一种基于浮动车轨迹的城市交通拥堵智能组合预测方法，首先进行数据处理并提取参数，将相同浮动车ID的采样点按照时间关联性链接成移动轨迹，并地图匹配到城市路网相应路段上，提取出能够表征交通拥堵的参数；再进行交通流参数组合预测，运用SVM算法对未来时刻的交通量和路段平均速度进行预测，并提出PSO对SVM的惩罚因子及采用多个核函数时相应核参数进行优化，取预测误差最小值为最终预测值；最后按拥堵状态模糊划分，将预测交通流参数处理后通过多指标权重适应变化的模糊综合评价法转化为出行者所认知的拥堵状态。本发明专利技术在准确率、实时性和稳定性上较经典优化算法和PSO优化SVM单个核函数预测方法均具有优势。
【技术实现步骤摘要】
本专利技术涉及一种交通拥堵预测方法，尤其涉及一种基于浮动车轨迹的城市交通拥 堵智能组合预测方法。
技术介绍
随着我国经济和城市化的发展，越来越多的人来到城市谋发展，出行需求急剧膨 胀，然而交通设施有限，加快发展的城市道路建设也难以满足城市发展与汽车市场高速增 长的需求，所导致的城市交通拥堵问题严重影响了市民日常生活，在一定程度上限制了社 会、经济稳定发展。缓解交通拥堵，尤其是常发性拥堵，已迫在眉睫。缓解交通拥堵的重要 前提是交通拥堵预测。虽然道路交通流是变化无常的、不变流动的，对于出行者来说是无法 预知下一时刻下一个路段交通拥堵状况，对于交通管理者是无法预防交通拥堵和防止交通 拥堵进一步大范围扩散的，但是常发性交通拥堵还是有一定规律性的，可预测的。 目前单纯的某一种交通拥堵预测方法在不同情况下很难得到较满意的预测结果。 为了克服单个方法的片面性，一些研宄者开始将注意力转向组合预测法。但是现有预测方 法在准确性、实时性和稳定性三方面的性能不能满足交通需求。在浮动车技术采集交通流 数据的背景下，本专利技术提出来。
技术实现思路
本专利技术的目的是充分发挥支持向量机不同核函数有不同预测精度和拟合能力，粒 子群优化算法快速寻优和稳定性，以及模糊综合评价法采用多指标权重适应变化策略的优 点，从而提高拥堵预测准确率、实时性和稳定性能，提供一种基于浮动车轨迹的城市交通拥 堵智能组合预测方法。 -种基于浮动车轨迹的城市交通拥堵智能组合预测方法，所述的交通拥堵智能组 合预测方法至少包括下列三个步骤： 1)首先第一步进行数据处理并提取参数，即将相同浮动车ID的采样点按照时间 关联性链接成移动轨迹，并地图匹配到城市路网相应路段上，提取出能够表征交通拥堵的 参数：交通量和路段平均速度； 2)然后第二步进行交通流参数组合预测，即根据历史的交通流参数，运用SVM算 法对未来时刻的交通量和路段平均速度进行预测，并提出PS0对SVM的惩罚因子及采用多 个核函数时相应核参数进行优化，取SVM选择线性核函数和高斯核函数时预测误差最小值 为最终的预测值； 3)最后第三步进行拥堵状态模糊划分，考虑到路段长度和车道数以及道路通行能 力，将预测交通流参数处理后通过多指标权重适应变化的模糊综合评价法转化为出行者所 认知的拥堵状态。 所述的第二步交通流参数组合预测包括交通量预测，路段平均速度预测和PS0优 化SVM三部分组成： 交通量预测和路段平均速度预测基于SVM建立预测模型，其回归方程为：y=f(x) =?T〇 (x) +b, 其中，wT为权向量，①（x)为非线性核空间映射函数，b为偏置。 回归因子权向量和偏置b可以通过最小风险泛化函数公式 其中，|||?f为模型复杂性项，用来度量函数平坦度，c为惩罚系数，Le(x，y，f)为 e_不敏感损失函数。按照SVM结构风险最小原则，引入非负的松弛向量|p|A得到等价的原问题 即：由于特征向量空间的维数很高，会使得求解上式较难，为此引入对偶的Lagrange 多项式，转化为对偶问题： 其中，a^ai为松弛变量|i，对应的拉格朗日乘子，核函数K(Xi，x)为向量 Xi，&在其特征空间里的像〇(xi)和〇 (x)的乘积，用核函数代替内积计算，实现了低维向 高维的映射。