一种基于浮动车轨迹的城市交通拥堵智能组合预测方法

摘要

一种基于浮动车轨迹的城市交通拥堵智能组合预测方法，首先进行数据处理并提取参数，将相同浮动车ID的采样点按照时间关联性链接成移动轨迹，并地图匹配到城市路网相应路段上，提取出能够表征交通拥堵的参数；再进行交通流参数组合预测，运用SVM算法对未来时刻的交通量和路段平均速度进行预测，并提出PSO对SVM的惩罚因子及采用多个核函数时相应核参数进行优化，取预测误差最小值为最终预测值；最后按拥堵状态模糊划分，将预测交通流参数处理后通过多指标权重适应变化的模糊综合评价法转化为出行者所认知的拥堵状态。本发明在准确率、实时性和稳定性上较经典优化算法和PSO优化SVM单个核函数预测方法均具有优势。

主权项

一种基于浮动车轨迹的城市交通拥堵智能组合预测方法，至少包括下列三个步骤：第一步，进行数据处理并提取参数将相同浮动车ID的采样点按照时间关联性链接成移动轨迹，并地图匹配到城市路网相应路段上，提取出能够表征交通拥堵的参数：交通量和路段平均速度；第二步，进行交通流参数组合预测根据历史的交通流参数，运用SVM算法对未来时刻的交通量和路段平均速度进行预测，并提出PSO对SVM的惩罚因子及采用多个核函数时相应核参数进行优化，取SVM选择线性核函数和高斯核函数时预测误差最小值为最终的预测值；具体包括交通量预测，路段平均速度预测和PSO优化SVM三部分组成：交通量预测和路段平均速度预测基于SVM建立预测模型，其回归方程为：y＝f(x)＝ω^TΦ(x)+b，其中，ω^T为权向量，Φ(x)为非线性核空间映射函数，b为偏置；回归因子权向量ω^T和偏置b可以通过最小风险泛化函数公式$\frac{1}{2}{\left|\right|\omega \left|\right|}^2+c\underset{i=1}{\overset{N}{\Sigma }}{L}_{ϵ}(x,y,f)=\frac{1}{2}{\left|\right|\omega \left|\right|}^2+c\underset{i=1}{\overset{N}{\Sigma }}{|y-f\left(x\right)|}_{ϵ}=\frac{1}{2}{\left|\right|\omega \left|\right|}^2+c\underset{i=1}{\overset{N}{\Sigma }}\max (0,y-f\left(x\right)|-ϵ)$求得；其中，为模型复杂性项，用来度量函数平坦度，c为惩罚系数，L_ε(x,y,f)为ε‑不敏感损失函数；根据SVM结构风险最小原则，并引入对偶的拉格朗日多项式，求得交通量预测模块和平均速度预测模块所采用的预测函数为：$y=f\left(x\right)=\underset{i=1}{\overset{N}{\Sigma }}(a_i-{a_i}^{*})K(x,x_i)+b,$其中，a_i和a_i^*为拉格朗日因子_，K(x,x_i)为核函数_，b为偏置；常用的核函数包括多项式核函数K(x,x_i)＝(λ(x*x_i)+e)^d，线性核函数K(x,x_i)＝(x*x_i)，高斯核函数所述的交通量预测方法：该方法将浮动车轨迹数据分为训练集和测试集两部分，以(t‑2)、(t‑1)以及t时刻的影响交通量预测因素即AS_t‑2、AS_t‑1、AS_t、Vol_t‑2、Vol_t‑1和Vol_t为自变量x输入，以(t+1)时刻的交通量即Vol_t+1为因变量y输出，然后基于SVM建立预测模型，通过预测函数选择合适的惩罚因子和核函数及其相应核参数，进行交通量预测；所述的路段平均速度预测方法：该方法同样将浮动车轨迹数据分为训练集和测试集两部分，以(t‑2)、(t‑1)以及t时刻的影响平均速度预测因素即Vol_t‑2、Vol_t‑1、Vol_t、AS_t‑2、AS_t‑1和AS_t为自变量x输入，以(t+1)时刻的平均速度即AS_t+1为因变量y输出，然后基于SVM建立预测模型，通过预测函数选择合适的惩罚因子和核函数及其相应核参数，进行路段平均速度预测；所述的PSO优化SVM方法：PSO优化SVM方法中粒子群优化算法核心思想：首先随机初始化粒子，然后通过个体最优值p_best和全局最优值g_best进行不断更新，最终找到最优解；粒子不断更新自己的位置和速度的公式如下：v_i(t+1)＝ω*v_i(t)+c₁*r₁*(p_best‑x_i(t))+c₂*r₂*(g_best‑x_i(t))，x_i(t+1)＝x_i(t)+v_i(t+1)，其中，ω是加权系数，取值范围0.1到1；v_i(t)和v_i(t+1)分别为t和(t+1)时刻的速度，x_i(t)和x_i(t+1)分别为t和(t+1)时刻的位置；c₁和c₂为学习因子，通常取值为2；r₁和r₂为[0,1]之间的随机数；PSO优化SVM的惩罚系数及多个核函数相应核参数的步骤包括：(1)PSO参数设置；(2)对优化的参数设置相关的p_best和g_best，进行训练SVM并构造适应度函数值；(3)如果粒子的p_value值比p_best好，则更新，如果粒子的g_value值比g_best好，则更新；(4)如果达到最大进化代数，则停止寻优，并输出g_best，否则返回(2)；采用PSO优化SVM的惩罚因子以及选择线性核函数和高斯核函数时预测误差最小的值作为最终的预测值；第三步，进行拥堵状态模糊划分(1)建立交通拥堵状态评估的因素集和评价集；(2)确定各个评价因素适应变化的权重系数；(3)通过隶属度函数进行单因素模糊评价；(4)通过模糊变换进行综合评价，得到模糊综合评价矩阵；(5)根据最大隶属度原则，选择隶属度最大值为最终评估的拥堵状态。