CN114333307A - 一种基于pso-elm算法的交叉口交通状态识别方法 - Google Patents

Abstract

本发明提供了一种基于PSO‑ELM算法的交叉口交通状态识别方法。该方法包括：获取有标签的交叉口连接路段的历史交通流量数据集；利用极限学习机ELM算法对所述历史交通流量数据集进行学习，利用粒子群优化算法PSO对ELM的参数进行寻优，PSO的适应度函数设置为ELM预测值和实际值的均方误差MSE，取最佳适应度值时的参数作为ELM最终参数，将最终ELM模型作为交叉口交通状态识别模型；利用交叉口交通状态识别模型对待识别的交叉口交通状态进行识别。本发明将PSO‑ELM算法应用到交通状态识别领域，通过利用交叉口连接道路的交通状态识别交叉口交通状态，有助于交叉口连接道路的交通管控措施的制定。

Description

一种基于PSO-ELM算法的交叉口交通状态识别方法

技术领域

本发明涉及交叉口交通状态识别技术领域，尤其涉及一种基于PSO-ELM算法的交叉口交通状态识别方法。

背景技术

作为智能交通系统的一个分支，交通状态判别是进行交通控制和诱导的基础条件，在交通智能化管理和动态控制中占有重要地位。许多交通实践表明，在城市道路交通中，交通状态可以被划分为不同的类型，并且这些类型总是重复出现。针对不同的交通状态，可以“对阵下药”设计出不同的控制策略。如果能够识别出交通运行状态，就可以依据提前制定的策略展开交通控制和诱导，避免或缓解交通拥堵，提升城市的运转效率。

在城市道路网中，由于信号灯的作用，机动车在交叉口处经常需要减速制动，引发通行能力下降，从而产生排队现象。有研究表明，车辆延误大部分都是发生在交叉口处，交叉口成为治理交通问题的最佳着手点，也是城市交通研究者最关心的地方。由此可见，识别交叉口的交通模式，并根据不同的模式制定控制策略，在缓解城市交通拥堵问题上具有重大意义。因此，准确识别道路和交叉口的交通状态对分析交通流的变化规律、制定相应的交通管理措施具有重要意义。

ELM(Extreme Learning Machine，极限学习机)算法被广泛应用于交通状态的识别，但是ELM本身存在一些缺陷：(1)初始的权重向量w_i和隐含节点的偏差b_i，最小二乘解中的输出矩阵H是由这两个参数计算得到的，其值的选择直接关系到识别效果的好坏；(2)传统ELM算法都是随机生成初始权重矩阵和偏差矩阵，其中可能存在一些为零的值，使一些隐含层节点对结果没有贡献度，成为无用节点，故ELM需要设置足够多的隐含层节点才能够满足理想精度要求。

目前，在现有技术中的交叉口交通状态识别方案中，从研究对象上来看，主要是针对路段上交通状态的识别，从研究方法上来看，目前的研究主要是选取交通流的相关指标进行聚类，将不同类别的数据标记为不同交通状态。有方案结合K均值聚类和EM算法，从交通控制中心采集的大量交通流数据中，提取了代表交叉路口运行状态的特征向量，并建立了区域宏观交通流的评估模型。还有方案采用启发式算法，寻得最佳模糊指数，并将流量和占有率组合换算为单车平均占有率，结合占有率和速度指标输入FCM(Fuzzy C-Means，模糊C均值)算法中，并以交叉误判率评价了该算法的优越性。还有方案考虑到不同交通参数对聚类结果的贡献不同，应用梯度下降法对评价函数进行求解，得到各参数的权重，并将权重应用于FCM算法，最后通过实例验证表明，改进的FCM算法与未改进的算法相比，划分效果更好。

上述现有技术中的交叉口交通状态识别方案的缺点为：

1.目前现有技术中的交通状态识别的研究主要集中在高速公路、快速路或城市道路中的路段，选取的指标主要包括流量、速度、时间占有率。目前很少有对交叉口交通状态的识别，而交叉口是道路交通中的“瓶颈”，也是区域交通控制优化的基础，对交叉口连接路段的交通状态进行识别，更有利于制定合理的交通管控措施。

