本發(fā)明涉及一種用于微觀交通仿真的交通流量預(yù)測方法，屬于交通預(yù)測分析技術(shù)領(lǐng)域。

背景技術(shù)：

對于交通流預(yù)測，國內(nèi)外很多學(xué)者做過大量的研究，得到了很多預(yù)測方法，比如歷史數(shù)據(jù)平均值法、卡爾曼濾波理論、人工神經(jīng)網(wǎng)絡(luò)法等，不同方法各有優(yōu)缺點(diǎn)。本發(fā)明采用改進(jìn)粒子群優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)。

由于近年來數(shù)據(jù)采集手段的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)重新成為了一個(gè)研究熱點(diǎn)。在預(yù)測方面，相較于其它方法，人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的魯棒性、自適應(yīng)非線性的特點(diǎn)以及分布式信息存儲、并行信息處理的能力，非常適合用于預(yù)測交通流這種異常復(fù)雜的開放性系統(tǒng)。bp神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)模型之一，但是單純的bp神經(jīng)網(wǎng)絡(luò)具有易陷入局部極小值以及實(shí)時(shí)性不強(qiáng)等問題，需要進(jìn)一步利用優(yōu)化算法對其進(jìn)行收斂速度和全局尋優(yōu)能力的優(yōu)化。

粒子群優(yōu)化算法被中國科學(xué)院文獻(xiàn)情報(bào)中心與湯森路透旗下的知識產(chǎn)權(quán)與科技事業(yè)部聯(lián)合發(fā)布的《2015研究前沿》評為數(shù)學(xué)與計(jì)算機(jī)領(lǐng)域的十大研究熱點(diǎn)，相較于模擬退火、遺傳算法等優(yōu)化算法，其具有復(fù)雜度低、計(jì)算量小、適用性強(qiáng)、收斂速度快等優(yōu)點(diǎn)。但是由于粒子種群的快速趨同效應(yīng)，容易發(fā)生早熟收斂的現(xiàn)象。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是利用粒子群優(yōu)化算法對bp神經(jīng)網(wǎng)絡(luò)算法和微觀仿真模型進(jìn)行優(yōu)化，提高交通流量預(yù)測的實(shí)用性。

為了達(dá)到上述目的，本發(fā)明的技術(shù)方案是提供了一種用于微觀交通仿真的交通流量預(yù)測方法，其特征在于，包括以下步驟：

步驟1、根據(jù)研究范圍內(nèi)得實(shí)際路網(wǎng)情況，建立交通仿真模型；

步驟2、利用歷史數(shù)據(jù)對交通仿真模型中的參數(shù)進(jìn)行調(diào)整標(biāo)定；

步驟3、在每一個(gè)預(yù)測周期內(nèi)，通過布設(shè)在道路上的檢測器，采集每個(gè)檢測器的實(shí)際交通流量，將實(shí)際交通流量作為輸入值；

步驟4、將輸入值輸入預(yù)測算法，從而得到每個(gè)檢測器的預(yù)測流量，所述預(yù)測算法包括以下步驟：

步驟4.1、確定bp神經(jīng)網(wǎng)絡(luò)算法的拓?fù)浣Y(jié)構(gòu)，初始化網(wǎng)絡(luò)權(quán)值和閾值，單獨(dú)運(yùn)算bp神經(jīng)網(wǎng)絡(luò)算法得到誤差值；

同時(shí)，初始化粒子群優(yōu)化算法粒子和速度，對其賦予隨機(jī)值；

步驟4.2、將上一步得到的誤差值的倒數(shù)作為適應(yīng)度值輸入粒子群優(yōu)化算法；

步驟4.3、根據(jù)輸入的適應(yīng)度值確定每個(gè)粒子個(gè)體的極值和群體的極值，初次的個(gè)體極值和群體極值在步驟4.1中所賦予的隨機(jī)值中尋找；

步驟4.4、根據(jù)粒子群算法的更新公式對粒子的速度和位置進(jìn)行更新，每次粒子更新之后，以一定概率重新初始化粒子來擴(kuò)大搜索空間并保持種群的多樣性，更新后重新訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)得到新的適應(yīng)度值；

步驟4.5、判斷是否滿足預(yù)設(shè)的迭代次數(shù)或精度要求，若滿足，則進(jìn)入步驟4.6，若不滿足，則返回步驟4.2；

步驟4.6、將粒子群優(yōu)化算法輸出的最優(yōu)群體極值作為最優(yōu)的權(quán)值和閾值輸入bp神經(jīng)網(wǎng)絡(luò)算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練包括以下步驟：

