一種基于浮動(dòng)車(chē)軌跡的城市交通擁堵智能組合預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種交通擁堵預(yù)測(cè)方法,尤其涉及一種基于浮動(dòng)車(chē)軌跡的城市交通擁 堵智能組合預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 隨著我國(guó)經(jīng)濟(jì)和城市化的發(fā)展,越來(lái)越多的人來(lái)到城市謀發(fā)展,出行需求急劇膨 脹,然而交通設(shè)施有限,加快發(fā)展的城市道路建設(shè)也難以滿足城市發(fā)展與汽車(chē)市場(chǎng)高速增 長(zhǎng)的需求,所導(dǎo)致的城市交通擁堵問(wèn)題嚴(yán)重影響了市民日常生活,在一定程度上限制了社 會(huì)、經(jīng)濟(jì)穩(wěn)定發(fā)展。緩解交通擁堵,尤其是常發(fā)性擁堵,已迫在眉睫。緩解交通擁堵的重要 前提是交通擁堵預(yù)測(cè)。雖然道路交通流是變化無(wú)常的、不變流動(dòng)的,對(duì)于出行者來(lái)說(shuō)是無(wú)法 預(yù)知下一時(shí)刻下一個(gè)路段交通擁堵?tīng)顩r,對(duì)于交通管理者是無(wú)法預(yù)防交通擁堵和防止交通 擁堵進(jìn)一步大范圍擴(kuò)散的,但是常發(fā)性交通擁堵還是有一定規(guī)律性的,可預(yù)測(cè)的。
[0003] 目前單純的某一種交通擁堵預(yù)測(cè)方法在不同情況下很難得到較滿意的預(yù)測(cè)結(jié)果。 為了克服單個(gè)方法的片面性,一些研宄者開(kāi)始將注意力轉(zhuǎn)向組合預(yù)測(cè)法。但是現(xiàn)有預(yù)測(cè)方 法在準(zhǔn)確性、實(shí)時(shí)性和穩(wěn)定性三方面的性能不能滿足交通需求。在浮動(dòng)車(chē)技術(shù)采集交通流 數(shù)據(jù)的背景下,本發(fā)明提出來(lái)一種基于浮動(dòng)車(chē)軌跡的城市交通擁堵智能組合預(yù)測(cè)方法。
【發(fā)明內(nèi)容】
[0004] 本發(fā)明的目的是充分發(fā)揮支持向量機(jī)不同核函數(shù)有不同預(yù)測(cè)精度和擬合能力,粒 子群優(yōu)化算法快速尋優(yōu)和穩(wěn)定性,以及模糊綜合評(píng)價(jià)法采用多指標(biāo)權(quán)重適應(yīng)變化策略的優(yōu) 點(diǎn),從而提高擁堵預(yù)測(cè)準(zhǔn)確率、實(shí)時(shí)性和穩(wěn)定性能,提供一種基于浮動(dòng)車(chē)軌跡的城市交通擁 堵智能組合預(yù)測(cè)方法。
[0005] -種基于浮動(dòng)車(chē)軌跡的城市交通擁堵智能組合預(yù)測(cè)方法,所述的交通擁堵智能組 合預(yù)測(cè)方法至少包括下列三個(gè)步驟:
[0006] 1)首先第一步進(jìn)行數(shù)據(jù)處理并提取參數(shù),即將相同浮動(dòng)車(chē)ID的采樣點(diǎn)按照時(shí)間 關(guān)聯(lián)性鏈接成移動(dòng)軌跡,并地圖匹配到城市路網(wǎng)相應(yīng)路段上,提取出能夠表征交通擁堵的 參數(shù):交通量和路段平均速度;
[0007] 2)然后第二步進(jìn)行交通流參數(shù)組合預(yù)測(cè),即根據(jù)歷史的交通流參數(shù),運(yùn)用SVM算 法對(duì)未來(lái)時(shí)刻的交通量和路段平均速度進(jìn)行預(yù)測(cè),并提出PS0對(duì)SVM的懲罰因子及采用多 個(gè)核函數(shù)時(shí)相應(yīng)核參數(shù)進(jìn)行優(yōu)化,取SVM選擇線性核函數(shù)和高斯核函數(shù)時(shí)預(yù)測(cè)誤差最小值 為最終的預(yù)測(cè)值;
