基于BP神经网络的城市道路交通事件检测

２０２０年７月１０日第４卷第１３期现代信息科技
Modern Information Technology Jul.2020
Vol.4 No.13
收稿日期：2020-06-20基于ＢＰ神经网络的城市道路交通事件检测
柳妍
（西安科技大学高新学院，陕西 西安 710109）
摘 要：通过交通流模型研究了城市道路交通拥挤对交通参数的影响，以交通异常事件检测为研究目标，从交通拥挤对于
交通出行的影响出发；参考BP 神经网络的全局逼近特点，使用NARMA 模型改进的BP 神经网络算法进行交通异常事件检测的
研究；使用MATLAB 进行了仿真验证了网络的性能，结果表明NARMA 模型改进的交通事件检测的误报率为1.54%、检测率
为96.92%、平均检测时间为0.42 min ，可有效地反映交通事件发生的本质特征。

关键词：BP 神经网络；城市道路；交通异常；事件检测
中图分类号：U495；TP183 文献标识码：A 文章编号：2096-4706（2020）13-0061-04
Ｒｅｓｅａｒｃｈ　ｏｎ　ｔｈｅ　Ｄｅｔｅｃｔｉｏｎ　ｏｆ　Ｕｒｂａｎ　Ｒｏａｄ　Ｔｒａｆｆｉｃ　Ａｂｎｏｒｍａｌ　Ｅｖｅｎｔｓ
Ｂａｓｅｄ　ｏｎ　ＢＰ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ
LIU Yan
（Xi ’an Kedagaoxin University ，Xi ’an 710109，China ）
Abstract ：This paper studies the impact of urban road traffic congestion on traffic parameters through traffic flow model ，and takes
the detection of traffic abnormal events as the research object ，starting from the impact of traffic congestion on traffic travel ；referring to the global approximation characteristics of BP neural network ，this paper uses the improved BP neural network algorithm of NARMA model to detect traffic abnormal events ；the performance of the network is verified by MATLAB simulation. The results show that the false alarm rate of traffic incident detection improved by NARMA model is 1.54%，the detection rate is 96.92%，and the average detection time is 0.42 min ，which can effectively reflect the essential characteristics of traffic events.
Keywords ：BP neural network ；urban road ；traffic anomaly ；event detection
0 引 言智能交通系统（ITS ）是依托现代科技发展而来实现交通管理和规划的重要技术。

交通事件检测是ITS 系统中的重要组成部分和重点研究内容，其以传感器技术、计算机技术、通信技术、模式识别技术和人工智能技术等为基础，实现获得道路通行状况[1]，如交通量（q ）、交通密度（k ）、车速（v ）等重要交通参数，以此实现道路交通状况检测与预测，避免城市道路交通拥堵事件的产生，或者控制路段的交通事故事态的扩大，以此实现人、车以及路和谐的城市交通目标。

目前，在城市道路交通事件检测中，国内外使用了不同的方法进行了深入的研究和探讨。

笔者基于交通运输专业
的“交通工程学”“智能交通系统及技术”课程理论，对伯克利算法、多目标事件检测算法（APID ）、模式识别算法（PATREG ）等、指数平滑算法、贝叶斯（Bayesian ）算法、Boosting 算法、模糊逻辑算法和Logit 模型算法等[2]进行了研究，发现上述算法优势实现交通异常事件监测，虽然监测效果相对较好，但误报率无法达到令人满意的程度。

因此针对上述存在的问题，尝试用改进BP 神经网络算法进行交通事件检测，并进行性能指标的比较，以期减少误报。

1 智能交通系统及交通事件的检测
交通事件检测是ITS 技术的重要应用，其主要的目的和出发点在于获得道路通行的交通状况，及时、准确地判断或者预测交通异常事件的发生；进而使得道路交通管理部门能够及时准确地发出预警信息或者处理交通事件，以此实现减少道路交通事件，保障交通出行安全，提高道路车流的正常行驶速度，使其具有较高的通过能力[3]。

