CN106781464A - 一种道路拥堵情况测试方法 - Google Patents

Abstract

本发明提出了一种道路拥堵情况测试方法，包括：步骤S100，建立道路拥堵预测模型；步骤S200，采集交通流量数据并进行数据预处理；步骤S300，将交通流量数据输入道路拥堵预测模型，得到预测的道路拥堵情况。本发明可以利用当前时刻相关的交通流量以及历史时刻相关交通流量，采用改进的神经网络模型进行交通流量的预测，提高了预测的效率和准确性。

Description

一种道路拥堵情况测试方法

技术领域

本发明涉及城市道路检测领域，具体涉及一种道路拥堵情况测试方法。

背景技术

自上个世纪以来,随着城市化的进展和汽车数量的迅速增加,交通运输与社会经济生活的联系越来越密切,道路运输已成为最重要的地面运输方式。但是过多的车辆却带来诸如道路拥堵加剧、交通事故频发、交通环境恶化等一系列问题。众所周知,解决道路拥堵最直接的方法就是修建更多的道路,提高路网的通行能力"一直以来,交通运输是制约我国国民经济发展的瓶颈,所以,在改革开放的将近三十年里,我国道路运输增长需求主要靠建设更多的基础设施来满足,特别是建立完善的道路网络。然而这种发展方法到了一定阶段,就逐渐显示出其局限性"因为宝贵的土地资源是十分有限的,尤其是在寸土寸金的大城市,在交通主干网络基本确定的情况下,进一步增加道路规模几乎是不太可能的,因为可供修建道路的空间越来越小,而且,建设资金的筹措也存在相当的困难。这就给科技工作者提出了一个问题,如何在现有路网规模的基础上,提高道路的通行能力,防止拥堵情况的发生。由于道路交通系统是一个有人参与的、时变的、复杂的非线性大系统,其显著特点之一就是具有高度的不确定性。单独从车辆方面或单独从道路方面考虑,这样一种传统的交通控制方法己不足以有效的解决问题。伴随着信息技术的飞速发展,智能交通系统(hitelligent TransPortation system,简称ITS)在解决交通问题方面的显示出越来越多的优越性。

交通运输业的发展水平是一个国家兴旺发达的重要标志之一。交通运输的高速发展,一方面极大促进了城乡物资交流和人们的往来,大大缩短了出行时间,提高了工作效率；另一方面也带来了许多弊端,特别是汽车运输。近半个世纪以来,交通拥挤、道路阻塞以及交通事故频发正越来越严重的困扰着世界各国的大城市。为了提高运输网络的使用效率,解决交通拥挤和交通安全问题,世界各国纷纷开展了智能交通系统的研究工作。

交通问题的核心就是车辆行驶需求与道路供给之间的矛盾,可以有以下几个途径解决这个问题。

1、控制需求:就是限制车辆的增加,或者改变车型,使车变瘦,但这种想法是不现实的。

2、增加供给:修建道路是目前解决城市交通问题的一个重要途径,城市之间的交通拥挤往往可以通过建造足够的城际高速公路来解决。但在城市内部,存在以下几个方面的问题:

(1)历史的原因导致我国城市的规划普遍不合理,改造现有的路网任重道远。

(2)城市内土地面积有限,特别是城市中心城区,可供修建的道路空间越来越少。

(3)经济的发展必然带来出行的增加"即使修路,路网建设的步伐也总是赶不上车辆的增加速度。因此,限制车辆的增加或者大量修路不是解决问题的根本办法。尤其我国人口众多,出行量大,再加上短时间内无法修太多的路。所以,在相当一段时期内,还存在交通混行的中国特色。要解决交通混乱的局面,还必须加 强城市交通管理。

