一种道路拥堵情况分析方法技术

本发明专利技术提出了一种道路拥堵情况分析方法，用于分析下一时刻的道路拥堵情况，具体包括：建立道路拥堵预测模型，所述道路拥堵预测模型是融合了BP神经网络模型和SVM(支持向量机)模型相融合的模型；采集交通流量数据并进行数据预处理；将交通流量数据输入道路拥堵预测模型，得到预测的道路拥堵情况：首先分别通过BP神经网络模型和SVM(支持向量机)模型预测交通拥堵情况；然后将上述两个模型的输出结果加权求平均值，作为最终的结果。本发明专利技术可以利用当前时刻相关的交通流量以及历史时刻相关交通流量，采用改进的神经网络模型进行交通流量的预测，提高了预测的效率和准确性。

An analysis method of road congestion

The invention provides a road congestion analysis method for the analysis of road congestion, the next time including: the establishment of road congestion prediction model, the road congestion prediction model combines the BP neural network model and SVM (support vector machine) model combined model; traffic flow data acquisition and data pretreatment; traffic flow data input road congestion prediction model by road congestion prediction: firstly, based on the BP neural network model and SVM (support vector machine) model to forecast the traffic congestion; then the output results of the two models of the weighted mean value as the final result. The invention can make use of the traffic flow related to the current time and the historical moment related traffic flow, and adopt an improved neural network model to predict the traffic flow, thereby improving the prediction efficiency and accuracy.

