一種優(yōu)化的短時(shí)交通流量預(yù)測(cè)算法

李誠(chéng)，張宏烈，葛海淼，楊欣宇

一種優(yōu)化的短時(shí)交通流量預(yù)測(cè)算法

李誠(chéng)，張宏烈，葛海淼，楊欣宇

（齊齊哈爾大學(xué) 計(jì)算機(jī)與控制工程學(xué)院，黑龍江 齊齊哈爾 161006）

短時(shí)交通流量預(yù)測(cè)是智能交通的理論基礎(chǔ)，是交通流誘導(dǎo)系統(tǒng)中的關(guān)鍵性技術(shù)．對(duì)短時(shí)交通流量預(yù)測(cè)的研究具有很高的社會(huì)價(jià)值．目前，SVR智能預(yù)測(cè)模型已經(jīng)被應(yīng)用于這一領(lǐng)域．針對(duì)SVR模型參數(shù)選擇難、預(yù)測(cè)精度有待提高等問題，運(yùn)用人工蜂群算法（Artificial Bee Colony Algorithm，ABC）對(duì)SVR參數(shù)進(jìn)行優(yōu)化選擇，提出了基于人工蜂群算法優(yōu)化SVR的短時(shí)交通流量預(yù)測(cè)模型（ABC-SVR），并與其它典型預(yù)測(cè)模型進(jìn)行了對(duì)比仿真實(shí)驗(yàn)．實(shí)驗(yàn)結(jié)果表明，ABC-SVR算法具有可行性和精確性．

預(yù)測(cè)算法；人工蜂群算法；支持向量回歸機(jī)；短時(shí)交通流量

隨著我國(guó)經(jīng)濟(jì)的迅速發(fā)展和城市化進(jìn)程的不斷加快，購(gòu)車人數(shù)逐年上升，大中城市中，交通堵塞日趨成為一個(gè)嚴(yán)重的問題．交通堵塞不僅對(duì)環(huán)境產(chǎn)生污染，同時(shí)增加交通事故發(fā)生概率，因此智能交通系統(tǒng)（Intelligent Transport System，ITS）應(yīng)運(yùn)而生．ITS可以對(duì)交通信息進(jìn)行實(shí)時(shí)采集，及時(shí)分析，從而對(duì)交通進(jìn)行誘導(dǎo)控制．ITS中的關(guān)鍵技術(shù)就是短時(shí)交通流量（采樣時(shí)間間隔不超過15 min的交通流量）的預(yù)測(cè)[1]．在實(shí)際應(yīng)用中，由于交通信息自身特點(diǎn)和采集過程中的各種因素影響，如何提高交通流量預(yù)測(cè)準(zhǔn)確性仍然面臨巨大的挑戰(zhàn)[2]．

短時(shí)交通流量預(yù)測(cè)方法研究一直是國(guó)內(nèi)外研究的熱點(diǎn)之一，早在20世紀(jì)70年代，一些學(xué)者就開始把經(jīng)濟(jì)學(xué)、物理學(xué)等學(xué)科中成熟的預(yù)測(cè)方法運(yùn)用到短時(shí)交通流量預(yù)測(cè)中，預(yù)測(cè)方法主要是應(yīng)用線性理論和統(tǒng)計(jì)學(xué)理論等．如時(shí)間序列模型[3]、卡爾曼濾波理論[4]等，這些傳統(tǒng)模型的應(yīng)用比較成熟，但計(jì)算誤差較大．為了解決這些模型的不足，學(xué)者將各種智能算法引入到短時(shí)交通流量預(yù)測(cè)的建模中，出現(xiàn)了神經(jīng)網(wǎng)絡(luò)模型[5-6]、支持向量機(jī)模型[7]等．最近幾年，有不少研究表明，基于組合預(yù)測(cè)模型的短時(shí)交通流量預(yù)測(cè)效果更優(yōu)．該方法同時(shí)采用2種或2種以上的預(yù)測(cè)方法對(duì)短時(shí)交通流量進(jìn)行預(yù)測(cè)，發(fā)揮不同預(yù)測(cè)方法的優(yōu)勢(shì)．模型有神經(jīng)網(wǎng)絡(luò)模型與遺傳算法[8]、卡爾曼濾波與二次指數(shù)降噪法[9]等．

1 支持向量機(jī)算法及參數(shù)分析

2 人工蜂群算法優(yōu)化SVR模型

2.1 人工蜂群算法

人工蜂群算法求解優(yōu)化問題的過程是模擬蜂群尋找收益度（含蜜量）最高的蜜源過程，其優(yōu)點(diǎn)是控制參數(shù)少，易于實(shí)現(xiàn)，全局收斂性能好，在求解非線性優(yōu)化函數(shù)方面比其它典型的啟發(fā)式算法具有更加優(yōu)越的性能．

