CN112651570B - 高速公路服务区交通量预测模型构建、预测方法及装置 - Google Patents

高速公路服务区交通量预测模型构建、预测方法及装置 Download PDF

Info

Publication number
CN112651570B
CN112651570B CN202011625128.9A CN202011625128A CN112651570B CN 112651570 B CN112651570 B CN 112651570B CN 202011625128 A CN202011625128 A CN 202011625128A CN 112651570 B CN112651570 B CN 112651570B
Authority
CN
China
Prior art keywords
particle
traffic
service area
data
group
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011625128.9A
Other languages
English (en)
Other versions
CN112651570A (zh
Inventor
孙朝云
杨荣新
郝雪丽
裴莉莉
李伟
赵怀鑫
韩雨希
袁博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN202011625128.9A priority Critical patent/CN112651570B/zh
Publication of CN112651570A publication Critical patent/CN112651570A/zh
Application granted granted Critical
Publication of CN112651570B publication Critical patent/CN112651570B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种高速公路服务区交通量预测模型构建、预测方法及装置提供的改进粒子群算法对XBOOST模型进行优化，将粒子群划分为主从拓扑，较好地避免在模型参数优化过程中陷入局部最优解，这种改进粒子群算法能更好寻优出理想的超参数，提高交通量预测准确度。