根据最小化S，可求得，a^，a为最小化S对偶问题的解。 交通量预测和路段平均速度预测所采用的预测函数为： 常用的核函数包括多项式核函数K(x，Xi) =(X(x*Xi)+e)d，线性核函数K(x，Xi) =(X*Xi)，高斯核函数\ / 所述的交通量预测方法：该方法将浮动车轨迹数据分为训练集和测试集两部分，以（t_2)、（t_l)以及t时 刻的影响交通量预测因素即六51_2、六51_ 1、六5^〇11_2、￥〇1 1_1和￥〇11为自变量1输入，以（七+1) 时刻的交通量即Volt+1为因变量y输出，然后基于SVM建立预测模型，通过预测函数选择合 适的惩罚因子和核函数及其相应核参数，进行交通量预测。 所述的路段平均速度预测方法： 该方法同样将浮动车轨迹数据分为训练集和测试集两部分，以（t-2)、（t-1)以及 t时刻的影响平均速度预测因素即Volt_2、VoIh、Volt、ASt_2、ASh和ASt为自变量x输入， 以（t+1)时刻的平均速度即ASt+1为因变量y输出，然后基于SVM建立预测模型，通过预测 函数选择合适的惩罚因子和核函数及其相应核参数，进行路段平均速度预测。 所述的PS0优化SVM方法：PS0优化SVM中粒子群优化算法核心思想：首先随机初始化粒子，然后通过个体最 优值Pbest和全局最优值gbest进行不断更新，最终找到最优解。 粒子不断更新自己的位置和速度的公式如下： Vi(t+1) =?*Vi(t)+c1*r1* (pbest-Xi(t))+c2*r2* (gbest-Xi(t)),Xi(t+ 1)= Xi(t)+Vi(t+1), 其中，《是加权系数，取值范围0.1到1 % (t)和Vi (t+1)分别为t和（t+1)时刻 的速度，xdt) *Xi(t+l)分别为t和（t+1)时刻的位置；cJPc2为学习因子，通常取值为 2而和r2为之间的随机数。PS0优化SVM的惩罚因子及多个核函数相应核参数的步骤包括：（1)PS0参数设置； (2)对优化的参数设置相关的pbest和gbest，进行训练SVM并构造适应度函数值；(3)如果粒 子的Pvai?值比P1^好，则更新，如果粒子的gvai?值比gbjf，则更新；⑷如果达到最大进 化代数，则停止寻优，并输出gbest，否则返回（2)。SVM不同核函数有不同的预测精度和拟合能力，相对常用核函数来说，多项式核函 数比线性核函数和高斯核函数不仅次数高而大大增加了计算复杂度，而且待优化参数多大 大增加了模型选择复杂度。因此对于交通量预测和路段平均速度预测，本专利技术采用PS0优 化SVM的惩罚因子以及选择线性核函数和高斯核函数时预测误差最小的值作为最终的预 测值。 所述的第三步拥堵状态模糊划分： 综合考虑路段长度和车道数以及道路通行能力，本专利技术从第二步预测得到的交通 流参数提取出道路饱和度、交通流密度以及路段平均速度三个拥堵指标。拥堵状态模糊划 分的过程为：（1)建立交通拥堵状态评估的因素集和评价集；（2)确定各个评价因素适应变 化的权重系数；（3)通过隶属度函数进行单因素模糊评价；(4)通过模糊变换进行综合评 价，得到模糊综合评价矩阵；（5)根据最大隶属度原则，选择隶属度最大值为最终评估的拥 堵状态。【附图说明】 图1是交通量预测方法中交通量预测建模图。 图2是平均速度预测方法中平均速度预测建模图。 图3是PS0优化SVM的惩罚因子及多个核函数相应核参数的流程图。图4是模糊综合评价方法所采用的隶属度函数图。图5是基于PS0优化SVM的交通拥堵智能组合预测框架图。【具体实施方式】 基于浮动车轨迹的城市交通拥堵智能组合预测方法，所述的交通拥堵智能组合预 测方法至少包括下列三个步骤： 1)首先第一步进行数据处理并提取参数，即将相同浮动车ID的采样点按照时间 关联性链接成移动轨迹，并地图匹配到城市路网相应路段上，提取出能够表征交通拥堵的 参数：交通量和路段平均速度； 2)然后本文档来自技高网...