（3）目標(biāo)函數(shù)適應(yīng)度值，計(jì)算公式為

（4）待工蜂根據(jù)觀察到的適應(yīng)度值計(jì)算各雇傭蜂被選中的概率，計(jì)算公式為

2.2 參數(shù)優(yōu)化模型

建立ABC-SVR模型，其過程見圖1．

圖1 建立ABC-SVR模型流程

3 仿真實(shí)驗(yàn)及結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

本實(shí)驗(yàn)數(shù)據(jù)來源為PEMS系統(tǒng)網(wǎng)站下載的某監(jiān)測(cè)點(diǎn)數(shù)據(jù)．

考慮到每周交通流量的周期性變化，選取工作日2017年9月7日（星期四）的交通流量數(shù)據(jù)作為研究對(duì)象．考慮到交通流量數(shù)據(jù)高峰期時(shí)間段的重要性，本實(shí)驗(yàn)選取7：00到20：00時(shí)間段作為仿真實(shí)驗(yàn)對(duì)象．

采集時(shí)間間隔5 min，共采集數(shù)據(jù)157個(gè)，前130個(gè)交通流量數(shù)據(jù)作為支持向量回歸機(jī)模型的訓(xùn)練集，剩下的27個(gè)數(shù)據(jù)作為支持向量回歸機(jī)模型的測(cè)試集．

對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包括缺失數(shù)據(jù)處理、異常數(shù)據(jù)處理和歸一化處理．

3.2 可行性實(shí)驗(yàn)

使用本文提出基于人工蜂群優(yōu)化支持向量機(jī)的短時(shí)交通流量預(yù)測(cè)模型，即ABC-SVR和傳統(tǒng)的SVR模型進(jìn)行預(yù)測(cè)對(duì)比仿真實(shí)驗(yàn)．目的是證明ABC-SVR預(yù)測(cè)模型在預(yù)測(cè)短時(shí)交通流量上的可行性．

本文仿真實(shí)驗(yàn)使用安裝了Libsvm-3.21工具包的MATLAB R2010b軟件完成．

SVR，ABC-SVR與真實(shí)值之間的對(duì)比為優(yōu)化前后的SVR模型預(yù)測(cè)結(jié)果對(duì)比曲線圖（見圖2）．

圖2 SVR和ABC-SVR模型預(yù)測(cè)結(jié)果

SVR，ABC-SVR與真實(shí)值之間的橫向?qū)Ρ龋瑥膱D2曲線走勢(shì)上可以看出，ABC-SVR曲線與真實(shí)值曲線的擬合度比較好；從評(píng)價(jià)指標(biāo)平均相對(duì)誤差MRE（見表1）上可以看出，ABC-SVR的MRE較低．

表1 SVR和ABC-SVR模型預(yù)測(cè)結(jié)果的MRE對(duì)比

通過對(duì)比分析可以看出，本文基于人工蜂群優(yōu)化SVR在短時(shí)交通流量預(yù)測(cè)方面是可行的，并能夠取得較好的預(yù)測(cè)精確度．

3.3 精確性實(shí)驗(yàn)

使用基于人工蜂群優(yōu)化支持向量機(jī)的短時(shí)交通流量預(yù)測(cè)模型，即ABC-SVR預(yù)測(cè)模型和典型的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）和小波神經(jīng)網(wǎng)絡(luò)時(shí)間序列（Wavelet Neural Network Time Series，WNN-ST）預(yù)測(cè)模型進(jìn)行預(yù)測(cè)對(duì)比仿真實(shí)驗(yàn)．目的是證明ABC-SVR預(yù)測(cè)模型在預(yù)測(cè)短時(shí)交通流量上的精確性．

CNN，WNN-TS模型預(yù)測(cè)結(jié)果與真實(shí)值之間的對(duì)比曲線見圖3．ABC-SVR模型與真實(shí)值之間的對(duì)比曲線見圖2b．

CNN，WNN-TS，ABC-SVR與真實(shí)值之間的橫向?qū)Ρ葘?shí)驗(yàn)，從各個(gè)優(yōu)化模型預(yù)測(cè)結(jié)果的評(píng)價(jià)指標(biāo)平均相對(duì)誤差MRE（見表2）可以看出，ABC-SVR的MRE較低．

