交通运输工程与信息学报 第7卷 第3期 2009年9月 Journal of Transportation Engineering and Information No.3 Vo1.7 Sept.2009 收稿日期：2008-11-26. 基金项目：“十一五”国家科技支撑计划（2006BAJ18B01）和国家高技术研究发展计划（2008AA11Z201）。 作者简介：沈小军（1985−），男，江苏海门人，东南大学交通学院硕士研究生，研究方向为交通规划与管理。
97
基于LVQ神经网络 的交通拥堵预测研究
沈小军 陈 峻 王 晨 东南大学，交通学院，南京 210096
摘 要：面对大量的交通参数数据，如何快速建立高效的分类预测模型以尽快地对拥堵状态进行判别是一个重要的问题。本文利用检测器提供的车速、流量和占有率等相关参数信息，提出了基于学习向量量化(LVQ)神经网络的交通拥堵预测模型。通过使用Matlab7.3数学软件的神经网络工具箱对该神经网络不断地训练，最终可以对道路正常状态和拥堵状态进行分类，通过交通流参数数据的输入预测出路段交通拥堵状况。最后，给出算例进行网络训练和测试，训练结果表明，运用该算法进行交通拥堵预测取得了良好的效果，具有一定的现实意义。 关键词：学习向量量化神经网络；交通拥堵；预测；Matlab 中图分类号：U491.2+65 文献标识码：A 文章编号：1672-4747（2009）03-0097-06
Prediction of Traffic Congestion Based on LVQ Neural Network
SHEN Xiao-Jun CHEN Jun WANG Chen School of Transportation，Southeast University， Nanjing 210096，China
Abstract：For a large number of traffic parameter data, it is an important issue that how to set up an efficient model of classification and prediction to identify the congestion state as soon as possible. The article provided a model to predict traffic congestion based on the learning vector quantization neural network by using the traffic parameters such 交通运输工程与信息学报 2009年 第3期 98 as speed, traffic flow，road occupancy，etc. ,which were detected by vehicle detectors. The model can finally classify the traffic congestion and normal situation by continuously training the LVQ neural network with the software matlab. The model can predict the road traffic situation by inputing the traffic flow data. Finally, an example was given to train and test the network. The training result demonstrated that the algorithm was feasible to predict traffic congestion and is actually useful in reality.
Key words：Learn vector quantization neural network，traffic congestion，prediction，matlab 0 引 言 交通拥堵是道路交通运行故障的最直接表现。据统计，一般中小城市每年的拥堵事件有数百次之多，对于大城市，严重拥堵时延误时间可达2 h，影响的车辆有千辆以上，所造成的经济损失也是难以估量的[1]。交通拥堵是由于交通需求与供给之间的不平衡给城市道路交通带来的不良后果。当在路段上出现交通拥堵时，如何尽快地对该种状态进行判别，向交通参与者发布相应的道路状态信息，从而有利于快速地疏散拥挤的交通流，是交通领域需要深入研究的一个问题。 面对大量的交通参数数据，如何建立快速高效的分类预测模型以尽快地对拥堵状态进行判别是一个重要的问题。利用人工神经网络来研究交通拥堵预测是最近几年的趋势之一。人工神经网络是20世纪80年中期兴起的一门非线性学科分支，它具有很强的自组织、自适应和容错能力等特征，在处理非线性问题上，具有独特的优越性。其中，BP（Back Propagation）