3、加强城市交通管理

加强城市交通系统的管理在很长一段时间内被认为是解决城市交通问题的有效途径。

(l)加强交通法规建设、制定限制性交通法规。如实现单行线,禁止左转弯等

(2)加强宣传教育,提高交通的安全意识。

(3)合理地规划城市建设。

(4)改进城市交通信号控制。

城市交通控制主要指城市交叉路口的交通控制。城市交通控制技术已由点控、线控向面控过渡,点控就是对单个交叉路口的交通信号实施单点定时控制。线控就是对交通主干道的交通信号进行协调控制,保证大多数汽车在行驶到路口时都会遇到绿灯。面控是一种通过采用计算机联网控制,根据交叉路口的实时交通流量状况,通过建立数学模型,编写软件确定交叉路口的信号灯配时方案,实现整个路网的配时优化交通控制系统。提高了路口的通行能力,降低了车俩的停车次数,减少了行车延误时间,减少了燃料和汽车排放的有毒物质等。

(5)引入道路计费系统

在交通控制系统中引入道路计费系统,对交通网络中所有的路由进行计费加权,以实现各路由之间距离费用乘积趋于平衡,用户可以将出行时间和出行费用结合起来考虑,从用户最优的角度使交通流在网络中均匀分布,避免道路拥堵。这种方法可以在动态的情况下由网络控制系统提供最新的交通信息来对道路计费系统调整以影响流量分布。该系统作为一个约束条件在很大的程度上可以减少个人对交通的影响。

(6)发展公共交通

鼓励出行者乘坐公共交通出行,并且大力发展安全、快捷、运量大的地铁和轨道交通,可以收到良好的效果。通过车辆自动定位监控系统可以实现对车辆形态的区分,为公共交通优先权提供保证,在交通网络中公共交通是处于最优先的等级,它对供求矛盾的解决起到了很重要的作用。当车辆到达检测位置时,检测器检测出公交车辆信号并提供给信号灯控制系统,在其绿灯信号时段为其加入优先权。当然,检测点在道路上游的位置要合适,以便给信号控制系统足够的时间在信号策略中相适应。

随着计算机科学的飞速发展以及先进传感技术的突飞猛进，全球数据库中的数据存储量每年以100％的速率增长。特别是随着智能交通系统(ITS)的高速发展，其数据存储更新速度更加迅速，每天都有海量数据通过各种交通信息监测网络流进ITS数据库。很多有用的信息，包括潜在的交通行为模式，交通管理模式等，都隐藏在巨大的数据流之中。因此，采用有效的数据挖掘算法发掘ITS海量数据中的潜在重要交通规律，对于交通状态预测评估与决策优化具有重要意义。目前，ITS系统采用大量的先进传感装置、网络技术、拍照装置以及高速计算机系统，能够实时监测和采集到大量的交通流量、速度以及利用等方面的数据。这些数据为建立可靠交通流预测模型提供了坚实的数据基础。但是，这些数据的高复杂性和高维数灾使得传统的基础统计建模的预测方法很难起到较好的预测效果。发展先进有效的数据挖掘算法以及软件技术对于描述和分析海量数据十分迫切。已有的文献资料报道了学者们利用数据挖掘技术进行交通流预测的研究成果。Hauser和Scherer首次利用聚类分析方法预测城市交通流，得到了合理的交通控制策略； 接着Park等应用遗传算法(GA)解决数据中模糊不清的分类以提高交通流预测精度；随后出现了决策树，人工免疫算法、神经网络以及支持向量机等先进数据挖掘算法，并在提高交通流预测精度方面取得了较好成果。

但是现有的方法还存在预测准确性不高、效率低下等问题。

发明内容

至少部分的解决现有技术中存在的问题，本发明提出一种道路拥堵情况测试方法，包括：

步骤S100，建立道路拥堵预测模型；

步骤S200，采集交通流量数据并进行数据预处理；

步骤S300，将交通流量数据输入道路拥堵预测模型，得到预测的道路拥堵情况。

优选的，采集交通流量数据并进行数据预处理包括：

通过在道路上安装摄像头、感应器等设施实现对交通流量数据的采集和计算。

优选的，道路拥堵情况分为1到10十个等级，1到5级别的交通都属于顺畅，由5到10，拥堵级别逐渐增加。

优选的，所述道路拥堵预测模型是BP神经网络模型。

优选的，所述道路拥堵预测模型是融合了BP神经网络模型和SVM(支持向量机)模型相融合的模型。

优选的，所述的道路拥堵预测模型的输入量为：q₁,q₂,q₃,Q_t,Q_t-1,Q_t-2,Q_t-3，q₁、q₂、q₃、以及Q_t分别表示了上游交叉口t时刻北方位、西方位、南方位、以及下游路口的交通流量，Q_t-1,Q_t-2,Q_t-3分别表示t-1时刻、t-2时刻、t-3时刻下游路口的交通流量，即t时刻的前3个时刻的交通流量。

