基于改進粒子群算法的交通流量預測研究

梁計鋒

（西安翻譯學院 陜西 西安 710105）

基于改進粒子群算法的交通流量預測研究

梁計鋒

（西安翻譯學院 陜西 西安 710105）

為了提高交通流量控制和優(yōu)化的精度，將混沌理論引入PSO對LS-SVM的核參數和懲罰系數進行優(yōu)化選擇，提出一種ECLS-SVM交通流量預測模型。通過基于ECLS-SVM算法的單步、3步、5步和7步預測結果和不同模型的預測時間和預測均方誤差的對比結果可知，ECLS-SVM算法可以有效提高交通流量預測的精度和效率，對指導交通網絡資源的合理分配和規(guī)劃具有重要的理論意義和實際價值。

粒子群算法；遺傳算法；交通流量控制；交叉操作；變異操作

隨著城市化規(guī)模和交通網絡的日益增大，導致交通網絡管理工作的繁重程度急劇上升，交通事故頻發(fā)。為了保證交通資源的合理分配，高質量的交通流量預測對交通網絡的規(guī)劃、管理和設計具有重要的理論意義和實際價值。

針對交通流量數據的非平穩(wěn)和非線性的特點，文中結合EMD和CPSO算法對LS-SVM核參數和懲罰系數進行自適應優(yōu)化，提出一種基于ECLSSVM算法的交通流量預測模型。通過EMD提取交通流量的細節(jié)特征和趨勢特征，構建出基于ECLSSVM的交通流量預測模型的輸入和輸出，實現交通流量的預測，為網絡資源的合理配置和可靠傳輸提供決策的依據。

1 混沌粒子群算法

1.1 粒子群優(yōu)化算法

粒子群算法最初由kennedy等人提出，用來模擬鳥群群體飛行覓食的行為，通過鳥群群體之間的協(xié)同互助和競爭實現覓食路徑的最優(yōu)化。覓食過程中，粒子將追蹤粒子群中的兩個極值，分別為粒子本身到當前狀態(tài)下所找到的最優(yōu)解pbest和全種群到當前狀態(tài)下所找到的最優(yōu)解gbest。

粒子的速度和位置可通過公式（1）和公式（2）進行更新：

公式（1）和公式（2）中，xi，vi分別表示粒子的當前位置和速度（i=1，2，…，m；d=1，2，…，n）；rand1和rand2為[0，1]之間的隨機數；c1和c2為學習因子（c1，c2＞0）。

1.2 混沌粒子群算法（CPSO）

針對傳統(tǒng)PSO算法存在早熟的問題，將混沌理論引入粒子群算法實現其改進，其算法具體流程如下：

1）混沌初始化。假設優(yōu)化變量為D維。隨機生成D維向量z1=[z11，z12，…，z1D]，每個分量均處于[0，1]，依據Logistic方程獲得M個分量，z1，z2，…，zM：

運用公式（3）實現混沌區(qū)間和變量范圍的映射：

公式（4）中，bj，aj分別表示所需優(yōu)化變量的上界和下界。

2）依據適應度函數評估每個粒子的適應度函數值，從M個初始粒子群中選擇N個作為初始解，粒子的速度隨機生成。

3）設定初始個體極值和全局極值。設定各粒子的當前位置為個體極值Pi，依據適應度函數評估各個體極值Pi的適應度函數值，選擇最優(yōu)值的粒子所在位置定義為全局極值Pg。

4）依照公式（1）和公式（2）更新粒子的位置和速度。

5）混沌優(yōu)化最優(yōu)位置Pg。先將最優(yōu)位置映射成為Logistic方程的取值范圍為[0，1]，再根據Logistic方程生成m個混沌變量序列，最后將生成的混沌變量序列映射到優(yōu)化變量，獲得m個粒子，評估計算每個粒子的適應度函數值大小，獲取最優(yōu)解p′。

6）運用最優(yōu)解p′替換當前粒子搜索群體中任意粒子的位置。

7）轉到步驟4），若滿足粒子群算法的終止條件，則輸出最優(yōu)值；反之，算法繼續(xù)。

1.3 經驗模態(tài)分解（EMD）

經驗模態(tài)分解吸取了小波變換多分辨的優(yōu)點，同時克服了小波變換中小波基選擇和分解尺度很難確定的缺點，因此EMD非常適合分析交通流量序列，因為交通流量序列是非線性非平穩(wěn)序列。

