《Results in Engineering》:Short-term traffic flow prediction based on neural network projection pursuit coupling model
编辑推荐:
针对短期交通流所具有的高度随机性与非线性特征,本研究提出了一种基于误差反向传播与投影追踪耦合(BPPP)的短期交通量与行程时间预测模型。该模型融合了投影追踪回归(Projection Pursuit Regression, PPR)与BP神经网络(Backpr
针对短期交通流所具有的高度随机性与非线性特征,本研究提出了一种基于误差反向传播与投影追踪耦合(BPPP)的短期交通量与行程时间预测模型。该模型融合了投影追踪回归(Projection Pursuit Regression, PPR)与BP神经网络(Backpropagation Neural Network, BPNN)的优势,利用投影追踪技术处理高维数据,并采用实数编码遗传算法(Real-coded Genetic Algorithm, RGA)优化模型参数。最后,研究人员利用重庆市高速公路实测数据进行了实验验证与模型对比。实验结果表明,该耦合模型进一步降低了短期交通流预测误差,在误差计数(Error Count, EC)、平均绝对误差(Mean Absolute Error, MAE)、平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)和均方根误差(Root Mean Squared Error, RMSE)等指标上均有显著提升,验证了所提出模型的有效性。
智能交通系统(Intelligent Transportation System, ITS)的核心挑战之一在于短期交通流的精准估计,准确的预测对于交通管理运营状态调控、出行路线引导以及交通信号配时优化至关重要。然而,交通流数据具有非线性、随机性和时变性特征,使得预测工作面临巨大困难。现有研究在数据挖掘与特征选择方面存在明显不足,多维交通特征中的潜在信息未能充分挖掘,特征输入往往局限于前几个时间段的历史数据,难以通过单一特征维度分析提升预测精度。同时,现有预测模型难以充分刻画短期交通流数据固有的非线性与随机性,且评估模型性能时往往仅依赖单一预测精度指标,缺乏全面性评价。发表于《Results in Engineering》的这项研究正是针对上述问题展开。
研究人员提出了一种基于神经网络投影追踪耦合的短期预测模型。该模型利用投影追踪回归提取捕捉交通流变化特征的主要投影方向,再通过神经网络学习这些投影特征之间的非线性映射关系。与现有集成交通流预测及深度学习模型相比,BPPP模型将反向传播神经网络与投影追踪回归方法相结合,利用投影追踪进行特征映射与降维,并引入遗传算法实现模型参数的全局优化,使模型在训练数据集相对有限的情况下仍能保持高预测精度,更好地适应交通流数据的复杂特性。
研究数据来源于重庆市成渝高速公路(G5013)沙坪坝收费站至三驱收费站路段以及重庆绕城高速公路(G93)沙坪坝收费站至G5013收费站路段的联网收费数据,时间跨度为2020年10月12日至11月7日连续四周。研究人员选取训练样本为前14天数据,测试样本为后13天数据,采用灰色关联分析筛选预测因子,确保预测因子与目标变量之间具有显著相关性。
在技术方法层面,本研究主要运用以下关键技术:一是投影追踪回归技术,用于高维数据的降维处理与关键特征提取;二是BP神经网络技术,用于构建非线性映射关系;三是基于实数编码遗传算法的参数全局优化技术,种群规模设为30,迭代次数为30,变异概率为0.5;四是五阶正交Hermite多项式作为一维奇岭函数;五是基于灰色关联分析的特征筛选方法。
研究结果显示了以下几个方面的内容:
预测性能分析——断面流量预测:研究人员选取G5013沙坪坝收费站出口流量进行验证。结果表明,BPPP模型能够捕捉交通流的日变化特征,预测值与实际值在时间上保持高度一致性,预测曲线准确刻画了高峰、平峰及夜间的交通流变化趋势。平峰时段交通流变化相对平稳,BPPP模型预测误差低、精度高;晚高峰时段(16:00-18:00)交通流快速上升且局部波动增加,预测结果整体趋势与实际值吻合,部分时刻存在偏差。在模型对比方面,BP神经网络模型误差较高,MAPE达52.47%;PPR模型MAPE降至33.53%;LSTM模型进一步优化至26.66%;而BPPP模型在所有评价指标上表现最优,MAE、MAPE、RMSE分别为2.219、5.13%、7.496,EC为0.953。相较于PPR模型,BPPP模型MAE降低10.211,MAPE降低28.40%,RMSE降低10.495,EC提升0.067;相较于LSTM模型,MAE降低7.073,MAPE降低21.53%,RMSE降低5.652,EC提升0.038。
预测性能分析——行程时间预测:研究人员采用璧山收费站至G93沙坪坝收费站路段的行程时间数据进行分析。行程时间曲线波动显著,非线性特征明显,预测曲线未能精确匹配每一个数据点,但整体趋势与实际值一致,有效捕捉了13天内行程时间的动态变化规律。在模型对比方面,BPPP模型同样表现最优,MAE、MAPE、RMSE分别为58.096、7.56%、74.944,EC为0.952。相较于PPR模型,MAE降低9.674,MAPE降低1.22%,RMSE降低12.523,EC提升0.009;相较于LSTM模型,MAE降低10.886,MAPE降低1.36个百分点,RMSE降低14.528,EC提升0.010。
讨论部分,研究人员指出深度学习方法如LSTM虽然在交通流预测中广泛应用,但通常需要大规模训练数据且计算成本较高。在本研究的数据条件下,BPPP模型仍展现出强大竞争力。该模型基于投影追踪回归将多维输入变量投影至低维空间以提取关键特征,有效降低了模型复杂度;通过Hermite多项式构建岭函数,增强了模型捕捉非线性关系的能力;遗传算法的引入进一步优化了模型参数搜索过程,提升了解的 global最优性。与深度学习模型相比,BPPP模型在处理有限样本时表现出更高的稳定性和泛化能力,实验结果表明其在保持相对较低模型复杂度的同时,实现了更优的预测精度和拟合性能,具有良好的工程应用价值。
研究结论部分指出:针对短期交通流预测的复杂性及高维数据带来的挑战,本研究提出了一种基于误差反向传播与投影追踪耦合(BPPP)的短期交通量与行程时间预测模型。与PPR、BP神经网络及LSTM模型的对比分析表明,BPPP模型在多个评价指标上均取得更优结果,显示出其强大的交通流非线性特征捕捉能力。即便使用6-8个滞后变量,模型依然有效,表明其对数据维度的依赖性较低。相较于传统PPR模型及采用遗传算法优化的神经网络方法,本研究的主要改进在于:将投影追踪回归与BP神经网络进行结构融合,利用Hermite多项式对岭函数进行参数化,并通过遗传算法实现关键参数的全局优化,使模型在保持低复杂度的同时维持稳定的预测能力。需要指出的是,本研究实验基于单一高速公路的交通数据,时间跨度和空间范围相对有限,不足以充分反映不同交通条件、季节变化及多样化城市道路网络下的复杂特征,因此模型的泛化能力仍需进一步验证。此外,本研究所采用的遗传算法虽能有效优化模型,但存在计算效率较低的不足,与其他更高效的优化算法结合有望显著提升预测模型性能。未来研究将考虑纳入空间节点信息和天气因素,构建更具代表性的多维数据集,以进一步评估模型在复杂环境下的泛化能力。