Description

高速公路服务区交通量预测模型构建、预测方法及装置
技术领域
本发明涉及高速公路服务区交通量预测方法及装置，具体涉及一种高速公路服务区交通量预测模型构建、预测方法及装置。
背景技术
高速公路服务区是智慧高速公路建设的重要组成部分，服务区的智慧化进程直接影响着高速公路智慧化建设水平。在对服务区的服务水平进行评价时，主要分析和挖掘服务区的供给能力和高速公路交通量之间的相互关系。因此，对高速公路服务区交通量进行有效的量化和预测，是科学合理评价高速公路服务区服务能力的重要技术手段。
传统的交通量预测主要依靠ARIMA时间序列和卡尔曼滤波模型展开，实时性不高且不适合波动较大的交通量数据。近年来，随着交通大数据的发展，基于机器学习的交通量预测可以结合交通流量大数据充分挖掘交通量的时空特征进行较好的预测。目前，针对高速公路服务区交通量预测还面临以下问题：
(1)将交通量预测与高速公路服务区规模评价相关联的研究尚少。
(2)现有的服务区交通量预测的建模数据大都以服务区历史驶入车流为主，还没有建立服务区交通量与高速公路断面交通量之间的预测模型。
(3)现有的交通量预测只考虑时序的整体交通量，缺乏交通量按类型的细致划分。
(4)现有的粒子群优化算法在参数优化迭代过程中，容易陷入局部最优，往往难以挖掘出理想的超参数，使得模型预测准确率不够高。
发明内容
本发明的目的在于提供一种高速公路服务区交通量预测模型构建、预测方法及装置，用以解决现有技术中的预测方法及装置存在的模型预测准确率不高的问题。
为了实现上述任务，本发明采用以下技术方案：
一种高速公路服务区交通量预测模型构建方法，所述的方法按照以下步骤执行：
步骤1、获得多组服务区交通量数据，所述的服务区交通量数据包括服务区小客车每小时的车流量、服务区大客车每小时的车流量以及服务区货车每小时的车流量；
获取每组服务区交通量数据对应的高速公路断面交通量数据，获得多组高速公路断面交通量数据，所述的高速公路断面交通量数据包括高速公路断面小客车每小时的车流量、高速公路断面大客车每小时的车流量以及高速公路断面货车每小时的车流量；
步骤2、对所述的每组服务区交通量数据进行当量折算，获得每组服务区交通量数据对应的服务区车当量和服务区人当量；
对所述的每组高速公路断面交通量数据进行当量折算，获得每组高速公路断面交通量数据对应的高速公路断面车当量和高速公路断面人当量；
步骤3、将第r组服务区交通量数据和第r组服务区交通量数据对应的服务区车当量和服务区人当量作为第r个标签数据，r＝1,2，……，R，R为正整数；
重复本步骤，直至获得R个标签数据，获得标签集；
步骤4、将第j组高速公路断面交通量数据和第j组高速公路断面交通量数据对应的高速公路断面车当量和高速公路断面人当量作为第j个样本数据，j＝1,2，……，J，J为正整数，J＝R；
重复本步骤，直至获得J个样本数据，获得样本集；
步骤5、将所述的样本集作为输入，将所述的标签集作为参考输出，训练XGBoost模型；
其中在训练XGBoost模型时采用粒子群算法；
所述的粒子群算法在更新每个粒子的速度时，按照以下步骤执行：
步骤a、将粒子群中的所有粒子按照粒子的适应度值的大小从大到小排列，选取前N个粒子作为主粒子，N为正整数，将所述粒子群中除了主粒子以外的所有粒子作为从粒子；
步骤b、将每个主粒子作为聚类中心，采用聚类的方法将所述的从粒子进行分类，获得多个从粒子组，所述的每个从粒子组中从粒子个数相同；
步骤c、将每个从粒子组与其对应聚类中心的主粒子作为改进粒子组，获得N个改进粒子组；
步骤d、采用式I获得每个改进粒子组中每个粒子的速度：
Figure BDA0002879109870000031
其中vmi(t+1)表示t+1时刻第i个改进粒子组中主粒子的速度值，vsij(t+1)表示t+1时刻第i个改进粒子组中第j个从粒子的速度值，xmi(t)表示当前t时刻第i个改进粒子组中主粒子的位置记录，xsij(t)表示当前t时刻第i个改进粒子组中的第j个从粒子的位置记录，vmi(t)表示当前t时刻第i个改进粒子组中主粒子的速度值，vsij(t)表示当前t时刻第i个改进粒子组中第j个从粒子的速度值，K为收敛因子，K为常数，
Figure BDA0002879109870000041
均为加速常数，
Figure BDA0002879109870000042
表示t时刻第i个改进粒子组中主粒子的历史最优位置记录，
Figure BDA0002879109870000043
表示t时刻第i个改进粒子组中第j个从粒子的历史最优位置记录，r1与r2均为大于0且小于1的常数，
Figure BDA0002879109870000044
表示当前t时刻所有改进粒子组中最优的主粒子历史位置记录，
Figure BDA0002879109870000045
表示当前t时刻第i个改进粒子组中最优的从粒子历史位置记录。
进一步地，
Figure BDA0002879109870000046
其中
Figure BDA0002879109870000047
表示收敛参数，
Figure BDA0002879109870000048
进一步地，所述的步骤2中的当量折算具体包括：
步骤a、采用式II获得车当量Sc：
Sc＝1.0×Sx+1.5×Sd+1.5×Sh 式Ⅱ
其中Sx表示交通量数据中小客车每小时的车流量的值，Sd表示交通量数据中大客车每小时的车流量的值，Sh表示交通量数据中货车每小时的车流量的值；
步骤b、采用式III获得人当量Sp。
Sp＝3.3×Sx+46.0×Sd+2.1×Sh 式III
一种高速公路服务区交通量预测方法，所述的方法按照以下步骤执行：
步骤A、采集待预测的服务区对应的高速公路断面交通量数据，获得待预测数据；
步骤B、将所述的待预测数据输入至所述的高速公路服务区交通量预测模型构建方法构建的预测模型中，获得待预测的高速公路服务区交通量。
一种高速公路服务区交通量预测模型构建装置，所述的装置包括数据获取模块、当量折算模块、标签数据获得模块、样本数据获得模块以及模型训练模块；
所述的数据获取模块用于获得多组服务区交通量数据，所述的服务区交通量数据包括服务区小客车每小时的车流量、服务区大客车每小时的车流量以及服务区货车每小时的车流量；
获取每组服务区交通量数据对应的高速公路断面交通量数据，获得多组高速公路断面交通量数据，所述的高速公路断面交通量数据包括高速公路断面小客车每小时的车流量、高速公路断面大客车每小时的车流量以及高速公路断面货车每小时的车流量；
所述的当量折算模块用于对所述的每组服务区交通量数据进行当量折算，获得每组服务区交通量数据对应的服务区车当量和服务区人当量；
对所述的每组高速公路断面交通量数据进行当量折算，获得每组高速公路断面交通量数据对应的高速公路断面车当量和高速公路断面人当量；
所述的标签数据获得模块用于将第r组服务区交通量数据和第r组服务区交通量数据对应的服务区车当量和服务区人当量作为第r个标签数据，r＝1,2，……，R，R为正整数；
获得R个标签数据，获得标签集；
所述的样本数据获得模块用于将第j组高速公路断面交通量数据和第j组高速公路断面交通量数据对应的高速公路断面车当量和高速公路断面人当量作为第j个样本数据，j＝1,2，……，J，J为正整数，J＝R；
