基于马尔可夫链和神经网络的交通拥挤状态组合预测方法
【技术领域】
[0001] 本发明设及交通状态预测领域，尤其是设及一种基于马尔可夫链和神经网络的交 通拥挤状态组合预测方法。
【背景技术】
[0002] 造成道路交通拥堵的原因很多，但根本原因可W归结为交通需求和交通供给之间 的不平衡。解决交通拥堵问题，不外乎从供需两方面来采取措施：在供给方面通过加强基础 设施建设来提高路网整体交通容量，在需求方面优化出行行为生成的时空分布。考虑可行 性和经济性，从后者入手，最大限度地提高现有路网的利用率逐渐成为交通研究人员和管 理者的焦点。交通状态预测就是通过综合分析交通状态的现状和历史后，对未来的状况进 行估计，W预先采取诱导和控制措施，因而可W提高路网利用率，缓解交通拥堵。
[0003] 目前，对道路交通拥堵预测方法的研究已经取得一定的成果，主要有卡尔曼滤波、 神经网络、支持向量机、混浊理论、元胞自动机、C4. 5决策树W及上述方法的组合方法等。但 是，该些研究主要聚焦在交通流参数（如流量、速度和占有率等）的预测上，即使也提出了 一些交通状态的预测方法，但多数仅局限在单一路段或局部区域的预测上，未能从宏观角 度出发，预测整个路网的拥挤状态。
【发明内容】
[0004] 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种预测实时性好、 精度高的基于马尔可夫链和神经网络的交通拥挤状态组合预测方法。
[0005] 本发明的目的可W通过W下技术方案来实现：
[0006] 一种基于马尔可夫链和神经网络的交通拥挤状态组合预测方法，包括W下步骤：
[0007] 1)采用类似化geRank的马尔可夫链方法进行交通拥挤状态预测，得到第一预测 结果；
[000引 2)采用量子多智能体算法优化的BP神经网络方法进行交通拥挤状态预测，得到 第二预测结果；
[0009] 3)基于信息滴获取所述第一预测结果、第二预测结果的权重；
[0010] 4)根据所述第一预测结果、第二预测结果及相应权重获得最终预测结果。
[0011] 所述步骤1)中，采用类似化geRank的马尔可夫链方法进行交通拥挤状态预测时， 转移概率矩阵的求解过程具体为；
[0012] 101)构建路网有向图；
[001引10。构建转移概率矩阵P =巧u：Um，m为路网有向图中路段总数，其中，
[0014] Pu=早 hi
[00 巧]Pu=(l-p"Hp。'
[0016] 式中，为路段i的行程时间，tpu为路段i到路段j的转向概率，P。为转移概率 矩阵中主对角元素，Py为转移概率矩阵中第i行、第j列的元素，i = 1，. . .，m，j = 1，. . .，m。
[0017] 所述步骤2)中，采用量子多智能体算法对BP神经网络进行优化具体为：
[0018] 201)确定BP神经网络结构；
[0019] 202)构建多智能体网格，初始化量子智能体；
[0020] 203)将量子比特编码的量子智能体转换成二进制串，再由二进制串转换成十进制 数；
[0021] 204)依次将种群中的每个个体的值赋给BP神经网络，作为初始权值和阔值；
[0022] 205)对BP神经网络进行训练和测试；
[0023] 206)根据BP神经网络的均方误差评估个体的适应度值，判断是否满足终止条件， 若是，则执行步骤208)，若否，则执行步骤207);
[0024] 207)依次对种群进行合作操作、交叉操作、变异操作，获得新种群，返回步骤 204);
[002引 208)获得满意的初始权值和阔值，结束。
[0026] 所述多智能体网格为分布有多个量子智能体的NXN网格；
[0027] 所述量子智能体为采用量子比特编码的智能体，表达式为：
[002引
【主权项】
1. 一种基于马尔可夫链和神经网络的交通拥挤状态组合预测方法，其特征在于，包括 以下步骤： 1) 采用类似PageRank的马尔可夫链方法进行交通拥挤状态预测，得到第一预测结果； 2) 采用量子多智能体算法优化的BP神经网络方法进行交通拥挤状态预测，得到第二 预测结果； 3) 基于信息熵获取所述第一预测结果、第二预测结果的权重； 4) 根据所述第一预测结果、第二预测结果及相应权重获得最终预测结果。
