基于BP神经网络的交通数据序列动态可预测性分析方法35

发布时间：2017-01-05 10:29

本文关键词：基于BP神经网络的交通数据序列动态可预测性分析方法，由笔耕文化传播整理发布。

第37卷第7期2011年7月；北京工业大学学报Vol．37No．7；Jul．2011；JOURNALOFBEIJINGUNIVERSI；基于BP神经网络的交通数据序列动态；可预测性分析方法；1，222322；姜桂艳，常安德，牛世峰，丛玉良，程德明，王秋兰；（1.吉林大学汽车动态模拟国家重点实验室，长春1；3.吉林大学通信工程学院，长春130022）；要：为了

第37卷第7期2011年7月

北京工业大学学报Vol．37No．7

Jul．2011

JOURNALOFBEIJINGUNIVERSITYOFTECHNOLOGY

基于BP神经网络的交通数据序列动态

可预测性分析方法

1，222322

姜桂艳，常安德，牛世峰，丛玉良，程德明，王秋兰

（1.吉林大学汽车动态模拟国家重点实验室，长春130022；2.吉林大学交通学院，长春130022；

3.吉林大学通信工程学院，长春130022）

摘

要：为了进一步改善交通数据序列短时多步预测的效果，提出了交通数据序列动态可预测性分析的思想，

在设计了交通数据序列动态可预测性关联数据特征指标的基础上，基于BP神经网络建立了交通数据序列动态运用某城市快速路主线与匝道车辆检测器的实际数据对该方法进行了验证，并与不同固定可预测性分析方法，

预测步数条件下的预测效果进行了对比分析．结果表明，所提出的方法能对交通数据序列的可预测性进行在线分析，在保持预测精度的情况下，可最大限度地增加交通数据短时预测的步数．关键词：交通工程；短时预测；可预测性分析；BP神经网络中图分类号：U491

文献标志码：A

文章编号：0254－0037（2011）07－1019－08

［1］

交通数据短时预测是交通控制与诱导的重要基础，一直是智能交通领域研究的热点．目前，交通数据短时预测方法大部分局限于一步预测，用于消除交通数据采集的时间延迟．从交通控制与诱导的角度

看，迫切需要多步预测结果，以体现交通流在更长时间内的发展趋势．目前，对交通数据短时多步预测方法的研究较少，由于采用了固定的预测步数，无法体现交通数据序列特征变化对短时多步预测效果的影响．

数据序列可预测性分析是指在进行预测之前给出数据序列的可预测程度．目前，研究者主要基于混

［2］［3］［4-5］［6］

、沌理论对交通数据序列的可预测性进行分析，王进等、王正武等、黄中祥等张玉梅等、李松分别进行了相关的研究．基于混沌理论的交通数据序列可预测性分析需要较大的样本量，一般大于等

150个［9］，如此大量的样本已不能反映短时交通数据序列的实时特征．因此，这种方法只能对交通数据序列整体的可预测性进行静态分析，而无法对交通数据序列的可预测性进行动态分析．综上所述，目前尚无对交通数据序列动态可预测性（dynamicpredictabilityfortrafficdataserials，DPT）进行分析的方法，严重限制了交通数据短时多步预测的效果．因此，本文提出DPT分析的基本思想，以此

并基于BP神经网络建立DPT分析方法，最后运用某城市快速路车辆为基础设计DPT关联数据特征指标，检测器的实际数据进行验证和对比分析．

［7-8］

1DPT分析的提出

根据数据序列的可预测性，可以将交通数据序列分为确定性数据序列和随机性数据序列2种．随机

性数据序列是不可预测的，只能用概率描述．确定性数据序列又可分为周期性数据序列、准周期性数据序列和混沌性数据序列，其中，周期性数据序列和准周期性数据序列都具有非常好的可预测性，通常可以用一定的函数关系表达其发展趋势，不需要进行动态可预测性分析．因此，只有混沌性数据序列才需要进行

11-16．收稿日期：2009-“八六三”基金项目：国家计划资助项目（2007AA11Z245）；高校博士点基金（20070183129）．作者简介：姜桂艳（1964—），女，黑龙江鸡西人，教授，博士生导师．

［2］

可预测性分析．已有研究成果表明，交通数据序列有明显的混沌特性，具有短期可预测性．

本文将交通数据序列可预测性分析分为静态可预测性分析和动态可预测性分析．静态是指在进行预

测之前，分析交通数据序列是否具有可预测性及其关键影响因素，现有的可预测性分析成果能满足这种需要；动态是指在预测方法和交通数据一定的前提下，动态地分析某时刻交通数据序列在一定的误差范围内可以预测的步数，是本文需要解决的问题．两者具有顺承关系，静态可以为动态提供基础信息，动态只有对具有特定静态可预测性特征的数据进行分析才有意义．

基于以上分析，本文将交通数据序列的动态可预测性定义为：在交通数据序列和预测方法确定的基础某时刻交通数据序列多步预测结果的相对误差连续小于阈值k的最大步数．上，

2DPT分析的基本原理

不同时段的交通数据序列具有不同的动态特征，而具有不同动态特征的交通数据序列对应不同的预测步数，交通数据序列的动态特征与其可预测步数呈较好的总体对应关系．本文将对这种对应关系进行设计其定量化表达方法，以实现利用交通数据序列动态特征对其可预测步数进行估计的目的．深入分析，

DPT分析的基本过程是，基于以上分析，首先通过比照分析获得与交通数据序列可预测性具有较强关联关系的数据序列特征，并设计合适的特征指标对各关联数据特征进行量化，在此基础上，建立DPT估计

模型．

需要说明的是，，在预测对象一定的情况下，改变预测方法会在一定程度上改变实际可预测步数序列的具体数值，可能使可预测步数与交通数据序列动态特征之间的数量关系发生变化，但二者之间仍然会存在所以预测方法的改变不会影响建立交通数据序列动态可预测性估计模型的方法，只会影响某种对应关系，

本文选用移动平均法作为预测方法．估计模型的具体参数．为了计算方便，

3.1

DPT关联数据特征指标设计

DPT关联数据特征分析

序的定

型、与

表

（xi－）n－1

A·

B（t）=

∑i=1

（1）

B（t）为波动性特征指标；n为交通数据序列关联数据特征分析的时间窗口长度；xi为时间窗口内第i式中，

个数据；为时间窗口内所有数据的期望；A为缩放系数，根据数据特点确定，本文中A取15．由图2可知，交通数据序列波动性指标与可预测步数在总体上成反比关系，当波动性指标较大时，可预测步数较小，反之，可预测步数较大．

2）趋势性特征指标

趋势性特征指标是用于表征交通数据连续上升或连续下降程度的指标．在通常情况下，可以采用斜率表征数据序列上升或下降的程度，因此，本文以斜率为基础构建交通数据序列的趋势性特征指标，具体其变化趋势与可预测步数序列变化趋势的关系如图3所示．如式（2）所示，

t－kτ

（xi+kτ－xi）∑n－ki=t－nτ

Q（t）=

B·

（2）

Q（t）为趋势性特征指标；k为数据序列斜率计算的梯度；B为缩放系数，式中，根据数据特点确定，本文中B取2．

（3）

为了提高模糊熵对交通数据序列不确定性变化的灵敏度，将其定义为

H=C·log2m+

(

p0klog2p0k)∑k=1

（4）

1022北京工业大学学报2011年

确越定关标

指

逼广，以层确

MAE=

∑i=1

^||bi－bi

^ji||yji－yyji

（5）（6）（7）

MAEp=

MAEjp∑j=1

第7期姜桂艳，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1023

MAEm=

^为i时刻的训练可预测步数；yj为i+j时刻的实际值；y^ji为bi为i时刻实际可预测步数；b式（5）～（8）中，ii

i时刻第j步的预测值；n为处理数据的条数；bg为估计预测步数序列；bs为实际预测步数序列；p为最大可能预测步数．4.2.2

训练数据集准备

数据特征指标序列与可预测步长序列的相关性越强，神经网络的训练效果越好．为了改善研究发现，

本文在利用原始数据获得神经网络的训练数据集时，进行数据特征指标与可预测步数序列之间的相关性，

了如下2步处理：

1）为了能得到反映数据本质特征和可预测性的训练数据，屏蔽交通数据中的随机突变数据对可预测步数序列和数据特征指标序列的影响，在对交通数据进行了一定程度平滑的基础上，计算平滑后数据的特征指数和相应的可预测步数序列．

2）为了提高不同预测步数所对应特征指标间的区别度，加强特征指标序列与可预测步数序列的相关程度，对通过步骤1）获得的可预测步数进行分组分析，将连续的可预测步数序列分成C个固定的步数类，并给每一类赋予固定的可预测步数值，本文中C取4，具体分类如表1所示．

表1

Table1

组号1234

可预测步数分类表

赋值可预测步数

24812

Theclassificationofpredictabilitystepsnumber实际可预测步数

［0，3］［4，8］［9，15］［16，∞］

E（bg）－E（bs）

E（bs）

（8）

为了使训练后网络可以较好的满足第2个目标，每个分组赋值都赋予分组的下限值．由于一步预测只能消除数据采集产生的时间延误，二步预测才能算是真正意义上的预测，所以第一分组赋值为2．4.2.3

训练参数选择

在BP神经网络结构确定的前提下，隐层神经元的个数和训练误差目标是决定网络性能的2个关键参数，本文通过如下方法对其进行确定．

1）隐层神经元个数选择，分别训练隐层神经元个数为2～30的所有BP神经网络，通过MAEb选取训练效果最好的神经元个数．

2）训练误差目标选择，提取步骤1）获得的最优神经元个数的网络，以一定的间距选取某一误差区间

MAEp和MAEm选取最优的网络作为选定内的所有数值为训练误差目标，对网络进行训练，并根据MAEp、0.04，0.25］，网络．本文中误差区间为［选取间距为0.01．

5.1

实证分析

数据来源

本文以某城市长约10km的快速路路段为对象，包括24个主线检测截面的88个主线检测器和30个

速度和占有率匝道检测截面的60个匝道检测器．获取了2008年9月—10月连续5个周一24h的流量、数据，时间尺度为5min．5.2

实证方案设计

本文实证研究的方案是，任选实验路段中的1个检测器，任取其4d的实测数据对DPT分析方法进行

标定，用剩余1d的数据对所标定的方法进行测试，再用实验路段上其他检测器的实测数据对所标定的方

下载地址：基于BP神经网络的交通数据序列动态可预测性分析方法35.Doc

　　【】