一種車道飽和度預(yù)測(cè)模型的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及智能交通領(lǐng)域，尤其涉及一種車道飽和度預(yù)測(cè)模型。
【背景技術(shù)】
[0002] 悉尼協(xié)調(diào)自適應(yīng)系統(tǒng)（Sydney Coordinated Adaptive Traffic System, SCATS) 在世界有廣泛的應(yīng)用。車道飽和度是指在一個(gè)相位周期內(nèi)在車道探測(cè)器處，被車流有效利 用的綠燈時(shí)間與總的綠燈時(shí)間之比。本發(fā)明中的建模方法與傳統(tǒng)方法相比可以得到更高的 預(yù)測(cè)精度，建模過(guò)程中采用的數(shù)據(jù)為SCATS數(shù)據(jù)。SCATS系統(tǒng)也是通過(guò)調(diào)節(jié)車道飽和度，來(lái) 達(dá)到調(diào)節(jié)整個(gè)區(qū)域交通系統(tǒng)的目的。車道飽和度預(yù)測(cè)對(duì)于交通信號(hào)控制也有重要意義。
[0003] 車道飽和度預(yù)測(cè)并不是交通領(lǐng)域的研宄點(diǎn)，相比較而言，有更多的本領(lǐng)域技術(shù)人 員將交通流預(yù)測(cè)作為其研宄方向。但是對(duì)于不同車道，相同車流量對(duì)應(yīng)的飽和度不同。不 同車道的承載能力不同，因此車道飽和度能更好的表征車道擁堵狀況。幾十年來(lái)，在交通 流預(yù)測(cè)方面交通領(lǐng)域眾多專家通過(guò)一些方法建立了預(yù)測(cè)模型，建立模型的方法包括平均值 法、自回歸滑動(dòng)平均模型、線性回歸、非參數(shù)回歸、神經(jīng)網(wǎng)絡(luò)等。相對(duì)于上述方法，在交通車 流量預(yù)測(cè)問題中采用支持向量回歸建模的方法可以得到更好的預(yù)測(cè)精度。支持向量回歸 是建立在統(tǒng)計(jì)學(xué)習(xí)的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上，能夠較好地解決小樣本、非線 性、高維數(shù)和局部極小點(diǎn)等實(shí)際問題。選擇這種方法建立交通流預(yù)測(cè)模型，可以取得良好的 預(yù)測(cè)效果。通過(guò)支持向量回歸這種方法建立預(yù)測(cè)模型，需要確定模型的輸入特征，模型輸入 特征不同建立的模型也不同。模型輸入特征空間中的特征數(shù)目并不是越多越好，如果將能 得到的數(shù)據(jù)都作為模型輸入特征，會(huì)將一些冗余信息引入建模過(guò)程，可能會(huì)影響建模精度， 需要將這些影響因素加以考慮。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明針對(duì)上述不足之處，目的在于提供一種車道飽和度預(yù)測(cè)模型，提高預(yù)測(cè)模 型的精度。本發(fā)明所述模型通過(guò)采用最大相關(guān)最小冗余特征選擇算法用于車道飽和度預(yù)測(cè) 模型輸入提取，并對(duì)模型輸入變量數(shù)目進(jìn)行參數(shù)尋優(yōu)，進(jìn)而確定模型輸入。
[0005] 本發(fā)明所述的一種車道飽和度預(yù)測(cè)模型，采用限幅濾波算法對(duì)所述車道飽和度預(yù) 測(cè)模型的輸入數(shù)據(jù)進(jìn)行預(yù)處理；采用最大相關(guān)最小冗余特征選擇算法中的互信息值對(duì)交通 數(shù)據(jù)進(jìn)行相關(guān)性分析；采用所述最大相關(guān)最小冗余特征選擇算法確定所述車道飽和度預(yù)測(cè) 模型的輸入變量；將教學(xué)-學(xué)習(xí)優(yōu)化算法應(yīng)用于支持向量回歸建模；建立所述車道飽和度 預(yù)測(cè)模型。