2.神经网络作为分类的常用算法，在交通状态识别中有很多应用。该方案中的神经网络使用梯度下降法进行训练，利用误差的反向传播来调整网络的权值，需要大量的迭代，训练速度慢，容易产生局部最小值。

发明内容

本发明的实施例提供了一种基于PSO-ELM算法的交叉口交通状态识别方法，以实现有效地识别交叉口的交通状态。

为了实现上述目的，本发明采取了如下技术方案。

一种基于PSO-ELM算法的交叉口交通状态识别方法，包括：

获取有标签的交叉口连接路段的历史交通流量数据集；

利用极限学习机ELM算法对所述历史交通流量数据集进行学习，利用粒子群优化算法PSO对ELM的参数进行寻优，PSO的适应度函数设置为ELM预测值和实际值的均方误差MSE，取最佳适应度值时的参数作为ELM最终参数，将最终ELM模型作为交叉口交通状态识别模型；

利用所述交叉口交通状态识别模型对待识别的交叉口交通状态进行识别。

优选地，所述的获取有标签的交叉口连接路段的历史交通流量数据集，包括：

将待识别交叉口连接路段的历史交通流量数据集组成样本数据，所述历史交通流量数据集包括平均排队长度、饱和度、时间占有率和交通状态指标，所述交通状态包括交通流量和平均速度，将所述历史交通流量数据集划分为训练样本和测试样本，样本标签选择畅通、轻度拥堵、中度拥堵和严重拥堵四个标签。

优选地，所述的利用极限学习机ELM算法对所述历史交通流量数据集进行学习，利用粒子群优化算法PSO对ELM的参数进行寻优，PSO的适应度函数设置为ELM预测值和实际值的均方误差MSE，取最佳适应度值时的参数作为ELM最终参数，将最终ELM模型作为交叉口交通状态识别模型，包括：

利用ELM算法对所述历史交通流量数据集进行学习，根据所述历史交通流量数据集的规模确定ELM模型的输入量维度、隐含层节点数i和输出量维度，利用PSO对ELM的参数进行寻优，将ELM中的参数w_i和b_i设置为PSO算法中粒子的位置信息；

将PSO的适应度函数设置为预测值和实际值的均方误差MSE，其中预测值指根据PSO中各粒子的位置信息分别建立对应的ELM模型，将数据集中训练样本数据输入各ELM模型中得出的预测值，实际值指训练样本中的实际值；

以适应度函数最小为目标，更新粒子的位置信息，直到达到终止条件；选取最优适应度值对应的粒子的位置信息作为最终ELM模型的参数，将所述最终ELM模型作为交叉口交通状态识别模型。

优选地，所述的将ELM中的参数w_i和b_i设置为PSO算法中粒子的位置信息，包括：

ELM网络由输入层、隐含层、输出层组成，设ELM的隐含层节点的权重为w，输入层节点的权重为b，ELM在训练过程中只调整β_i，即第i个隐含节点和输出节点之间的权重，假定隐含层节点个数为i，则ELM中包括i个w和i个b，将PSO中每个粒子的位置信息标记为i个w和i个b的组合，其中一个粒子的位置信息设置为：(w₁,…,w_i,b₁,…,b_i)，根据每个粒子的位置信息建立一个对应的ELM模型。

优选地，所述的预测值和实际值的MSE的计算方法如下式所示：

其中o_j为第j个训练样本的预测值，t_j为第j个训练样本的实际值。

优选地，所述的直到达到终止条件包括直到达到预先设定的最大迭代次数。

优选地，所述的利用所述交叉口交通状态识别模型对待识别的交叉口交通状态进行识别，包括：

将待识别的交叉口的平均排队长度、饱和度、时间占有率和交通状态四个指标数据组成样本数据，将所述样本数据输入到所述交叉口交通状态识别模型，该交叉口交通状态识别模型输出待识别的交叉口连接道路的交通状态信息。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例创新地将PSO-ELM算法应用到交通状态识别领域，通过利用交叉口连接道路的交通状态识别交叉口交通状态，有助于交叉口连接道路的交通管控措施的制定。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种PSO-ELM算法的流程图。