获得J个样本数据，获得样本集；
所述的模型训练模块用于将所述的样本集作为输入，将所述的标签集作为参考输出，训练XGBoost模型；
所述的模型训练模块包括粒子群训练子模块；
所述的粒子群训练子模块包括粒子分类单元、粒子聚类单元、粒子分组单元以及速度更新单元：
所述的粒子分类单元用于将粒子群中的所有粒子按照粒子的适应度值的大小从大到小排列，选取前N个粒子作为主粒子，N为正整数，将所述粒子群中除了主粒子以外的所有粒子作为从粒子；
所述的粒子聚类单元用于将每个主粒子作为聚类中心，采用聚类的方法将所述的从粒子进行分类，获得多个从粒子组，所述的每个从粒子组中从粒子个数相同；
所述的粒子分组单元用于将每个从粒子组与其对应聚类中心的主粒子作为改进粒子组，获得N个改进粒子组；
所述的速度更新单元用于采用式I获得每个改进粒子组中每个粒子的速度：
Figure BDA0002879109870000071
其中vmi(t+1)表示t+1时刻第i个改进粒子组中主粒子的速度值，vsij(t+1)表示t+1时刻第i个改进粒子组中第j个从粒子的速度值，xmi(t)表示当前t时刻第i个改进粒子组中主粒子的位置记录，xsij(t)表示当前t时刻第i个改进粒子组中的第j个从粒子的位置记录，vmi(t)表示当前t时刻第i个改进粒子组中主粒子的速度值，vsij(t)表示当前t时刻第i个改进粒子组中第j个从粒子的速度值，K为收敛因子，K为常数，
Figure BDA0002879109870000072
均为加速常数，
Figure BDA0002879109870000073
表示t时刻第i个改进粒子组中主粒子的历史最优位置记录，
Figure BDA0002879109870000074
表示t时刻第i个改进粒子组中第j个从粒子的历史最优位置记录，r1与r2均为大于0且小于1的常数，
Figure BDA0002879109870000075
表示当前t时刻所有改进粒子组中最优的主粒子历史位置记录，
Figure BDA0002879109870000076
表示当前t时刻第i个改进粒子组中最优的从粒子历史位置记录。
进一步地，
Figure BDA0002879109870000077
其中
Figure BDA0002879109870000078
表示收敛参数，
Figure BDA0002879109870000079
进一步地，所述的当量折算模块包括车当量折算单元和人当量折算单元；
所述的车当量折算单元用于采用式II获得车当量Sc：
Sc＝1.0×Sx+1.5×Sd+1.5×Sh 式Ⅱ
其中Sx表示交通量数据中小客车每小时的车流量的值，Sd表示交通量数据中大客车每小时的车流量的值，Sh表示交通量数据中货车每小时的车流量的值；
所述的人当量折算单元用于采用式III获得人当量Sp。
Sp＝3.3×Sx+46.0×Sd+2.1×Sh 式III
一种高速公路服务区交通量预测装置，所述的装置包括数据采集模块和预测模块；
所述的数据采集模块用于采集待预测的服务区对应的高速公路断面交通量数据，获得待预测数据；
所述的预测模块用于将所述的待预测数据输入至所述的高速公路服务区交通量预测模型构建装置构建的预测模型中，获得待预测的高速公路服务区交通量。
本发明与现有技术相比具有以下技术效果：
1、本发明提供的高速公路服务区交通量预测模型构建、预测方法及装置提供的改进粒子群算法对XBOOST模型进行优化，将粒子群划分为主从拓扑，较好地避免在模型参数优化过程中陷入局部最优解，这种改进粒子群算法能更好寻优出理想的超参数，提高交通量预测准确度；
2、本发明提供的高速公路服务区交通量预测模型构建、预测方法及装置提供的车当量、人当量的折算，将不同车辆类别统一化的同时充分考虑到人流量状态，弥补了以往服务区交通量研究不足的问题，扩充了研究维度；
3、本发明提供的高速公路服务区交通量预测模型构建、预测方法及装置将交通量按照车辆类型进行具体划分，并利用机器学习手段建立高速公路断面交通量和服务区交通量的时序预测模型，进而根据各种不同类型的车辆及人流量特征结合服务区硬件设施对服务区通行能力和服务水平进行评价，具有显著的工程实际应用价值。
附图说明
图1是本发明的一个实施例中提供的数据质量提升后代表性的高速公路服务区交通量分布曲线；
图2是本发明的一个实施例中提供的数据质量提升后代表性的高速公路断面交通量分布曲线；
图3(a)是本发明的一个实施例中提供的改进的粒子群关系拓扑结构示意图；
图3(b)是本发明的一个实施例中提供的改进的粒子群优化流程图；
图4是本发明的一个实施例中提供的采用改进后粒子群算法对XGBoost进行参数优化流程；
图5是本发明的一个实施例中提供的改进粒子群算法融合XGBoost模型对高速公路服务区不同交通量的预测性能曲线；
图5(a)是本发明的一个实施例中提供的改进粒子群算法融合XGBoost模型对高速公路服务区小客车预测结果曲线；
图5(b)是本发明的一个实施例中提供的改进粒子群算法融合XGBoost模型对高速公路服务区大客车预测结果曲线；
图5(c)是本发明的一个实施例中提供的改进粒子群算法融合XGBoost模型对高速公路服务区货车预测结果曲线；
图5(d)是本发明的一个实施例中提供的改进粒子群算法融合XGBoost模型对高速公路服务区车当量预测结果曲线；
图5(e)是本发明的一个实施例中提供的改进粒子群算法融合XGBoost模型对高速公路服务区人当量预测结果曲线；
图6是本发明的一个实施例中提供的各种交通量数据集在不同模型上的预测准确率对比。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。以便本领域的技术人员更好的理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
以下对本发明涉及的定义或概念内涵做以说明：
高速公路断面：高速公路路段上任意一点的法向切面，由横断面设计线和地面线组成。
车当量：将实际的各种机动车交通量按一定的折算系数换算成某种标准车型的当量交通量。
人当量：将实际的各种机动车平均载客量按一定的折算系数换算成某种标准车型的载客量当量。
XGBoost模型：属于Boosting算法之一，是一种提升树模型，将许多树模型集成在一起，形成一个很强的分类器。XGBoost算法可以显著提升模型的预测性能。
粒子群算法：利用群体中个体对信息的共享，使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。
实施例一
在本实施例中提供了一种高速公路服务区交通量预测模型构建方法，方法按照以下步骤执行：
步骤1、获得多组服务区交通量数据，所述的服务区交通量数据包括服务区小客车每小时的车流量、服务区大客车每小时的车流量以及服务区货车每小时的车流量；
获取每组服务区交通量数据对应的高速公路断面交通量数据，获得多组高速公路断面交通量数据，所述的高速公路断面交通量数据包括高速公路断面小客车每小时的车流量、高速公路断面大客车每小时的车流量以及高速公路断面货车每小时的车流量；