【技术实现步骤摘要】
一种道路拥堵情况分析方法
本专利技术涉及城市道路检测领域，具体涉及一种道路拥堵情况分析方法。
技术介绍
随着当今社会的不断发展发展和城市化进程不断加快,在经济和人们生活质量不断提高的同时,也带来了一系列的问题。面对汽车的日益普及,以及人口数量的持续增高,城市交通环境愈来愈恶劣,交通拥挤不断加剧,交通事故频频发生。交通问题成为世界各国亟需解决的问题之一,为了缓解交通问题,智能交通系统(IntelligentTransportSystem,ITS)技术应运而生。ITS是一种结合了当前最先进的硬件与软件技术,综合运用电子信息、人工智能、地理信息、全球定位、影像分析、通信技术等多种技术,而形成的交通综合管理系统。它主要由四大子系统组成,分别为交通信息采集系统、交通信号控制系统、交通视屏监控系统和交通综合管理平台。ITS作为一种被公认为能有效解决交通领域问题的新方法,尤其在解决道路拥堵、减少交通事故和降低交通污染等方法体现出了传统方法所不具备的优势。作为ITS核心技术的交通流诱导系统,其关键理论是基于交通流量预测技术,因而准确高效的交通流预测是交通流诱导系统良好运行的保证。交通流量是反映交通状况的一种重要的信息,其主要内容是采用适当的方法对主要道路交叉路口或断面的交通流量信息,进行实时动态预测,为旅行者提供最佳出行路线,以达到均衡道路交通流量,优化改进交通管理控制的目的。虽然交通流量在时空上不停地变动,但是由于人们出行具有一定的规律性以及城市路网通行能力的制约,交通流量又具有周期相似性和流动相关性。即在每天某一时段的流量具有相似性,而流动相关性是指路网中某一点的车流受前后路段的车流量大小影响。为了实现对交通流进行诱导和疏通,预防道路拥堵并高效利用路网资源,交通流量预测成为交通控制领域研究的热点问题之一。在自适应信号滤波处理、复杂非线性系统建模、辨识与智能控制等领域的研究中,模糊逻辑和神经网络理论逐渐成为当今研究的热点。神经网络作为一种复杂的大规模自适应非线性动力学系统,具有良好的非线性描述,并能进行分布式处理、学习与适应、擅长处理多变量系统以及便于硬件实现等众多优良特性。但是现有的方法还存在预测准确性不高、效率低下等问题。
技术实现思路
至少部分的解决现有技术中存在的问题，本专利技术提出一种道路拥堵情况分析方法，用于分析下一时刻的道路拥堵情况，具体包括：建立道路拥堵预测模型，所述道路拥堵预测模型是融合了BP神经网络模型和SVM(支持向量机)模型相融合的模型；采集交通流量数据并进行数据预处理；将交通流量数据输入道路拥堵预测模型，得到预测的道路拥堵情况：首先分别通过BP神经网络模型和SVM(支持向量机)模型预测道路拥堵情况；然后将上述两个模型的输出结果加权求平均值，作为最终的结果。优选的，所述的道路拥堵预测模型的输入量为：q1,q2,q3,Qt,Qt-1,Qt-2,Qt-3，q1、q2、q3以及Qt分别表示了上游交叉口t时刻北方位、西方位、南方位、以及下游路口的交通流量，Qt-1,Qt-2,Qt-3分别表示t-1时刻、t-2时刻、t-3时刻下游路口的交通流量，即t时刻的前3个时刻的交通流量。优选的，所述BP神经网络模型包括输入层、隐含层和输出层，输入层包含一层7个节点，隐含层包含一层14个节点，输出层包含一层1个节点，输入层的7个节点分别是q1,q2,q3,Qt,Qt-1,Qt-2,Qt-3，q1、q2、q3以及Qt分别表示了上游交叉口t时刻北方位、西方位、南方位、以及下游路口的交通流量，Qt-1,Qt-2,Qt-3分别表示t-1时刻、t-2时刻、t-3时刻下游路口的交通流量，即t时刻的前3个时刻的交通流量；因为要预测下游路口某一时刻的交通流量,因此输出的神经元数目取1个即要预测的路口流量；根据经验公式,选取14个隐含层单元数目。优选的，所述SVM模型采用(q1,q2,q3,Qt,Qt-1,Qt-2,Qt-3)作为输入量来进行预测,即采用了上游的路口流量以及本段路口的前三个时间段和当前时刻的流量总共7个单元来预测下一个时刻的流量。优选的，所述SVM模型采用基于粒子群优化的支持向量机，基于粒子群优化的支持向量机的建模过程为：(1)初始化粒子群,通过调整粒子群惯性权重ω的方法对粒子群支持向量机的核函数δ和惩罚因子c进行优化,使参数c和δ构成一个微粒,即(c,δ),并设最大速度为Vmax，用pbest表示每个微粒的初始位置,用gbest表示粒子群中所有微粒的最好初始位置；(2)评价每个微粒的适应度,计算每个微粒的最优位置；(3)将优化后每个微粒的适应值与其历史最优位置pbest进行比较,如果当前适应值优于最优位置,则将适应值作为粒子当前的最好位置pbest；(4)将优化后每个微粒的适应值与群体微粒的历史最优位置gbest进行比较,如果适应值优于群体微粒的历史最优位置gbest,则将适应值作为群体微粒的最优位置gbest；(5)根据改进的粒子群算法调整当前微粒的速度和位置；(6)当适应值满足条件时,迭代结束,否则返回第二步继续优化参数，当第六步完成后,就会优化出最佳的参数c和δ,这样就可以得到最理想的支持向量机模型,用此模型进行故障预测。其中，设种群大小N＝20,惯性权重ω＝0.9,加速常数C1＝1.4,C2＝1.6,训练支持向量机，得到惩罚因子c的最佳取值为4.0323,核函数δ的最佳取值为0.51003。经粒子群算法优化,SVM分类器的分类准确率达到98.8134％。优选的，所述SVM模型采用基于遗传算法的支持向量机，基于遗传算法的支持向量机的建模过程为：(1)初始化种群,生成一定数量的个体作为初始种群,每条染色体由(c,δ)组成，其中c为惩罚因子，δ为核函数；(2)选定目标函数对初始种群进行支持向量机训练,把支持向量机的均方误差作为目标函数,计算每个个体的适应度；(3)进行选择运算、交叉运算、变异运算得到新一代种群,对新产生的种群进行支持向量机训练；(4)如果新产生的种群满足终止规则,则输出具有最大适应度的个体作为最优参数,用最优参数进行预测，否则增加进化代数,转入步骤(3)继续执行。本专利技术可以利用当前时刻相关的交通流量以及历史时刻相关交通流量，采用改进的神经网络模型进行交通流量的预测，提高了预测的效率和准确性。附图说明图1为本专利技术一种道路拥堵情况分析方法的流程图；图2为典型交叉路口示意图。具体实施方式下面将结合本专利技术的附图，对本专利技术的技术方案进行清楚、完整地描述。这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术的一些方面相一致的装置和方法的例子。由于交通流量数据具有高度非线性和不确定性等特点。人工神经网络所具有的非线性特性、大量的并行分布结构以及学习与归纳能力使其在建模、时间序列分析、模式识别等方面得到广泛应用，并且与时间相关性很强，是一种典型的时间序列预测问题。本专利技术利用多种神经网络模型实现了对交通流量数据的预测分析。参见图1，本专利技术提出的一种道路拥堵情况分析方法,具体包括：步骤S100，建立道路拥堵预测模本文档来自技高网...