图2为本发明实施例提供的一种ELM算法和PSO-ELM算法在测试集上的预测结果。

图3为本发明实施例提供的一种ELM算法和PSO-ELM算法的稳定性对比结果。

图4为本发明实施例提供的一种PSO-ELM识别结果混淆矩阵。

图5为本发明实施例提供的一种ELM识别结果混淆矩阵。

图6为本发明实施例提供的一种KNN识别结果混淆矩阵。

图7为本发明实施例提供的一种SVM识别结果混淆矩阵。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

本发明实施例提供了一种基于PSO-ELM算法的交叉口交通状态识别方法。该方法利用ELM算法对有标签的历史数据进行学习，并利用PSO((Particle Swarm optimization，粒子群优化算法)对ELM的参数进行寻优，PSO的适应度函数设置为ELM预测值和实际值的MSE(mean-square error,均方误差)，取最佳适应度值时的参数作为ELM最终参数，最后利用训练好的ELM模型对交叉口交通状态进行识别。

在极限学习机ELM中，设给定训练集：{x_i,t_i|x_i∈Rⁿ,t_i∈R^m,i＝1,2,…,n}，x_i表示第i个输入数据，t_i表示第i个数据对应的标记。设隐含层的输出矩阵为H(x)，那么H(x)的计算公式如下式：

H(x)＝[h₁(x),…,h_L(x)]

上式中h_i(x)为第i个隐藏层节点的输出，可以通过输入数据乘以对应的权重加上偏差，再经过一个非线性函数对其所有节点结果求和得到：

h_i(x)＝g_i(w_i,x_j,b_i)＝g_i(w_ix_j+b_i)

上式中g(x)为激活函数，w_i为第i个隐含节点和输入节点之间的权重向量，w_i＝[w_i1,…,w_in]^T，b_i为第i层隐含节点的偏差。

设β_i＝[β_i1,…,β_im]^T，为第i个隐含节点到输出节点之间的输出权重，则极限学习机模型可以用下式表示：

对于激活函数为g(x)的标准单隐层前馈神经网络来说，它能以零误差逼近训练样本，如下式所示：

即存在β_i，w_i和b_i，满足下式：

上述方程可以简写为下式：

Hβ＝T

当隐含层神经元个数L与训练样本个数N相等时，隐含层输出矩阵H为一个方阵并且可逆，那么单隐层前馈神经网络才能以零误差逼近训练样本。然而大部分时候，隐含层神经元个数与训练样本个数并不相等，H为非平方矩阵，使Hβ＝T成立的β_i，w_i和b_i不一定存在。因此可以求Hβ＝T的最小二乘解作为替代方案，如下式所示：

则上述线性系统最小二乘解为：

β＝H⁺T

其中：H⁺为矩阵H的Moore-Penrose广义逆矩阵。

ELM的步骤如下：

步骤一：给定训练样本：{x_i,t_i|x_i∈Rⁿ,t_i∈R^m,i＝1,2,…,n}，隐层神经元个数为L，激活函数为g(x)；

步骤二：随机生成隐含层参数，包括隐含节点和输入节点之间的权重向量w_i和隐含节点的偏差b_i；

步骤三：计算隐含层输出矩阵H＝g(wx+b)；

步骤四：计算隐含节点到输出节点之间的输出权重β＝H⁺T。

在PSO中，设D维空间中，有N个粒子，最大迭代次数为T，粒子i的位置：x_i＝(x_i1,x_i2,…,x_iD)，粒子的当前位置代表优化问题的一个解。位置变化区间限定在[X_min,d,X_max,d]。若迭代中x_id超出了边界值，则第d维的位置限制在该维边界位置。

粒子i的速度：v_i＝(v_i1,v_i2,…,v_iD)，速度代表飞行的快慢，粒子的飞行过程代表该个体的搜索过程。速度变化区间限定在[-V_max,d,V_max,d]。若迭代中v_id超出了边界值，则第d维的速度限制在该维边界位置。