步驟4.6.1、計(jì)算隱含層輸出及輸出層輸出；

步驟4.6.2、計(jì)算預(yù)測輸出和期望輸出之間的誤差；

步驟4.6.3、更新權(quán)值和閾值；

步驟4.6.4、判斷終止條件是否滿足，如果不滿足，則返回步驟4.6.1，若滿足，則輸出每個(gè)檢測器的預(yù)測流量；

步驟5、交通仿真模型根據(jù)預(yù)測算法輸出的每個(gè)檢測器的預(yù)測流量進(jìn)行仿真運(yùn)算，輸出當(dāng)前時(shí)間段內(nèi)的仿真結(jié)果，得到仿真流量值，判斷仿真得到的流量值和預(yù)測算法得到的流量值誤差是否達(dá)到預(yù)先設(shè)定的要求，如果達(dá)到要求，結(jié)束運(yùn)算，如果沒有達(dá)到要求，則將仿真得到的仿真流量值作為輸入值，重復(fù)步驟4及步驟5。

優(yōu)選地，在所述步驟2中，將歷史數(shù)據(jù)輸入交通仿真模型得到仿真結(jié)果，通過比對仿真結(jié)果和歷史的實(shí)際檢測數(shù)據(jù)，得到交通仿真模型的模擬精度，從而對交通仿真模型中的參數(shù)進(jìn)行調(diào)整標(biāo)定。

優(yōu)選地，步驟4.4中，所述粒子群算法的更新公式為：

式中，表示第k+1次迭代時(shí)第i個(gè)粒子的速度，w表示慣性權(quán)重系數(shù)，c1、c2表示加速因子，r1、r2表示0-1之間的隨機(jī)數(shù)，表示第k次迭代時(shí)第i個(gè)粒子的個(gè)體極值的位置，表示第k次迭代時(shí)第i個(gè)粒子的位置，表示第k次迭代時(shí)群體極值的位置，表示第k+1次迭代時(shí)第i個(gè)粒子的位置。

本發(fā)明在優(yōu)化算法中引入了自適應(yīng)變異算子，即在粒子每次更新后以一定概率重新初始化粒子，使其能夠跳出之前搜索到的最優(yōu)位置，提高尋找到更優(yōu)值的可能性。

通過本發(fā)明可以得到一系列交通評價(jià)指標(biāo)，同時(shí)能夠直觀的展現(xiàn)出未來一段時(shí)間內(nèi)路段的交通情況；并且使用者可以根據(jù)預(yù)測流量值，在仿真系統(tǒng)內(nèi)對計(jì)劃采用的疏導(dǎo)措施進(jìn)行模擬推演并分析其預(yù)期效果，從而對決策的制定和實(shí)施提供重要參考價(jià)值。

附圖說明

圖1為一種用于微觀交通仿真的交通流量預(yù)測方法示意圖；

圖2為bp神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。

具體實(shí)施方式

為使本發(fā)明更明顯易懂，茲以優(yōu)選實(shí)施例，并配合附圖作詳細(xì)說明如下。

結(jié)合圖1，本發(fā)明提供的一種用于微觀交通仿真的交通流量預(yù)測方法，包括以下步驟：

步驟s-1：路網(wǎng)模型建立

在仿真軟件中，根據(jù)研究范圍內(nèi)的實(shí)際路網(wǎng)情況，建立路網(wǎng)模型，包括道路、路面標(biāo)志標(biāo)線、以及交通信號燈、車檢器等交通設(shè)施。

步驟s-2：利用實(shí)際數(shù)據(jù)進(jìn)行模型標(biāo)定

根據(jù)仿真模型的具體需求，采用合適的歷史數(shù)據(jù)輸入仿真軟件中。通過比對仿真結(jié)果和實(shí)際檢測數(shù)據(jù)，可以得到仿真模型的模擬精度，從而對模型中的參數(shù)進(jìn)行調(diào)整標(biāo)定。在微觀仿真模型中，通常通過調(diào)整車速分布等參數(shù)提高仿真模型的精度。

微觀仿真模型為交通影響分析的模塊，將預(yù)測得到的流量值作為輸入值輸入微觀仿真模型中，從而得到預(yù)測的交通狀態(tài)以及相關(guān)交通評價(jià)指標(biāo)。

