遺傳優(yōu)化支持向量機的交通流量預(yù)測模型

牛亞莉

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

遺傳優(yōu)化支持向量機的交通流量預(yù)測模型

牛亞莉

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

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

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

0 引言

隨著人們生活、經(jīng)濟水平的不斷提高，許多人都擁有自己的私家車，使得交通流量越來越大，交通堵塞問題越來越嚴重[1-3]。交通堵塞不僅對環(huán)境產(chǎn)生污染，同時增加交通事故發(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)可以對交通信息進行實時采集，并對信息進行及時分析，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。在實際應(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)測準確性仍然面臨巨大的挑戰(zhàn)[4,5]。

當前交通流量預(yù)測的研究結(jié)果相當?shù)亩?，最傳統(tǒng)的交通流量預(yù)測模型為：卡爾曼濾波模型，其以物理和數(shù)學理論為基礎(chǔ)對交通流量進行建模[6]，該模型要知道有嚴格意義上的交通流量變化數(shù)學模型，在實際應(yīng)用中，交通流量具有高度的非線性和時變性，無法找到描述其變化特點的數(shù)學模型，因此卡爾曼濾波模型的交通流量預(yù)測精度低，使得交通流量預(yù)測誤差遠遠超過了實際應(yīng)用的要求[7]。為了解決卡爾曼濾波模型的不足，有學者將各種智能算法引入到交通流量預(yù)測的建模中，出現(xiàn)了神經(jīng)網(wǎng)絡(luò)、支持向量機，它們以時間序列理論為基礎(chǔ)，對交通流量的變化特點進行模擬，取得了更好的交通流量預(yù)測效果，尤其是支持向量機的應(yīng)用范圍更加廣泛[8-10]?；谥С窒蛄繖C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)測效果，如果參數(shù)確定不合理，那么交通流量的預(yù)測誤差就大，反之交通流量的預(yù)測精度就高。當前支持向量機主要采用實驗人員憑自己的經(jīng)驗進行確定，而交通流量的類型很多，這樣憑經(jīng)驗確定的參數(shù)并一定最優(yōu)，難以建立交通流量預(yù)測精度高的支持向量機[11]。

針對支持向量機的參數(shù)優(yōu)化問題，設(shè)計了基于遺傳算法優(yōu)化支持向量機的交通流量預(yù)測模型，實驗結(jié)果表明，遺傳算法優(yōu)化支持向量機可以跟蹤交通流量復(fù)雜的變化特點，獲得了理想的交通流量預(yù)測結(jié)果，具有良好的實際應(yīng)用價值。

1 相關(guān)理論

1.1 支持向量機

對于一個交通流量預(yù)測問題，其歷史數(shù)據(jù)為：{(xi,yi)}，i=1,2,…,n，n表示訓練樣本的規(guī)模，那么支持向量機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。

要建立準確的交流量預(yù)測模型，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，在實際中難以實現(xiàn)，為此對式(1)進行變化，變?yōu)橐粋€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表示支持向量機的懲罰系數(shù)；Remp(f)為支持向量機回歸過程中的損失函數(shù)。

(3)

(4)

對線性的交通流量，上述形式可以實現(xiàn)建模與預(yù)測，然而在實際應(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，因此支持向量機通過映射函數(shù)φ對原始數(shù)據(jù)進行線性映射到，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)測的支持向量機核函數(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化的選擇機理，通過選擇、交叉、變異等遺傳作用機制對問題進行求解。

3 遺傳算法優(yōu)化支持向量機的交通流量預(yù)測模型

3.1 交通流量預(yù)測中的參數(shù)優(yōu)化問題描述

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

s.t.