优选的，所述BP神经网络模型为基于遗传算法改进的BP神经网络模型。

生成基于遗传算法改进的BP神经网络模型包括：

1、初始种群的产生

1.1生成一个0～1之间的一个随机小数α，作为学习率；

1.2随机生成1～100之间一个整数，作为隐含层单元数；

1.3产生一个BP神经网络模型作为初始种群的一个染色体；

1.4重复1.1-1.3直至达到所需种群规模；

2、选择适应度函数

其中，eval为适应度函数的函数值，E为BP神经网络的预测误差,T为BP神经网络收敛的时间,λ是权重因子；

3、选择子代

3.1利用公式(1)计算种群中各个染色体M_k的适应值，

k＝1,2,Λ,pop_size，pop_size是种群规模的大小，pop_size取值为10；

3.2计算各个染色体适应值代数和，

3.3计算各个染色体的选择概率，

3.4计算各个染色体的累积概率，

3.5在[0,1]区间内产生一个均匀分布的伪随机数r；

3.6若r≤q₁，则选择第一个染色体M₁,否则当q_k-1＜r≤q_k时选择M_k，2≤k≤pop_size；

3.7重复3.5-3.6共pop_size次，产生pop_size个[0,1]区间内的伪随机数,选择pop_size个染色体；

3.8将染色体按适应值从大到小排序；

3.9保留适应值较高的前一半染色体作为子代的一部分；

3.10将适应值较低的后一半的染色体利用轮盘赌选择得到子代的另一部分；

4、染色体的交叉与变异

把两个BP神经网络模型作为两条染色体,每个模型的学习率和隐含层单元数作为两个基因,交换这两个BP网络的学习率和隐层单元数就可得到两个新的BP网络预测模型；

种群中前5个染色体与后5个染色体按照上述的方式进行交叉,得到5个新的BP神经网络模型,这5个模型再与步骤3中选择到的5个适应度较高的染色体作为子代,得到新的种群；

对BP神经网络模型的隐含层单元数进行变异，具体为：

其中，h为需要变异的模型隐含层单元数，T为变异模型的收敛时间，T₀为此时种群中所有染色体收敛时间的平均值，变异调整因子η取0.9,μ取1.1，[η×h]和[μ×h]分别表示η×h和μ×h的整数部分，h表示变异后新的模型的隐含层单元数。

本发明可以利用当前时刻相关的交通流量以及历史时刻相关交通流量，采用改进的神经网络模型进行交通流量的预测，提高了预测的效率和准确性。

附图说明

图1为本发明一种道路拥堵情况测试方法的流程图；

图2为典型交叉路口示意图。

具体实施方式

下面将结合本发明的附图，对本发明的技术方案进行清楚、完整地描述。这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

由于交通流量数据具有高度非线性和不确定性等特点。人工神经网络所具有的非线性特性、大量的并行分布结构以及学习与归纳能力使其在建模、时间序列分析、模式识别等方面得到广泛应用，并且与时间相关性很强，是一种典型的时间序列预测问题。本发明利用多种神经网络模型实现了对交通流量数据的预测分析。

参见图1，本发明提出的一种道路拥堵情况测试方法,具体包括：

步骤S100，建立道路拥堵预测模型；

可以采用BP神经网络模型、SVM(支持向量机)模型以及二者的结合来进行道路拥堵情况预测。

交通流量是一组复杂的非线性数据的集合,但在时空上是一个渐进具有规律性的过程。典型交叉路口的交通流量,各个相邻的路段之间必然存在着一定的相关性,同时各个路段每天的交通流量在时间上来说具有分布的统计规律性。从时间上来说,路段每天的高峰和低峰的分布具有一定的平稳性,一般的高峰有早高峰和晚高峰两种,同时路口的流量也与该路段前几个时间段的流量有关。从空间的角度来看,路段出口的流量也必然受到上游路段交通流量数据的影响根据上述的特点,考虑到输出交通流量在空间和时间上的变化规律,输入信息在空间上来自相邻上下游路段的交通流量数据,时间上选取本路口前几个时刻段的数据流量,把这些检测点的数据作为输入变量。