[0006] 進(jìn)一步地，所述交通數(shù)據(jù)為悉尼協(xié)調(diào)自適應(yīng)系統(tǒng)中采集得到的數(shù)據(jù)。
[0007] 進(jìn)一步地，相鄰交通數(shù)據(jù)差值A(chǔ)采用統(tǒng)計(jì)方法確定。
[0008] 進(jìn)一步地，采用所述最大相關(guān)最小冗余特征選擇算法對(duì)所述車道飽和度預(yù)測(cè)模型 的所述輸入變量的數(shù)目進(jìn)行參數(shù)尋優(yōu)。
[0009] 進(jìn)一步地，增加輪盤選擇、變異和淘汰步驟進(jìn)入所述教學(xué)-學(xué)習(xí)優(yōu)化算法。
[0010] 進(jìn)一步地，所述輸入數(shù)據(jù)包括悉尼協(xié)調(diào)自適應(yīng)系統(tǒng)中的折合車流量、車道飽和度、 信號(hào)周期、相位時(shí)間以及基于所述輸入數(shù)據(jù)得到的相位差。
[0011] 本發(fā)明所述的車道飽和度預(yù)測(cè)模型包括以下步驟：
[0012] 1)采用限幅濾波算法對(duì)所述模型輸入數(shù)據(jù)進(jìn)行預(yù)處理；
[0013] SCATS數(shù)據(jù)包括折合車流量、車道飽和度、信號(hào)周期時(shí)間、相位時(shí)間、相位起始時(shí)間 等。只有車流量、飽和度、折合車流量這些參數(shù)會(huì)出現(xiàn)零值的狀況，即數(shù)據(jù)丟包。信號(hào)周期、 相位時(shí)間這些數(shù)據(jù)不會(huì)出現(xiàn)這種問題。這里SCATS數(shù)據(jù)預(yù)處理主要是針對(duì)折合車流量和飽 和度。在早高峰和晚高峰時(shí)段，相鄰周期內(nèi)車流量數(shù)據(jù)不會(huì)發(fā)生劇變，如出現(xiàn)零值，應(yīng)該是 在一個(gè)合理范圍內(nèi)。同樣在車流量較小的情況下，也不會(huì)出現(xiàn)車流量劇增的狀況。以上兩 種狀況，是由于探測(cè)器測(cè)量原因產(chǎn)生了不可信數(shù)據(jù)，或者數(shù)據(jù)網(wǎng)絡(luò)傳輸時(shí)出現(xiàn)了數(shù)據(jù)丟包 的狀況，因此需要采用濾波算法去除無(wú)效數(shù)據(jù)。由于車流量的變化應(yīng)該在一個(gè)合理的范圍 內(nèi)，本發(fā)明所述模型選擇限幅濾波算法。限幅濾波算法的原理為：每次檢測(cè)到新值時(shí)判斷： 如果本次值與上次值之差不大于A，則本次值有效；如果本次值與上次值之差大于A，則本 次值無(wú)效，放棄本次值，用上次值代替本次值。相鄰交通數(shù)據(jù)差值A(chǔ)采用統(tǒng)計(jì)方法確定。
[0014] 2)采用最大相關(guān)最小冗余特征選擇算法（minimum Redundancy Maximum Relevance, mRMR)用于確定車道飽和度預(yù)測(cè)模型輸入
[0015] 2. 1)采用最大相關(guān)最小冗余特征選擇算法中互信息概念用于交通數(shù)據(jù)相關(guān)性分 析；
