灰色模型和BP神经网络组合模型在交通流预测中的应用

灰色模型和BP神经网络组合模型在交通流预测中的应用

胡争1周青山2

1深圳市地籍测绘大队广东深圳518000；2湖南城市学院湖南益阳413000

摘要：交通流预测是交通控制与管理，交通状况改善的重要参考指标。本文建立灰色模型和BP神经网络相结合的组合模型，利用灰色模型对实际监测到的数据进行拟合、预测，得到预测值和预测残差，将预测残差输入到神经网络模型进行残差的学习、仿真和预测，残差预测值和灰色模型预测值的和值作为最终预测结果。结果表明，用灰色模型对神经网络模型预测进行优化，其预测结果比单一的神经网络建模预测具有更高的准确性和实用性，提高了预测的精度。

1引言

随着经济的快速发展，城市车辆的增多，城市交通拥堵和交通事故等问题越来越凸现出来，城市道路上排长龙现象越来越频繁发生，如何准确地预测交通流量，合理分配现有道路资源，改善城市交通通行情况已成为现代交通控制和交通引导领域的重要课题。但是，交通流受诸多因素影响，存在不确定性、复杂性和随机性，传统的交通流预测方法已经不能满足智能交通系统的需要。目前，国内外常用的交通流量预测方法和模型有平均值法、ARMA、线性回归、非参数回归、神经网络、灰色模型、滑动平均模型等，在交通流预测方面都取得了不错的成果。

2交通预测模型

2.1BP神经网络模型

BP神经元作为一种简单的处理器可以将输入的数据进行加权求和处理，其通用表达式为：

（式1）

式中，（i=1，2，…，n）表示输入值，（i=1，2，…，n）表示权重，k表示阈值，y表示神经元的输出。BP神经网络，即多层前馈式误差反传神经网络，通常由输入层、输出层和若干隐含层构成，每层由若干个节点组成，每一个节点表示一个神经元，上层节点与下层节点之间通过权连接，层与层之间的节点采用全互联的连接方式，每层内节点之间没有连接，典型的BP神经网络是含有一个隐含层的三层结构网络，如（图1）所示[1]。n个输入信号从输入层进入网络，经激励函数变换后到达隐含层，再经过激励函数的映射变换到输出层构成m个输出信号。

图1BP神经网络模型

设神经网络有n个输入神经元、m个输出神经元和p个隐层神经元，则神经元的输出为：

由此得到一系列预测值[2]。

2.3、灰色模型和BP神经网络模型组合

对原始很不确定的车流量数据用灰色预测方法预测一遍，将预测值与实测数据比较得到预测值残差，残差数据构建一组神经网络模型学习数据，通过神经网络学习，仿真，预测得到一组残差预测值，最终预测结果为灰色模型预测值与残差BP神经网络预测值的和。这种结合了两种预测方法的优点在于灰色GM（1，1）一定程度上弱化了原始数据的随机性，容易找出数据的变化规律，同时充分利用了神经网络模型对灰色GM（1，1）产生的残差序列进行修正，并且具有建模所需样本少的优点，同时又考虑到了前、后数据之间或多或少的相关性，充分利用了神经网络的自学习，非线性映射和并行分布处理的能力[3]。从分析上来看，应该比使用单纯的灰色模型或神经网络模型进行预测效果要好。组合模型结构设计如下图2。

图2灰色理论与BP神经网络组合模型

3交通流预测结果及比较分析

本文数据样本采用桂林市解放路某路段连续14个计量时间段的交通流量数据为实验数据，根据经典GM（1，1）模型和神经网络模型构建原理，使用MATLAB软件编写模型程序，进行建模、预测。实验数据见下表1。

表1实测观测交通流量数据

将预测值与实际值比较不难发现，后3个时段流量预测误差为：100、165、210，相对误差超过10%，预测结果不够理想。

3.2灰色GM（1，1）与神经网络组合模型预测

组合模型同样与神经网络取前11个时段作为模型拟合数据，根据灰色模型采用滚动式更新流量数据方式，构建灰色模型预测输入数据。利用观测数据建模，得到时间相应方程式：

从表4中很明显可以看出，单一神经网络模型预测相对误差较大，最大绝对误差达到209.6，最大相对误差达到14.2，误差有增大的趋势。GM（1，1）和BP神经网络组合模型的预测值误差较小，相对误差都小于10%，准确度较高，更接近实测值；预测误差百分比波动较小，说明预测值更加稳定可靠。联合表2、3分析发现组合模型整体拟合精度也高于单一的组合模型，并且组合模型在网络训练次数5000次，为BP网络的10000次的一半，而且其平均相对误差也优于BP网络，说明组合网络比单一BP网络在交通流预测中具有更好的拟合度。

4、结束语

本研究将GM（1，1）模型与BP神经网络结合模型应用在交通流量的预测中，应用灰色建模弱化神经网络网络学习和记忆不稳定性的不足，神经网络修正了GM（1，1）预测误差，减小了灰色模型对数据的波动性不适应的缺点，采用组合模型充分利用两模型各自的优点，提高了预测结果，使模型在交通流预测方面具有更好的效果。

参考文献

[1]樊振宇.BP神经网络模型与学习算法[J].软件导刊，2011，7（10）：66-68.

[2]崔立志.灰色预测技术及其应用研究[D].博士论文：南京航天航空大学，2010.

[3]张颖，高倩倩.基于灰色模型和模糊神经网络的综合水质预测模型研究[J].环境工程学报，2011，2（9）：537-545.