CN104933862A - 一种基于浮动车轨迹的城市交通拥堵智能组合预测方法 - Google Patents

Abstract

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。

Description

一种基于浮动车轨迹的城市交通拥堵智能组合预测方法

技术领域

本发明涉及一种交通拥堵预测方法，尤其涉及一种基于浮动车轨迹的城市交通拥堵智能组合预测方法。

背景技术

随着我国经济和城市化的发展，越来越多的人来到城市谋发展，出行需求急剧膨胀，然而交通设施有限，加快发展的城市道路建设也难以满足城市发展与汽车市场高速增长的需求，所导致的城市交通拥堵问题严重影响了市民日常生活，在一定程度上限制了社会、经济稳定发展。缓解交通拥堵，尤其是常发性拥堵，已迫在眉睫。缓解交通拥堵的重要前提是交通拥堵预测。虽然道路交通流是变化无常的、不变流动的，对于出行者来说是无法预知下一时刻下一个路段交通拥堵状况，对于交通管理者是无法预防交通拥堵和防止交通拥堵进一步大范围扩散的，但是常发性交通拥堵还是有一定规律性的，可预测的。

目前单纯的某一种交通拥堵预测方法在不同情况下很难得到较满意的预测结果。为了克服单个方法的片面性，一些研究者开始将注意力转向组合预测法。但是现有预测方法在准确性、实时性和稳定性三方面的性能不能满足交通需求。在浮动车技术采集交通流数据的背景下，本发明提出来一种基于浮动车轨迹的城市交通拥堵智能组合预测方法。

发明内容

本发明的目的是充分发挥支持向量机不同核函数有不同预测精度和拟合能力，粒子群优化算法快速寻优和稳定性，以及模糊综合评价法采用多指标权重适应变化策略的优点，从而提高拥堵预测准确率、实时性和稳定性能，提供一种基于浮动车轨迹的城市交通拥堵智能组合预测方法。

一种基于浮动车轨迹的城市交通拥堵智能组合预测方法，所述的交通拥堵智能组合预测方法至少包括下列三个步骤：

1)首先第一步进行数据处理并提取参数，即将相同浮动车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；

2)然后第二步进行交通流参数组合预测，即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；

3)最后第三步进行拥堵状态模糊划分，考虑到路段长度和车道数以及道路通行能力，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。

所述的第二步交通流参数组合预测包括交通量预测，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

$\frac{1}{2}{\left|\right|\mathrm{\ω}\left|\right|}^2+c\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{L}_{\mathrm{\ϵ}}(x,y,f)=\frac{1}{2}{\left|\right|\mathrm{\ω}\left|\right|}^2+c\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{|y-f\left(x\right)|}_{\mathrm{\ϵ}}=\frac{1}{2}{\left|\right|\mathrm{\ω}\left|\right|}^2+c\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\max (0,|y-f\left(x\right)|-\mathrm{\ϵ})$ 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。

按照SVM结构风险最小原则，引入非负的松弛向量ξ_i,ξ_i ^*，得到等价的原问题即：

$\min S=\frac{1}{2}{\left|\right|\mathrm{\ω}\left|\right|}^2+c\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\ξ}}_i+{{\mathrm{\ξ}}_i}^{*})$

$\mathrm{subject\; to}\left\{\begin{array}{c}y-[{\mathrm{\ω}}^T\mathrm{\Φ}\left(x\right)+b]\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ [{\mathrm{\ω}}^T\mathrm{\Φ}\left(x\right)+b]-y\≤\mathrm{\ϵ}+{{\mathrm{\ξ}}_i}^{*}\\ {\mathrm{\ξ}}_i,{{\mathrm{\ξ}}_i}^{*}\≥0,i=\mathrm{1,2},...,N\end{array}\right.$

由于特征向量空间的维数很高，会使得求解上式较难，为此引入对偶的Lagrange多项式，转化为对偶问题：

$\max Q(a_i,{a_i}^{*})=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({a_i}^{*}-a_i)y-\mathrm{\ϵ}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({a_i}^{*}+a_i)-\frac{1}{2}\underset{i,j=1}{\overset{N}{\mathrm{\Σ}}}({a_i}^{*}-a_i)({a_j}^{*}-a_j)K(x_i,x)$

$\mathrm{subject\; to}\left\{\begin{array}{c}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({a_i}^{*}-a_i)=0\\ 0\≤{a_i}^{*},a_i\≤c\end{array}\right.,$

其中，a_i ^*,a_i为松弛变量ξ_i,ξ_i ^*对应的拉格朗日乘子，核函数K(x_i,x)为向量x_i,x_j在其特征空间里的像Φ(x_i)和Φ(x)的乘积，用核函数代替内积计算，实现了低维向高维的映射。根据最小化S，可求得a_i ^*,a为最小化S对偶问题的解。交通量预测和路段平均速度预测所采用的预测函数为：

$y=f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(a_i-{a_i}^{*})K(x,x_i)+b,$

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 $K(x,x_i)=\exp (-\frac{{\left|\right|x-x_i\left|\right|}^2}{{2\mathrm{\σ}}^2}).$