在本实施例中，从服务区分中心和高速公路收费中心分别获服务区和相对应的高速公路断面原始交通量数据。
在本实施例中，从服务区分中心和高速公路收费中心分别获服务区和相对应的高速公路断面交通量数据，数据均为2019年韩城服务区及相应高速公路断面6、7、8、9四个月的时序数据集；
具体地，原始交通量数据形式为：
表1服务区交通量原始数据形式
Figure BDA0002879109870000111
表2断面交通量原始数据形式
Figure BDA0002879109870000112
Figure BDA0002879109870000121
以小时为单位统计服务区和高速公路断面交通量各种车辆类型的流量，并按照车辆特征和车牌颜色将车辆类型归类为小客车、大客车和货车三种。
在本实施例中，服务区的车辆类别为suv/mpv、货车、轿车、客车、面包车、小货车和中型客车。其中，suv/mpv、轿车、面包车归类为小客车；中型客车和客车归类为大客车；货车和小货车归类为货车。断面交通量的车辆类别为中小客、大客车、小货车、中货车、大货车、特大货车及集装箱。其中，中小客归类为小客车；大客车归类为小客车；小货车、中货车、大货车、特大货车及集装箱归类为货车。
具体地，统计后的数据形式为：
表3统计后的服务区交通量数据形式
Figure BDA0002879109870000122
表4统计后的断面交通量数据形式
Figure BDA0002879109870000123
参见图1，图1给出了数据质量提升后的代表性高速公路服务区交通量分布曲线。其中，图(a)为服务区小客车、大客车和货车的分布，图(b)为标准车当量和人当量的时序分布。
图2是数据质量提升后的代表性高速公路断面交通量分布曲线。图(a)是断面小客车、断面大客车以及断面货车的分布，图(b)为断面标准车当量和人当量的分布曲线。
步骤2、对所述的每组服务区交通量数据进行当量折算，获得每组服务区交通量数据对应的服务区车当量和服务区人当量；
对所述的每组高速公路断面交通量数据进行当量折算，获得每组高速公路断面交通量数据对应的高速公路断面车当量和高速公路断面人当量；
可选地，当量折算具体包括：
步骤a、采用式II获得车当量Sc：
Sc＝1.0×Sx+1.5×Sd+1.5×Sh 式Ⅱ
其中Sx表示交通量数据中小客车每小时的车流量的值，Sd表示交通量数据中大客车每小时的车流量的值，Sh表示交通量数据中货车每小时的车流量的值；
步骤b、采用式III获得人当量Sp。
Sp＝3.3×Sx+46.0×Sd+2.1×Sh 式III
在本实施例中，根据一定比例将小客车、大客车和货车三种车型折算为标准车当量和人当量；
当量计算的比例如表5所示：
表5车当量和人当量计算比例
Figure BDA0002879109870000131
计算实例如下：
当某小时段小客车流量17，大客车流量9，货车流量9，则车当量和人当量计算为：
车当量＝17×1.0+9×1.5+9×3.0＝57.5
人当量＝17×3.3+9×46.0+9×2.1＝489
步骤3、将第r组服务区交通量数据和第r组服务区交通量数据对应的服务区车当量和服务区人当量作为第r个标签数据，r＝1,2，……，R，R为正整数；
重复本步骤，直至获得R个标签数据，获得标签集；
步骤4、将第j组高速公路断面交通量数据和第i组高速公路断面交通量数据对应的高速公路断面车当量和高速公路断面人当量作为第j个样本数据，j＝1,2，……，J，J为正整数；
重复本步骤，直至获得J个样本数据，获得样本集；
在本实施例中，选取80％的样本数据集进行模型训练和参数优化，剩余的20％作为测试集对模型的性能进行最后验证和评估。其中训练集选择2342条，测试集选择586条。交通量数据集特征包括日期(年、月、日和小时)、各类型交通流量数、车辆行驶方向。
步骤5、将所述的样本集作为输入，将所述的标签集作为参考输出，训练XGBoost模型；
其中在训练XGBoost模型时采用粒子群算法；
所述的粒子群算法在更新每个粒子的速度时，按照以下步骤执行：
步骤a、将粒子群中的所有粒子按照粒子的适应度值的大小从大到小排列，选取前N个粒子作为主粒子，N为正整数，将所述粒子群中除了主粒子以外的所有粒子作为从粒子；
进一步的，所述步骤a中划分主从粒子实施例如下：
当粒子群个数初始为110，则根据XGBoost模型参数的取值范围，赋予每个粒子位置为五维向量，每个维度的取值皆位于0-10之间。此时，每个粒子的五维位置坐标都代表XGBoost模型的一组待优化超参数，相当于有110组超参数组合。将各组超参数复制给模型进行训练和验证，选用模型拟合优度作为适应度值，则初始的适应度值为110组介于0-1之间的数。通过将适应度值进行排序，当N＝10时，则适应度最高的前10个粒子划分为主粒子组，其余100个粒子作为从粒子。
步骤b、将每个主粒子作为聚类中心，采用聚类的方法将所述的从粒子进行分类，获得多个从粒子组，所述的每个从粒子组中从粒子个数相同；
在本实施例中，采用K-means聚类方法，用这个方法的优点是算法快速，简单。且在聚类中心已知的前提下，聚类结果较为理想。
步骤c、将每个从粒子组与其对应聚类中心的主粒子作为改进粒子组，获得N个改进粒子组；
步骤d、采用式I获得每个改进粒子组中每个粒子的速度：
Figure BDA0002879109870000151
其中vmi(t+1)表示t+1时刻第i个改进粒子组中主粒子的速度值，vsij(t+1)表示t+1时刻第i个改进粒子组中第j个从粒子的速度值，xmi(t)表示当前t时刻第i个改进粒子组中主粒子的位置记录，xsij(t)表示当前t时刻第i个改进粒子组中的第j个从粒子的位置记录，vmi(t)表示当前t时刻第i个改进粒子组中主粒子的速度值，vsij(t)表示当前t时刻第i个改进粒子组中第j个从粒子的速度值，K为收敛因子，K为常数，
Figure BDA0002879109870000161
均为加速常数，
Figure BDA0002879109870000162
表示t时刻第i个改进粒子组中主粒子的历史最优位置记录(取第i个改进粒子组中主从粒子的位置最优值)，
Figure BDA0002879109870000163
表示t时刻第i个改进粒子组中第j个从粒子的历史最优位置记录，r1与r2均为大于0且小于1的常数，
Figure BDA0002879109870000164
表示当前t时刻所有改进粒子组中最优的主粒子历史位置记录，
Figure BDA0002879109870000165
表示当前t时刻第i个改进粒子组中最优的从粒子历史位置记录。