粒子i经历过的最佳位置：pbest_i＝(p_i1,p_i2,…,p_iD)，当前个体极值；

种群经历过的最佳位置：gbest＝(g₁,g₂,…,g_D)，当前全局最优解；

群体中所有粒子再根据当前个体极值和当前全局最优解不断更新自己的位置和速度，直至得到满足迭代终止条件的最优解。粒子更新速度如下式所示：

此公式为PSO算法中粒子速度的更新公式，粒子在第t+1次迭代时的速度与惯性权重ω、学习因子c₁、c₂、粒子在之前所有t次迭代中的个体最优值pbest、所有粒子在之前t次迭代中的全局最优值gbest以及粒子在第t次迭代中的位置有关。

粒子在第t+1次迭代时的位置为其“第t次迭代时的位置”+“第t+1次迭代时的速度”。粒子的位置更新公式如下式所示：

其中t为迭代次数；

为第i个粒子在第t次迭代的速度矢量的第d维分量，保证粒子步长不超限制的，一般设置速度限制为[-1,1]；

为第i个粒子在第t次迭代的位置矢量的第d维分量；R₁,R₂为[0,1]范围内的随机数；c₁,c₂为加速常数，c₁为每个粒子的个体学习因子，c₂为每个粒子的群体学习因子，一般取值为[0,4]；ω为惯性权重。

ω的更新公式如下式所示：

ω^(t)＝ω_end-(ω_ini-ω_end)(T-t)/T

上式中ω_ini为初始惯性权值；ω_end为迭代至最大进化代数时的惯性权值。

PSO的步骤如下：

步骤一：初始化粒子群，设置粒子最大速度和位置信息(即整个搜索空间)，并在速度区间和搜索空间中随机初始化粒子的位置和速度，确定群体规模和最大迭代次数。

步骤二：定义适应度函数，计算每个粒子的适应度。

步骤三：求个体极值和全局最优解，将每个粒子当前位置的适应度值与其历史最佳位置对应的适应度值进行比较，若当前位置的适应度值更大，则用当前位置替代个体的历史最佳位置。

步骤四：求全局最优解，将每个粒子当前位置的适应度值与其全局最佳位置对应的适应度值进行比较，若当前位置的适应度值更大，则用当前位置替代全局的历史最佳位置。

步骤五：更新粒子的位置和速度

步骤六：判断算法是否达到终止条件，如果否则返回步骤二，如果是则输出全局最佳位置(gbest)为全局最优解。

本发明实施例提供的一种基于PSO-ELM的交叉口交通状态识别方法的处理流程如图1所示，步骤如下：

步骤一：获得数据集，即训练样本和测试样本，样本数据选取交叉口连接路段的平均排队长度、饱和度和时间占有率三个指标，样本标签选择畅通、轻度拥堵、中度拥堵和严重拥堵四个标签。

步骤二：利用极限学习机ELM算法对所述历史交通流量数据集进行学习，根据数据集规模确定ELM模型的输入量维度、隐含层节点数i和输出量维度。

步骤三：利用PSO对ELM的参数进行寻优，将ELM中的参数w_i和b_i设置为PSO算法中粒子的位置信息。和传统ELM算法中一样，w_i、b_i取[-1,1]之间的随机数。

步骤四：将PSO算法的适应度函数设置为预测值和实际值的MSE，其中预测值指根据PSO算法中各粒子的位置信息分别建立对应的ELM模型，将数据集中训练样本数据输入各ELM模型中得出的预测值。

实际值指训练样本中的实际值。

ELM属于一个网络，由输入层、隐含层、输出层组成。与普通的神经网络相比，最大的不同是：ELM的隐含层节点与输入层节点的权重w和b是固定不变的，ELM在训练过程中只调整β_i，即第i个隐含节点和输出节点之间的权重。假定隐含层节点个数为i，则ELM中包括i个w和i个b。如果给定了所有w和b的值，这个ELM网络就确定了。因此，可以将PSO中每个粒子的位置信息标记为i个w和i个b的组合，例如，其中一个粒子的位置信息可以设置为：(w₁,…,w_i,b₁,…,b_i)，这样可以根据每个粒子的位置信息建立一个对应的ELM模型。