[0008] 3)最后第三步進(jìn)行擁堵?tīng)顟B(tài)模糊劃分,考慮到路段長(zhǎng)度和車(chē)道數(shù)以及道路通行能 力,將預(yù)測(cè)交通流參數(shù)處理后通過(guò)多指標(biāo)權(quán)重適應(yīng)變化的模糊綜合評(píng)價(jià)法轉(zhuǎn)化為出行者所 認(rèn)知的擁堵?tīng)顟B(tài)。
[0009] 所述的第二步交通流參數(shù)組合預(yù)測(cè)包括交通量預(yù)測(cè),路段平均速度預(yù)測(cè)和PS0優(yōu) 化SVM三部分組成:
[0010] 交通量預(yù)測(cè)和路段平均速度預(yù)測(cè)基于SVM建立預(yù)測(cè)模型,其回歸方程為:y=f(x) =?T〇 (x) +b,
[0011] 其中,wT為權(quán)向量,①(x)為非線性核空間映射函數(shù),b為偏置。
[0012] 回歸因子權(quán)向量和偏置b可以通過(guò)最小風(fēng)險(xiǎn)泛化函數(shù)公式
[0014] 其中,|||?f為模型復(fù)雜性項(xiàng),用來(lái)度量函數(shù)平坦度,c為懲罰系數(shù),Le(x,y,f)為 e_不敏感損失函數(shù)。
[0015]按照SVM結(jié)構(gòu)風(fēng)險(xiǎn)最小原則,引入非負(fù)的松弛向量|p|A得到等價(jià)的原問(wèn)題 即:
[0018]由于特征向量空間的維數(shù)很高,會(huì)使得求解上式較難,為此引入對(duì)偶的Lagrange 多項(xiàng)式,轉(zhuǎn)化為對(duì)偶問(wèn)題:
[0021] 其中,a^ai為松弛變量|i,對(duì)應(yīng)的拉格朗日乘子,核函數(shù)K(Xi,x)為向量 Xi,&在其特征空間里的像〇(xi)和〇 (x)的乘積,用核函數(shù)代替內(nèi)積計(jì)算,實(shí)現(xiàn)了低維向 高維的映射。根據(jù)最小化S,可求得
,a^,a為最小化S對(duì)偶問(wèn)題的解。 交通量預(yù)測(cè)和路段平均速度預(yù)測(cè)所采用的預(yù)測(cè)函數(shù)為:
[0023] 常用的核函數(shù)包括多項(xiàng)式核函數(shù)K(x,Xi) =(X(x*Xi)+e)d,線性核函數(shù)K(x,Xi) =(X*Xi),高斯核函數(shù)
\ /
[0024] 所述的交通量預(yù)測(cè)方法:
[0025]該方法將浮動(dòng)車(chē)軌跡數(shù)據(jù)分為訓(xùn)練集和測(cè)試集兩部分,以(t_2)、(t_l)以及t時(shí) 刻的影響交通量預(yù)測(cè)因素即六51_2、六51_ 1、六5^〇11_2、¥〇1 1_1和¥〇11為自變量1輸入,以(七+1) 時(shí)刻的交通量即Volt+1為因變量y輸出,然后基于SVM建立預(yù)測(cè)模型,通過(guò)預(yù)測(cè)函數(shù)選擇合 適的懲罰因子和核函數(shù)及其相應(yīng)核參數(shù),進(jìn)行交通量預(yù)測(cè)。
[0026] 所述的路段平均速度預(yù)測(cè)方法:
[0027] 該方法同樣將浮動(dòng)車(chē)軌跡數(shù)據(jù)分為訓(xùn)練集和測(cè)試集兩部分,以(t-2)、(t-1)以及 t時(shí)刻的影響平均速度預(yù)測(cè)因素即Volt_2、VoIh、Volt、ASt_2、ASh和ASt為自變量x輸入, 以(t+1)時(shí)刻的平均速度即ASt+1為因變量y輸出,然后基于SVM建立預(yù)測(cè)模型,通過(guò)預(yù)測(cè) 函數(shù)選擇合適的懲罰因子和核函數(shù)及其相應(yīng)核參數(shù),進(jìn)行路段平均速度預(yù)測(cè)。
[0028] 所述的PS0優(yōu)化SVM方法:
[0029]PS0優(yōu)化SVM中粒子群優(yōu)化算法核心思想:首先隨機(jī)初始化粒子,然后通過(guò)個(gè)體最 優(yōu)值Pbest和全局最優(yōu)值gbest進(jìn)行不斷更新,最終找到最優(yōu)解。
[0030] 粒子不斷更新自己的位置和速度的公式如下:
[0031] Vi(t+1) =?*Vi(t)+c1*r1* (pbest-Xi(t))+c2*r2* (gbest-Xi(t)),Xi(t+ 1)= Xi(t)+Vi(t+1),