微觀仿真模型主要由三部分組成，第一部分是路網(wǎng)模型，用于精確描述路網(wǎng)的拓?fù)浣Y(jié)構(gòu)，包括交通信號燈、車檢器等交通設(shè)施；第二部分是交通生成模塊，用于對交通仿真模型進(jìn)行交通數(shù)據(jù)輸入和生成；第三部分是車輛行為模型，微觀仿真模型的模擬對象是單一車輛，因此其車輛行為模型主要用于模擬車輛的跟馳、變道等精確行為。其中路網(wǎng)模型及車輛行為模型都采用仿真軟件中現(xiàn)有的成熟模型，而交通生成模型則需要通過算法獲得預(yù)測路網(wǎng)上的車流量、車輛分布等信息，將預(yù)測值作為仿真模型的輸入值。

步驟s-3：采集實(shí)際流量，輸入預(yù)測算法

在每一個(gè)預(yù)測周期內(nèi)，通過布設(shè)在道路上的檢測器(通常為線圈)，采集實(shí)際的交通流量。將實(shí)測得到的流量值作為輸入值輸入預(yù)測算法。

步驟s-3-1-1：確定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

在bp神經(jīng)網(wǎng)絡(luò)算法中，需要首先確定網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。

步驟s-3-1-2：初始化網(wǎng)絡(luò)權(quán)值和閾值

確定輸入層節(jié)點(diǎn)數(shù)n，隱含層節(jié)點(diǎn)數(shù)l，輸出層節(jié)點(diǎn)數(shù)m，并初始化輸入層、隱含層和輸出層之間的權(quán)值wij和wjk以及隱含層閾值a和輸出層閾值b。初次單獨(dú)運(yùn)算bp神經(jīng)網(wǎng)絡(luò)算法得到誤差值。

步驟s-3-2-1：粒子和速度初始化

粒子群算法首先在可行解空間中初始化一群粒子，每個(gè)粒子都代表極值優(yōu)化問題的一個(gè)潛在最優(yōu)解，用位置、速度和適應(yīng)度值三項(xiàng)指標(biāo)表示該粒子特征。

粒子在解空間中運(yùn)動，通過跟蹤個(gè)體極值pbest和群體極值gbest更新個(gè)體位置，個(gè)體極值pbest是指個(gè)體所經(jīng)歷位置中計(jì)算得到的適應(yīng)度值最優(yōu)位置，群體極值gbest是指種群中的所有粒子搜索到的適應(yīng)度最優(yōu)位置。

粒子每更新一次位置，就計(jì)算一次適應(yīng)度值，并且通過比較新粒子的適應(yīng)度值和個(gè)體極值、群體極值的適應(yīng)度值更新個(gè)體極值pbest和群體極值gbest位置。

粒子群優(yōu)化算法首先需要初始化粒子和速度，對其賦予隨機(jī)值。

步驟s-3-2-2：bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的誤差作為適應(yīng)度值

將步驟s-3-1-2中通過網(wǎng)絡(luò)訓(xùn)練得到的誤差值的倒數(shù)作為適應(yīng)度值輸入粒子優(yōu)化算法，此算法中適應(yīng)度值越大越優(yōu)(誤差值越小越優(yōu))。

步驟s-3-2-3：尋找個(gè)體極值和群體極值

根據(jù)輸入的適應(yīng)度值確定每個(gè)粒子個(gè)體的極值和群體的極值。初次的個(gè)體極值和群體極值在步驟s-3-2-1中所賦予的隨機(jī)值中尋找。

步驟s-3-2-4：速度、位置和粒子適應(yīng)度更新

根據(jù)粒子群算法的更新公式對粒子的速度和位置進(jìn)行更新，更新后重新訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)得到更新后的適應(yīng)度值。

粒子群算法的更新公式為：

式中，表示第k+1次迭代時(shí)第i個(gè)粒子的速度，w表示慣性權(quán)重系數(shù)，c1、c2表示加速因子，r1、r2表示0-1之間的隨機(jī)數(shù)，表示第k次迭代時(shí)第i個(gè)粒子的個(gè)體極值的位置，表示第k次迭代時(shí)第i個(gè)粒子的位置，表示第k次迭代時(shí)群體極值的位置，表示第k+1次迭代時(shí)第i個(gè)粒子的位置。

步驟s-3-2-5：個(gè)體極值和群體極值更新

根據(jù)新的適應(yīng)度值來更新每個(gè)粒子個(gè)體的極值和群體的極值。

步驟s-3-2-6：以一定概率重新初始化粒子

每次粒子更新之后，以一定概率重新初始化粒子來擴(kuò)大搜索空間并保持種群的多樣性。

步驟s-3-2-7：判定是否滿足終止條件

如果不滿足預(yù)設(shè)的迭代次數(shù)或精度要求，則重復(fù)步驟s-3-5到步驟s-3-7，直至滿足終止條件。

步驟s-3-1-3：獲得最優(yōu)權(quán)值和閾值

將粒子群算法的結(jié)果(即最優(yōu)群體極值)作為最優(yōu)的權(quán)值和閾值輸入bp神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練。