MSE的计算方法如下式所示，其中o_j为第j个训练样本的预测值，t_j为第j个训练样本的实际值。

步骤五：以适应度函数最小为目标，即上述MSE最小为目标，更新粒子的位置信息，直到达到终止条件。在ELM进行训练之前要设置最大迭代次数，当达到最大迭代次数时，训练终止。

在PSO算法初始化的时候，粒子位置和速度是随机给出的，在后续迭代过程中按照对应的公式进行调整。

步骤六：选取最优适应度值对应的粒子，以其位置信息作为最终ELM模型的参数，将上述最终ELM模型作为交叉口交通状态识别模型。

步骤七：将待识别的交叉口的平均排队长度、饱和度、时间占有率和交通状态四个指标数据组成样本数据，将该样本数据输入到上述交叉口交通状态识别模型，该交叉口交通状态识别模型输出待识别的交叉口连接道路的交通状态信息。

1.样本数据是实际交通调查的数据，包括各交叉口连接路段的平均排队长度、饱和度、时间占有率、交通流量、平均速度等。

2.本发明的输入量为3维度，输出量为1维，所以样本为4维。具体来说，一个样本包括平均排队长度、饱和度、时间占有率、交通状态。

3.平均排队长度、饱和度、时间占有率都为实测数据，使用mapminmax函数进行归一化。

4.对于交叉口处的交通状态，目前没有明确的分类依据，只能笼统地区分为畅通、平稳、拥堵、严重拥堵4类。因此利用GA-FCM算法对样本数据进行了聚类，分为4个类别，并通过分析每类样本的聚类中心数据，结合专家经验，为各样本标定了交通状态。

实施例

选取北京市某区域两相邻交叉口的实测数据，包括交叉口排队长度、路段饱和度以及时间占有率。对两个交叉口共计16个方向(不考虑右转车流的影响)连接路段的交通数据进行统计。每5分钟统计一次，一个时间段为15分钟，共采集9个时间段，所以采集一次可得432(15/5*16*9)条数据。为了使聚类结果更加符合实际，并选取同一周连续4个不同的工作日进行数据采集，共获得1728条(432*4)样本数据。数据形式如表1所示：

表1

根据北京市交通发展研究中心提出的《城市道路交通拥堵评价指标体系》将上述数据中的交叉口连接路段状态分为4个等级，分别为畅通、轻度拥堵、中度拥堵、严重拥堵。各类交通状态数量占比如表2所示：

表2

在每一类状态的数据中选取80％作为训练样本，剩下的20％作为测试样本。ELM算法的参数设置如表3所示：

表3

PSO算法的参数如表4所示：

表4

按照图1中的步骤利用对PSO-ELM算法进行训练，并采用传统ELM进行同样的训练。首先确定ELM规模，确定输入量维度、隐含层节点数、输出量维度。然后初始化PSO参数，将ELM中w_i和b_i设置为粒子位置信息。将每个粒子位置信息组成一个ELM网络，将训练样本带入ELM中计算得到预测值，将上述预测值和训练样本的实际值的均方误差MSE作为适应度函数，并更新粒子位置。判断是否满足终止条件，否则更新粒子位置，是则输出最优粒子对应的w_i和b_i。构建最优粒子参数ELM网络，并以此识别交叉口交通状态。

上述两种算法在测试集上的识别结果如图2所示。从图2中可以看出，PSO-ELM算法的预测结果与真实值基本一致，基本不存在交通状态被错误分类的情况。ELM算法的预测值与真实值出入较大，特别是第四类和第三类、第三类和第二类之间，被错分的交通状态非常多。结果说明采用PSO算法对ELM进行参数寻优，能够显著提升识别的准确率。