【技术保护点】
一种基于浮动车轨迹的城市交通拥堵智能组合预测方法，至少包括下列三个步骤：第一步，进行数据处理并提取参数将相同浮动车ID的采样点按照时间关联性链接成移动轨迹，并地图匹配到城市路网相应路段上，提取出能够表征交通拥堵的参数：交通量和路段平均速度；第二步，进行交通流参数组合预测根据历史的交通流参数，运用SVM算法对未来时刻的交通量和路段平均速度进行预测，并提出PSO对SVM的惩罚因子及采用多个核函数时相应核参数进行优化，取SVM选择线性核函数和高斯核函数时预测误差最小值为最终的预测值；具体包括交通量预测，路段平均速度预测和PSO优化SVM三部分组成：交通量预测和路段平均速度预测基于SVM建立预测模型，其回归方程为：y＝f(x)＝ωTΦ(x)+b，其中，ωT为权向量，Φ(x)为非线性核空间映射函数，b为偏置；回归因子权向量ωT和偏置b可以通过最小风险泛化函数公式12||ω||2+cΣi=1NLϵ(x,y,f)=12||ω||2+cΣi=1N|y-f(x)|ϵ=12||ω||2+cΣi=1Nmax(0,y-f(x)|-ϵ)]]>求得；其中，为模型复杂性项，用来度量函数平坦度，c为惩罚系数，Lε(x,y,f)为ε‑不敏感损失函数；根据SVM结构风险最小原则，并引入对偶的拉格朗日多项式，求得交通量预测模块和平均速度预测模块所采用的预测函数为：y=f(x)=Σi=1N(ai-ai*)K(x,xi)+b,]]>其中，ai和ai*为拉格朗日因子，K(x,xi)为核函数，b为偏置；常用的核函数包括多项式核函数K(x,xi)＝(λ(x*xi)+e)d，线性核函数K(x,xi)＝(x*xi)，高斯核函数所述的交通量预测方法：该方法将浮动车轨迹数据分为训练集和测试集两部分，以(t‑2)、(t‑1)以及t时刻的影响交通量预测因素即ASt‑2、ASt‑1、ASt、Volt‑2、Volt‑1和Volt为自变量x输入，以(t+1)时刻的交通量即Volt+1为因变量y输出，然后基于SVM建立预测模型，通过预测函数选择合适的惩罚因子和核函数及其相应核参数，进行交通量预测；所述的路段平均速度预测方法：该方法同样将浮动车轨迹数据分为训练集和测试集两部分，以(t‑2)、(t‑1)以及t时刻的影响平均速度预测因素即Volt‑2、Volt‑1、Volt、ASt‑2、ASt‑1和ASt为自变量x输入，以(t+1)时刻的平均速度即ASt+1为因变量y输出，然后基于SVM建立预测模型，通过预测函数选择合适的惩罚因子和核函数及其相应核参数，进行路段平均速度预测；所述的PSO优化SVM方法：PSO优化SVM方法中粒子群优化算法核心思想：首先随机初始化粒子，然后通过个体最优值pbest和全局最优值gbest进行不断更新，最终找到最优解；粒子不断更新自己的位置和速度的公式如下：vi(t+1)＝ω*vi(t)+c1*r1*(pbest‑xi(t))+c2*r2*(gbest‑xi(t))，xi(t+1)＝xi(t)+vi(t+1)，其中，ω是加权系数，取值范围0.1到1；vi(t)和vi(t+1)分别为t和(t+1)时刻的速度，xi(t)和xi(t+1)分别为t和(t+1)时刻的位置；c1和c2为学习因子，通常取值为2；r1和r2为[0,1]之间的随机数；PSO优化SVM的惩罚系数及多个核函数相应核参数的步骤包括：(1)PSO参数设置；(2)对优化的参数设置相关的pbest和gbest，进行训练SVM并构造适应度函数值；(3)如果粒子的pvalue值比pbest好，则更新，如果粒子的gvalue值比gbest好，则更新；(4)如果达到最大进化代数，则停止寻优，并输出gbest，否则返回(2)；采用PSO优化SVM的惩罚因子以及选择线性核函数和高斯核函数时预测误差最小的值作为最终的预测值；第三步，进行拥堵状态模糊划分(1)建立交通拥堵状态评估的因素集和评价集；(2)确定各个评价因素适应变化的权重系数；(3)通过隶属度函数进行单因素模糊评价；(4)通过模糊变换进行综合评价，得到模糊综合评价矩阵；(5)根据最大隶属度原则，选择隶属度最大值为最终评估的拥堵状态。...
【技术特征摘要】
【专利技术属性】
技术研发人员：孔祥杰，张本士，夏锋，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。