图2为典型交叉路口示意图,q₁、q₂、q₃、以及Q_t分别表示了上游交叉口t时刻北方位、西方位、南方位、以及下游路口的交通流量。

从图2可以看出,t时刻下游的交通流量Q_t显然有三部分组成,q₁中的左转流量、q₂中的直行流量以及q₃中的右转流量。因此在t时刻Q_t由q₁、q₂、q₃所组成,可见从空间上来看,下游路口的流量与上游不同方向路口之间的必然相关性。同时在预测下游该路段的流量时,该路段的前几个时刻的流量(Q_t-1,Q_t-2,Λ)也有着时间上的联系。因此这就确认了预测下游路段流量所需要的输入数据流量,这样就 可以利用路口的前几个时间段的交通流量数据以及该路口上游路口的流量数据来完成对指定路口数据流量的预测,即:Q_t+1＝f(q₁,q₂,q₃,Q_t,Q_t-1,Q_t-2,Λ)。每隔15分钟记录一次该时间内的交通流量。

步骤S200，采集交通流量数据并进行数据预处理；

通过在道路上安装摄像头、感应器等设施实现对交通流量数据的采集和计算。

步骤S300，将交通流量数据输入道路拥堵预测模型，得到预测的道路拥堵情况。

本发明将道路拥堵情况分为1到10十个等级，1到5级别的交通都属于顺畅，由5到10，拥堵级别逐渐增加。

本发明的道路拥堵预测模型一具体实施例采用BP神经网络模型。

BP神经网络包括输入层、隐含层和输出层，输入层包含一层7个节点，隐含层包含一层14个节点，输出层包含一层1个节点，输入层的7个节点分别是q₁,q₂,q₃,Q_t,Q_t-1,Q_t-2,Q_t-3。考虑到神经网络的结构,太多的输入量可能造成网络的复杂,运算时间较长以及降低了网络的学习效率,采用(q₁,q₂,q₃,Q_t,Q_t-1,Q_t-2,Q_t-3)作为输入量来进行预测,即采用了上游的路口流量以及本段路口的前三个时间段和当前时刻的流量总共7个单元来预测下一个时刻的流量。

因为要预测下游路口某一时刻的交通流量,因此输出的神经元数目取1个即要预测的路口流量就可。

对于BP神经网络而言,有一个很重要的定理存在,就是在闭区间内,任何一个连续的函数都可以用单隐层的BP神经网络来逼近,再由上面的分析并考虑实际的情况,如果将隐层数目取两层或以上,将会使网络的结构变得更加复杂,训练时间自然也会大大增加,因此在交通流量预测中隐层的数目就采用一层隐层。根据经验公式,选取14个隐层单元数目。

BP算法有收敛速度慢,可能落入局部极小值等缺点，因此，本发明一优选实施例对BP神经网络模型进行进一步的改进，以克服其缺点。

本发明的一优选实施例，采用遗传算法对上述BP神经网络模型进行改进，包括：

2、初始种群的产生

在遗传算法当中,每一个种群对应着一些染色体,染色体的数目就是种群规模。本发明取10个染色体作为一个种群,即种群规模为10。为了增大搜索空间,加快收敛速度,这里学习率α取0～1之间的一个小数,根据问题的实际情况,隐层单元数取1～100之间一个整数。随机地产生10个学习率和隐层单元数作为初始种群。具体步骤包括：