对图2中的结果计算识别准确率和仿真误差，结果如表5所示：

表5

从表5可以看出，PSO-ELM算法的准确率为99.71％，远高于ELM算法的准确率81.45％。仿真误差是指神经网络训练时的输出结果与样本标签的接近程度，其值越小，神经网络的训练效果越好。PSO-ELM算法的仿真误差为1.8633，ELM算法的仿真误差为9.3607，可见PSO-ELM训练神经网络的效果更好。

对上述算法各运行10次，得出ELM和PSO-ELM算法的识别准确率对比如图3所示。可以看出，PSO-ELM算法的识别准确率明显高于传统ELM算法。另一方面，ELM算法识别效果时好时坏，很不稳定，而PSO-ELM算法的准确率每次都接近100％，具有稳定的识别效果。

为了更直观具体地证明PSO优化ELM参数的有效性，以及PSO-ELM算法相较于其它神经网络算法的优越性，接下来将ELM、标准K最近邻模型(KNN)和支持向量机(SVM)作为对比模型，通过绘制混淆矩阵，来分析比较PSO-ELM和对比模型在识别交通状态中的表现。

选取同样的训练样本对上述模型进行训练，以剩余20％样本作为测试样本，共345个测试样本。通过MATLAB中的Classification Learner工具箱来实现KNN和SVM，经过多次实验确定模型所需参数的取值。KNN模型中的邻近点个数为7；SVM模型采用高斯核函数，惩罚因子为10，核尺度为1.2。PSO-ELM、ELM、KNN和SVM模型交通状态识别结果的混淆矩阵分别如图4-图7所示。

以图4为例介绍PSO-ELM模型的混淆矩阵：为了方便区分，将前4行前4列数据组成的矩阵成为内部矩阵，将第五行和第五列组成的矩阵称为外部矩阵。

内部矩阵中，对角线上的数字表示模型正确识别各类交通状态的数量。例如第一行第一列的126，表示有126个交通状态为畅通(标签为1)的样本被PSO-ELM模型正确识别，并且这126个样本占交通样本总数的36.52％。

内部矩阵中，除对角线以外的方格表示交通状态被误判的情况。例如第二行第三列的方格，表示有1个样本，本来应该属于平稳状态(标签为2)，但是被PSO-ELM模型识别为了拥堵状态(标签3)，这1个样本占总样本数的0.29％。

外部矩阵是对于内部矩阵数据的统计。其中第五行的数据，是对每一类交通状态的判别率的统计结果。例如第五行第二列的方格，表示平稳状态(标签2)的正确识别率为100％。又如第五行第三列的方格，表示拥堵状态(标签3)的正确识别率为98.86％。此外，第五列的数据，是该类交通状态判别正确的次数，占该类交通状态被判别总数的比例。例如第五列第一行的数据，表示畅通状态(标签1)被识别了126(126+0+0+0)次，这126次识别都正确，正确识别的数量占比为100％。又如第五列第二行的方格，表示平稳状态被识别了97(0+96+1+0)次，正确识别的数量为96次，正确识别的数量占比为98.97％。第五行第五列为PSO-ELM算法的总识别率，指正确识别的样本占全部总样本的比例，即(126+96+87+35)/345＝99.71％。

由上述四个模型的混淆矩阵可知，在识别畅通状态(标签为1)时，PSO-ELM、ELM和SVM模型的准确率相等，均为100％，除此之外，PSO-ELM模型在识别其它交通状态时的准确率均高于其它模型。在KNN算法中，出现了相差两个交通状态类型的误判情况，这种误判带来的代价明显大于只相差一个类型，说明出现了较为严重的误判。在总体识别准确率方面，PSO-ELM模型比ELM模型、KNN模型和SVM模型分别提高了22.42％、5.85％和3.31％。

综上所述，本发明实施例创新地将PSO-ELM算法应用到交通状态识别领域，通过利用交叉口连接道路的交通状态识别交叉口交通状态，有助于交叉口连接道路的交通管控措施的制定。PSO-ELM算法能够提高识别的精度，并且具有更好的稳定性，能够对信号控制交叉口的交通状态实现有效的识别。

