牛亞莉

(陜西交通職業(yè)技術(shù)學(xué)院 交通信息學(xué)院，西安 710018)

遺傳優(yōu)化支持向量機(jī)的交通流量預(yù)測(cè)模型

牛亞莉

(陜西交通職業(yè)技術(shù)學(xué)院 交通信息學(xué)院，西安 710018)

交通流量預(yù)測(cè)是智能交通管理領(lǐng)域的一個(gè)重要熱點(diǎn)，結(jié)合交通流量的變化特點(diǎn)，針對(duì)支持向量機(jī)的參數(shù)優(yōu)化問題，設(shè)計(jì)了基于遺傳算法優(yōu)化支持向量機(jī)的交通流量預(yù)測(cè)模型。在分析當(dāng)前交通流量預(yù)測(cè)的研究現(xiàn)狀基礎(chǔ)上，指出傳統(tǒng)模型存在的局限性；采用遺傳算法對(duì)支持向量機(jī)的的參數(shù)進(jìn)行優(yōu)化，并通過混沌理論對(duì)交流流量的原始數(shù)據(jù)行相空間重構(gòu)，建立交通流量預(yù)測(cè)模型；采用仿真實(shí)驗(yàn)測(cè)試該模型的有效性和優(yōu)越性。實(shí)驗(yàn)結(jié)果表明，遺傳算法優(yōu)化支持向量機(jī)可以跟蹤交通流量復(fù)雜的變化特點(diǎn)，獲得了理想的交通流量預(yù)測(cè)結(jié)果，而且交流流量的預(yù)測(cè)誤差要明顯小其它模型，具有更高的應(yīng)用價(jià)值。

智能交通管理； 流量預(yù)測(cè)模型； 支持向量機(jī)參數(shù)； 遺傳算法

0 引言

隨著人們生活、經(jīng)濟(jì)水平的不斷提高，許多人都擁有自己的私家車，使得交通流量越來(lái)越大，交通堵塞問題越來(lái)越嚴(yán)重[1-3]。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，在該背景下智能交通系統(tǒng)應(yīng)而生。智能交通系統(tǒng)可以對(duì)交通信息進(jìn)行實(shí)時(shí)采集，并對(duì)信息進(jìn)行及時(shí)分析，而智能交通系統(tǒng)中的關(guān)鍵技術(shù)為交通流量的預(yù)測(cè)。在實(shí)際應(yīng)用中，由于交通信息采集過程中的各種因素影響，如何提高交通流量的預(yù)測(cè)準(zhǔn)確性仍然面臨巨大的挑戰(zhàn)[4,5]。

當(dāng)前交通流量預(yù)測(cè)的研究結(jié)果相當(dāng)?shù)亩啵顐鹘y(tǒng)的交通流量預(yù)測(cè)模型為：卡爾曼濾波模型，其以物理和數(shù)學(xué)理論為基礎(chǔ)對(duì)交通流量進(jìn)行建模[6]，該模型要知道有嚴(yán)格意義上的交通流量變化數(shù)學(xué)模型，在實(shí)際應(yīng)用中，交通流量具有高度的非線性和時(shí)變性，無(wú)法找到描述其變化特點(diǎn)的數(shù)學(xué)模型，因此卡爾曼濾波模型的交通流量預(yù)測(cè)精度低，使得交通流量預(yù)測(cè)誤差遠(yuǎn)遠(yuǎn)超過了實(shí)際應(yīng)用的要求[7]。為了解決卡爾曼濾波模型的不足，有學(xué)者將各種智能算法引入到交通流量預(yù)測(cè)的建模中，出現(xiàn)了神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)，它們以時(shí)間序列理論為基礎(chǔ)，對(duì)交通流量的變化特點(diǎn)進(jìn)行模擬，取得了更好的交通流量預(yù)測(cè)效果，尤其是支持向量機(jī)的應(yīng)用范圍更加廣泛[8-10]?；谥С窒蛄繖C(jī)的交通流量建模過程中，參數(shù)的優(yōu)劣直接決定了交通流量的預(yù)測(cè)效果，如果參數(shù)確定不合理，那么交通流量的預(yù)測(cè)誤差就大，反之交通流量的預(yù)測(cè)精度就高。當(dāng)前支持向量機(jī)主要采用實(shí)驗(yàn)人員憑自己的經(jīng)驗(yàn)進(jìn)行確定，而交通流量的類型很多，這樣憑經(jīng)驗(yàn)確定的參數(shù)并一定最優(yōu)，難以建立交通流量預(yù)測(cè)精度高的支持向量機(jī)[11]。