在本实施例中，在建立改进粒子群和XGBoost的融合模型过程中，选取粒子的适应度函数为模型的拟合系数，首先随机初始化粒子的种群数，设定XGBoost模型各个参数的初始值和取值范围，由于XGBoost模型超参数较多，维度增加时，传统粒子群算法很容易陷入局部最优。为了增强粒子的局部搜索能力同时避免陷入局部极值，本发明对解空间中粒子群的分布拓扑进行改进，将粒子群划分为主粒子和从粒子。首先将粒子按照待优化参数的个数进行维度初始化，计算各个粒子的适应度值。然后按照适应度值的大小选择一定比例的粒子作为主粒子，剩余粒子则根据聚类结果均匀分配给各主粒子，作为该区域的从粒子群。此时，主粒子的最优位置为自身历史最优和所在区域所有从粒子历史最优的最大值，所有主粒子的最优位置则为全局最优解。每个从粒子群区域的最优位置仅为该区域所有从粒子的过去历史最优位置。这种划分粒子的思想，避免了由于维度较高导致的粒子出现局部最优的弊端，一定程度上增强了粒子向全局最优的搜索能力。试验中，设置粒子在解空间中的位置维度和待优化的参数个数一致，通过更新迭代各区域主从粒子的最优位置便可实现对XGBoost模型各个参数的优化；然后利用验证集对本轮训练的模型进行评价，以适应度函数的大小评估各个参数的取值是否为当前最优值，如果是最优值，则替换原有参数的取值，若不是，则继续保留当前的参数；最后判断是否达到设定的最大迭代次数，若是则输出历史迭代过程中某主粒子保留的最佳超参数值，如不是则继续进行迭代优化。
具体地，如图3所示，本发明给出一种改进型的粒子关系拓扑结构和流程图。首先根据适应度值的大小将粒子划分为主粒子和从粒子，每个主粒子都拥有相同数量的从粒子。其次，每个主粒子的位置为该主粒子和管辖内所有从粒子的历史最优值，而从粒子群区域的位置仅为该区域所有从粒子的过去历史最优值。最后，对比所有主粒子的位置适应度就可以得到全局最优值，迭代过程中，主粒子的位置分量就是隐含的最优解参数。该位置分量的运动轨迹更新来源于两个因素：(1)主粒子区域内所有从粒子的历史最优位置。(2)主粒子本身追踪全局最优位置的认知贡献。由于待优化的XGBoost模型超参数主要有5个，因此粒子的维度需要初始化为5维分量，传统的粒子群算法在面对这种较高维度的参数优化时，容易陷入局部最优且搜索精度不高。本发明提出的粒子群拓扑结构，即时当某区域从粒子陷入局部最优时，其它主粒子群也能够尽最大可能跳出局部极值，向全局最优搜索，提高了参数优化的精度。
图4是改进粒子群算法和XGBoost融合的高速公路服务区交通量预测方法流程图，该方法利用改进粒子群算法来优化XGBoost模型参数，其具体实现过程按下列步骤进行：
步骤i，在模型待寻优参数空间初始化一群微粒，每一个微粒代表参数优化问题的一个潜在最优解。以位置和速度列表对每一个微粒进行表征，每个微粒在D维空间的位置坐标为：
xi＝(xi1,xi2,…,xiD) 式IV
微粒i的速度定义为每次迭代中微粒移动的距离，用vi表示：
vi＝(vi1,vi2,…,viD) 式V
利用XGBoost对服务区交通量进行预测的时候，学习率learning_rate默认值初始为0.30，取值范围为0.05至0.30，节点分裂所需的最小损失函数下降值gamma默认值为0.00，取值范围为0.00至0.20，树的最大深度max_depth默认值为6，取值范围为4至10，最小叶子节点样本权重和min_child_weight默认值为1，取值范围为1至10，L2正则化项的权重lambda默认值为1，取值范围为0.1至10。由于需要优化五个参数，因此D＝5，每个微粒的位置初始化为五维向量，就上述五个参数的搜索空间而言，微粒位置初始化为0<xi1,xi2,xi3,xi4,xi5<10，速度初始化为0到1之间的随机数，即：0<vi1,vi2,vi3,vi4,vi5<1。微粒个数N初始化为110。
步骤ii，微粒适应度值计算。适应度函数是为了评估微粒的优劣，也即参数的好坏。对于每个微粒而言，其位置坐标即为XGBoost模型在服务区交通量预测时的五个超参数(学习率、节点分裂所需的最小损失函数下降值、树的最大深度、最小叶子节点样本权重和、L2正则化项的权重)输入。
在本实施例中，选择预测模型的拟合优度R2作为适应度函数，适应度函数表达式见式VI所示：
Figure BDA0002879109870000191
其中,F取值范围0-1，且值越接近于1，表明参数设置越合理，模型性能越优。
步骤iii，主粒子和从粒子划分。根据步骤i初始化的微粒位置，也即五个初始参数组合，在步骤ii过程中计算每个微粒的初始化适应度值列表[fitness1,fitness2,…,fitness110]，选取适应度值最高的10个粒子为主粒子，得到主粒子列表[fitness1,fitness2,…,fitness10]，每个主粒子再作为聚类中心，根据聚类结果依次选取10个粒子作为本区域的从粒子群。
步骤iv，微粒个体(主/从粒子)自身运动最优值和全局运动最优值以及适应度值初始化。在步骤iii根据主粒子列表计算出最优适应度函数值所对应的主粒子,输出该主粒子对应的位置参数，即为初始化的全局最优值
Figure BDA0002879109870000192
记为
Figure BDA0002879109870000193
同时根据每个微粒的初始位置(xi1,xi2,xi3,xi4,xi5),可据此计算出初始化的
Figure BDA0002879109870000194
以及
Figure BDA0002879109870000195
分别表示初始时刻第i个改进粒子组中第j个从粒子的位置记录，第i个改进粒子组中所有从粒子的最优位置记录，第i个改进粒子组中主粒子的位置记录。
步骤v，更新微粒个体的位置和速度：
Figure BDA0002879109870000201
其中vmi(t+1)表示t+1时刻第i个改进粒子组中主粒子的速度值，vsij(t+1)表示t+1时刻第i个改进粒子组中第j个从粒子的速度值，xmi(t)表示当前t时刻第i个改进粒子组中主粒子的位置记录，xsij(t)表示当前t时刻第i个改进粒子组中的第j个从粒子的位置记录，vmi(t)表示当前t时刻第i个改进粒子组中主粒子的速度值，vsij(t)表示当前t时刻第i个改进粒子组中第j个从粒子的速度值，K为收敛因子，K为常数，
Figure BDA0002879109870000202
均为加速常数，
Figure BDA0002879109870000203
表示t时刻第i个改进粒子组中主粒子的历史最优位置记录(取第i个改进粒子组中主从粒子的位置最优值)，
Figure BDA0002879109870000204
表示t时刻第i个改进粒子组中第j个从粒子的历史最优位置记录，r1与r2均为大于0且小于1的常数，
Figure BDA0002879109870000205
表示当前t时刻所有改进粒子组中最优的主粒子历史位置记录，
Figure BDA0002879109870000206
表示当前t时刻第i个改进粒子组中最优的从粒子历史位置记录。
可选地，
Figure BDA0002879109870000207
在本实施例中，该收敛因子K为预设定的模型参数，其控制着系统行为的最终收敛，且可以有效搜索不同的区域，得到较高质量的解。
经大量的试验表明，当
Figure BDA0002879109870000208
时，具有较好的收敛效果。此时，φ＝4.1，k＝0.729，r1和r2初始化为(0，1)之间的随机数。
两种微粒位置更新公式如下：
xi(t+1)＝xi(t)+vi(t+1) 式VII
式中，xi(t+1)表示下一时刻微粒的位置，xi(t)为微粒的当前位置，vi(t+1)表示下一时刻微粒的速度。