1.1生成一个0～1之间的一个随机小数α，作为学习率；

1.2随机生成1～100之间一个整数，作为隐含层单元数；

1.3产生一个BP神经网络模型作为初始种群的一个染色体；

1.4重复1.1-1.3直至达到所需种群规模。

2、选择适应度函数

这里遗传算法的最终目的就是产生一组可行的BP网络预测模型的集合,并且保证模型的预测误差较小 和收敛速度较快，即保证公式(1)的值最小。本发明确定的适应度函数为

其中，eval为适应度函数的函数值，E为BP神经网络的预测误差,T为BP神经网络收敛的时间,λ是权重因子，这里取值为0.8。

3、选择子代

在遗传算法中轮盘赌选择是最知名的选择方式,其基本的原理是根据每个染色体适应值的比例来确定该个体的选择概率或生存概率。因此可以建立一个轮盘赌模型来表示这些概率。选择的过程就是旋转轮盘若干次(次数等于种群规模),每次为新种群选出一个个体。轮盘赌这种选择方法的特点就是随机采样过程。本发明具体选择子代过程包括：

3.1利用公式(1)计算种群中各个染色体M_k的适应值，

k＝1,2,Λ,pop_size，pop_size是种群规模的大小；

3.2计算各个染色体适应值代数和，

3.3计算各个染色体的选择概率，

3.4计算各个染色体的累积概率，

3.5在[0,1]区间内产生一个均匀分布的伪随机数r；

3.6若r≤q₁，则选择第一个染色体M₁,否则当q_k-1＜r≤q_k时选择M_k，2≤k≤pop_size；

3.7重复3.5-3.6共pop_size次，产生pop_size个[0,1]区间内的伪随机数,选择pop_size个染色体；

3.8将染色体按适应值从大到小排序；

3.9保留适应值较高的前一半染色体作为子代的一部分；

3.10将适应值较低的后一半的染色体利用轮盘赌选择得到子代的另一部分。

本发明的选择策略是基于轮盘赌选择方式并加以改进。为了不使当前得到的适应度较高的解从选择中丢失,我们先将种群中所有解的适应值按照公式(1)计算出来,然后从大到小进行排序。排序之后把种群中适应度较高的前一半保留,作为子代的一部分,而将适应度较低的另一半用轮盘赌选择方式得到子代种 群的另一部分。这样选择到的解既保证了父代种群中的最优解不被丢失,又不会使得搜索空间过小,有利于寻找到适应度更高的解。即找到具有最佳网络性能的BP神经网络模型。

假如种群的规模是10,则取其中适应度较高的5个解作为子代种群的一半,而剩下的适应度较低的5个解利用轮盘赌选择的方式选出子代的另一半。

4、染色体的交叉与变异

染色体的交叉就是将两条染色体上的基因各自分成两个部分,重新组合构成两条新的染色体。本发明具体的交叉策略就是把两个BP神经网络模型作为两条染色体,每个模型的学习率和隐含层单元数作为两个基因,交换这两个BP网络的学习率和隐层单元数就可得到两个新的BP网络预测模型。

本发明将种群中前5个染色体与后5个染色体按照上述的方式进行交叉,得到5个新的BP神经网络模型,这5个模型再与步骤3中选择到的5个适应度较高的染色体作为子代,得到新的种群。

为了避免搜索陷入局部极小值,.扩大搜索空间,遗传算法采用了变异的策略。本发明对BP神经网络模型的隐含层单元数进行变异，具体为：

其中，h为需要变异的模型隐含层单元数，T为变异模型的收敛时间，T₀为此时种群中所有染色体收敛时间的平均值，变异调整因子η取0.9,μ取1.1，[η×h]和[μ×h]分别表示η×h和μ×h的整数部分，h表示变异后新的模型的隐含层单元数。

本发明的道路拥堵预测模型一具体实施例采用SVM(支持向量机)模型。

本发明的SVM模型采用(q₁,q₂,q₃,Q_t,Q_t-1,Q_t-2,Q_t-3)作为输入量来进行预测,即采用了上游的路口流量以及本段路口的前三个时间段和当前时刻的流量总共7个单元来预测下一个时刻的流量。

建立SVM模型包括选择合适的核函数,首先输入较大的数据搜索范采用网格搜索法粗略地选择参数惩罚因子c和核函数δ,然后在粗略搜索的基础上,合理地减小数据搜索范围,利用网格搜索法精确地选择出最佳参数c和δ；