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的惩罚因子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)。

SVM不同核函数有不同的预测精度和拟合能力，相对常用核函数来说，多项式核函数比线性核函数和高斯核函数不仅次数高而大大增加了计算复杂度，而且待优化参数多大大增加了模型选择复杂度。因此对于交通量预测和路段平均速度预测，本发明采用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。

所述的第三步拥堵状态模糊划分：

综合考虑路段长度和车道数以及道路通行能力，本发明从第二步预测得到的交通流参数提取出道路饱和度、交通流密度以及路段平均速度三个拥堵指标。拥堵状态模糊划分的过程为：(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。

附图说明

图1是交通量预测方法中交通量预测建模图。

图2是平均速度预测方法中平均速度预测建模图。

图3是PSO优化SVM的惩罚因子及多个核函数相应核参数的流程图。

图4是模糊综合评价方法所采用的隶属度函数图。

图5是基于PSO优化SVM的交通拥堵智能组合预测框架图。

具体实施方式

基于浮动车轨迹的城市交通拥堵智能组合预测方法，所述的交通拥堵智能组合预测方法至少包括下列三个步骤：

1)首先第一步进行数据处理并提取参数，即将相同浮动车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；

2)然后第二步进行交通流参数组合预测，即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；

3)最后第三步进行拥堵状态模糊划分，考虑到路段长度和车道数以及道路通行能力，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。

所述的第二步交通流参数组合预测包括交通量预测，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

$\frac{1}{2}{\left|\right|\mathrm{\ω}\left|\right|}^2+c\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{L}_{\mathrm{\ϵ}}(x,y,f)=\frac{1}{2}{\left|\right|\mathrm{\ω}\left|\right|}^2+c\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{|y-f\left(x\right)|}_{\mathrm{\ϵ}}=\frac{1}{2}{\left|\right|\mathrm{\ω}\left|\right|}^2+c\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\max (0,|y-f\left(x\right)|-\mathrm{\ϵ})$ 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。

按照SVM结构风险最小原则，引入非负的松弛向量ξ_i,ξ_i ^*，得到等价的原问题：

$\min S=\frac{1}{2}{\left|\right|\mathrm{\ω}\left|\right|}^2+c\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\ξ}}_i+{{\mathrm{\ξ}}_i}^{*})$

$\mathrm{subject\; to}\left\{\begin{array}{c}y-[{\mathrm{\ω}}^T\mathrm{\Φ}\left(x\right)+b]\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ [{\mathrm{\ω}}^T\mathrm{\Φ}\left(x\right)+b]-y\≤\mathrm{\ϵ}+{{\mathrm{\ξ}}_i}^{*}\\ {\mathrm{\ξ}}_i,{{\mathrm{\ξ}}_i}^{*}\≥0,i=\mathrm{1,2},...,N\end{array}\right.,$

由于特征向量空间的维数很高，会使得求解上式较难，为此引入对偶的Lagrange多项式，转化为对偶问题：

$\max Q(a_i,{a_i}^{*})=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({a_i}^{*}-a_i)y-\mathrm{\ϵ}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({a_i}^{*}+a_i)-\frac{1}{2}\underset{i,j=1}{\overset{N}{\mathrm{\Σ}}}({a_i}^{*}-a_i)({a_j}^{*}-a_j)K(x_i,x)$

$\mathrm{subject\; to}\left\{\begin{array}{c}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({a_i}^{*}-a_i)=0\\ 0\≤{a_i}^{*},a_i\≤c\end{array}\right.,$

其中，a_i ^*,a_i为松弛变量ξ_i,ξ_i ^*对应的拉格朗日乘子，核函数K(x_i,x)为向量x_i,x_j在其特征空间里的像Φ(x_i)和Φ(x)的乘积，用核函数代替内积计算，实现了低维向高维的映射。根据最小化S，可求得a_i ^*,a为最小化S对偶问题的解。交通量预测和平均速度预测所采用的预测函数为：

$y=f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(a_i-{a_i}^{*})K(x,x_i)+b,$

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 $K(x,x_i)=\exp (-\frac{{\left|\right|x-x_i\left|\right|}^2}{{2\mathrm{\σ}}^2}).$

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的惩罚因子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)。

SVM不同核函数有不同的预测精度和拟合能力，相对常用核函数来说，多项式核函数比线性核函数和高斯核函数不仅次数高而大大增加了计算复杂度，而且待优化参数多大大增加了模型选择复杂度。因此对于交通量预测和平均速度预测，本发明采用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。

所述的第三步拥堵状态模糊划分：

综合考虑路段长度和车道数以及道路通行能力，本发明从第二步预测得到的交通流参数提取出道路饱和度、交通流密度以及路段平均速度三个拥堵指标。拥堵状态模糊划分的过程为：(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。