[0032] 其中,《是加權(quán)系數(shù),取值范圍0.1到1 % (t)和Vi (t+1)分別為t和(t+1)時(shí)刻 的速度,xdt) *Xi(t+l)分別為t和(t+1)時(shí)刻的位置;cJPc2為學(xué)習(xí)因子,通常取值為 2而和r2為[0, 1]之間的隨機(jī)數(shù)。
[0033]PS0優(yōu)化SVM的懲罰因子及多個(gè)核函數(shù)相應(yīng)核參數(shù)的步驟包括:(1)PS0參數(shù)設(shè)置; (2)對(duì)優(yōu)化的參數(shù)設(shè)置相關(guān)的pbest和gbest,進(jìn)行訓(xùn)練SVM并構(gòu)造適應(yīng)度函數(shù)值;(3)如果粒 子的Pvai?值比P1^好,則更新,如果粒子的gvai?值比gbjf,則更新;⑷如果達(dá)到最大進(jìn) 化代數(shù),則停止尋優(yōu),并輸出gbest,否則返回(2)。
[0034]SVM不同核函數(shù)有不同的預(yù)測(cè)精度和擬合能力,相對(duì)常用核函數(shù)來(lái)說(shuō),多項(xiàng)式核函 數(shù)比線性核函數(shù)和高斯核函數(shù)不僅次數(shù)高而大大增加了計(jì)算復(fù)雜度,而且待優(yōu)化參數(shù)多大 大增加了模型選擇復(fù)雜度。因此對(duì)于交通量預(yù)測(cè)和路段平均速度預(yù)測(cè),本發(fā)明采用PS0優(yōu) 化SVM的懲罰因子以及選擇線性核函數(shù)和高斯核函數(shù)時(shí)預(yù)測(cè)誤差最小的值作為最終的預(yù) 測(cè)值。
[0035] 所述的第三步擁堵?tīng)顟B(tài)模糊劃分:
[0036] 綜合考慮路段長(zhǎng)度和車(chē)道數(shù)以及道路通行能力,本發(fā)明從第二步預(yù)測(cè)得到的交通 流參數(shù)提取出道路飽和度、交通流密度以及路段平均速度三個(gè)擁堵指標(biāo)。擁堵?tīng)顟B(tài)模糊劃 分的過(guò)程為:(1)建立交通擁堵?tīng)顟B(tài)評(píng)估的因素集和評(píng)價(jià)集;(2)確定各個(gè)評(píng)價(jià)因素適應(yīng)變 化的權(quán)重系數(shù);(3)通過(guò)隸屬度函數(shù)進(jìn)行單因素模糊評(píng)價(jià);(4)通過(guò)模糊變換進(jìn)行綜合評(píng) 價(jià),得到模糊綜合評(píng)價(jià)矩陣;(5)根據(jù)最大隸屬度原則,選擇隸屬度最大值為最終評(píng)估的擁 堵?tīng)顟B(tài)。
【附圖說(shuō)明】
[0037] 圖1是交通量預(yù)測(cè)方法中交通量預(yù)測(cè)建模圖。
[0038] 圖2是平均速度預(yù)測(cè)方法中平均速度預(yù)測(cè)建模圖。
[0039] 圖3是PS0優(yōu)化SVM的懲罰因子及多個(gè)核函數(shù)相應(yīng)核參數(shù)的流程圖。
[0040]圖4是模糊綜合評(píng)價(jià)方法所采用的隸屬度函數(shù)圖。
[0041]圖5是基于PS0優(yōu)化SVM的交通擁堵智能組合預(yù)測(cè)框架圖。
【具體實(shí)施方式】
[0042] 基于浮動(dòng)車(chē)軌跡的城市交通擁堵智能組合預(yù)測(cè)方法,所述的交通擁堵智能組合預(yù) 測(cè)方法至少包括下列三個(gè)步驟:
[0043] 1)首先第一步進(jìn)行數(shù)據(jù)處理并提取參數(shù),即將相同浮動(dòng)車(chē)ID的采樣點(diǎn)按照時(shí)間 關(guān)聯(lián)性鏈接成移動(dòng)軌跡,并地圖匹配到城市路網(wǎng)相應(yīng)路段上,提取出能夠表征交通擁堵的 參數(shù):交通量和路段平均速度;