通過對(duì)比分析，可以看出本文基于人工蜂群優(yōu)化SVR的短時(shí)交通流量預(yù)測(cè)方法的預(yù)測(cè)能力強(qiáng)、預(yù)測(cè)結(jié)果精確．

圖3 CNN和WNN-TS模型預(yù)測(cè)結(jié)果

表2 CNN，WNN-TS，ABC-SVR模型預(yù)測(cè)結(jié)果的MRE對(duì)比

4 結(jié)論

由于SVR算法能夠解決非線性、小樣本和高維的問題，符合短時(shí)交通流預(yù)測(cè)這一研究領(lǐng)域特點(diǎn)．所以，本文采用SVR算法建立短時(shí)交通流預(yù)測(cè)模型．并針對(duì)基于支持向量回歸預(yù)測(cè)模型中參數(shù)選擇問題，運(yùn)用群智能優(yōu)化算法中的人工蜂群算法對(duì)參數(shù)進(jìn)行最優(yōu)選擇，建立基于人工蜂群算法優(yōu)化的SVR短時(shí)交通流預(yù)測(cè)模型．并對(duì)建立的模型進(jìn)行仿真實(shí)驗(yàn)及結(jié)果分析，表明了提出的模型具有可行性和預(yù)測(cè)的精確性．

[1] YANG Zhaosheng，WANG Yuan，GUAN Qing．Short-term traffic flow prediction method based on SVM[J]．Journal of Jilin University：Engineering and Technology Edition，2006，10（6）：881-884

[2] CHANG Gang，ZHANG Yi，YAO Danya．Short-term traffic flow forecasting model for regional road network based onspatial-temporal dependency[J]．Journal of Tsinghua University，2013，52（2）：215-221

[3] WILLIAMS B M，OEL L A．Modelling and forecasting vehicular traffic flow as a seasonal ARIMA process：Theoretical basisand empirical results[J]．Journal of Transportation Engineering，2003，129（6）：664-672

[4] OKUTANI I，TEPHANEDES Y J．Dynamic prediction of traffic volume through Kalman filtering theory[J]．TransportationRes-earch Part B：Methodological，1984，18（1）：1-11

[5] 王青松，謝興生，佘顥．基于CNN-XGBoost混合模型的短時(shí)交通流預(yù)測(cè)[J]．測(cè)控技術(shù)，2019，38（4）：42-45，72

[6] 黃振盛，汪玉美，韓江洪，等．基于MLS-SVM和時(shí)空特性的短時(shí)交通流量預(yù)測(cè)方法[J]．合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2020，43（1）：57-63

[7] HUANG M L．Intersection traffic flow forecasting based on v-GSVR with a new hybrid evolutionary algorithm[J]．Neurocomputing，2015，147：343-349

[8] ABDULHAI B，PORWAL H，RECKERW．Short-term traffic flow prediction using neuro-genetic algorithms[J]．Intelligent Transportation Systems Journal，2002，7（1）：3-41

[9] QIN Ming，YANG Gaofei，DENG Mingjun，et al．Short-term traffic flow forecasting based on exponential smoothing and Kalmanfilter[J]．Journal of Beihua University：Natural Science，2015，16（6）：814-817

An optimized algorithm of short-term traffic flow prediction

LI Cheng，ZHANG Honglie，GE Haimiao，YANG Xinyu

（Schoolof Computer and Control Engineering，Qiqihar University，Qiqihar 161006，China）

The prediction of short-term traffic flow is the theoretical basis of intelligent transportation as well as the key technology in traffic flow induction system．The research on short-term traffic flow prediction has showed the considerable social value．At present，support vector regression（SVR）intelligent prediction model has been applied in this domain．Aiming at parameter selection difficulty and prediction accuracy improvement，the artificial bee colony algorithm（ABC）is adopted to optimize the SVR parameters．Accordingly，the short-term traffic flow prediction algorithm by support vector regression based on artificial bee colony optimization（ABC-SVR）is presented．The simulation experiments are carried out by comparing the ABC-SVR model with the other typical models，and the experimental results prove the feasibility and accuracy of the proposed ABC-SVR algorithm．

prediction algorithm；artificial bee colony algorithm；support vector regression；short-time traffic flow

TP183

A

10.3969/j.issn.1007-9831.2020.11.008

1007-9831（2020）11-0031-05

2020-07-02

黑龍江省省屬高等學(xué)?；究蒲袠I(yè)務(wù)費(fèi)科研項(xiàng)目（135309463）

李誠(chéng)（1978-），男，黑龍江齊齊哈爾人，副教授，碩士，從事嵌入式系統(tǒng)、人工智能等研究．E-mail：lcrb406@163.com