(11)

3.2 遺傳算法優(yōu)化支持向量機的交通流量預(yù)測步驟

(1) 通過專門設(shè)備對某一個路段的交通流量進行采集，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)法和假近鄰法估計交通流量的延遲時間(τ)??和嵌入維數(shù)(m)，并根據(jù)混沌理論對處理后的交通流量數(shù)據(jù)進行進行相空間重構(gòu)，建立交通流量建模的時間序列。

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

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

圖1 交通流量預(yù)測的建模流程

4 仿真測試

4.1 交通流量數(shù)據(jù)

為了分析遺傳算法優(yōu)化支持向量機的交通流量預(yù)測效果，選擇一個十字路口每1小時的交通流量數(shù)據(jù)作為仿真對象，共獲得300個交通流量數(shù)據(jù)，選擇200個交通流量數(shù)據(jù)作為支持向量機的訓練集，用于測試其擬合能力，其它100個交通流量數(shù)據(jù)作為支持向量機的驗證集，測試其泛化能力，如圖2所示。

圖2 交通流量的歷史數(shù)據(jù)

自相關(guān)法和假近鄰法估計交通流量的延遲時間(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τ(b)假近鄰法估計估計m

圖3 交通流量數(shù)據(jù)的混沌處理

對圖3進行分析可以發(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)的支持向量機對交通流量訓練樣本進行擬合得到結(jié)果如圖4所示。

圖4 本文模型的交通流量擬合結(jié)果

對圖4的交通流量擬合結(jié)果進行分析可以知道，本文模型可以很好的擬合實際交通流量的變化特點，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)果的實際應(yīng)用價值不高，因為交通流量預(yù)測主要是對道路將來的交通擁擠情況進行描述，因此要分析交通流量預(yù)測模型的泛化能力，對100個驗證樣本的預(yù)測結(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?shù)暮茫@得了理想的交通流量預(yù)測結(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

為了進行分析本文交通流量預(yù)測模型的性能，選擇當前經(jīng)典交通流量預(yù)測模型進行對比實驗，它們分別為：BP神經(jīng)網(wǎng)絡(luò)(BPNN)、標準支持向量機(SVM)、文獻[11]和文獻[12]的交通流量預(yù)測模型，選擇交通流量預(yù)測精度作為預(yù)測結(jié)果評價指標。

所有交通流量預(yù)測模型的預(yù)測精度如表1所示。

表1 交通流量預(yù)測精度的對比

對表1中的交通流量預(yù)測精度進行對比分析發(fā)現(xiàn)，本文模型的交通流量預(yù)測精度要遠遠高于對比模型，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，克服當前交通流量預(yù)測模型的局限性，具有更好的實際應(yīng)用價值。

5 總結(jié)

交通流量具有復(fù)雜的變化特點，針對支持向量參數(shù)難以確定的問題，設(shè)計了遺傳算法優(yōu)化支持向量機的交通流量預(yù)測模型，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)測實驗結(jié)果表明，本文模型獲得較好的支持向量機參數(shù)，能夠更加有效的跟蹤交通流量變化趨勢，提高了交通流量的預(yù)測精度，可以應(yīng)用于實際的智能交通管理中。

[1] 賀國光,李宇,馬壽峰.基于數(shù)學模型的短時交通流預(yù)測方法探討[J].系統(tǒng)工程理論與實踐, 2000, 12(11):51-56.

[2] 郭牧,孫占全,潘景山,等. 短時交通流預(yù)測方法研究[J].計算機應(yīng)用研究, 2008, 25(9): 2676-2678.

[3] 邱敦國 ,楊紅雨. 一種基于雙周期時間序列的短時交通流預(yù)測算法[J]. 四川大學學報, 2013, 45(5):64-68.

[4] 常剛, 張毅. 基于時空依賴性的區(qū)域路網(wǎng)短時交通流預(yù)測模型[J]. 清華大學學報, 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)測方法[J]. 華東理工大學學報(自然科學版), 2011, 37(2): 204-209.

[7] 孫湘海,劉譚秋. 基于非線性時間序列模型的城市道路短期交通流預(yù)測研究[J]. 土木工程學報,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)測模型[J].哈爾濱工業(yè)大學學報, 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)的短時交通流混沌預(yù)測[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的交通流量預(yù)測模型[J]. 北京交通大學學報,2011,35(2):114-117.

[11] 楊兆升,王媛,管青. 基于支持向量機方法的短時交通流量預(yù)測方法[J]. 吉林大學學報(工學版),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)