对交通异常事件可以依据交通密度（k ）、车速（v ）、交通量（q ）三个参数进行判断，具体判断依据如表1所示。

表1 交通拥挤判断
交通参数条件变化程度交通状况判定交通密度增大双车道密度≥50辆/km
交通拥挤车速下降车流速度≤20 km/h 交通量减少双车道流量≤3 000辆/h
为了表征交通系统中交通参数的动态特性，建立函数关系式并预测其演变过程。

表达交通流宏观特性的交通量（q ）、交通密度（k ）、车速（v ）三参数的函数关系式，叫作交通流基本参数模型，三者之间存在的函数关系为：
k =
交通异常事件极易产生交通拥挤，其实质是交通需求超
DOI:10.19850/ki.2096-4706.2020.13.020
第13期现代信息科技过了道路通行能力。

交通拥挤对交通参数的影响如图1所示。

上游路段下游路段事件发生处冲击波冲击波冲击波交通密度扩展波扩展波扩展波车度交通量道路图1 交通拥挤对交通参数的影响示意图2 BP 神经网络在交通事件检测中的应用2.1 BP 神经网络算法BP 神经网络算法由三个层次组成，分别为输入层、隐层和输出层，每次有若干节点（神经元）；运算的目的是将数据训练的输入/输出的映射转化为非线性优化求解，实现网络输出与期望输出间的均方误差最小化[4]。

每一层所属节点之间相互独立，层节点与相邻层节点之间以连接弧（赋有权值，表示影响程度）连接，算法由两个过程组成：第一步，正向计算求误差函数。

进行训练数据，输入层经逐层处理传向输出层，据计算结果和模型识别修改各连接权值。

假定转移函数为S （Sigmoid ）型函数f （x ）=+，设网络权值为（w ij ，T li ），神经网络层数N ，输入层节点为x j ，隐层节点为y i ，输出层节点为o i ，阈值为θ，期望输出为t i ，误差为E ，计算公式如下：隐节点输出：y i =f （w ij x j -θi ）=f （net i ）输出节点的输出：
o i =f （T li y i -θi ）=f （net i ）输出节点的误差：( )( )( )----==第二步：误差反向传递修正权值。

当输出层的输出节点的误差没有达到期望，则反馈联接通路至输入层，调整各层之间的权值，权值的调整应与总误差E 的梯度负值成
正比，以期得到误差信号最小，使得BP 神经网络达到稳定
状态。

=
=-（t l -o l ）f （net l ）y i
因S 型函数的导数为f′=f （1-f ），设δl =（t l -o l ）o l （1-o l ），
则有：
=-δl y i
ΔT li =-η=ηδl y i
2.2 基于NARMA 模型改进的BP 神经网络算法
BP 神经网络算法在数据处理过程中，随着数据量的增大，其运算存在收敛速度慢，同时当算法模型的参数出现不适会产生振荡等问题。

对于城市交通系统的交通流宏观模型，是随着时间变化的动态递归的模型，交通系统的交通流的后一个时刻状态与前一个时刻状态有关，也就是说其受到前一时刻的状态所制约[5]。

因此，使用BP 神经网络建模进行城市道路交通以此事件检测时，应该充分考虑交通流动态
变化问题，这里利用NARMA 模型（非线性自回归滑动平均模型）实现改进BP 神经网络，利用BP 神经网络逼近上
述差分方程中的未知非线性函数。

其NARMA 模型可以表示为：
y （k +1）=f [y （k ），…，y （k -n +1）；u （k ），…，u （k -m +1）] 网络的输入向量为：
u （k ）=[v 0（k ），q 0（k ），r T
（k ），s T （k ）]T
网络的输出为系统的状态，即车流密度和速度：
y （k ）=[ρ1（k ），v 1（k ），…，ρn （k ），v n （k ）]
其中，y （k ）为网络的输出向量，u （k ）网络的输入向量；v （k ）检测车速，q （k ）检测的交通量，ρ1（k ）检测的交通密度，s （k ）为转移函数，r （k ）为学习率函数。