步骤vi，根据更新的微粒位置参数返回步骤ii计算每个微粒的适应度值，然后转入步骤v依据适应度值的变化更新主从微粒个体自身运动最优值和全局运动最优值以及适应度值。
步骤vii，迭代寻优：
在给定的终止迭代条件(600次迭代)下，通过不断对微粒位置和速度的更新，以适应度值的大小为依据，输出群体中主粒子适应度值最优的微粒所对应的位置参数(xi1,xi2,xi3,xi4,xi5)，即为最优的模型参数。在本实施例中，优化得到的参数为learning_rate＝0.25，gamma＝0.13，max_depth＝7，min_child_weight＝3，lambda＝1。
在本实施例中，如图5所示，图5是利用改进粒子群算法融合XGBoost模型对高速公路服务区不同交通量的预测性能曲线图。利用改进粒子群算法优化的XGBoost模型在300次迭代训练时获得了各个交通量预测的最佳性能，性能见表6：
表6不同类别交通量预测准确率
Figure BDA0002879109870000211
实施例二
一种高速公路服务区交通量预测方法，方法按照以下步骤执行：
步骤A、采集待预测的服务区对应的高速公路断面交通量数据，获得待预测数据；
步骤B、将所述的待预测数据输入至实施例一中的高速公路服务区交通量预测模型构建方法构建的预测模型中，获得待预测的高速公路服务区交通量。
在本实施例中，如图6所示，图6是不同模型对服务区交通量预测结果的准确率对比，可以看出图6与表2的结果是一致的，本发明提出的改进粒子群算法融合XGBoost的高速公路服务区交通量预测方法是合理有效的。
总之，无论是对于哪种类型的交通量数据，本发明构建的改进粒子群和XGBoost融合模型都有最高的拟合优度和最低的均方根误差RMSE。比较结果表明，使用该模型来构建高速公路断面数据和服务区交通量之间的预测关系是准确的，同时也有较强的泛化能力。该模型可以有效地挖掘高速公路断面交通量和服务区交通量之间的内在关联和统计学关系，实现按不同交通量类别细化的交通量预测。同时，该预测结果可以作为评估服务区通行能力和服务水平的量化指标，为服务区进一步改扩建提供科学依据。
实施例三
在本实施例中公开了一种高速公路服务区交通量预测模型构建装置，所述的装置包括数据获取模块、当量折算模块、标签数据获得模块、样本数据获得模块以及模型训练模块；
所述的数据获取模块用于获得多组服务区交通量数据，所述的服务区交通量数据包括服务区小客车每小时的车流量、服务区大客车每小时的车流量以及服务区货车每小时的车流量；
获取每组服务区交通量数据对应的高速公路断面交通量数据，获得多组高速公路断面交通量数据，所述的高速公路断面交通量数据包括高速公路断面小客车每小时的车流量、高速公路断面大客车每小时的车流量以及高速公路断面货车每小时的车流量；
所述的当量折算模块用于对所述的每组服务区交通量数据进行当量折算，获得每组服务区交通量数据对应的服务区车当量和服务区人当量；
对所述的每组高速公路断面交通量数据进行当量折算，获得每组高速公路断面交通量数据对应的高速公路断面车当量和高速公路断面人当量；
所述的标签数据获得模块用于将第r组服务区交通量数据和第r组服务区交通量数据对应的服务区车当量和服务区人当量作为第r个标签数据，r＝1,2，……，R，R为正整数；
获得R个标签数据，获得标签集；
所述的样本数据获得模块用于将第j组高速公路断面交通量数据和第j组高速公路断面交通量数据对应的高速公路断面车当量和高速公路断面人当量作为第j个样本数据，j＝1,2，……，J，J为正整数，J＝R；
获得J个样本数据，获得样本集；
所述的模型训练模块用于将所述的样本集作为输入，将所述的标签集作为参考输出，训练XGBoost模型；
所述的模型训练模块包括粒子群训练子模块；
所述的粒子群训练子模块包括粒子分类单元、粒子聚类单元、粒子分组单元以及速度更新单元：
所述的粒子分类单元用于将粒子群中的所有粒子按照粒子的适应度值的大小从大到小排列，选取前N个粒子作为主粒子，N为正整数，将所述粒子群中除了主粒子以外的所有粒子作为从粒子；
所述的粒子聚类单元用于将每个主粒子作为聚类中心，采用聚类的方法将所述的从粒子进行分类，获得多个从粒子组，所述的每个从粒子组中从粒子个数相同；
所述的粒子分组单元用于将每个从粒子组与其对应聚类中心的主粒子作为改进粒子组，获得N个改进粒子组；
所述的速度更新单元用于采用式I获得每个改进粒子组中每个粒子的速度：
Figure BDA0002879109870000241
其中vmi(t+1)表示t+1时刻第i个改进粒子组中主粒子的速度值，vsij(t+1)表示t+1时刻第i个改进粒子组中第j个从粒子的速度值，xmi(t)表示当前t时刻第i个改进粒子组中主粒子的位置记录，xsij(t)表示当前t时刻第i个改进粒子组中的第j个从粒子的位置记录，vmi(t)表示当前t时刻第i个改进粒子组中主粒子的速度值，vsij(t)表示当前t时刻第i个改进粒子组中第j个从粒子的速度值，K为收敛因子，K为常数，
Figure BDA0002879109870000251
均为加速常数，
Figure BDA0002879109870000252
表示t时刻第i个改进粒子组中主粒子的历史最优位置记录(取第i个改进粒子组中主从粒子的位置最优值)，
Figure BDA0002879109870000253
表示t时刻第i个改进粒子组中第j个从粒子的历史最优位置记录，r1与r2均为大于0且小于1的常数，
Figure BDA0002879109870000254
表示当前t时刻所有改进粒子组中最优的主粒子历史位置记录，
Figure BDA0002879109870000255
表示当前t时刻第i个改进粒子组中最优的从粒子历史位置记录。
可选地，
Figure BDA0002879109870000256
其中
Figure BDA0002879109870000257
表示收敛参数，
Figure BDA0002879109870000258
可选地，所述的所述的当量折算模块包括车当量折算单元和人当量折算单元；
所述的车当量折算单元用于采用式II获得车当量Sc：
Sc＝1.0×Sx+1.5×Sd+1.5×Sh 式Ⅱ
其中Sx表示交通量数据中小客车每小时的车流量的值，Sd表示交通量数据中大客车每小时的车流量的值，Sh表示交通量数据中货车每小时的车流量的值；
所述的人当量折算单元用于采用式III获得人当量Sp。
Sp＝3.3×Sx+46.0×Sd+2.1×Sh 式III
实施例四
在本实施例中公开了一种高速公路服务区交通量预测装置，装置包括数据采集模块和预测模块；
所述的数据采集模块用于采集待预测的服务区对应的高速公路断面交通量数据，获得待预测数据；
所述的预测模块用于将所述的待预测数据输入至实施例三中所述的高速公路服务区交通量预测模型构建装置构建的预测模型中，获得待预测的高速公路服务区交通量。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘，硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法。

