一种车道饱和度预测模型的构建方法技术

本发明专利技术基于悉尼协调自适应系统数据，提出一种改进TLBO‑SVR的交通车道饱和度预测模型的构建方法，涉及智能交通领域，首先采用限幅滤波算法对模型输入数据进行预处理。其次，采用最大相关最小冗余特征选择算法用于车道饱和度预测模型输入提取，从而确定模型输入，最后通过增加轮盘选择、变异和淘汰等步骤改进TLBO算法，进而将改进的TLBO算法用于车道饱和度SVR预测模型的参数寻优，建立基于改进的TLBO‑SVR算法的车道饱和度预测模型。本发明专利技术加快了算法的收敛速度并能避免算法陷入局部最优，应用于支持向量回归建模参数寻优能够得到更好的效果。采用最大相关最小冗余特征选择算法确定模型输入，能够降低模型复杂度，提高模型预测精度。

【技术实现步骤摘要】
一种车道饱和度预测模型的构建方法
本专利技术涉及智能交通领域，尤其涉及一种车道饱和度预测模型的构建方法。
技术介绍
悉尼协调自适应系统(SydneyCoordinatedAdaptiveTrafficSystem,SCATS)在世界有广泛的应用。车道饱和度是指在一个相位周期内在车道探测器处，被车流有效利用的绿灯时间与总的绿灯时间之比。本专利技术中的建模方法与传统方法相比可以得到更高的预测精度，建模过程中采用的数据为SCATS数据。SCATS系统也是通过调节车道饱和度，来达到调节整个区域交通系统的目的。车道饱和度预测对于交通信号控制也有重要意义。车道饱和度预测并不是交通领域的研究点，相比较而言，有更多的本领域技术人员将交通流预测作为其研究方向。但是对于不同车道，相同车流量对应的饱和度不同。不同车道的承载能力不同，因此车道饱和度能更好的表征车道拥堵状况。几十年来，在交通流预测方面交通领域众多专家通过一些方法建立了预测模型，建立模型的方法包括平均值法、自回归滑动平均模型、线性回归、非参数回归、神经网络等。相对于上述方法，在交通车流量预测问题中采用支持向量回归建模的方法可以得到更好的预测精度本文档来自技高网...

【技术保护点】
一种车道饱和度预测模型，其特征在于，采用限幅滤波算法对所述车道饱和度预测模型的输入数据进行预处理；采用最大相关最小冗余特征选择算法中的互信息值对交通数据进行相关性分析；采用所述最大相关最小冗余特征选择算法确定所述车道饱和度预测模型的输入变量；将教学‑学习优化算法应用于支持向量回归建模；建立所述车道饱和度预测模型。

【技术特征摘要】
1.一种车道饱和度预测模型的构建方法，其特征在于，采用限幅滤波算法对所述车道饱和度预测模型的输入数据进行预处理；采用最大相关最小冗余特征选择算法中的互信息值对交通数据进行相关性分析；采用所述最大相关最小冗余特征选择算法确定所述车道饱和度预测模型的输入变量；将教学-学习优化算法应用于支持向量回归建模；建立所述车道饱和度预测模型；增加轮盘选择、变异和淘汰步骤进入所述教学-学习优化算法。2.如权利要求1所述的一种车道饱和度预测模型的构建方法，其特征在于，所述交通数据为悉尼协调...

【专利技术属性】
技术研发人员：王景成，乐文华，石伟晶，胡涛，刘华江，杨丽雯，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31