根据以上分析，对BP 神经网络进行交通事件检测作出修改，将BP 神经网络系统的输出、车流密度和速度反馈至
输入端，作为交通事件检测模型输入向量的一部分。

在建
立基于NARMA 模型改进的BP 神经网络算法模型时，取N =3，其算法模型如图2所示。

连接
权重
连接
权重隐层
单元ρ1（k +1）
v 1（k +1）
ρ2（k +1）
v 2（k +1）
ρn （k +1）
v n （k +1）
ρ1（k ）ρ2（k ）v 1（k ）
v 2（k ）ρ3（k ）
v 3（k ）
r （k ）s （k ）v 0q 0输入层输出层
隐层…
图2 基于NARMA 模型改进的BP 神经网络算法模型
020406080100120140160180
迭代次数（次）
训练误差曲线训练目标线
4 NARMA模型改进BP神经网络算法的训练误差曲线
第13期现代信息科技
通过传统BP 神经网络算法与基于NARMA 模型改进的BP 神经网络算法两种算法的验证误差对比曲线进行分析，如图5所示。

其可以清晰地看到，误差≥|0.5|点少，证明基
于NARMA 模型改进的BP 神经网络算法的事件检测的网络验证误差少，同时减少收敛步数，提高精度。

0 10 20 30 40 50 60 70测试样本（组）1.00.80.60.40.2
0.0-0.2-0.4-0.6-0.8-1.0误差（a ）BP 神经网络算法0.8
0.60.40.2
0.0
-0.2
-0.4
-0.6
-0.8-1.0误差0 5 10 15 20 25 30 35 40 45 50测试样本（组）（b ）基于NARMA 模型改进的BP 神经网络算法
图5 算法的验证误差对比曲线本文研究交通事件检测评价指标分别为误报率（FIR ，
False Identification Rate ）、检测率（DR ，Detection Rate ）、
平均检测时间（MTTD ，Mean Time to Detection ）等，具体指标对比如表3所示。

原始数据性能指标
非事件（组）事件（组）误报率（%）检测率（%）平均检测时间（min ）
传统BP 神经网络算法非事件（组）644
3.0793.850.53
事件（组）261基于NARMA 模型改进的BP 神经网络算法非事件（组）642
1.5496.920.42
事件（组）163表3 算法性能指标
从表3中可以看出基于NARMA 模型改进的BP 神经网络算法的性能指标优于传统BP 神经网络算法的性能指标。

其误报率为1.54%、检测率为96.92%、平均检测时间为0.42 min ，因此，采用改进的算法在交通事件检测上的应用经过足够的样本训练，具有很高的检测率和较低的误报率。

4 结 论交通事件检测是城市交通管理和城市规划布局发展的重要基础。

因此，本文针对交通系统的非线性系统，研究交通拥挤对交通参数的影响，建立了一个城市道路交通流的神经网络模型，提出利用基于NARMA 模型改进的BP 神经网络算法模型检测道路交通事件。

使用MATLAB 仿真验证了改进的BP 神经网络来仿真交通流模型，表明改进的BP 神经网络算法具有检测率高、误报率低和检测速度快，优于传统BP 神经网络算法的检测，能够实现与满足城市交通管理与发展的需求。

参考文献：[1] 杨世威，王伟，李锐.城市道路交通事故宏观成因分析 [J].现代交通技术，2017，14（3）：82-85.[2] 刘庆华，丁文涛，涂娟娟，等.优化BP_AdaBoost 算法及其交通事件检测 [J].同济大学学报（自然科学版），2015，43（12）：1829-1833.
[3] 姜卉，姜桂艳.基于FA-SVM 的高速公路交通事件检测方
法 [J].北华大学学报（自然科学版），2019，20（1）：103-108.[4] 吴琛，程琳.BP 小波神经网络模型及其在交通事件检测中的应用 [J].中国交通信息化，2018（3）：137-140.[5] HOU H. The Application of Blockchain Technology in E-Government in China [C]//2017 26th International Conference on Computer Communication and Networks （ICCCN ）. Vancouver ，BC ，Canada ：IEEE ，2017：1-5.作者简介：柳妍（1980—），女，汉族，甘肃华亭人，讲师，硕士，研究方向：城市规划与交通运输。