[0044] 2)然后第二步進(jìn)行交通流參數(shù)組合預(yù)測(cè),即根據(jù)歷史的交通流參數(shù),運(yùn)用SVM算 法對(duì)未來(lái)時(shí)刻的交通量和路段平均速度進(jìn)行預(yù)測(cè),并提出PS0對(duì)SVM的懲罰因子及采用多 個(gè)核函數(shù)時(shí)相應(yīng)核參數(shù)進(jìn)行優(yōu)化,取SVM選擇線性核函數(shù)和高斯核函數(shù)時(shí)預(yù)測(cè)誤差最小值 為最終的預(yù)測(cè)值;
[0045] 3)最后第三步進(jìn)行擁堵?tīng)顟B(tài)模糊劃分,考慮到路段長(zhǎng)度和車(chē)道數(shù)以及道路通行能 力,將預(yù)測(cè)交通流參數(shù)處理后通過(guò)多指標(biāo)權(quán)重適應(yīng)變化的模糊綜合評(píng)價(jià)法轉(zhuǎn)化為出行者所 認(rèn)知的擁堵?tīng)顟B(tài)。
[0046] 所述的第二步交通流參數(shù)組合預(yù)測(cè)包括交通量預(yù)測(cè),路段平均速度預(yù)測(cè)和PS0優(yōu) 化SVM三部分組成:
[0047] 交通量預(yù)測(cè)和路段平均速度預(yù)測(cè)基于SVM建立預(yù)測(cè)模型,其回歸方程為:y=f(x) =?T〇 (x) +b,
[0048] 其中,wT為權(quán)向量,①(x)為非線性核空間映射函數(shù),b為偏置。
[0049] 回歸因子權(quán)向量《T和偏置b可以通過(guò)最小風(fēng)險(xiǎn)泛化函數(shù)公式
求得。
[0051] 其中,
為模型復(fù)雜性項(xiàng),用來(lái)度量函數(shù)平坦度,c為懲罰系數(shù),U(X,y,f)為 e_不敏感損失函數(shù)。
[0052] 按照SVM結(jié)構(gòu)風(fēng)險(xiǎn)最小原則,引入非負(fù)的松弛向量|i,|丨得到等價(jià)的原問(wèn)題:
[0055] 由于特征向量空間的維數(shù)很高,會(huì)使得求解上式較難,為此引入對(duì)偶的Lagrange 多項(xiàng)式,轉(zhuǎn)化為對(duì)偶問(wèn)題:
[0058] 其中,ajA為松弛變量Ii,I,對(duì)應(yīng)的拉格朗日乘子,核函數(shù)K(Xi,x)為向量 Xi,&在其特征空間里的像〇(xi)和〇 (x)的乘積,用核函數(shù)代替內(nèi)積計(jì)算,實(shí)現(xiàn)了低維向 高維的映射。根據(jù)最小化S,可求得
a^,a為最小化S對(duì)偶問(wèn)題的解。 交通量預(yù)測(cè)和平均速度預(yù)測(cè)所采用的預(yù)測(cè)函數(shù)為:
[0060] 常用的核函數(shù)包括多項(xiàng)式核函數(shù)K(x,xD= 〇 (x*Xi)+e)d,線性核函數(shù)K(x,Xi) =(X*Xi),高斯核函數(shù).
[0061] 所述的交通量預(yù)測(cè)方法:
[0062] 該方法將浮動(dòng)車(chē)軌跡數(shù)據(jù)分為訓(xùn)練集和測(cè)試集兩部分,以(t_2)、(t_l)以及t時(shí) 刻的影響交通量預(yù)測(cè)因素即六51_2、六51_ 1、六5^〇11_2、¥〇1 1_1和¥〇11為自變量1輸入,以(七+1)時(shí)刻的交通量即Volt+1為因變量y輸出,然后基于SVM建立預(yù)測(cè)模型,通過(guò)預(yù)測(cè)函數(shù)選擇合 適的懲罰因子和核函數(shù)及其相應(yīng)核參數(shù),進(jìn)行交通量預(yù)測(cè)。
[0063] 所述的路段平均速度預(yù)測(cè)方法:
[0064] 該方法同樣將浮動(dòng)車(chē)軌跡數(shù)據(jù)分為訓(xùn)練集和測(cè)試集兩部分,以(t_2)、(t_l)以及 t時(shí)刻的影響平均速度預(yù)測(cè)因素即Volt_2、VoIh、Volt、ASt_2、ASh和ASt為自變量x輸入, 以(t+1)時(shí)刻的平均速度即ASt+1為因變量y輸出,然后基于SVM建立預(yù)測(cè)模型,通過(guò)預(yù)測(cè) 函數(shù)選擇合適的懲罰因子和核函數(shù)及其相應(yīng)核參數(shù),進(jìn)行路段平均速度預(yù)測(cè)。
[0065] 所述的PS0優(yōu)化SVM方法:
[