CN104598741B - 一种车道饱和度预测模型的构建方法 - Google Patents

Abstract

本发明基于悉尼协调自适应系统数据，提出一种改进TLBO‑SVR的交通车道饱和度预测模型的构建方法，涉及智能交通领域，首先采用限幅滤波算法对模型输入数据进行预处理。其次，采用最大相关最小冗余特征选择算法用于车道饱和度预测模型输入提取，从而确定模型输入，最后通过增加轮盘选择、变异和淘汰等步骤改进TLBO算法，进而将改进的TLBO算法用于车道饱和度SVR预测模型的参数寻优，建立基于改进的TLBO‑SVR算法的车道饱和度预测模型。本发明加快了算法的收敛速度并能避免算法陷入局部最优，应用于支持向量回归建模参数寻优能够得到更好的效果。采用最大相关最小冗余特征选择算法确定模型输入，能够降低模型复杂度，提高模型预测精度。

Description

一种车道饱和度预测模型的构建方法

技术领域

本发明涉及智能交通领域，尤其涉及一种车道饱和度预测模型的构建方法。

背景技术

悉尼协调自适应系统(Sydney Coordinated Adaptive Traffic System,SCATS)在世界有广泛的应用。车道饱和度是指在一个相位周期内在车道探测器处，被车流有效利用的绿灯时间与总的绿灯时间之比。本发明中的建模方法与传统方法相比可以得到更高的预测精度，建模过程中采用的数据为SCATS数据。SCATS系统也是通过调节车道饱和度，来达到调节整个区域交通系统的目的。车道饱和度预测对于交通信号控制也有重要意义。

车道饱和度预测并不是交通领域的研究点，相比较而言，有更多的本领域技术人员将交通流预测作为其研究方向。但是对于不同车道，相同车流量对应的饱和度不同。不同车道的承载能力不同，因此车道饱和度能更好的表征车道拥堵状况。几十年来，在交通流预测方面交通领域众多专家通过一些方法建立了预测模型，建立模型的方法包括平均值法、自回归滑动平均模型、线性回归、非参数回归、神经网络等。相对于上述方法，在交通车流量预测问题中采用支持向量回归建模的方法可以得到更好的预测精度。支持向量回归是建立在统计学习的VC维理论和结构风险最小原理基础上，能够较好地解决小样本、非线性、高维数和局部极小点等实际问题。选择这种方法建立交通流预测模型，可以取得良好的预测效果。通过支持向量回归这种方法建立预测模型，需要确定模型的输入特征，模型输入特征不同建立的模型也不同。模型输入特征空间中的特征数目并不是越多越好，如果将能得到的数据都作为模型输入特征，会将一些冗余信息引入建模过程，可能会影响建模精度，需要将这些影响因素加以考虑。

发明内容

本发明针对上述不足之处，目的在于提供一种车道饱和度预测模型的构建方法，提高预测模型的精度。本发明所述模型通过采用最大相关最小冗余特征选择算法用于车道饱和度预测模型输入提取，并对模型输入变量数目进行参数寻优，进而确定模型输入。

本发明所述的一种车道饱和度预测模型的构建方法，采用限幅滤波算法对所述车道饱和度预测模型的输入数据进行预处理；采用最大相关最小冗余特征选择算法中的互信息值对交通数据进行相关性分析；采用所述最大相关最小冗余特征选择算法确定所述车道饱和度预测模型的输入变量；将教学-学习优化算法应用于支持向量回归建模；建立所述车道饱和度预测模型。

进一步地，所述交通数据为悉尼协调自适应系统中采集得到的数据。

进一步地，相邻交通数据差值A采用统计方法确定。

进一步地，采用所述最大相关最小冗余特征选择算法对所述车道饱和度预测模型的所述输入变量的数目进行参数寻优。

进一步地，增加轮盘选择、变异和淘汰步骤进入所述教学-学习优化算法。

进一步地，所述输入数据包括悉尼协调自适应系统中的折合车流量、车道饱和度、信号周期、相位时间以及基于所述输入数据得到的相位差。

本发明所述的车道饱和度预测模型的构建方法包括以下步骤：

1)采用限幅滤波算法对所述模型输入数据进行预处理；

SCATS数据包括折合车流量、车道饱和度、信号周期时间、相位时间、相位起始时间等。只有车流量、饱和度、折合车流量这些参数会出现零值的状况，即数据丢包。信号周期、相位时间这些数据不会出现这种问题。这里SCATS数据预处理主要是针对折合车流量和饱和度。在早高峰和晚高峰时段，相邻周期内车流量数据不会发生剧变，如出现零值，应该是在一个合理范围内。同样在车流量较小的情况下，也不会出现车流量剧增的状况。以上两种状况，是由于探测器测量原因产生了不可信数据，或者数据网络传输时出现了数据丢包的状况，因此需要采用滤波算法去除无效数据。由于车流量的变化应该在一个合理的范围内，本发明所述模型选择限幅滤波算法。限幅滤波算法的原理为：每次检测到新值时判断：如果本次值与上次值之差不大于A，则本次值有效；如果本次值与上次值之差大于A，则本次值无效，放弃本次值，用上次值代替本次值。相邻交通数据差值A采用统计方法确定。