其中，利用网格搜索法设置惩罚因子c的取值范围为[2^-10,2¹⁰],步进为0.4；核函数参数δ的取值范围为[2^-10,2¹⁰],步进为0.4，通过对支持向量机训练,惩罚因子c的最佳取值为0.85446,核函数参数δ的最佳取值为0.38764,支持向量机分类器选择参数的准确率为79.5536％。

其中，利用网格搜索法设置惩罚因子c的取值范围为[2^-10,2⁰],步进0.2；核函数参数δ的取值范围为[2^-10,2⁰],步进0.2，经过对支持向量机训练,惩罚因子c的最佳取值为0.42231,核函数参数δ最佳取值为1.01251,支持向量机分类器选择参数的准确率为92.1342％。

其中，利用网格搜索法设置惩罚因子c的取值范围[2⁰,2¹⁰],步进0.2；核函数参数δ的取值范围为[2⁰,2¹⁰],步进0.2，经过训练支持向量机,惩罚因子c的最佳取值为1.3068,核函数参数δ最佳取值为1.3996,支持向量机分类器选择参数的准确率为96.885％。

其中，利用网格搜索法设置惩罚因子c的取值范围为[2⁰,2¹⁰],步进0.2,核函数参数δ的取值范围为[2^-10,2⁰],步进0.2。通过训练支持向量机,惩罚因子c的最佳取值为23.1234,核函数参数δ最佳取值为0.035003,支持向量机分类器选择参数的准确率达到96.6677％。

优选的，所述支持向量机模型采用基于粒子群优化的支持向量机，基于粒子群优化的支持向量机的建模过程为：

(1)初始化粒子群,通过调整粒子群惯性权重ω的方法对粒子群支持向量机的核函数δ和惩罚因子c进行优化,使参数c和δ构成一个微粒,即(c,δ),并设最大速度为V_max，用pbest表示每个微粒的初始位置,用gbest表示粒子群中所有微粒的最好初始位置；

(2)评价每个微粒的适应度,计算每个微粒的最优位置；

(3)将优化后每个微粒的适应值与其历史最优位置pbest进行比较,如果当前适应值优于最优位置,则将适应值作为粒子当前的最好位置pbest；

(4)将优化后每个微粒的适应值与群体微粒的历史最优位置gbest进行比较,如果适应值优于群体微粒的历史最优位置gbest,则将适应值作为群体微粒的最优位置gbest；

(5)根据改进的粒子群算法调整当前微粒的速度和位置；

(6)当适应值满足条件时,迭代结束,否则返回第二步继续优化参数，当第六步完成后,就会优化出最佳的参数c和δ,这样就可以得到最理想的支持向量机模型,用此模型进行故障预测。

其中，设种群大小N＝20,惯性权重ω＝0.9,加速常数C₁＝1.4,C₂＝1.6,训练支持向量机，得到惩罚因子c的最佳取值为4.0323,核函数δ的最佳取值为0.51003。经粒子群算法优化,SVM分类器的分类准确率达到98.8134％。

优选的，支持向量机模型采用基于遗传算法的支持向量机，基于遗传算法的支持向量机的建模过程为：

(1)初始化种群,生成一定数量的个体作为初始种群,每条染色体由(c,δ)组成，其中c为惩罚因子，δ为核函数；

(2)选定目标函数对初始种群进行支持向量机训练,把支持向量机的均方误差作为目标函数,计算每个个体的适应度；

(3)进行选择运算、交叉运算、变异运算得到新一代种群,对新产生的种群进行支持向量机训练；

(4)如果新产生的种群满足终止规则,则输出具有最大适应度的个体作为最优参数,用最优参数进行预测，否则增加进化代数,转入步骤(3)继续执行。

本发明的道路拥堵预测模型一具体实施例采用BP神经网络模型和SVM(支持向量机)模型相融合的模型。

首先分别通过BP神经网络模型和SVM(支持向量机)模型预测道路拥堵情况；

然后将上述两个模型的输出结果加权求平均值，作为最终的结果。

将两个模型融合的方式可以克服因单个模型某些因素导致的预测偏差，能够获得更加稳定的预测结果。

本发明可以利用当前时刻相关的交通流量以及历史时刻相关交通流量，采用改进的神经网络模型进行交通流量的预测，提高了预测的效率和准确性。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (8)