Claims (8)

1.一种高速公路服务区交通量预测模型构建方法，其特征在于，所述的方法按照以下步骤执行：
步骤1、获得多组服务区交通量数据，所述的服务区交通量数据包括服务区小客车每小时的车流量、服务区大客车每小时的车流量以及服务区货车每小时的车流量；
获取每组服务区交通量数据对应的高速公路断面交通量数据，获得多组高速公路断面交通量数据，所述的高速公路断面交通量数据包括高速公路断面小客车每小时的车流量、高速公路断面大客车每小时的车流量以及高速公路断面货车每小时的车流量；
步骤2、对所述的每组服务区交通量数据进行当量折算，获得每组服务区交通量数据对应的服务区车当量和服务区人当量；
对所述的每组高速公路断面交通量数据进行当量折算，获得每组高速公路断面交通量数据对应的高速公路断面车当量和高速公路断面人当量；
步骤3、将第r组服务区交通量数据和第r组服务区交通量数据对应的服务区车当量和服务区人当量作为第r个标签数据，r＝1，2，……，R，R为正整数；
重复本步骤，直至获得R个标签数据，获得标签集；
步骤4、将第j组高速公路断面交通量数据和第j组高速公路断面交通量数据对应的高速公路断面车当量和高速公路断面人当量作为第j个样本数据，j＝1，2，……，J，J为正整数，J＝R；
重复本步骤，直至获得J个样本数据，获得样本集；
步骤5、将所述的样本集作为输入，将所述的标签集作为参考输出，训练XGBoost模型；
其中在训练XGBoost模型时采用粒子群算法；
所述的粒子群算法在更新每个粒子的速度时，按照以下步骤执行：
步骤a、将粒子群中的所有粒子按照粒子的适应度值的大小从大到小排列，选取前N个粒子作为主粒子，N为正整数，将所述粒子群中除了主粒子以外的所有粒子作为从粒子；
步骤b、将每个主粒子作为聚类中心，采用聚类的方法将所述的从粒子进行分类，获得多个从粒子组，所述的每个从粒子组中从粒子个数相同；
步骤c、将每个从粒子组与其对应聚类中心的主粒子作为改进粒子组，获得N个改进粒子组；
步骤d、采用式I获得每个改进粒子组中每个粒子的速度：
Figure FDA0002879109860000021
其中vmi(t+1)表示t+1时刻第i个改进粒子组中主粒子的速度值，vsij(t+1)表示t+1时刻第i个改进粒子组中第j个从粒子的速度值，xmi(t)表示当前t时刻第i个改进粒子组中主粒子的位置记录，xsij(t)表示当前t时刻第i个改进粒子组中的第j个从粒子的位置记录，vmi(t)表示当前t时刻第i个改进粒子组中主粒子的速度值，vsij(t)表示当前t时刻第i个改进粒子组中第j个从粒子的速度值，K为收敛因子，K为常数，
Figure FDA0002879109860000022
均为加速常数，
Figure FDA0002879109860000023
表示t时刻第i个改进粒子组中主粒子的历史最优位置记录，
Figure FDA0002879109860000031
表示t时刻第i个改进粒子组中第j个从粒子的历史最优位置记录，r1与r2均为大于0且小于1的常数，
Figure FDA0002879109860000032
表示当前t时刻所有改进粒子组中最优的主粒子历史位置记录，
Figure FDA0002879109860000033
表示当前t时刻第i个改进粒子组中最优的从粒子历史位置记录。
2.如权利要求1所述的高速公路服务区交通量预测模型构建方法，其特征在于，
Figure FDA0002879109860000034
其中
Figure FDA0002879109860000035
表示收敛参数，
Figure FDA0002879109860000036
3.如权利要求1所述的高速公路服务区交通量预测模型构建方法，其特征在于，所述的步骤2中的当量折算具体包括：
步骤a、采用式II获得车当量Sc：
Sc＝1.0×Sx+1.5×Sd+1.5×Sh 式II
其中Sx表示交通量数据中小客车每小时的车流量的值，Sd表示交通量数据中大客车每小时的车流量的值，Sh表示交通量数据中货车每小时的车流量的值；
步骤b、采用式III获得人当量Sp：
Sp＝3.3×Sx+46.0×Sd+2.1×Sh 式III 。
4.一种高速公路服务区交通量预测方法，其特征在于，所述的方法按照以下步骤执行：
步骤A、采集待预测的服务区对应的高速公路断面交通量数据，获得待预测数据；
步骤B、将所述的待预测数据输入至权利要求1-3任一项权利要求所述的高速公路服务区交通量预测模型构建方法构建的预测模型中，获得待预测的高速公路服务区交通量。
5.一种高速公路服务区交通量预测模型构建装置，其特征在于，所述的装置包括数据获取模块、当量折算模块、标签数据获得模块、样本数据获得模块以及模型训练模块；
所述的数据获取模块用于获得多组服务区交通量数据，所述的服务区交通量数据包括服务区小客车每小时的车流量、服务区大客车每小时的车流量以及服务区货车每小时的车流量；
获取每组服务区交通量数据对应的高速公路断面交通量数据，获得多组高速公路断面交通量数据，所述的高速公路断面交通量数据包括高速公路断面小客车每小时的车流量、高速公路断面大客车每小时的车流量以及高速公路断面货车每小时的车流量；
所述的当量折算模块用于对所述的每组服务区交通量数据进行当量折算，获得每组服务区交通量数据对应的服务区车当量和服务区人当量；
对所述的每组高速公路断面交通量数据进行当量折算，获得每组高速公路断面交通量数据对应的高速公路断面车当量和高速公路断面人当量；
所述的标签数据获得模块用于将第r组服务区交通量数据和第r组服务区交通量数据对应的服务区车当量和服务区人当量作为第r个标签数据，r＝1，2，……，R，R为正整数；
获得R个标签数据，获得标签集；
所述的样本数据获得模块用于将第j组高速公路断面交通量数据和第j组高速公路断面交通量数据对应的高速公路断面车当量和高速公路断面人当量作为第j个样本数据，j＝1，2，……，J，J为正整数，J＝R；
获得J个样本数据，获得样本集；
所述的模型训练模块用于将所述的样本集作为输入，将所述的标签集作为参考输出，训练XGBoost模型；
所述的模型训练模块包括粒子群训练子模块；
所述的粒子群训练子模块包括粒子分类单元、粒子聚类单元、粒子分组单元以及速度更新单元：
所述的粒子分类单元用于将粒子群中的所有粒子按照粒子的适应度值的大小从大到小排列，选取前N个粒子作为主粒子，N为正整数，将所述粒子群中除了主粒子以外的所有粒子作为从粒子；
所述的粒子聚类单元用于将每个主粒子作为聚类中心，采用聚类的方法将所述的从粒子进行分类，获得多个从粒子组，所述的每个从粒子组中从粒子个数相同；
所述的粒子分组单元用于将每个从粒子组与其对应聚类中心的主粒子作为改进粒子组，获得N个改进粒子组；
所述的速度更新单元用于采用式I获得每个改进粒子组中每个粒子的速度：
Figure FDA0002879109860000051
其中vmi(t+1)表示t+1时刻第i个改进粒子组中主粒子的速度值，vsij(t+1)表示t+1时刻第i个改进粒子组中第j个从粒子的速度值，xmi(t)表示当前t时刻第i个改进粒子组中主粒子的位置记录，xsij(t)表示当前t时刻第i个改进粒子组中的第j个从粒子的位置记录，vmi(t)表示当前t时刻第i个改进粒子组中主粒子的速度值，vsij(t)表示当前t时刻第i个改进粒子组中第j个从粒子的速度值，K为收敛因子，K为常数，
Figure FDA0002879109860000061
均为加速常数，
Figure FDA0002879109860000062
表示t时刻第i个改进粒子组中主粒子的历史最优位置记录，
Figure FDA0002879109860000063
表示t时刻第i个改进粒子组中第j个从粒子的历史最优位置记录，r1与r2均为大于0且小于1的常数，
Figure FDA0002879109860000064
表示当前t时刻所有改进粒子组中最优的主粒子历史位置记录，
Figure FDA0002879109860000065
表示当前t时刻第i个改进粒子组中最优的从粒子历史位置记录。
6.如权利要求5所述的高速公路服务区交通量预测模型构建装置，其特征在于，
Figure FDA0002879109860000066
其中
Figure FDA0002879109860000067
表示收敛参数，
Figure FDA0002879109860000068
7.如权利要求5所述的高速公路服务区交通量预测模型构建装置，其特征在于，所述的当量折算模块包括车当量折算单元和人当量折算单元；
所述的车当量折算单元用于采用式II获得车当量Sc：
Sc＝1.0×Sx+1.5×Sd+1.5×Sh 式II
其中Sx表示交通量数据中小客车每小时的车流量的值，Sd表示交通量数据中大客车每小时的车流量的值，Sh表示交通量数据中货车每小时的车流量的值；
所述的人当量折算单元用于采用式III获得人当量Sp：
Sp＝3.3×Sx+46.0×Sd+2.1×Sh 式III 。
8.一种高速公路服务区交通量预测装置，其特征在于，所述的装置包括数据采集模块和预测模块；
所述的数据采集模块用于采集待预测的服务区对应的高速公路断面交通量数据，获得待预测数据；
所述的预测模块用于将所述的待预测数据输入至权利要求5-7任一项权利要求所述的高速公路服务区交通量预测模型构建装置构建的预测模型中，获得待预测的高速公路服务区交通量。
CN202011625128.9A 2020-12-31 2020-12-31 高速公路服务区交通量预测模型构建、预测方法及装置 Active CN112651570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011625128.9A CN112651570B (zh) 2020-12-31 2020-12-31 高速公路服务区交通量预测模型构建、预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011625128.9A CN112651570B (zh) 2020-12-31 2020-12-31 高速公路服务区交通量预测模型构建、预测方法及装置

