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：
[