1.一种道路拥堵情况测试方法，包括：

步骤S100，建立道路拥堵预测模型；

步骤S200，采集交通流量数据并进行数据预处理；

步骤S300，将交通流量数据输入道路拥堵预测模型，得到预测的道路拥堵情况。

2.如权利要求1所述的道路拥堵情况测试方法，其中，采集交通流量数据并进行数据预处理包括：

通过在道路上安装摄像头、感应器等设施实现对交通流量数据的采集和计算。

3.如权利要求1所述的道路拥堵情况测试方法，其中，道路拥堵情况分为1到10十个等级，1到5级别的交通都属于顺畅，由5到10，拥堵级别逐渐增加。

4.如权利要求1所述的道路拥堵情况测试方法，其中，

所述道路拥堵预测模型是BP神经网络模型。

5.如权利要求1所述的道路拥堵情况测试方法，其中，

所述道路拥堵预测模型是融合了BP神经网络模型和SVM(支持向量机)模型相融合的模型。

6.如权利要求1所述的道路拥堵情况测试方法，其中，

所述的道路拥堵预测模型的输入量为：q₁,q₂,q₃,Q_t,Q_t-1,Q_t-2,Q_t-3，q₁、q₂、q₃、以及Q_t分别表示了上游交叉口t时刻北方位、西方位、南方位、以及下游路口的交通流量，Q_t-1,Q_t-2,Q_t-3分别表示t-1时刻、t-2时刻、t-3时刻下游路口的交通流量，即t时刻的前3个时刻的交通流量。

7.如权利要求4所述的道路拥堵情况测试方法，其中，

所述BP神经网络模型为基于遗传算法改进的BP神经网络模型。

8.如权利要求7所述的道路拥堵情况测试方法，其中，生成基于遗传算法改进的BP神经网络模型包括：

1、初始种群的产生

1.1生成一个0～1之间的一个随机小数α，作为学习率；

1.2随机生成1～100之间一个整数，作为隐含层单元数；

1.3产生一个BP神经网络模型作为初始种群的一个染色体；

1.4重复1.1-1.3直至达到所需种群规模；

2、选择适应度函数

其中，eval为适应度函数的函数值，E为BP神经网络的预测误差,T为BP神经网络收敛的时间,

λ是权重因子；

3、选择子代

3.1利用公式(1)计算种群中各个染色体M_k的适应值，

k＝1,2,Λ,pop_size，pop_size是种群规模的大小，pop_size取值为10；

3.2计算各个染色体适应值代数和，

3.3计算各个染色体的选择概率，

3.4计算各个染色体的累积概率，

3.5在[0,1]区间内产生一个均匀分布的伪随机数r；

3.6若r≤q₁，则选择第一个染色体M₁,否则当q_k-1＜r≤q_k时选择M_k，2≤k≤pop_size；

3.7重复3.5-3.6共pop_size次，产生pop_size个[0,1]区间内的伪随机数,选择pop_size个染色体；

3.8将染色体按适应值从大到小排序；

3.9保留适应值较高的前一半染色体作为子代的一部分；

3.10将适应值较低的后一半的染色体利用轮盘赌选择得到子代的另一部分；

4、染色体的交叉与变异

把两个BP神经网络模型作为两条染色体,每个模型的学习率和隐含层单元数作为两个基因,交换这两个BP网络的学习率和隐层单元数就可得到两个新的BP网络预测模型；

种群中前5个染色体与后5个染色体按照上述的方式进行交叉,得到5个新的BP神经网络模型,这5个模型再与步骤3中选择到的5个适应度较高的染色体作为子代,得到新的种群；

对BP神经网络模型的隐含层单元数进行变异，具体为：

其中，h为需要变异的模型隐含层单元数，T为变异模型的收敛时间，T₀为此时种群中所有染色体收敛时间的平均值，变异调整因子η取0.9,μ取1.1，[η×h]和[μ×h]分别表示η×h和μ×h的整数部分，h表示变异后新的模型的隐含层单元数。