时刻的拥堵状况来预测的。

以图1为例，与待预测路段相连的有5个上下游路段，则n为6，若t为3，则最终利用相邻路段1、2、3、4、5与本路段6的当前时刻和前2个时间段的拥堵等级进行预测。输入层神经元个数由输入向量可知为18，输出层神经元个数为1，BP神经网络车速预测模型拓扑结构如图2所示。

1.2模型的参数设置

1. 隐含层神经元数目

在BP神经网络中，输入层和输出层的神经元个数是确定的，隐含层的神经元个数通过经验公式（2）确定

2. 激活函数

一般来说，对于像车速预测这样的高度非线性的映射问题，用得较多的激活函数是 S型函数，它包括值域在（0，1）区间的Sigmoid 函数和值域在（-1，1）的正切函数，本文选用Sigmoid函数作为激活函数。

3. 训练算法

经初步试算发现，固定变比的变梯度算法trainscg效果较好，因此选用trainscg作为训练函数。

02 基于遗传算法优化BP神经网络

初始种群中的每个个体包含随机生成的权值和阈值，采取实数编码方式对个体染色体进行编码，使用平均百分比误差（MAPE）作为适应度函数，基于所采取的适应度函数的评价标准，函数值越低则适应度越优，个体更容易被选择，继而进行染色体交叉、变异，多次迭代后从新种群中选出最优个体，即最优初始权值、阈值。遗传算法更新BP神经网络的详细操作步骤如下：

Step1，确定BP神经网络的拓扑结构。根据训练样本确定输入层神经元个数m、隐含层神经元个数h、输出层神经元个数n。

Step2，个体染色体编码，获得初始种群，并确定最大迭代数G，每个染色体依据权值和阈值的取值范围随机生成，采用实数编码，长度为（m×h+h+h×n+n）。

Step3，解码得到权值和阈值。

Step4，将权值和阈值赋给BP神经网络。

Step5，使用训练样本训练网络，并计算个体适应度。适应度函数为MAPE

Step6，依次进行选择操作、交叉操作和变异操作。

Step7，重复进行Step3-Step6，每进行1次，种群就进化1次，连续进化到第G代或达到个体最优适应度。

Step8，将新种群适应度最优的个体解码，获得最优初始权值和阈值，代入BP神经网络预测。

2.1选择算子

本研究采用轮盘赌法选择个体，其基本思想是，被选中的概率与个体的适应度成正比。轮盘赌选择算子的详细步骤如下：计算每个个体能够遗传到下一代的概率 ;依次计算每个个体的累积概率 ;在[0，1]区间内生成随机数，若满足式（4）则个体k就被选择进入子代种群，此操作重复进行，直到子代种群规模为M。

其中，xAt+1是变异之后的染色体，xA是变异之前的染色体，k是变异的一个常数，取值为（0，1]，xmax是个体的上限，xmin是个体的下线，r是产生的随机数。

03 实例分析

3.1 实验数据和参数设置

以北京市鼓楼西大街为例，为预测该道路24小时内的车速，如图4所示，该路段共有4个上下游路段，则n=5，令t=4，那么训练样本中需要包含相邻路段1、2、3、4、和本路段5的当前时刻和前三个时间段的道路车速进行预测。

实验数据来自于北京市公共数据开放平台，2016年4月25至2016年4月29日5个工作日，鼓楼西大街（地安门外大街至旧鼓楼大街）及其相邻上下游道路的车速数据（采样间隔为5分钟），以地安门外大街为例，道路的车速原始数据集如表1所示。

首先对原始道路车速数据预处理，得到1140个车速数据点，每5组数据为1期（前4期数据作为模型输入，第5期待预测道路的车速为模型输出），以此类推。基于上述规则，利用前4个工作日的1152个车速数据点滚动式[9]建立848个输入输出数据集，构成模型的训练集，第5个工作日的车速数据点建立288个输入输出集，构成模型的测试集。所选详细数据见表2所列。

在本实验中，BP神经网络的输入层神经元个数为20，输出层神经元个数为1。参照公式并通过多次试验反复比对，最终确认当输入层神经元个数为12时，BP神经网络车速预测模型的预测结果更好。最大迭代次数为5000，目标误差为0.00001，学习率为0.01。BP神经网络模型的预测结果与实际车速比较如图4所示。

GA-BP车速预测组合模型的种群规模为50，终止迭代次数为50，交叉进行概率为0.7，变异发生概率为0.05。GA-BP组合车速预测模型的预测结果如图5所示。

3.2 预测结果评价

本文采用均方根误差（RMSE）和平均百分比误差（MAPE）评价指标评价模型预测结果。

用于评价2种车速预测模型预测效果的详细数据见表3所列。

北京市的早高峰时段为7：00am-9：00am，晚高峰时段为5：00pm-8：00pm，现评价2种车速预测模型在早高峰和晚高峰时段，即时间序列85-109，205-241的预测效果，详细数据见表4所列。

由表3和表4可知，将BP神经网络与GA-BP组合2种变形预测模型的评价指标相比较，不论是全天的车速预测还是高峰时段的车速预测，基于遗传算法的BP神经网络都能够提升预测精度，具有良好的预测效果。

结束语

各个时段的道路通行速度预测有助于提高路径规划的可靠性和有效性。为了更好地掌握和预测指定路段的车速，本文建立了两种车速预测模型，分别为传统BP神经网络车速预测模型和基于遗传算法的BP神经网络车速预测模型，并结合鼓楼西大街及其相邻上游和下游路段车速检测数据，综合比对分析2种变形预测模型的预测结果可以看出，基于遗传算法的BP神经网络车速预测模型，无论是全天车速预测还是高峰时段车速预测，都能够相较于传统BP神经网络车速预测模型提高预测精度。

参考文献

[1] 张智，肖作鹏，张伟，孙永海.社区配送国际经验的探讨[J].研究与探讨，2015（5），27-30.

[2] 徐韬.基于小波-ARIMA的浮动车运行车速动态预测模型[J].江西建材，2017（15）：141-142.

[3] 袁鲁山.基于NAR神经网络的车速预测及应用[D].大连理工大学，2016.

[4] 張徽阳.基于深度学习的道路车速预测算法的研究与实现[D].北京邮电大学，2020.DOI：10.26969/d.cnki.gbydu.2020.001955.

[5]Holland J H.Adaptation in natural and artificial systems[M].Cambridge， MA，USA：MIT Press，1992.

[7] 周志华.机器学习[M].北京：清华大学出版社，2016.

作者简介：海雨之霖（1999-），女，回族，陕西安康人，长安大学本科在读，物流工程专业

通讯作者简介：赵博选（1986-），男，汉族，陕西西安人，博士研究生，讲师，研究方向：物流系统建模与优化技术

基金项目：2021年国家级大学生创新创业训练计划项目资助（项目编号：202110710015）