2. 根据权利要求1所述的基于马尔可夫链和神经网络的交通拥挤状态组合预测方法， 其特征在于，所述步骤1)中，采用类似PageRank的马尔可夫链方法进行交通拥挤状态预测 时，转移概率矩阵的求解过程具体为： 101) 构建路网有向图； 102) 构建转移概率矩阵P= {Pu}mXm，m为路网有向图中路段总数，其中， 尸=kll 11 . hi Pij= (I-Pii)tpij 式中，tii为路段i的行程时间，tpu为路段i到路段j的转向概率，pn为转移概率矩 阵中主对角元素，Pij为转移概率矩阵中第i行、第j列的元素，i=l，...，m，j=l，...，m。
3. 根据权利要求1所述的基于马尔可夫链和神经网络的交通拥挤状态组合预测方法， 其特征在于，所述步骤2)中，采用量子多智能体算法对BP神经网络进行优化具体为： 201) 确定BP神经网络结构； 202) 构建多智能体网格，初始化量子智能体； 203) 将量子比特编码的量子智能体转换成二进制串，再由二进制串转换成十进制数； 204) 依次将种群中的每个个体的值赋给BP神经网络，作为初始权值和阈值； 205) 对BP神经网络进行训练和测试； 206) 根据BP神经网络的均方误差评估个体的适应度值，判断是否满足终止条件，若 是，则执行步骤208)，若否，则执行步骤207); 207) 依次对种群进行合作操作、交叉操作、变异操作，获得新种群，返回步骤204); 208) 获得满意的初始权值和阈值，结束。
4. 根据权利要求3所述的基于马尔可夫链和神经网络的交通拥挤状态组合预测方法， 其特征在于，所述多智能体网格为分布有多个量子智能体的NXN网格。 所述量子智能体为采用量子比特编码的智能体，表达式为：
式中，a和0为量子比特位的概率幅
I第m维的候选解，< 是该候选解的量子比特位数，M是所求问题的维度，即所要优化的权值阈值的总数。
5. 根据权利要求3所述的基于马尔可夫链和神经网络的交通拥挤状态组合预测方法， 其特征在于，所述合作操作包括和小组最优个体的合作操作以及和当代最优个体的合作操 作。
6.根据权利要求3所述的基于马尔可夫链和神经网络的交通拥挤状态组合预测方法， 其特征在于，所述交叉操作采用单点交叉方式。
7.根据权利要求3所述的基于马尔可夫链和神经网络的交通拥挤状态组合预测方法， 其特征在于，所述变异操作采用量子非门算子进行变异。
8. 根据权利要求1所述的基于马尔可夫链和神经网络的交通拥挤状态组合预测方法， 其特征在于，所述步骤3)中，基于信息熵权重获取方法为： 301)获得评价矩阵E :
式中，eu表示第i种单项预测方法的第j种指标的误差评价值，k为预测方法种数，s为评价指标个数； 302)对评价矩阵的每项指标进行归一化操作，可得归一化评价矩阵F :
303)计算第i种预测方法的信息熵：
111 ^ /-I 304)根据信息熵计算各单项预涮方法的叔重，
〇
【专利摘要】本发明涉及一种基于马尔可夫链和神经网络的交通拥挤状态组合预测方法，包括以下步骤：1)采用类似PageRank的马尔可夫链方法进行交通拥挤状态预测，得到第一预测结果；2)采用量子多智能体算法优化的后向传播神经网络(BP神经网络)方法进行交通拥挤状态预测，得到第二预测结果；3)基于信息熵获取所述第一预测结果、第二预测结果的权重；4)根据所述第一预测结果、第二预测结果及相应权重获得最终预测结果。与现有技术相比，本发明具有预测实时性好、精度高和拓展性好等优点。
【IPC分类】G06N3-02, G08G1-01
【公开号】CN104616498
【申请号】CN201510053258
【发明人】刘敏, 吴薇, 章锋, 李玲, 刘清
【申请人】同济大学
【公开日】2015年5月13日
【申请日】2015年2月2日