針對(duì)支持向量機(jī)的參數(shù)優(yōu)化問題，設(shè)計(jì)了基于遺傳算法優(yōu)化支持向量機(jī)的交通流量預(yù)測(cè)模型，實(shí)驗(yàn)結(jié)果表明，遺傳算法優(yōu)化支持向量機(jī)可以跟蹤交通流量復(fù)雜的變化特點(diǎn)，獲得了理想的交通流量預(yù)測(cè)結(jié)果，具有良好的實(shí)際應(yīng)用價(jià)值。

1 相關(guān)理論

1.1 支持向量機(jī)

對(duì)于一個(gè)交通流量預(yù)測(cè)問題，其歷史數(shù)據(jù)為：{(xi,yi)}，i=1,2,…,n，n表示訓(xùn)練樣本的規(guī)模，那么支持向量機(jī)的高維特征空間回歸方程可以表示為式(1)。

(1)

式中，w和b分別代表權(quán)值和偏置向量。

要建立準(zhǔn)確的交流量預(yù)測(cè)模型，就要找到式(1)中的向量w和b，而w和b的直接求解比較困難，在實(shí)際中難以實(shí)現(xiàn)，為此對(duì)式(1)進(jìn)行變化，變?yōu)橐粋€(gè)凸二次規(guī)劃問題求解，其函數(shù)可以描述為式(2)。

(2)

式中，C表示支持向量機(jī)的懲罰系數(shù)；Remp(f)為支持向量機(jī)回歸過程中的損失函數(shù)。

(3)

(4)

對(duì)線性的交通流量，上述形式可以實(shí)現(xiàn)建模與預(yù)測(cè)，然而在實(shí)際應(yīng)用中，交通流量變化受到多種因素的干擾，具有高度的非線性，而且變化速度十分快，因此支持向量機(jī)通過映射函數(shù)φ對(duì)原始數(shù)據(jù)進(jìn)行線性映射到，即有式(5)。

(5)

那么可以建立如下的優(yōu)化目標(biāo)函數(shù)為式(6)。

(6)

設(shè)核函數(shù)k(xi,x)=<φ(xi),φ(xj)>，那么有式(7)。

(7)

交通流量預(yù)測(cè)的回歸函數(shù)可以描述為式(8)。

(8)

由于RBF函數(shù)的通用性高，為此選擇其作為交通流量預(yù)測(cè)的支持向量機(jī)核函數(shù)，其定義為式(9)。

(9)

式中，σ為RBF函數(shù)的寬度。

式(8)可以變?yōu)槭?10)。

(10)

2.2 遺傳算法

遺傳算法(Genetic Algorithm，GA)借用了自然界中生物進(jìn)化的選擇機(jī)理，通過選擇、交叉、變異等遺傳作用機(jī)制對(duì)問題進(jìn)行求解。

3 遺傳算法優(yōu)化支持向量機(jī)的交通流量預(yù)測(cè)模型

3.1 交通流量預(yù)測(cè)中的參數(shù)優(yōu)化問題描述

在支持向量機(jī)的交通流量建模與預(yù)測(cè)過程中，第一步是要確定最優(yōu)的支持向量機(jī)參數(shù)，其是提高交通流量預(yù)測(cè)精度的關(guān)鍵技術(shù)，支持向量機(jī)參數(shù)優(yōu)化問題可以描述為式(11)。

s.t.

(11)

3.2 遺傳算法優(yōu)化支持向量機(jī)的交通流量預(yù)測(cè)步驟

(1) 通過專門設(shè)備對(duì)某一個(gè)路段的交通流量進(jìn)行采集，并做如下處理為式(12)。

(12)

式中，ymax和ymin為最大交通流量值和最小交通流量值；yi為原始的交通流量值。

(2) 通過自相關(guān)法和假近鄰法估計(jì)交通流量的延遲時(shí)間(τ)??和嵌入維數(shù)(m)，并根據(jù)混沌理論對(duì)處理后的交通流量數(shù)據(jù)進(jìn)行進(jìn)行相空間重構(gòu)，建立交通流量建模的時(shí)間序列。