神经网络是目前应用最广泛的神经网络模型之一，虽然BP算法具有检测率高、误报率低、检测时间短的优点[2]。但是，人工神经网络BP模型有以下不足：学
习速度较慢；网络训练失败的可能性较大；难以解决应用问题的实例规模和网络规模间的矛盾等。 然而，学习向量量化网络（1earn vector quantization，LVQ）却可以很好地处理交通拥堵预测问题。学习向量量化网络由Kohonen于1988提出，它基于对具有期
望类别信息数据的训练，是在监督状态下对竞争层（competitive layer）进行训练的一种学习算法。因而在模式识别、样本分类、优化计算方面都有广泛的运
用。这种网络的学习速度比BP网络要快，回想速度也较快，有网络结构简单，输入向量不需要进行归一化、正交化等优点[3]。它能对任意输入向量分类，不管它们是否线性可分，这点比起其他神经网络要优越得多。由于交通拥堵预测模型建立的过程实际上是分类预测的过程，因此，采用LVQ神经网络进行交通拥堵预测是很有意义的。
1 LVQ神经网络结构与算法 1.1 LVQ神经网络结构 学习向量化神经网络模型是在监督状态下对竞争层进行训练的一种学习算法，模型有两层（见图1）：
其中：R = 输入向量元素的数目；1S = 竞争层神经元的数目；2S = 线性层神经元的数目 图1 LVQ网络结构 Fig.1 LVQ neural network architecture
第一层是竞争层；第二层是将竞争层的分类结果传递到用户定义的目标分类上[4]。在竞争层，网络将自动学习对输入向量进行分类，过程包括两个部分：一是选择最佳匹配神经元；二是权矢量自适应变化的更新过程。由竞争层输出的结果可以起到类似于聚类的作用，但还不能直接用于分类或识别。在该网络中，输
输入竞争层竞争层线性层 基于LVQ神经网络的交通拥堵预测研究 沈小军 等 99 入层与竞争层间为完全连接，而隐含层与输出层间为部分连接，隐含神经元（又称Kohonen神经元）和输出神经元都具有二进制输出值。当某个模式被送至网络时，对隐含神经元指定的参考矢量最接近输入模式的隐含神经元因获得激发而赢得竞争，因而允许它产生一个“1”，其他隐含神经元都被迫产生“0”。产生“1”的输出神经元给出输入模式的分类，每个输出神经元被表示为不同的类。 1.2 LVQ学习算法 （1）初始化：初始化权值矢量。权值矢量可以随机地初始化，同时，初始化学习率η(10<2 交通拥堵的LVQ神经网络模型 交通拥堵的具体定义尚无统一标准，各个国家有着不同的定义，我国公安部对拥堵路口和拥堵路段分别给出的定义是：车辆在无信号灯控制的交叉路口外车行道上受阻且排队长度超过250 m，或车辆在信号灯控制的交叉路口，3次绿灯显示未通过路口的状态定义为拥堵路口；拥堵路段则定义为车辆在车行道上受阻且排队长度超过1km的状态[5]。 以交通需求接近或超过道路通行能力导致交通拥堵发生的根源为标准，城市主干路交通拥堵可分为常发性交通拥堵和偶发性交通拥堵[6]。常发性拥堵是指
道路通行能力大于道路上固定瓶颈处的通行能力时发生的交通拥堵，通常用来描述在某些特定位置和某些特定时间反复出现的交通拥堵。偶发性交通拥堵是指交通需求大于道路上临时瓶颈处通行能力时产生的交通拥堵现象，用来描述由诸如事故、特殊天气等突发交通事件造成的道路实际通行能力下降而引起的交通拥堵。本文主要研究常发性交通拥堵预测。
2.1 交通参数选取 道路交通参数数据是进行交通拥堵状态预测的基础，为了能使交通拥堵预测具有良好的效果，所选的参数应具有直观和可靠的特点，要使采用这些参数的算法有较强的有效性和可移植性。目前，车辆行驶速度、车流量和占有率是评价交通状态最常用的三个交通流参数。在交通拥堵发生时，速度的变化是最明显的。在道路处于畅通状态时，驾驶员有较大的自由度来选择行车速度，车辆行驶速度通常很大；当道路出现轻微拥堵或者严重交通拥堵时，由于车辆间的相互影响，车辆被限制在某一个速度范围内行驶，甚至被迫以低于某一速度行驶或者要频繁的停止、启动车辆。因此，根据道路上车辆的行驶速度来判别拥堵的程度是理所当然的[7]。当然，交通拥堵发生前后，
占有率和流量的变化也是很明显的。因为密度不容易直接测得，而占有率可以通过现代交通检测器测