[0016] 互信息是mRMR算法的基礎(chǔ)，主要是為了表示兩個(gè)隨機(jī)變量之間的相互關(guān)聯(lián)程度， 本發(fā)明所述模型采用互信息值分析各變量的相關(guān)性。SCATS數(shù)據(jù)中工作日和非工作日車 流量的變化趨勢(shì)相差非常大，因此必須在預(yù)測(cè)飽和度時(shí)將工作日和非工作日加以區(qū)分。車 道飽和度預(yù)測(cè)模型輸入可以包括預(yù)測(cè)所在周期上一周期這些車道的折合車流量、車道飽和 度、綠燈時(shí)間、相位差。模型輸入的具體參數(shù)需要采用特征選擇算法得到。采用互信息值可 以用于交通數(shù)據(jù)相關(guān)性分析。
[0017] 2. 2)采用最大相關(guān)最小冗余特征選擇算法用于車道飽和度預(yù)測(cè)模型輸入提取，并 對(duì)模型輸入變量數(shù)目進(jìn)行參數(shù)尋優(yōu)，進(jìn)而確定模型輸入；
[0018] 車道飽和度預(yù)測(cè)模型輸入可以包括：折合車流量，信號(hào)周期，綠燈時(shí)間、相位差、飽 和度。為了在預(yù)測(cè)飽和度中得到更好的預(yù)測(cè)精度，這里采用mRMR算法特征提取，使得到的 模型輸入與模型輸出相關(guān)性最大，模型輸入之間冗余性最小。特征提取對(duì)于飽和度預(yù)測(cè)建 模的主要作用包括：1、降低輸入數(shù)據(jù)維數(shù)，這樣可以直接降低數(shù)據(jù)存儲(chǔ)空間，減小計(jì)算機(jī)的 負(fù)擔(dān)；2、提高建模精度，由于在特征提取過(guò)程中，會(huì)剔除一些冗余特征，并保留與結(jié)果相關(guān) 性更強(qiáng)的那些特征，這樣可以有效刪除特征空間中的噪聲數(shù)據(jù)。這可以減小飽和度預(yù)測(cè)建 模誤差，并且減小噪聲對(duì)模型的干擾作用；3、降低算法復(fù)雜度，由于輸入數(shù)據(jù)維數(shù)的降低， 自然引起的模型訓(xùn)練時(shí)間減少，并且建立模型復(fù)雜度也降低，這將直接影響模型預(yù)測(cè)所需 時(shí)間。采用參數(shù)尋優(yōu)的方法可以確定最好的模型輸入變量。
[0019] 3)建立基于改進(jìn)的 TLBO-SVR(Teaching Learning based Optimization-Support Vector Regression)算法的車道飽和度預(yù)測(cè)模型
[0020] 3. 1)通過(guò)增加輪盤選擇、變異和淘汰等步驟改進(jìn)TLBO算法；
[0021] 交通車道飽和度預(yù)測(cè)建模過(guò)程中，構(gòu)建的SVR模型中有參數(shù)需要選取合適的值。 TLBO算法可以用于參數(shù)的尋優(yōu)。TLBO是近幾年基于教學(xué)現(xiàn)象而發(fā)展出來(lái)的一種智能算法， 這種算法常用于參數(shù)尋優(yōu)領(lǐng)域，與遺傳算法、粒子群算法、模擬退火算法等相比較，在一些 情況下，能得到更好的尋優(yōu)結(jié)果。TLBO算法包括教學(xué)階段和學(xué)習(xí)階段。改進(jìn)的TLBO算法在 原算法的基礎(chǔ)上增加了輪盤選擇、變異和淘汰三個(gè)步驟，具體算法步驟如下：
[0022] stepl:種群初始化：改進(jìn)TLBO算法在本發(fā)明所述模型中主要是對(duì)SVR建模過(guò)程 中的兩個(gè)參數(shù)進(jìn)行參數(shù)尋優(yōu)。由于后續(xù)需要變異操作，在種群初始化時(shí)需要將參數(shù)表現(xiàn)為 二進(jìn)制形式。設(shè)置算法最大的進(jìn)化代數(shù)為500,達(dá)到最大進(jìn)化代數(shù)則終止算法。
[0023] step2:輪盤選擇：在計(jì)算好種群個(gè)體適應(yīng)度后，對(duì)所有個(gè)體進(jìn)行輪盤選擇。在輪 盤選擇的過(guò)程中，個(gè)體被選擇的概率與其適應(yīng)度函數(shù)成正比。假設(shè)種群個(gè)體數(shù)目為k，個(gè)體 Xi被選擇的概率P (X i)計(jì)算公式為