交通流量數據序列x（t）可被分解成為：

2 ECLS-SVM交通流量預測模型

2.1 LS-SVM支持向量機

Suykens提出的LS-SVM可轉化為：

由公式（7）可知，LS-SVM的性能主要受γ，σ影響，為了實現γ，σ的自適應選擇，文中運用CPSO算法進行γ，σ自適應優(yōu)化。

2.2 ECLS-SVM網絡預測模型

由于LS-SVM需要優(yōu)化的參數為γ，σ，因此其優(yōu)化的數學模型如下：

通過優(yōu)化，在確保預測精度最優(yōu)的情況下，實現γ，σ參數的自適應選擇，其適應度函數可進行定義。假設t時刻的實際交通流量為y（t），預測交通流量（t），那么實際交通流量y（t）和預測交通流量（t）的差值e（t）可以運用如下公式表示：

針對交通流量預測的非線性問題，實際交通流量數據樣本為，運用CPSO優(yōu)化LS-SVM的核參數和懲罰系數，使得LS-SVM的實際交通流量輸出和預測交通流量之間的差值的平方和最小，適應度函數可以用如下公式表示：

公式（4～8）中，ξk≥0，k=1，2，…，N，C為懲罰因子。

LS-SVM網絡預測模型為：

3 仿真實驗

3.1 數據來源

文中數據來源于某交通監(jiān)控站監(jiān)測數據，收集自2014年11月7日—2014年11月21日一共15天的數據為研究對象，每天每間隔1小時采集一次車流量數據，一共采集15*24=360組數據。

3.2 數據處理

實際交通流量數據序列進行EMD分解，依次可以分解出不同的IMF分量。原始交通流量數據被分解成4個波動較小的分量和1個剩余分量。根據IMF分量的分析結果，運用CPSO優(yōu)化LSSVM的核參數和懲罰系數的模型進行交通流量預測。

3.3 評價指標

為了驗證本文算法進行交通流量預測的有效性，文中采用均方誤差用來評價交通流量預測效果的評價指標，評價公式如下所示：

均方誤差：

其中，xi，分別表示實際交通流量和預測交通流量。

3.4 實驗結果

將收集的360組交通流量數據分成訓練樣本和測試樣本，將前336組數據作為訓練數據，用于建立預測模型；后面24組作為測試數據，用于驗證預測結果的好壞。設定CPSO算法的最大迭代次數為100，種群大小為 20，popmin=-5.12，popmax=5.12，vmax=1，vmin=-1，由ECLS-SVM算法的單步預測、3步預測、5步預測和7步預測結果可知，隨著預測步長的增加，ECLS-SVM算法的預測精度不斷提高，效果較好。圖1表示CPSO算法優(yōu)化LSSVM的適應度收斂曲線。

圖1 CPSO優(yōu)化LSSVM的適應度收斂曲線圖

為了對比ECLS-SVM算法的優(yōu)越性，將ECLSSVM算法、CPSO-LSSVM和LSSVM三者的預測結果進行對比，運行10次，其對比結果如表1所示。

由表1ECLS-SVM算法、CPSO-LSSVM和LSSVM3者預測的MSE誤差對比結果可知，ECLS-SVM算法的預測效果最好，優(yōu)于CPSO-LSSVM和LSSVM模型，其次CPSO-LSSVM的預測效果優(yōu)于LSSVM。

由表 2 ECLS-SVM算法、CPSO-LSSVM和LSSVM 3種模型預測時間對比結果可知，ECLSSVM算法的預測時間最短快于CPSO-LSSVM和LSSVM模型，而CPSO-LSSVM的預測時間短于LSSVM。

表1 ECLS-SVM算法、CPSO-LSSVM和LSSVM3種模型預測MSE誤差對比

表2 ECLS-SVM算法、CPSO-LSSVM和LSSVM3種模型預測時間對比/s

4 結 論

文中針對標準PSO算法存在局部最優(yōu)和約束條件的問題，運用GA算法對標準PSO算法進行改進，使用改進的粒子群算法對交通控制算法進行優(yōu)化并與未改進的PSO算法進行對比，發(fā)現改進的粒子群算法收斂速度和搜索能力均優(yōu)于未改進的PSO算法。，之后將改進的粒子群算法GA-PSO應用于交通流量的預測上。不僅可以增加PSO算法的全局搜索能力，而且可以避免PSO算法陷入局部最優(yōu)解。在解決交通流量控制問題上，改進的PSO算法同標準PSO算法相比，完全避免了收斂速度慢、統(tǒng)計不完善、局部最優(yōu)等問題，能夠很好地實現交通流量最優(yōu)化控制。但是，針對交通流量時間序列預測，本文運用CPSO算法優(yōu)化LS-SVM進行預測，雖有可以實現交通流量的預測，然而只能進行交通流量的短期預測，無法實現長期預測，后續(xù)研究需要結合更為復雜的數學模型，實現短期預測和長期預測的統(tǒng)一。

[1] Karen Egiazarian， Alessandro Foi， Vladimir Katkovnik. Compressed sensing imagereconstruction via recursive spatially adaptive filtering [C]//IEEE Conf.on Image Processing（ICIP），San Antonio，2007.

