基于神经网络模型的交通量预测模型研究
摘要：通过对人工神经网络的研究，本文建立了三层bp神经网络模型，并运用此模型对路段交通量进行预测，以道路所在区域的人口、土地利用情况、车辆保有量、gdp作为输入层，历年交通量作为输出层检验值，结果显示其预测结果较为准确，精度较高，充分说明bp神经网络模型可以作为交通量预测的一种有效方法。
关键词：人工神经网络；交通量预测；车辆保有量
一、引言
国民经济的快速发展，极大的推动了基础设施的发展，道路交通的发展也在这个大前提下逐步发展，道路交通发展前期的交通规划是整个交通事业的头等大事，而较好的交通规划则必须有可靠的、准确的交通量，因此，道路的交通量预测就显得至关重要。
交通量预测分析是路网规划的重要内容，也是项目可行性研究的核心内容之一，是进行交通状态评价、综合分析建设项目的必要性和可行性的基础和前提，是确定道路建设项目的技术等级、工程设施规模以及经济评价的主要依据。
道路交通预测的是否准确，是道路建设项目是否可行，项目建设是否必要的决定性因素。
迄今为止，国内道路交通量预测最为常用的方法是四阶段法、增长系数法、多元回归分析预测、指数平滑法，然而这些方法适应性及可变性较差，无法充分考虑因地域不同的可变性指标。
道路所在区域不同，传统的方法不能及时的进行调整，因此迫切需要新的预测方法。
二、交通量神经网络预测模型
1.神经网络概述
人工神经网络（artificial neutral networks）是基于神经生物学研究的基础，进而提出的一种模拟生物思维过程以反映人脑某些生理特性的计算模型。
神经网络计算模型是通过对人脑神经系统的简单化、抽象化，对思维过程加以模拟。
该模型是由大量的独立的神经元相互连接而编织成的一个层次分明的网络结构。
该网络模型具有很强的自我学习功能，能够客观准确的适应条件的变化，因此将此模型用于交通量的预测，使预测结果更加准确，误差更小。
输入信号ek通过中间节点（隐含点）作用于输出节点，经过非线性变换，产生输出信号ck，对于期望输出ok，通过调节输入节点与隐含节点的连接强度xij和隐含层节点与输出节点之间的连接强度yjt以及阀值uj和vt，使误差沿梯度方向减小，确定与误差相对应的网络参数（权值和阈值）。
神经网络能自行处理输入误差最小的经过非线性转换的信息，选用3层神经网络模型进行高速公路投资绩效评价，即输入层—中间层（隐含层）—输出层典型的bp 神经网络结构模型。
2. 三层bp神经网络模型计算方法
2.1计算过程中参变量的设置
输入层：输入模型向量ai=（a1，a2，…，an），期望输出向量ok=（o1，o2，…，on）；隐含层：输入模型向量pj=（p1，p2，…，pl），实际输出向量qj=（q1，q2，…，ql）；输出层：输入模型向
量b，实际输出向量g；输入层与隐含层连接权为{xij，i=1，2，…，n；j=1，2，…，l}；隐含层与输出层连接权为{yj，j=1，2，…，l}；中间各层的阀值为{uj，j=1，2，…，l}；输出层各单元的输出阀值为r；激励函数：一般采用非线性的sigmoid型函数作为作用函数。
2.2 bp神经网络计算步骤
本文所建立的神经网络模型学习过程共分为6个步骤，具体如下：（1）初始化网络
初始化权系数，给各层之间的连接权和阀值赋予[0，1]之间的随机值。
（2）输入层结点输入和输出计算
选取样本值提供给已建立的网络。
（3）隐含层各结点的输入和输出计算
隐含层节点输入pj计算如下：，j=1，2，…，l；实际输出向量qj计算如，j=1，2，…，l；（4）输出层各结点的输入和输出计算。
输出层输入节；输出层输出点计算如下：输出层、隐含层结点输出误差判断。
误差的反向传播
（3）模型结构的确定
道路交通量的影响因素较多，主要包括区域经济发展水平、土地利用情况、人口、物质生活水平、区域内车辆保有量、气候、物产等诸多方面因素。
区域位置不同，影响交通量的主要因素也不同，传统方法利用固定的变量来预测交通量就会产生较大的误差，而神
经网络则可以因地制宜，通过选取主要因素，或者将所有影响因素均作为输入层，通过学习来确定各个影响因素的权重。
隐层的神经元数通过试算法，以相同计算次数下最大相对误差最小为目标确定。
输出层为每年的平均日交通量作为输出层。
三、实例分析
本文采用上述建立的bp神经网络模型，对某条一级公路（以下简称a路）的路段平均日交通量进行预测。
将该道路所在区域的人口、土地利用情况、车辆保有量、gdp作为输入层，将2004～2006年该区域内上述指标的基本数据作为第一个输入样本，将2004～2006年的交通量作为输出样本，；将2007～2009年作为第二个学习样本，2010年～2012作为第三个学习样本。
将上述三组样本代入模型后，经过1500次迭代后，模型达到收敛，其最佳隐含层神经元数为10，最大误差为4.45%。
四、结语
本文通过对人工神经网络（artificial neutral networks）研究分析，建立了三层bp神经网络交通量预测模型，将区域内的人口、土地利用情况、车辆保有量、gdp作为输入层，然后以a道路2004～2012年的交通量作为样本输出，该模型通过学习，最后确定最佳隐含层神经元节点数为10，最大误差为4.45%，预测结果比较准确，充分说明该模型可以用于交通量预测。
而却该模型可以弥补传统预测模型的缺陷，该模型可以通过调整输入层的主要变量，来适应地域特点。
参考文献：
[1]盖春英，裴玉龙.基于公路网的路段交通量预测方法研究.公路交通科技，2002.
[2]盖春英，裴玉龙.公路建设项目可行性研究中的交通量预测方法，2002.
[3]孟维伟.基于神经网络的交通量预测技术研究.南京理工大学，2006.
[4]陈百奔.基于神经网络的四阶段预测法在交通量预测中的应用研究.武汉理工大学，2011.。