2)采用最大相关最小冗余特征选择算法(minimum Redundancy MaximumRelevance,mRMR)用于确定车道饱和度预测模型输入

2.1)采用最大相关最小冗余特征选择算法中互信息概念用于交通数据相关性分析；

互信息是mRMR算法的基础，主要是为了表示两个随机变量之间的相互关联程度，本发明所述模型采用互信息值分析各变量的相关性。SCATS数据中工作日和非工作日车流量的变化趋势相差非常大，因此必须在预测饱和度时将工作日和非工作日加以区分。车道饱和度预测模型输入可以包括预测所在周期上一周期这些车道的折合车流量、车道饱和度、绿灯时间、相位差。模型输入的具体参数需要采用特征选择算法得到。采用互信息值可以用于交通数据相关性分析。

2.2)采用最大相关最小冗余特征选择算法用于车道饱和度预测模型输入提取，并对模型输入变量数目进行参数寻优，进而确定模型输入；

车道饱和度预测模型输入可以包括：折合车流量，信号周期，绿灯时间、相位差、饱和度。为了在预测饱和度中得到更好的预测精度，这里采用mRMR算法特征提取，使得到的模型输入与模型输出相关性最大，模型输入之间冗余性最小。特征提取对于饱和度预测建模的主要作用包括：1、降低输入数据维数，这样可以直接降低数据存储空间，减小计算机的负担；2、提高建模精度，由于在特征提取过程中，会剔除一些冗余特征，并保留与结果相关性更强的那些特征，这样可以有效删除特征空间中的噪声数据。这可以减小饱和度预测建模误差，并且减小噪声对模型的干扰作用；3、降低算法复杂度，由于输入数据维数的降低，自然引起的模型训练时间减少，并且建立模型复杂度也降低，这将直接影响模型预测所需时间。采用参数寻优的方法可以确定最好的模型输入变量。

3)建立基于改进的TLBO-SVR(Teaching Learning based Optimization-SupportVector Regression)算法的车道饱和度预测模型

3.1)通过增加轮盘选择、变异和淘汰等步骤改进TLBO算法；

交通车道饱和度预测建模过程中，构建的SVR模型中有参数需要选取合适的值。TLBO算法可以用于参数的寻优。TLBO是近几年基于教学现象而发展出来的一种智能算法，这种算法常用于参数寻优领域，与遗传算法、粒子群算法、模拟退火算法等相比较，在一些情况下，能得到更好的寻优结果。TLBO算法包括教学阶段和学习阶段。改进的TLBO算法在原算法的基础上增加了轮盘选择、变异和淘汰三个步骤，具体算法步骤如下：

step1:种群初始化：改进TLBO算法在本发明所述模型中主要是对SVR建模过程中的两个参数进行参数寻优。由于后续需要变异操作，在种群初始化时需要将参数表现为二进制形式。设置算法最大的进化代数为500，达到最大进化代数则终止算法。

step2:轮盘选择：在计算好种群个体适应度后，对所有个体进行轮盘选择。在轮盘选择的过程中，个体被选择的概率与其适应度函数成正比。假设种群个体数目为k，个体X_i被选择的概率p(X_i)计算公式为

轮盘选择采用的是累计概率的方法，所有个体对应一段累计概率区间。

step3:教学阶段：计算种群平均值，并确定最优解作为老师。根据群体更新的公式对种群加以进化，比较进化前后个体的适应度，新个体适应度好，就将其替代旧个体。

step4:学习阶段：随意挑选2个个体，根据适应度关系进行更新，新个体与旧个体之间保留适应度高的个体。

step5:变异：设定变异概率，在0和1之间选取随机值，当随机值超过变异概率，随机选择一个个体变异。种群是以二进制形式表现，所有位表示为0和1。确定变异个体后，随机选择需要变异的位置，将对应位置上的数值0和1反转。

step6:淘汰：计算新种群中个体适应度，进而淘汰新种群个体中最差的个体，并用旧种群中最好的个体替代。判断进化代数是否为500，满足则算法寻优结束，否则跳转至第2步。

改进的TLBO算法与TLBO算法相比较，添加了轮盘选择、变异、淘汰3个部分，图1为改进TLBO具体流程图。评价算法好坏的指标包括时间性能指标和优化性能指标。轮盘选择和淘汰可以使适应度强的个体更易得以保存，有利于加快算法收敛速度，从而减少算法时间复杂度。变异的主要作用是保持种群个体的多样性，这样可以避免算法陷入局部最优，有利于提高优化性能指标。