本发明中交叉口状态识别选取的参数为平均排队长度、饱和度、时间占有率和和交通状态，与一般路段的交通状态识别选取的参数有区别，更能体现出交叉口连接路段的交通状态

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本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平台的方式来实现。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，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、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或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于PSO-ELM算法的交叉口交通状态识别方法，其特征在于，包括：

获取有标签的交叉口连接路段的历史交通流量数据集；

利用极限学习机ELM算法对所述历史交通流量数据集进行学习，利用粒子群优化算法PSO对ELM的参数进行寻优，PSO的适应度函数设置为ELM预测值和实际值的均方误差MSE，取最佳适应度值时的参数作为ELM最终参数，将最终ELM模型作为交叉口交通状态识别模型；

利用所述交叉口交通状态识别模型对待识别的交叉口交通状态进行识别。

2.根据权利要求1所述的方法，其特征在于，所述的获取有标签的交叉口连接路段的历史交通流量数据集，包括：

将待识别交叉口连接路段的历史交通流量数据集组成样本数据，所述历史交通流量数据集包括平均排队长度、饱和度、时间占有率和交通状态指标，所述交通状态包括交通流量和平均速度，将所述历史交通流量数据集划分为训练样本和测试样本，样本标签选择畅通、轻度拥堵、中度拥堵和严重拥堵四个标签。

3.根据权利要求2所述的方法，其特征在于，所述的利用极限学习机ELM算法对所述历史交通流量数据集进行学习，利用粒子群优化算法PSO对ELM的参数进行寻优，PSO的适应度函数设置为ELM预测值和实际值的均方误差MSE，取最佳适应度值时的参数作为ELM最终参数，将最终ELM模型作为交叉口交通状态识别模型，包括：

利用ELM算法对所述历史交通流量数据集进行学习，根据所述历史交通流量数据集的规模确定ELM模型的输入量维度、隐含层节点数i和输出量维度，利用PSO对ELM的参数进行寻优，将ELM中的参数w_i和b_i设置为PSO算法中粒子的位置信息；

将PSO的适应度函数设置为预测值和实际值的均方误差MSE，其中预测值指根据PSO中各粒子的位置信息分别建立对应的ELM模型，将数据集中训练样本数据输入各ELM模型中得出的预测值，实际值指训练样本中的实际值；

以适应度函数最小为目标，更新粒子的位置信息，直到达到终止条件；选取最优适应度值对应的粒子的位置信息作为最终ELM模型的参数，将所述最终ELM模型作为交叉口交通状态识别模型。

4.根据权利要求3所述的方法，其特征在于，所述的将ELM中的参数w_i和b_i设置为PSO算法中粒子的位置信息，包括：

ELM网络由输入层、隐含层、输出层组成，设ELM的隐含层节点的权重为w，输入层节点的权重为b，ELM在训练过程中只调整β_i，即第i个隐含节点和输出节点之间的权重，假定隐含层节点个数为i，则ELM中包括i个w和i个b，将PSO中每个粒子的位置信息标记为i个w和i个b的组合，其中一个粒子的位置信息设置为：(w₁,…,w_i,b₁,…,b_i)，根据每个粒子的位置信息建立一个对应的ELM模型。

5.根据权利要求3所述的方法，其特征在于，所述的预测值和实际值的MSE的计算方法如下式所示：

其中o_j为第j个训练样本的预测值，t_j为第j个训练样本的实际值。

6.根据权利要求4所述的方法，其特征在于，所述的直到达到终止条件包括直到达到预先设定的最大迭代次数。

7.根据权利要求1至6任一项所述的方法，其特征在于，所述的利用所述交叉口交通状态识别模型对待识别的交叉口交通状态进行识别，包括：

将待识别的交叉口的平均排队长度、饱和度、时间占有率和交通状态四个指标数据组成样本数据，将所述样本数据输入到所述交叉口交通状态识别模型，该交叉口交通状态识别模型输出待识别的交叉口连接道路的交通状态信息。

Images