一种道路拥堵情况分析方法与流程

本发明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。

背景技术：

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(Intelligent Transport System,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。

技术实现要素：

至少部分的解决现有技术中存在的问题，本发明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,Q_t,Q_t-1,Q_t-2,Q_t-3，q₁、q₂、q₃以及Q_t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，Q_t-1,Q_t-2,Q_t-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,Q_t,Q_t-1,Q_t-2,Q_t-3，q₁、q₂、q₃以及Q_t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，Q_t-1,Q_t-2,Q_t-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,Q_t,Q_t-1,Q_t-2,Q_t-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V_max，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。

本发明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为本发明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

下面将结合本发明的附图，对本发明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发明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、本发明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。本发明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，本发明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型；

可以采用BP神经网络模型、SVM(支持向量机)模型以及二者的结合来进行道路拥堵情况预测。

交通流量是一组复杂的非线性数据的集合,但在时空上是一个渐进具有规律性的过程。典型交叉路口的交通流量,各个相邻的路段之间必然存在着一定的相关性,同时各个路段每天的交通流量在时间上来说具有分布的统计规律性。从时间上来说,路段每天的高峰和低峰的分布具有一定的平稳性,一般的高峰有早高峰和晚高峰两种,同时路口的流量也与该路段前几个时间段的流量有关。从空间的角度来看,路段出口的流量也必然受到上游路段交通流量数据的影响根据上述的特点,考虑到输出交通流量在空间和时间上的变化规律,输入信息在空间上来自相邻上下游路段的交通流量数据,时间上选取本路口前几个时刻段的数据流量,把这些检测点的数据作为输入变量。

图2为典型交叉路口示意图,q₁、q₂、q₃、以及Q_t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。

从图2可以看出,t时刻下游的交通流量Q_t显然有三部分组成,q₁中的左转流量、q₂中的直行流量以及q₃中的右转流量。因此在t时刻Q_t由q₁、q₂、q₃所组成,可见从空间上来看,下游路口的流量与上游不同方向路口之间的必然相关性。同时在预测下游该路段的流量时,该路段的前几个时刻的流量(Q_t-1,Q_t-2,Λ)也有着时间上的联系。因此这就确认了预测下游路段流量所需要的输入数据流量,这样就可以利用路口的前几个时间段的交通流量数据以及该路口上游路口的流量数据来完成对指定路口数据流量的预测,即:Q_t+1＝f(q₁,q₂,q₃,Q_t,Q_t-1,Q_t-2,Λ)。每隔15分钟记录一次该时间内的交通流量。

步骤S200，采集交通流量数据并进行数据预处理；

通过在道路上安装摄像头、感应器等设施实现对交通流量数据的采集和计算。

步骤S300，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。

本发明将道路拥堵情况分为1到10十个等级，1到5级别的交通都属于顺畅，由5到10，拥堵级别逐渐增加。

本发明的道路拥堵预测模型一具体实施例采用BP神经网络模型。

BP神经网络包括输入层、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,Q_t,Q_t-1,Q_t-2,Q_t-3。考虑到神经网络的结构,太多的输入量可能造成网络的复杂,运算时间较长以及降低了网络的学习效率,采用(q₁,q₂,q₃,Q_t,Q_t-1,Q_t-2,Q_t-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。

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就可。

对于BP神经网络而言,有一个很重要的定理存在,就是在闭区间内,任何一个连续的函数都可以用单隐层的BP神经网络来逼近,再由上面的分析并考虑实际的情况,如果将隐层数目取两层或以上,将会使网络的结构变得更加复杂,训练时间自然也会大大增加,因此在交通流量预测中隐层的数目就采用一层隐层。根据经验公式,选取14个隐层单元数目。

BP算法有收敛速度慢,可能落入局部极小值等缺点，因此，本发明一优选实施例对BP神经网络模型进 行进一步的改进，以克服其缺点。

本发明的一优选实施例，采用遗传算法对上述BP神经网络模型进行改进，包括：

1、初始种群的产生

在遗传算法当中,每一个种群对应着一些染色体,染色体的数目就是种群规模。本发明取10个染色体作为一个种群,即种群规模为10。为了增大搜索空间,加快收敛速度,这里学习率α取0～1之间的一个小数,根据问题的实际情况,隐层单元数取1～100之间一个整数。随机地产生10个学习率和隐层单元数作为初始种群。具体步骤包括：

1.1生成一个0～1之间的一个随机小数α，作为学习率；

1.2随机生成1～100之间一个整数，作为隐含层单元数；

1.3产生一个BP神经网络模型作为初始种群的一个染色体；

1.4重复1.1-1.3直至达到所需种群规模。

2、选择适应度函数

这里遗传算法的最终目的就是产生一组可行的BP网络预测模型的集合,并且保证模型的预测误差较小和收敛速度较快，即保证公式(1)的值最小。本发明确定的适应度函数为

其中，eval为适应度函数的函数值，E为BP神经网络的预测误差,T为BP神经网络收敛的时间,

λ是权重因子，这里取值为0.8。

3、选择子代

在遗传算法中轮盘赌选择是最知名的选择方式,其基本的原理是根据每个染色体适应值的比例来确定该个体的选择概率或生存概率。因此可以建立一个轮盘赌模型来表示这些概率。选择的过程就是旋转轮盘若干次(次数等于种群规模),每次为新种群选出一个个体。轮盘赌这种选择方法的特点就是随机采样过程。本发明具体选择子代过程包括：