[2]雷霆，余鎮(zhèn)危.一種交通流量預測的小波神經網絡模型[J].計算機應用，2012，26（3）:526-528.

[3]Wen Guo，YI zhengQiao，HAI yanHou.BP neural network optimized with PSO algorithm and its application in forecasting[C]//Proceedings of the IEEE internationalConference on Information Acquisition，2011:617-621.

[4]劉淵，戴悅，曹建華.基于小波神經網絡的流量混沌時間序列預測 [J].計算機工程，2012，34（16）: 105-110.

[5]Michael Wakin，Jason Laska，Marco Duarte，Dror Baron，Shriram Sarvotham，Dharmpal Takhar，Kevin Kelly，and Richard Baraniuk，Compressive imaging for video representation and coding[C]// Proc.Picture Coding Symposium（PCS），Beijing，2006.

[6]Ray Maleh，Anna Gilbert，and Martin Strauss，Sparse gradient image reconstruction done faster [C]//IEEE Conf.on Image Processing（ICIP），San Antonio，2007.

[7]王西鋒，高嶺，張曉孿.自相似交通流量預測的分析和研究 [J].計算機技術與發(fā)展，2010，17（11）: 42-45.

[8]馮海亮，林青家，陳滌，等.一種基于神經網絡的交通流量組合預測模型 [J].計算機應用，2010，26（9）:2206-2208.

[9]Cristiano Cervellera，Aihong Wen，Victoria C P Chen.Neural network and regression spline value function approximations for stochastic dynamic programming[J].Computer&Operations Research，2012，34（1）:70-90.

[10]李宗福，鄧瓊波，李桓.Kohonen SOFM神經網絡及其演化研究[J].計算機工程與設計，2013，25（10）: 1729-1830.

[11]WangH， LiuY.A HybridParticleSwarm Algorithm with Cauchy Mutation [C]//in Proc IEEE Int.Conf.Swarm Intelligence Symposium（SIS），2011：356-360.

[12]Wang H，Liu Y.An improved particle swarm optimization with adaptive jumps [C]//In Proceedings of IEEE International Conference on Evolutionary Computation，2012：392-397.

[13]陳小鋒，史忠科.基于遺傳算法的交通信號動態(tài)優(yōu)化方法[J].系統(tǒng)仿真學報，2004，16（6）:1155-1l57，1161

[14]Ray Maleh，Anna Gilbert，Martin Strauss.Sparse gradient image reconstruction done faster.IEEE Conf.on Image Processing （ICIP），San Antonio，Texas，September 2007.

[15]楊光，張國梅，劉星宇.基于小波核LS-SVM的交通流量預測[J].微機發(fā)展，2011，15（12）:125-128.

[16]任雪婷，賀興時.一種改進的粒子群與差分進化混合算法[J].西安工程大學學報，2016，30（3）：380-387.

[17]高田田，張莉，李炳德，等.基于改進粒子群算法的足球機器人路徑規(guī)劃[J].西安工程大學學報，2016，30（5）:609-615.

Traffic flow prediction based on improved particle swarm optimization

LIANG Ji-feng
（Xi'an Fanyi University，Xi'an 710105，China）

In order to improve the accuracy of the traffic flow control and optimization，chaos theory，applied to PSO is used to get the kernel parameter and Penalty coefficient of LS-SVM.Then ECLS-SVM is proposed to predict traffic.Comparing the predicted results of the steps based on ECLS-SVM algorithm and the predicted time and mean square error of algorithms of different models，ECLS-SVM algorithm can effectively improve the accuracy and efficiency of traffic flow forecasting.It has important theoretical significance and practical value for rational allocation and planning of traffic network resources.

particle swarm optimization；genetic algorithm；traffic flow control；crossover operation；mutation operation

TN0

：A

：1674－6236（2017）06-0047-04

2016-03-11稿件編號：201603136

梁計鋒（1979—），男，陜西乾縣人，碩士，講師。研究方向：電子與信息技術。