(3) 訓(xùn)練交通流量的訓(xùn)練樣本輸入到支持向量機(jī)進(jìn)行訓(xùn)練，采用遺傳算法確定參數(shù)C和σ，通過不斷的進(jìn)化最后得到最優(yōu)的參數(shù)。

(4) 根據(jù)最優(yōu)參數(shù)建立交通流量的預(yù)測(cè)模型，如圖1所示。

圖1 交通流量預(yù)測(cè)的建模流程

4 仿真測(cè)試

4.1 交通流量數(shù)據(jù)

為了分析遺傳算法優(yōu)化支持向量機(jī)的交通流量預(yù)測(cè)效果，選擇一個(gè)十字路口每1小時(shí)的交通流量數(shù)據(jù)作為仿真對(duì)象，共獲得300個(gè)交通流量數(shù)據(jù)，選擇200個(gè)交通流量數(shù)據(jù)作為支持向量機(jī)的訓(xùn)練集，用于測(cè)試其擬合能力，其它100個(gè)交通流量數(shù)據(jù)作為支持向量機(jī)的驗(yàn)證集，測(cè)試其泛化能力，如圖2所示。

圖2 交通流量的歷史數(shù)據(jù)

自相關(guān)法和假近鄰法估計(jì)交通流量的延遲時(shí)間(τ)和嵌入維數(shù)(m)，結(jié)果分別如圖3所示。

(a)自相關(guān)法估計(jì)τ(b)假近鄰法估計(jì)估計(jì)m

圖3 交通流量數(shù)據(jù)的混沌處理

對(duì)圖3進(jìn)行分析可以發(fā)現(xiàn)，該交通流量數(shù)據(jù)的最優(yōu)τ=6和m=6，這樣通過相空間重構(gòu)得到混沌處理后的交通流量數(shù)據(jù)。

4.2 結(jié)果與分析

4.3 模型的擬合效果分析

采用遺傳算法確定支持向量機(jī)的參數(shù)C、σ，得到最優(yōu)參參數(shù)為：C=175.28、σ=1.057，采用最優(yōu)參數(shù)的支持向量機(jī)對(duì)交通流量訓(xùn)練樣本進(jìn)行擬合得到結(jié)果如圖4所示。

圖4 本文模型的交通流量擬合結(jié)果

對(duì)圖4的交通流量擬合結(jié)果進(jìn)行分析可以知道，本文模型可以很好的擬合實(shí)際交通流量的變化特點(diǎn)，交通流量擬合精度高。

4.4 模型的泛化性能分析

由于交通流量擬合結(jié)果的實(shí)際應(yīng)用價(jià)值不高，因?yàn)榻煌髁款A(yù)測(cè)主要是對(duì)道路將來(lái)的交通擁擠情況進(jìn)行描述，因此要分析交通流量預(yù)測(cè)模型的泛化能力，對(duì)100個(gè)驗(yàn)證樣本的預(yù)測(cè)結(jié)果如圖5所示。

從圖5可以發(fā)現(xiàn)，本文模型的交通流量泛化性能相當(dāng)?shù)暮?，獲得了理想的交通流量預(yù)測(cè)結(jié)果。

圖5 本文模型的交通流量泛化結(jié)果

4.5 與經(jīng)典模型的精度比較

為了進(jìn)行分析本文交通流量預(yù)測(cè)模型的性能，選擇當(dāng)前經(jīng)典交通流量預(yù)測(cè)模型進(jìn)行對(duì)比實(shí)驗(yàn)，它們分別為：BP神經(jīng)網(wǎng)絡(luò)(BPNN)、標(biāo)準(zhǔn)支持向量機(jī)(SVM)、文獻(xiàn)[11]和文獻(xiàn)[12]的交通流量預(yù)測(cè)模型，選擇交通流量預(yù)測(cè)精度作為預(yù)測(cè)結(jié)果評(píng)價(jià)指標(biāo)。

所有交通流量預(yù)測(cè)模型的預(yù)測(cè)精度如表1所示。

表1 交通流量預(yù)測(cè)精度的對(duì)比

對(duì)表1中的交通流量預(yù)測(cè)精度進(jìn)行對(duì)比分析發(fā)現(xiàn)，本文模型的交通流量預(yù)測(cè)精度要遠(yuǎn)遠(yuǎn)高于對(duì)比模型，不僅可以獲得更好的交通流量擬合結(jié)果，而且獲得更優(yōu)的交通流量泛化效果，克服當(dāng)前交通流量預(yù)測(cè)模型的局限性，具有更好的實(shí)際應(yīng)用價(jià)值。

