《基于BP神经网络的高速公路交通量预测探析》-工学论文，工程论文-论文范文参考-科学狗论文网

标题

基于BP神经网络的高速公路交通量预测探析

范文

齐远

摘要：在高速公路工程交通量预测中，通过应用BP神经网络，能够对实时交通量进行统计分析。本文首先对BP神经网络技术进行介绍，然后对基于神经网络的交通流量预测模型算法以及交通量预测模型的评价指标进行分析，并结合实例，对BP神经网络在高速公路交通量预测中的应用方式进行详细探究。

Abstract： In the traffic volume forecast of expressway engineering， through the application of BP neural network， real-time traffic volume can be statistically analyzed. This article firstly introduces the BP neural network technology， and then analyzes the neural network-based traffic volume prediction model algorithm and the evaluation index of the traffic volume prediction model， and combines examples to analyze the application of BP neural network in the expressway traffic prediction.

关键词：BP神经网络技术;高速公路交通量;预测

Key words： BP neural network technology;expressway traffic volume;prediction

中图分类号：U495;U491.113 ? ? ? ? ? ? ? ? ? ? ? ? ?文献标识码：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章编号：1006-4311（2020）24-0163-02

0 ?引言

交通量指的是在单位时间内，通过道路工程某个断面的车辆总数，在高速公路交通量预测中，可采用灰色理论、时间序列等方式创建交通量预测模型，虽然能够对交通量进行准确预测，但是交通量预测具有非线性特性，因此存在一些弊端。对此，为了能够准确反映出交通量实际情况，保证决策的合理性以及及时性，可采用BP神经网络创建高速公路交通量预测模型，能够有效提升交通量预测的准确性以及可靠性。因此，亟需对基于BP神经网络的高速公路交通量预测方式进行深入研究。

1 ?BP神经网络技术概述

BP神经网络是一种先进的非线信模拟技术，具有自学习、自组织以及自适应等特征，可被应用于多输入以及多输出系统创建中。BP神经网络主要被应用于以下两点：第一，对复杂系统进行优化以及计算;第二，对内部位置系统进行模拟分析。其中，高速公路交通量预测属于上述第二种应用方式。根据BP神经网络的连接形式，可将其分为两种类型，即没有反馈的前向网络以及相互结合型网络。其中，前向网络是由输入层、中间层以及输出层所组成的，其中对于中间层，又可被分为多个组织层，各层神经元均只能够接受由上一层的神经元的输出内容，因此，能够有效实现输入层节点状态空间至输出层状态空间之间的非线性映射。BP神经网络为多层前向网络，是由输入层、中间层以及输出层所组成的，其中，中间层为多层结构，在BP神经网络的实际应用中，三层神经网络的应用比较常见，其是由输入层、一层中间层以及输出层所组成的。BP神经网络的学习过程如图1所示，具体包括向前传播以及向后传播两部分内容。对于误差函数的计算过程即输出层向输入层进行反向传播的过程，在BP神经网络的实际应用中，通过反复学习训练样本，即可对权值进行优化修整。在BP神经网络的训练过程中，对于学习过程，可分为两个内容：第一，首先将数据输入至网络输入层中，当神经元接受到數据信号后，即可通过神经元传递至中间层中，再由中间层中的神经元将数据传递至输出层。第二，通过应用BP神经网络，能够将实际输入与目标进行比较分析，如果二者之间的误差大于给定值，则需将误差向后传递至输出层中。

2 ?基于神经网络的交通流量预测模型算法

在高速公路交通量预测中，某一路段的交通量预测结果与前几个时段所的交通量有一定关联，路段是路网中的组成部分，因此，某一路段中的交通量主要受上下游不同路段交通量的影响。因此，在对高度公路交通量进行预测时，可对某一路段前几个时间段的交通量进行分析，然后对未来的交通量进行合理预测分析。

在上述公式中，marerr指的是绝对值分数预测结果的误差，交通量预测结果与实际测量值的拟合度可用EC标识，如果EC达0.9以上，则拟合比较好。

4 ?BP神经网络在高速公路交通量预测中的应用实例

4.1 数据来源 ?因高速公路封闭、行驶条件良好、冲突点和道路影响远低于城市道路，且高速公路检测体系完善、高速公路网联网系统的统计数据完备全面，因此，高速公路联网系统统计数据是模型良好的测试平台。本项目利用1144套联网门架构建的2020年4月份湖南省高速公路联网系统作为数据样本来源。

4.2 数据处理 ?选取长益高速公路关山附近路段2020年4月9日6：00～17：00期间的数据作为训练样本，据此预测17：00～19：00时段内交通量，预测间隔为2min。第一，采用Matlab7.0软件工具箱中的神经网络函数，对17：00～17：02时间段交通量进行预测。第二，将6：00～17：02的实测数据作为新的训练样本，对17：02～17：04时间段交通流量进行预测，依次类推，直到预测完毕。

4.3 数据结果 ?交通量预测结果如图2和图3所示，通过对图2和图3进行分析可见，神经网络模型预测效果好，对于预测误差，能够控制在10%以内，平均绝对相对误差为4.47%，预测结果精度高。另外，神经网络训练所需时间比较短，为5.832s，因此可被推广应用于高速公路交通量预测中。

5 ?结语

综上所述，本文主要对BP神经网络在高速公路交通量预测中的应用方式进行了详细探究。通过对高速公路交通量进行准确预测，能够为高速公路服务水平评估、高速公路运营管理提供可靠依据。通过应用BP神经网络创建高速公路交通量预测模型，与传统的交通量预测方式相比，不仅操作方式便捷，而且灵活度更高，能够保证交通量预测结果的准确性和可靠性。

参考文献：

[1]姜晓辉，胡勇，彭楚元，等.基于BP神经网络的软件可靠性安全性评价方法[J].计算机科学与应用，2019，009（002）：214-219.

[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，2019，36（04）：117-124.

[3]赵怀柏，王逸凡，宋晓鹏.基于遗传算法优化BP神经网络的交通流预测[J].交通与运输，2017，3（02）：37-41.

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。