步驟s-3-1-4：網(wǎng)絡(luò)訓(xùn)練

隱含層輸出計(jì)算：

hj表示隱含層輸出，f表示隱含層激勵函數(shù)(根據(jù)需求有多種表示式)，n表示輸入層節(jié)點(diǎn)數(shù)，xi表示神經(jīng)網(wǎng)絡(luò)輸入值，aj表示隱含層閾值。

輸出層輸出計(jì)算：

ok表示預(yù)測輸出，bk表示輸出層閾值。

步驟s-3-1-5：計(jì)算誤差

計(jì)算預(yù)測輸出ok和期望輸出yk之間的誤差ek：

ek＝y(tǒng)k-okk＝1，2，...，m

m表示輸出層節(jié)點(diǎn)數(shù)。

步驟s-3-1-6：權(quán)值和閾值更新

權(quán)值更新公式為：

wjk＝wjk+ηhjekj＝1，2，...，l；k＝1，2，...，m

閾值更新公式為：

bk＝bk+ek

式中，η表示網(wǎng)絡(luò)學(xué)習(xí)率，x(i)表示神經(jīng)網(wǎng)絡(luò)輸入值，bk表示輸出層閾值。

步驟s-3-1-7判斷是否終止迭代

判斷終止條件是否滿足，如果不滿足，則返回步驟s-3-1-4，直至滿足終止條件，輸出預(yù)測流量值。

步驟s-4：獲得預(yù)測線圈流量數(shù)據(jù)，生成車輛：

每一個(gè)預(yù)測時(shí)間段內(nèi)，微觀仿真軟件可以通過接口從預(yù)測算法中獲得此時(shí)間段內(nèi)，研究路段內(nèi)每個(gè)線圈的流量，從而得到預(yù)測時(shí)間段內(nèi)車輛的分布狀態(tài)。

通過預(yù)測算法得到的流量值為線圈流量，而兩個(gè)線圈之間的車輛數(shù)通過下列公式計(jì)算：

(1)自由流的情況下，對于道路上第i個(gè)線圈和它的下一個(gè)線圈之間的路段，計(jì)算出所需的時(shí)間t，那么從現(xiàn)在向前的t時(shí)間內(nèi)通過第i個(gè)線圈的車輛數(shù)就是這兩個(gè)線圈之間路段上的車輛數(shù)，車輛數(shù)可以從數(shù)據(jù)庫中取得。時(shí)間t的計(jì)算可通過下面的公式：

式中，li，i+1為第i個(gè)和第i+1個(gè)線圈之間的距離；vi和vi+1分別為車輛到達(dá)上下兩個(gè)線圈時(shí)的速度。

(2)交通擁堵的情況下，利用m3分布模型。假設(shè)車輛處于兩種行駛狀態(tài)：一部分是車隊(duì)狀態(tài)行駛；另一部分車輛按自由流狀態(tài)行駛。分布函數(shù)f(t)為：

式中：為采集點(diǎn)在不同時(shí)刻采集到此路段的車頭時(shí)距，表示車輛處于車隊(duì)狀態(tài)行駛時(shí)，車輛之間保持的最小車頭時(shí)距；為參數(shù)，其中tf為車頭時(shí)距大于t的樣本觀測值的均值；為按自由流狀態(tài)行駛車輛所占的比例，n、m分別為采集點(diǎn)的次數(shù)和采集點(diǎn)的車頭時(shí)距不大于給定值λ0的個(gè)數(shù)。

設(shè)此路段路長為l2，則得到此路段上的車輛為

步驟s-5：根據(jù)預(yù)測的車流量進(jìn)行仿真運(yùn)算

仿真模型根據(jù)預(yù)測算法得到的流量數(shù)據(jù)進(jìn)行仿真運(yùn)算，輸出平均車速、延誤等交通指標(biāo)。

步驟s-6：

輸出該時(shí)間段內(nèi)仿真結(jié)果，得到各路段的流量值。

步驟s-7：仿真流量值和預(yù)測算法得到的流量值擬合

判斷是否滿足終止條件，即仿真得到的流量值和預(yù)測算法得到的流量值誤差是否達(dá)到預(yù)先設(shè)定的要求。如果達(dá)到誤差要求，結(jié)束運(yùn)算；如果沒有，則將仿真得到的流量數(shù)據(jù)輸入預(yù)測算法中，重復(fù)步驟s-3到s-7，直到預(yù)測得到的流量與仿真得到的流量誤差達(dá)到要求，運(yùn)算結(jié)束。