5 總結(jié)

交通流量具有復(fù)雜的變化特點(diǎn)，針對(duì)支持向量參數(shù)難以確定的問題，設(shè)計(jì)了遺傳算法優(yōu)化支持向量機(jī)的交通流量預(yù)測(cè)模型，通過遺傳算法的良好搜索能力找到模型的參數(shù)，最后的交通流量預(yù)測(cè)實(shí)驗(yàn)結(jié)果表明，本文模型獲得較好的支持向量機(jī)參數(shù)，能夠更加有效的跟蹤交通流量變化趨勢(shì)，提高了交通流量的預(yù)測(cè)精度，可以應(yīng)用于實(shí)際的智能交通管理中。

[1] 賀國(guó)光,李宇,馬壽峰.基于數(shù)學(xué)模型的短時(shí)交通流預(yù)測(cè)方法探討[J].系統(tǒng)工程理論與實(shí)踐, 2000, 12(11):51-56.

[2] 郭牧,孫占全,潘景山,等. 短時(shí)交通流預(yù)測(cè)方法研究[J].計(jì)算機(jī)應(yīng)用研究, 2008, 25(9): 2676-2678.

[3] 邱敦國(guó) ,楊紅雨. 一種基于雙周期時(shí)間序列的短時(shí)交通流預(yù)測(cè)算法[J]. 四川大學(xué)學(xué)報(bào), 2013, 45(5):64-68.

[4] 常剛, 張毅. 基于時(shí)空依賴性的區(qū)域路網(wǎng)短時(shí)交通流預(yù)測(cè)模型[J]. 清華大學(xué)學(xué)報(bào), 2013, 53(2): 215-221.

[5] 孫湘海,劉潭秋 基于SARIMA模型的城市道路短期交通流預(yù)測(cè)研究[J]. 公路交通科技, 2008, 5(1):129-133.

[6] 劉寧,陳昱顴, 虞慧群,范貴生. 基于Elman神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)方法[J]. 華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 2011, 37(2): 204-209.

[7] 孫湘海,劉譚秋. 基于非線性時(shí)間序列模型的城市道路短期交通流預(yù)測(cè)研究[J]. 土木工程學(xué)報(bào),2008，41(1):104-109.

[8] 裴玉龍,王曉寧.基于BP神經(jīng)網(wǎng)絡(luò)的交通影響預(yù)測(cè)模型[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào), 2004, 36(8): 1034-1037.

[9] 李松, 劉力軍, 解永樂. 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流混沌預(yù)測(cè)[J]. 控制與決策, 2011,26(10):1581-1585.

[10] 趙亞萍,張和生,周卓楠,等. 基于最小二乘支持向量機(jī)的交通流量預(yù)測(cè)模型[J]. 北京交通大學(xué)學(xué)報(bào),2011,35(2):114-117.

[11] 楊兆升,王媛,管青. 基于支持向量機(jī)方法的短時(shí)交通流量預(yù)測(cè)方法[J]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版),2006,36(6):881-884.

Traffic Flow Forecasting Model by Support Vector Machine Optimized by Genetic Algorithm

Niu Yali

(Shanxi college of communication technology, Xian 710018, China)

Traffic flow forecasting is an important topic in the field of intelligent traffic management. Combined with the characteristics of traffic flow, aiming at parameter optimization of support vector machine, this paper designs traffic flow prediction model by using support vector machine which is improved by genetic algorithm. Firstly, the current studies of traffic flow forecast is analyzed, the paper points out the limitations of the traditional models, then uses genetic algorithm to optimize the parameters of support vector machine, and the phase space of original data of the traffic is reconstructed by chaos theory, a traffic flow volume forecasting model is estabtished. The superiority and effectiveness of the model are verified by the experimental simulation. The experimental results show that the genetic algorithm optimizes support vector machine, and it can track the changes of complex traffic flow, traffic flow prediction results are ideal, and the prediction error is significantly smaller than other communication flow models.

Intelligent traffic management; Traffic prediction model; Support vector machine parameters; Genetic algorithm

牛亞莉(1980-)，碩士，高級(jí)工程師，研究方向：智能交通控制、電子信息。

1007-757X(2017)07-0072-03

TP311

A

2017.01.23)