【主權(quán)項(xiàng)】
1. 一種車道飽和度預(yù)測(cè)模型，其特征在于，采用限幅濾波算法對(duì)所述車道飽和度預(yù)測(cè) 模型的輸入數(shù)據(jù)進(jìn)行預(yù)處理；采用最大相關(guān)最小冗余特征選擇算法中的互信息值對(duì)交通數(shù) 據(jù)進(jìn)行相關(guān)性分析；采用所述最大相關(guān)最小冗余特征選擇算法確定所述車道飽和度預(yù)測(cè)模 型的輸入變量；將教學(xué)-學(xué)習(xí)優(yōu)化算法應(yīng)用于支持向量回歸建模；建立所述車道飽和度預(yù) 測(cè)模型。
2. 如權(quán)利要求1所述的一種車道飽和度預(yù)測(cè)模型，其特征在于，所述交通數(shù)據(jù)為悉巧 協(xié)調(diào)自適應(yīng)系統(tǒng)中采集得到的數(shù)據(jù)。
3. 如權(quán)利要求1所述的一種車道飽和度預(yù)測(cè)模型，其特征在于，相鄰交通數(shù)據(jù)差值A(chǔ)采 用統(tǒng)計(jì)方法確定。
4. 如權(quán)利要求1所述的一種車道飽和度預(yù)測(cè)模型，其特征在于，采用所述最大相關(guān)最 小冗余特征選擇算法對(duì)所述車道飽和度預(yù)測(cè)模型的所述輸入變量的數(shù)目進(jìn)行參數(shù)尋優(yōu)。
5. 如權(quán)利要求1所述的一種車道飽和度預(yù)測(cè)模型，其特征在于，增加輪盤選擇、變異和 淘汰步驟進(jìn)入所述教學(xué)-學(xué)習(xí)優(yōu)化算法。
6. 如權(quán)利要求1所述的一種車道飽和度預(yù)測(cè)模型，其特征在于，所述輸入數(shù)據(jù)包括悉 巧協(xié)調(diào)自適應(yīng)系統(tǒng)中的折合車流量、車道飽和度、信號(hào)周期、相位時(shí)間W及基于所述輸入數(shù) 據(jù)得到的相位差。
【專利摘要】本發(fā)明涉及智能交通領(lǐng)域，尤其涉及一種車道飽和度預(yù)測(cè)模型。本發(fā)明基于悉尼協(xié)調(diào)自適應(yīng)系統(tǒng)數(shù)據(jù)，提出一種改進(jìn)TLBO-SVR的交通車道飽和度預(yù)測(cè)模型，首先采用限幅濾波算法對(duì)模型輸入數(shù)據(jù)進(jìn)行預(yù)處理。其次，采用最大相關(guān)最小冗余特征選擇算法用于車道飽和度預(yù)測(cè)模型輸入提取，從而確定模型輸入，最后通過(guò)增加輪盤選擇、變異和淘汰等步驟改進(jìn)TLBO算法，進(jìn)而將改進(jìn)的TLBO算法用于車道飽和度SVR預(yù)測(cè)模型的參數(shù)尋優(yōu)，建立基于改進(jìn)的TLBO-SVR算法的車道飽和度預(yù)測(cè)模型。本發(fā)明加快了算法的收斂速度并能避免算法陷入局部最優(yōu)，應(yīng)用于支持向量回歸建模參數(shù)尋優(yōu)能夠得到更好的效果。采用最大相關(guān)最小冗余特征選擇算法確定模型輸入，能夠降低模型復(fù)雜度，提高模型預(yù)測(cè)精度。
【IPC分類】G06F19-00
【公開號(hào)】CN104598741
【申請(qǐng)?zhí)枴緾N201510039551
【發(fā)明人】王景成, 樂文華, 石偉晶, 胡濤, 劉華江, 楊麗雯
【申請(qǐng)人】上海交通大學(xué)
【公開日】2015年5月6日
【申請(qǐng)日】2015年1月26日