【技术保护点】
一种道路拥堵情况分析方法，用于分析下一时刻的道路拥堵情况，具体包括：建立道路拥堵预测模型，所述道路拥堵预测模型是融合了BP神经网络模型和SVM(支持向量机)模型相融合的模型；采集交通流量数据并进行数据预处理；将交通流量数据输入道路拥堵预测模型，得到预测的道路拥堵情况：首先分别通过BP神经网络模型和SVM(支持向量机)模型预测道路拥堵情况；然后将上述两个模型的输出结果加权求平均值，作为最终的结果。

【技术特征摘要】
1.一种道路拥堵情况分析方法，用于分析下一时刻的道路拥堵情况，具体包括：建立道路拥堵预测模型，所述道路拥堵预测模型是融合了BP神经网络模型和SVM(支持向量机)模型相融合的模型；采集交通流量数据并进行数据预处理；将交通流量数据输入道路拥堵预测模型，得到预测的道路拥堵情况：首先分别通过BP神经网络模型和SVM(支持向量机)模型预测道路拥堵情况；然后将上述两个模型的输出结果加权求平均值，作为最终的结果。2.如权利要求1所述的道路拥堵情况分析方法，其中，所述的道路拥堵预测模型的输入量为：q1,q2,q3,Qt,Qt-1,Qt-2,Qt-3，q1、q2、q3以及Qt分别表示了上游交叉口t时刻北方位、西方位、南方位、以及下游路口的交通流量，Qt-1,Qt-2,Qt-3分别表示t-1时刻、t-2时刻、t-3时刻下游路口的交通流量，即t时刻的前3个时刻的交通流量。3.如权利要求1所述的道路拥堵情况分析方法，其中，所述BP神经网络模型包括输入层、隐含层和输出层，输入层包含一层7个节点，隐含层包含一层14个节点，输出层包含一层1个节点，输入层的7个节点分别是q1,q2,q3,Qt,Qt-1,Qt-2,Qt-3，q1、q2、q3以及Qt分别表示了上游交叉口t时刻北方位、西方位、南方位、以及下游路口的交通流量，Qt-1,Qt-2,Qt-3分别表示t-1时刻、t-2时刻、t-3时刻下游路口的交通流量，即t时刻的前3个时刻的交通流量；因为要预测下游路口某一时刻的交通流量,因此输出的神经元数目取1个即要预测的路口流量；根据经验公式,选取14个隐含层单元数目。4.如权利要求1所述的道路拥堵情况分析方法，其中，所述SVM模型采用(q1,q2,q3,Qt,Qt-1,Qt-2,Qt-3)作为输入量来进行预测,即采用了上游的路口流量以及本段路口的前三个时间段和当前时刻的流量总共7个单元来预测下一个时刻的流量。5.如权利要求1所述的道路拥堵情况分析方法，其中，所述SVM模型采用基于粒子群优化的支...

【专利技术属性】
技术研发人员：黄诗平，
申请(专利权)人：广州市科恩电脑有限公司，
类型：发明
国别省市：广东,44