多指标权重适应变化的模糊综合评价方法详细步骤：首先建立交通拥堵状态评估的因素集U＝{u₁,u₂,u₃}，分别对应于路段饱和度、路段交通流密度和路段平均速度三个指标。然后确定交通拥堵状态评估的评价集V＝{v₁,v₂,v₃,v₄,v₅}分别对应于非常畅通、畅通、轻度拥堵、中度拥堵和严重拥堵五种状态。对于权重系数，本发明结合专家经验以及早高峰前后交通流特性间的相关性，采用多指标权重适应变化的策略，即道路饱和度、交通流密度、平均速度在早高峰前的权重w_a依次为[0.43,0.27,0.3]，早高峰后权重w_b依次为[0.23,0.17,0.6]。对于隶属度函数，本发明采用的隶属度函数如图3所示，其中降半梯形隶属度函数即状态1，如公式V₁(u)；梯形隶属度函数即状态2、3和4，如公式V₂(u)；升半隶属度函数即状态5，如公式V₅(u)。图3中横坐标上a、b、c、d分别为三个指标五种状态的阈值，k1、k2…k8是临近阈值线性取值。对于平均速度，状态1为严重拥堵状态，依次减轻；而对于交通流密度和路段饱和度，状态1为非常畅通状态，交通情况依次加重。

$V_1\left(u\right)=\left\{\begin{array}{cc}1& u\&le;k1\\ (k2-u)/(k2-k1)& k1<u<k2\\ 0& u\&GreaterEqual;k2\end{array}\right.,$ $V_2\left(u\right)=\left\{\begin{array}{cc}(u-k1)/(k2-k1)& k1<u<k2\\ 1& k2\&le;u\&le;k3\\ (k4-u)/(k4-k3)& k3<u<k4\\ 0& u\&GreaterEqual;k4\end{array}\right.,$

$V_5\left(u\right)=\left\{\begin{array}{cc}0& u\&le;k7\\ (u-k7)/(k8-k7)& k7<u<k8\\ 1& u\&GreaterEqual;k8\end{array}\right.,$

接着，通过隶属度函数进行单因素模糊评价。对于交通拥堵状态评估的因素集U中第i因素进行评价，评价集V中第j评价的隶属度为r_ij，单因素评价集R_i＝{r_i1,r_i2,r_i3,...,r_ij}，单因素评价矩阵为：

最后通过模糊变换进行综合评价，得到模糊综合评价矩阵B：

其中模糊综合评价指标n为指标个数，m为拥堵状态划分个数。按照最大隶属度原则，取b_j最大值为交通拥堵评估状态。

图1所示，交通量预测方法以(t-2)、(t-1)以及t时刻影响交通量预测的因素即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)时刻交通量即Vol_t+1为因变量y输出。选定合适的惩罚因子和多个核函数及相应核参数，通过交通量预测方法进行预测模型训练，最后通过预测函数进行交通量的预测。

图2所示，平均速度预测方法以(t-2)、(t-1)以及t时刻影响平均速度预测的因素即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)时刻平均速度即AS_t+1为因变量y输出。选定合适的惩罚因子和多个核函数及其相应核参数，通过路段平均速度预测方法进行预测模型训练，最后通过预测函数 $y=f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(a_i-{a_i}^{*})K(x,x_i)+b$ 进行路段平均速度的预测。

图3所示，本发明所考虑的PSO优化SVM的惩罚因子及多个核函数相应核参数，其优化流程为：(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)。

图4所示，本发明采用的隶属度函数为梯形隶属度分段函数，其分段函数的区间为k1、k2…k8是根据三个指标五种状态的阈值a、b、c、d进行线性取值。输入为三个指标某一时间段内相应的值，输出为该值所对应的隶属度，也包含所属于的拥堵状态。

图5所示，本发明的城市交通拥堵智能组合预测框架，首先是输入影响交通量或平均速度预测的因素，PSO优化SVM方法根据输入因素和SVM待优化相关参数进行SVM最优参数的寻找，然后将最优参数分别传递给选择线性核函数和高斯核函数时基于SVM的交通量预测和平均速度预测，交通量预测方法进行交通量预测并将交通量预测误差最小的值作为最终的预测值，平均速度预测方法进行平均速度预测并将平均速度预测误差最小的值作为最终的预测值，前者结合道路通行能力和道路空间信息基于交通量参数提取出道路饱和度SAT和交通流密度DEN，最后通过多指标(SAT、DEN和AS)权重适应变化的模糊综合评价法，将预测值转化为出行者所认知的拥堵状态。

Claims (1)

1.一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

$\frac{1}{2}{\left|\right|\mathrm{\&omega;}\left|\right|}^2+c\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{L}_{\mathrm{\&epsiv;}}(x,y,f)=\frac{1}{2}{\left|\right|\mathrm{\&omega;}\left|\right|}^2+c\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{|y-f\left(x\right)|}_{\mathrm{\&epsiv;}}=\frac{1}{2}{\left|\right|\mathrm{\&omega;}\left|\right|}^2+c\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\max (0,y-f\left(x\right)|-\mathrm{\&epsiv;})$ 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：

$y=f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(a_i-{a_i}^{*})K(x,x_i)+b,$

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。