Publications (2)

Publication Number Publication Date
CN112651570A CN112651570A (zh) 2021-04-13
CN112651570B true CN112651570B (zh) 2022-07-26

Family

ID=75367248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011625128.9A Active CN112651570B (zh) 2020-12-31 2020-12-31 高速公路服务区交通量预测模型构建、预测方法及装置

Country Status (1)

Country Link
CN (1) CN112651570B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362598B (zh) * 2021-06-04 2022-06-03 重庆高速公路路网管理有限公司 一种高速公路服务区车流量预测方法
CN113380052B (zh) * 2021-06-08 2022-07-15 重庆大学 基于etc数据的驶入服务区车流量预测方法及装置
CN113963544B (zh) * 2021-11-05 2022-09-02 贵州省通信产业服务有限公司 一种服务区车流量预测系统
CN114241760A (zh) * 2021-12-13 2022-03-25 江苏高速公路信息工程有限公司 一种智慧服务区大数据融合系统及方法
CN115376314B (zh) * 2022-08-09 2024-04-16 交通运输部规划研究院 一种小客车公路出行总量测算方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4800500B2 (ja) * 2001-03-30 2011-10-26 大和ハウス工業株式会社 交通検証装置，交通検証方法，プログラム並びにデータ記録媒体
CN108417040B (zh) * 2018-05-14 2020-09-08 武汉理工大学 一种特色小镇交通分布预测方法
JP6573205B2 (ja) * 2018-09-10 2019-09-11 澪標アナリティクス株式会社 一のユーザによるアプリケーションプログラムの利用に関する予測データを計算する情報処理装置、情報処理方法、プログラム及びマーケティング情報処理装置
US11134016B2 (en) * 2018-10-26 2021-09-28 Hughes Network Systems, Llc Monitoring a communication network
CN109949577B (zh) * 2019-04-25 2021-07-27 贵州大学 一种道路交通流量预测方法
CN110555989B (zh) * 2019-08-16 2021-10-26 华南理工大学 一种基于Xgboost算法的交通量预测方法
CN110930693B (zh) * 2019-11-04 2022-02-22 清华大学 一种用于道路断面的在线短时交通流预测方法
CN111027662B (zh) * 2019-11-08 2024-01-12 南通大学 基于混沌量子粒子群算法优化的sd-lssvr短时交通流量预测方法
CN110929958A (zh) * 2019-12-10 2020-03-27 西安邮电大学 基于深度学习参数优化的短时交通流量预测方法
CN111081022A (zh) * 2019-12-30 2020-04-28 宁波财经学院 一种基于粒子群优化神经网络的交通流预测方法
CN111260118B (zh) * 2020-01-10 2022-08-23 天津理工大学 一种基于量子粒子群优化策略的车联网交通流量预测方法
CN111063194A (zh) * 2020-01-13 2020-04-24 兰州理工大学 一种交通流预测方法
CN111462485A (zh) * 2020-03-31 2020-07-28 电子科技大学 一种基于机器学习的交通路口拥堵的预测方法

Also Published As

Publication number Publication date
CN112651570A (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN112651570B (zh) 高速公路服务区交通量预测模型构建、预测方法及装置
Li et al. Dual-loop online intelligent programming for driver-oriented predict energy management of plug-in hybrid electric vehicles
CN111260118B (zh) 一种基于量子粒子群优化策略的车联网交通流量预测方法
Wang et al. Truck traffic flow prediction based on LSTM and GRU methods with sampled GPS data
CN106095963B (zh) 互联网+时代下的车辆驾驶行为分析大数据公共服务平台
CN112046489B (zh) 一种基于因子分析和机器学习的驾驶风格辨识算法
CN114493191B (zh) 一种基于网约车数据的驾驶行为建模分析方法
CN114187766B (zh) 一种基于饱和率的道路服务水平评价方法
CN112183605B (zh) 一种基于运行特征的民航管制扇区分类方法
Li et al. Modeling vehicle merging position selection behaviors based on a finite mixture of linear regression models
CN113205698A (zh) 一种基于igwo-lstm的短时交通流预测的导航提醒方法
CN112766578A (zh) 一种基于车辆网的车辆用途识别方法、系统及存储介质
CN113313946A (zh) 一种多车道高速公路客货车协同控制方法、装置和设备
CN114644018A (zh) 一种基于博弈论的自动驾驶车辆人车交互决策规划方法
CN115035713A (zh) 智慧交通碳排放监测系统和方法
Bousonville et al. Data driven analysis and forecasting of medium and heavy truck fuel consumption
CN116596380A (zh) 高速公路施工组织方案和管控方案的优化确定方法、平台、设备及介质
Romano et al. A classification method of road transport missions and applications using the operating cycle format
CN112926809B (zh) 一种基于聚类和改进的xgboost的航班流量预测方法及系统
CN110490365A (zh) 一种基于多源数据融合预测网约车订单量的方法
CN114091579A (zh) 城市轨道交通客流预警系统和方法
CN109849926A (zh) 一种辨别出租车是否交予他人驾驶的方法及系统
Thakali et al. Model-based versus data-driven approach for road safety analysis: Do more data help?
CN102880881A (zh) 一种基于二类支持向量机和遗传算法的轿车车型识别方法
CN117436653A (zh) 一种网约车出行需求的预测模型构建方法和预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant