城市道路交通流预测与交通状态识别方法研究--中国期刊网

字体：大中小

首页> 原创作品> 正文

城市道路交通流预测与交通状态识别方法研究

发表时间：2020/12/30 来源：《建筑科技》2020年7月上作者：倪晓

[导读] 随着社会发展水平的提高，城市小汽车保有量不断增加，公共交通、私家车、轨道交通等出行方式体系十分发达。

身份证号码：3709111989040****7 倪晓

【摘要】随着社会发展水平的提高，城市小汽车保有量不断增加,公共交通、私家车、轨道交通等出行方式体系十分发达。然而，车辆行驶总量的增加导致交通事故发生的概率大大增加。目前,它已成为影响城市运行效率的重要因素之一，也将对人民群众的生命财产安全构成威胁。因此，在智能交通理念下，针对城市汽车保有量不断增加的趋势，本文提出利用交通流实时预测和交通状态实时识别、城市道路交通状况实时跟踪、评价和预警的方法,具有十分重要的意义缓解城市交通拥堵、道路安全、环境污染等问题。
【关键词】城市道路;交通流;预测;交通状态;识别
        【引言】信息时代背景下，建设智能交通系统是中国交通发展的主要目标，城市道路交通流量预测和交通状态识别是实时了解城市道路交通状况的基础，具有重要的现实意义。因此,本文以克拉玛依地区为例，探讨了当前技术条件下的城市道路交通流量预测方法和交通状态识别方法,为交通流量预测方法和交通状态的分析与探索提供参考和参考各个地区的识别方法。
        一、准实时交通流预测方法
        （一）准实时交通流预测的概念
       短时预测存在的普遍性问题即为周过长，不能够将一定时期内的交通状况清晰的完整的反应出来，并且其实时信号不能够与实际交通流量实现完全匹配，基于此，以短时交通流预测为基础,尽量将其周期缩短到秒级，这种缩短到秒级的短时交通流预测即被命名为准时（Quasi-Real Time）交通流预测。
        （二）准实时交通流预测的原理?
       相对比于传统的交通流预测方法来说，准实时交通流预测方式实时性更明显，有利于提升智能交通系统的应用效率，有利于提升交通业的实效性和安全性。准实时交通流应用的主要原理为:以每一天、每一个星期、每一个月甚至是每一个年为单位，不难发现道路交通流的实际分布具有十分明显的规律性，但是具体到每一个特定路段，会发现其某天某时刻的交通流又存在着一定程度的随机性，没有任何规律可言，由此可见，利用历史交通流数据预测当下的道路交通流并不能够完全的准确的将当前实际交通形态反映出来。
        （三）准实时交通流预测的特征
        准实时交通流预测的特征主要体现在两个方面：其一为实时性，该预测方式的时间间隔极短，能够更快速的得到当下的预测结果;其二为准确性，预测结果必将服务于道路交通信号的实际控制之中，而只有准确的预测结果才能够实现交通道路的信号控制。对于交叉口的信号灯来说，只有实时的准确的信号灯指示，才能够对交通拥堵情况进行缓解。?
        二、基于BP神经网络为核心的交通流预测方法
　    （一）BP神经网络在实际应用中存在的问题
　    　BP神经网络算法是一种应用比较广泛比较优秀的局部搜索算法,同时该预测方法也存在着一定程度的局限性：算法性能的优劣取决于当下的网络环境。BP神经网络对于初始网络权重来说具有十分高的依赖性和敏感性，在不同的初始网络权重的影响下，BP神经网络算法于不同局部极小收敛，最终致使每次试验所得的数据结果都各不相同。并且对于初始化BP神经网络来说，其阈值和权值都存在很大程度的不确定性,致使网络接收训练时也存在着随机性，由此可见，对阈值和权值进行优化有助于实现BP神经网络下预测结果的改进.有利于获取到更优质的预测方法。

期刊文章分类查询,尽在期刊图书馆

        （二）遗传算法在BP神经网络中的优化方法
　　    遗传算法（Genetic Algorithm，GA）指的是对最优化问题进行解决的一种搜索启发式算法该算法以可扩展性为主要特征，能够与其他算法进行结合,进而形成将两方优点相结合的优质混合算法。基于BP神经网络预测方法本身存在的缺陷性，利用GA来展开优化，能够对其初始化状态下的阈值和权值进行有效优化，能够更好的对BP神经网络展开实际训练和预测。利用遗传算法优化BP神经网络的主要思想为：将网络初始状态下的阈值和权值以个体进行代表，以个体值在BP神经网络初始化时存在的预测误差作为该个体的理论适应度值，通过交叉、操作、选择操作、变异操作等多种方式探寻到最优个体，得出最优的初始状态下BP神经网络的阈值和权值。利用遗传算法对BP神经网络进行优化主要涉及到以下几个步骤：其一为种群初始化，应用实数编码的方式对个体进行编码，由实数串代表个体，实数串包括隐层到输出层的权值、阈值，输入层到隐层的权值、阈值四个部分，形成随机初始种群;其二为获取个体评价函数，以其一所得到的权值和阈值为基础建立个体适应度函数;其三为选择运算，通过轮盘赌法将优良个体遗传到下一个群体;其四为交叉运算，交换部分染色体形成全新的个体;其五为变异运算，将选中的个体以每一个或某一些基因值、某一概率进行更改、转换为其他基因其六为通过GA优化的方式获取到最优个体并对BP神经网络初始化状态下的阈值和权值进行替代，展开后续训练，获得最优结果[3]。
　　    （三）以小波神经网络为核心的短时交通流预测方法
　　     BP神经网络应用广泛，目前在人工智能、图像处理等领域的应用都相对成熟，人们也开始从简单应用向更深层次展开探究，导致BP神经网络的局部极小点、收敛速度慢等缺陷被暴露出来,针对BP神经网络存在的不足，展开深入探究，提出了小波神经网络。该神经网络以小波理论为基础，对现有的神经网络进行优化与改进，其在人工神经网络中的应用，具备利用单个神经元有限非线性处理激活函数的功能，有序组织众多有限处理单元形成网络，更适合应用到复杂问题的处理中[2]。从本质上来讲，小波神经网络可以根据要求构建具有针对性的数学模型,但构建过程中构建模式则要以小波神经网络模式为主，要求有输入/出以及隐含逻辑处理层，与BP神经网络相比小波基函数作为激活函数成为可能。
        在实际应用过程中，可以根据短时交流数据的周期性以及随机性特征数据对小波网络拓扑结构设计提出要求，小波神经网络在选用激活函数时会自动选择具有高分辨率的Motlet小波基函数。应用的具体流程为：第一步对数据展开统一化处理，转换样本格式;第二步根据训练需求设定网络参数，如网络各层级神经元的权重、小波基函数伸缩改变量等;第三步对数据集进行分类，利用现有输入样本集合划分成期望输出模式以及训练模式两个向量集合;第四步在网络中输入训练样本，获得对应的输出值，并对比预测与期望输出两者差值，精准计算预测误差;第五步动态调节网络内部参数因子第六步对网络训练结束标识进行判断，如果出现训练次数达到上限以及误差小于阈值的情况，可以展开下一步的操作，如果为其他标识则需要继续重复第四步骤第七步为预测已经完成训练的小波网络反归一化预测结果，获得最终预测结果。
        【结束语】总而言之，城市道路交通运行非常复杂，很难清晰地反馈运行状态和交通流信息。然而，我国也在不断探索。目前在城市交通流预测方面取得了突出的成绩。BP神经网络、小波神经网络和模糊聚类算法在实际中得到了应用。本文以克拉玛依市为例，探讨了BP神经网络和小波神经网络在交通流预测中的应用以及模糊聚类算法在交通状态识别中的应用，希望能为全国各地提供有益的启示，完善交通流预测和交通状态识别方法，推动我国智能交通系统建设进程。
【参考文献】
[1]刘艺，张琨.基于小波去噪和GA-Elman神经网络的短时交通流预测[J].交通科技与经济，2017，92（6）：86-91.?
[2]唐智慧，郑伟皓，董维，等.基于交互式BP-UKF模型的短时交通流预测方法[J].公路交通科技，2017，36（04）：121-128.
[3]蔡翠翠，王本有，李石荣.基于IPSO-BP神经网络的短时交通流量预测[J].四川理工学院学报（自然科学版），2016，32（01）：29-34.