3.2)将改进的TLBO算法用于车道饱和度SVR预测模型的参数寻优；

车道饱和度SVR预测模型中需要确定建模参数，改进的TLBO算法用于参数的寻优，从而得到预测精度更高的预测模型。

3.3)支持向量回归的方法应用于车道饱和度预测建模。

SVR是建立在统计学习的理论和结构风险最小原理基础上，能够较好地解决小样本、非线性、高维数和局部极小点等实际问题。SVR是解决非线性回归问题的一种有效方法。本发明所述模型中SVR主要用于交通车道饱和度预测建模，通过训练数据建模，可以得到车道饱和度预测模型。

3.4)提出基于SCATS数据，构建车道饱和度预测建模的方法。

本专利中建模采用的数据位SCATS数据，SCATS数据来源于SCATS系统当中。SCATS数据包括：折合车流量、信号周期、绿灯时间、相位差、饱和度、相位起始时间等。车道饱和度预测模型输入可以包括这些数据，模型输出为车道饱和度。

本发明所述模型通过对SCATS数据进行数据预处理，可以减小网络传输过程中易出现数据丢包等状况的影响。其次通过mRMR算法可以使得到的模型输入与模型输出相关性最大，模型输入之间冗余性最小。再次，通过改进的TLBO算法应用于SVR过程中的参数寻优，可以得到合适的车道饱和度预测模型。以上操作可以提高车道饱和度预测模型的预测精度。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1为本发明所述的改进的TLBO算法流程图；

图2为本发明构建预测模型的流程图；

图3为本发明的一个较佳实施例的三个路口示意图。

具体实施方式

以下结合具体实例对上述方法进行说明，但本发明的保护不仅限于此。

本发明所述的车道饱和度预测模型如图2所示。

SCATS系统中，每个路口各车道都有探测器，这些探测器可以采集得到一个信号周期中通过探测器的车辆数等数据。为了更好的表示源深路-张杨路，源深路-羽山路，源深路-灵山路这三个路口的拓扑结构。本发明所述模型简略做出其示意图，如图3所示。源深路-羽山路路口3号探测器对应车道饱和度作为预测目标。针对这个预测问题，选择的特征包括其他探测器采集得到的车流量、折合车流量、各路口相位时间、车道饱和度、源深路-羽山路路口与其他两个路口的相位差。

1)采用限幅滤波算法对模型输入数据进行预处理；

本发明采用SCATS系统数据作为样本数据建模，但是SCATS系统中，路口附近探测器采集得到交通数据后通过网络传输至计算机从而加以保存。网络数据传输时，易出现数据丢包等状况，因此SCATS数据中部分数据不可信，本发明中采用限幅滤波算法进行数据预处理。

2)采用最大相关最小冗余特征选择算法(minimum Redundancy MaximumRelevance,mRMR)用于确定车道饱和度预测模型输入

车道饱和度预测模型输入可以包括：折合车流量，信号周期，绿灯时间、相位差、饱和度。模型输入最多包含50个特征。为了在预测饱和度中得到更好的预测精度，本发明所述模型采用mRMR算法特征提取，使得到的模型输入与模型输出相关性最大，模型输入之间冗余性最小。首先以5为步长进行参数寻优，之后采用1为步长进一步参数寻优。

3)建立基于改进的TLBO-SVR算法的车道饱和度预测模型

采用mRMR算法可以确定车道饱和度预测模型输入变量，模型输出为源深路-羽山路路口3号探测器对应车道饱和度。在此基础上可以建立基于SVR的车道饱和度预测模型。支持向量回归建模过程中需要确定三个参数，参数寻优方法为改进的TLBO算法等。

综上所述，本实施例通过对SCATS数据进行数据预处理，可以减小网络传输过程中易出现数据丢包等状况的影响。其次通过mRMR算法可以使得到的模型输入与模型输出相关性最大，模型输入之间冗余性最小。再次，通过改进的TLBO算法应用于SVR过程中的参数寻优，可以得到合适的车道饱和度预测模型。以上操作可以提高车道饱和度预测模型的预测精度。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (5)

1.一种车道饱和度预测模型的构建方法，其特征在于，采用限幅滤波算法对所述车道饱和度预测模型的输入数据进行预处理；采用最大相关最小冗余特征选择算法中的互信息值对交通数据进行相关性分析；采用所述最大相关最小冗余特征选择算法确定所述车道饱和度预测模型的输入变量；将教学-学习优化算法应用于支持向量回归建模；建立所述车道饱和度预测模型；增加轮盘选择、变异和淘汰步骤进入所述教学-学习优化算法。

2.如权利要求1所述的一种车道饱和度预测模型的构建方法，其特征在于，所述交通数据为悉尼协调自适应系统中采集得到的数据。

3.如权利要求1所述的一种车道饱和度预测模型的构建方法，其特征在于，相邻交通数据差值A采用统计方法确定。

4.如权利要求1所述的一种车道饱和度预测模型的构建方法，其特征在于，采用所述最大相关最小冗余特征选择算法对所述车道饱和度预测模型的所述输入变量的数目进行参数寻优。

5.如权利要求1所述的一种车道饱和度预测模型的构建方法，其特征在于，所述输入数据包括悉尼协调自适应系统中的折合车流量、车道饱和度、信号周期、相位时间以及基于所述输入数据得到的相位差。