3.1利用公式(1)计算种群中各个染色体M_k的适应值，

k＝1,2,Λ,pop_size，pop_size是种群规模的大小；

3.2计算各个染色体适应值代数和，

3.3计算各个染色体的选择概率，

3.4计算各个染色体的累积概率，

3.5在[0,1]区间内产生一个均匀分布的伪随机数r；

3.6若r≤q₁，则选择第一个染色体M₁,否则当q_k-1＜r≤q_k时选择M_k，2≤k≤pop_size；

3.7重复3.5-3.6共pop_size次，产生pop_size个[0,1]区间内的伪随机数,选择pop_size个染色体；

3.8将染色体按适应值从大到小排序；

3.9保留适应值较高的前一半染色体作为子代的一部分；

3.10将适应值较低的后一半的染色体利用轮盘赌选择得到子代的另一部分。

本发明的选择策略是基于轮盘赌选择方式并加以改进。为了不使当前得到的适应度较高的解从选择中丢失,我们先将种群中所有解的适应值按照公式(1)计算出来,然后从大到小进行排序。排序之后把种群中适应度较高的前一半保留,作为子代的一部分,而将适应度较低的另一半用轮盘赌选择方式得到子代种群的另一部分。这样选择到的解既保证了父代种群中的最优解不被丢失,又不会使得搜索空间过小,有利于寻找到适应度更高的解。即找到具有最佳网络性能的BP神经网络模型。

假如种群的规模是10,则取其中适应度较高的5个解作为子代种群的一半,而剩下的适应度较低的5个解利用轮盘赌选择的方式选出子代的另一半。

4、染色体的交叉与变异

染色体的交叉就是将两条染色体上的基因各自分成两个部分,重新组合构成两条新的染色体。本发明具体的交叉策略就是把两个BP神经网络模型作为两条染色体,每个模型的学习率和隐含层单元数作为两个基因,交换这两个BP网络的学习率和隐层单元数就可得到两个新的BP网络预测模型。

本发明将种群中前5个染色体与后5个染色体按照上述的方式进行交叉,得到5个新的BP神经网络模型,这5个模型再与步骤3中选择到的5个适应度较高的染色体作为子代,得到新的种群。

为了避免搜索陷入局部极小值,.扩大搜索空间,遗传算法采用了变异的策略。本发明对BP神经网络模型的隐含层单元数进行变异，具体为：

其中，h为需要变异的模型隐含层单元数，T为变异模型的收敛时间，T₀为此时种群中所有染色体收敛时间的平均值，变异调整因子η取0.9,μ取1.1，[η×h]和[μ×h]分别表示η×h和μ×h的整数部分，h表示变异后新的模型的隐含层单元数。

本发明的道路拥堵预测模型一具体实施例采用SVM(支持向量机)模型。

本发明的SVM模型采用(q₁,q₂,q₃,Q_t,Q_t-1,Q_t-2,Q_t-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。

建立SVM模型包括选择合适的核函数,首先输入较大的数据搜索范围采用网格搜索法粗略地选择参数惩罚因子c和核函数δ,然后在粗略搜索的基础上,合理地减小数据搜索范围,利用网格搜索法精确地选择出最佳参数c和δ；

其中，利用网格搜索法设置惩罚因子c的取值范围为[2^-10,2¹⁰],步进为0.4；核函数参数δ的取值范围为[2^-10,2¹⁰],步进为0.4，通过对支持向量机训练,惩罚因子c的最佳取值为0.85446,核函数参数δ的最佳取值为0.38764,支持向量机分类器选择参数的准确率为79.5536％。

其中，利用网格搜索法设置惩罚因子c的取值范围为[2^-10,2⁰],步进0.2；核函数参数δ的取值范围为[2^-10,2⁰],步进0.2，经过对支持向量机训练,惩罚因子c的最佳取值为0.42231,核函数参数δ最佳取值为1.01251,支持向量机分类器选择参数的准确率为92.1342％。

其中，利用网格搜索法设置惩罚因子c的取值范围[2⁰,2¹⁰],步进0.2；核函数参数δ的取值范围为[2⁰,2¹⁰],步进0.2，经过训练支持向量机,惩罚因子c的最佳取值为1.3068,核函数参数δ最佳取值为1.3996,支持向量机分类器选择参数的准确率为96.885％。

其中，利用网格搜索法设置惩罚因子c的取值范围为[2⁰,2¹⁰],步进0.2,核函数参数δ的取值范围为[2^-10,2⁰],步进0.2。通过训练支持向量机,惩罚因子c的最佳取值为23.1234,核函数参数δ最佳取值为0.035003,支持向量机分类器选择参数的准确率达到96.6677％。

优选的，所述支持向量机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V_max，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，支持向量机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。

本发明的道路拥堵预测模型一具体实施例采用BP神经网络模型和SVM(支持向量机)模型相融合的模型。

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。

将两个模型融合的方式可以克服因单个模型某些因素导致的预测偏差，能够获得更加稳定的预测结果。

本发明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。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。