基于Petri網(wǎng)建模的道路車流量預(yù)測方法研究

李斌

摘 要：在對基于Petri網(wǎng)建模道路進行分析時發(fā)現(xiàn)，當(dāng)利用智能算法優(yōu)化交通信號時會存在一定滯后性，主要原因在于智能算法運算效率不高，以及道路車輛產(chǎn)生的一些隨機因素等。因此，使用Petri網(wǎng)對交叉口進行建模并模擬車流產(chǎn)生，并運用改進卡爾曼濾波算法對道路車流量進行預(yù)測，用于彌補因車輛隨機因素或使用智能算法造成的時滯。改進算法采用SVM回歸對利用卡爾曼濾波產(chǎn)生的誤差進行擬合與預(yù)測，用于補償卡爾曼濾波算法產(chǎn)生的誤差。實驗結(jié)果表明，利用SVM回歸改進的卡爾曼濾波對車流預(yù)測產(chǎn)生的總誤差比傳統(tǒng)卡爾曼濾波預(yù)測誤差降低了6個百分點，證明該方法有效提高了車流預(yù)測精度。

關(guān)鍵詞：Petri網(wǎng);車流預(yù)測;SVM回歸;卡爾曼濾波

DOI：10. 11907/rjdk. 182341

中圖分類號：TP319文獻標識碼：A文章編號：1672-7800（2019）004-0145-04

0 引言

交叉口道路車流預(yù)測對交叉口交通信號控制起著重要作用，根據(jù)車流預(yù)測結(jié)果可提前制定信號控制方案，以提升交叉口控制效率[1]。但之前研究鮮有將控制算法產(chǎn)生的時滯考慮進去，例如黃輝先等[2]研究道路優(yōu)化時并未考慮智能算法耗時導(dǎo)致的控制滯后性。而且隨著道路規(guī)模的擴大與車輛的增多，控制算法越來越復(fù)雜，研究車流預(yù)測對交通信號控制的意義也越來越重要。利用Petri網(wǎng)模擬交通通行可以精確到每輛車通行情況，國外Angela等[3]利用Petri網(wǎng)對交叉口進行建模，以參數(shù)變化的高斯分布函數(shù)模擬車輛到達情況，并用滾動優(yōu)化方法優(yōu)化各相位通行時長;Julvez等[4]利用連續(xù)Petri網(wǎng)對道路進行建模，并利用模型預(yù)測方法預(yù)測到達路口停車線的車輛數(shù)，從而優(yōu)化交叉口信號;Wang等[5]利用Petri網(wǎng)分別對道路與相位切換順序進行建模，模擬交叉口車輛通行與信號切換。在國內(nèi)，鄭子茹[6]運用Petri網(wǎng)將道路劃分為不同資源，從而尋求最優(yōu)資源分配方案;楊兆升等[7]是較早將卡爾曼濾波算法運用于交通流預(yù)測中的，并運用歷史同期數(shù)據(jù)對模型進行改進;郭海峰等[8]在楊兆升基礎(chǔ)上，利用模糊決策方法確定卡爾曼濾波預(yù)測值與歷史平均值權(quán)重，并將兩者相結(jié)合得到改進模型，取得了較好效果;傅貴等[9]采用支持向量機回歸方法，利用歷史數(shù)據(jù)訓(xùn)練預(yù)測模型并與卡爾曼濾波預(yù)測值進行對比，結(jié)果表明其預(yù)測效果優(yōu)于卡爾曼濾波;趙卓峰等[10]利用經(jīng)典GM（1，1）模型對交通流進行預(yù)測并用殘差修正經(jīng)典模型，得到的改進模型能夠有效提高模型精度。基于以上研究提供的思路與方法，本文利用卡爾曼濾波與SVM回歸組合預(yù)測方式對交通流進行預(yù)測，相比于單一預(yù)測方法，或利用多種預(yù)測方法通過權(quán)重組合方式進行預(yù)測[11-12]，本文利用SVM回歸對卡爾曼預(yù)測殘差進行優(yōu)化預(yù)測，以進一步反饋補償殘差值，從而提升了車流預(yù)測精度。

5 仿真與結(jié)果

仿真平臺采用Matlab2014a版本，首先運用PIPE4.30建立Petri網(wǎng)模型，通過Matlab中的GPenSIM工具箱讀入道路Petri網(wǎng)模型;然后編寫程序，獲得在泊松分布情況下的車輛到達數(shù)據(jù)作為卡爾曼濾波預(yù)測輸入值，得出輸出預(yù)測值，并求解卡爾曼濾波預(yù)測誤差;將誤差數(shù)據(jù)的誤差信息值作為訓(xùn)練樣本訓(xùn)練SVM回歸模型，采集1 000組誤差信息值數(shù)據(jù)用于模型訓(xùn)練，SVM工具包采用臺灣大學(xué)開發(fā)的libsvm工具包;最后將訓(xùn)練好的模型作為誤差信息值預(yù)測模型，對卡爾曼濾波誤差信息值進行預(yù)測，并轉(zhuǎn)換為卡爾曼濾波預(yù)測誤差，用于對卡爾曼濾波預(yù)測值的補償，從而降低卡爾曼濾波預(yù)測誤差。

仿真過程中設(shè)置車輛產(chǎn)生機構(gòu)的泊松參數(shù)[λ]為10 ，仿真時間為60min。圖4為卡爾曼濾波預(yù)測曲線，圖5為改進卡爾曼方法預(yù)測曲線，圖6為卡爾曼濾波預(yù)測相對誤差直方圖，圖7為改進卡爾曼方法預(yù)測誤差直方圖，計算得到改進前的預(yù)測誤差率為13.52%，改進后的預(yù)測誤差率為7.63%。

6 結(jié)語

本文在基于Petri網(wǎng)建?；A(chǔ)上運用卡爾曼濾波算法對車流進行預(yù)測，并利用SVM回歸方法對卡爾曼濾波算法預(yù)測值的誤差信息進行預(yù)測，以補償傳統(tǒng)卡爾曼濾波造成的誤差。實驗結(jié)果表明，改進后的卡爾曼濾波預(yù)測有效提高了預(yù)測精度。通過改進基于Petri網(wǎng)的道路車流預(yù)測方法，可提升優(yōu)化算法對交叉口信號的優(yōu)化效率，使交叉口信號控制的實時性更強，也可為未來對于交叉口信號優(yōu)化與車輛引導(dǎo)過程研究提供參考借鑒。

參考文獻：

[1] 石曼曼. 基于卡爾曼濾波的短時交通流預(yù)測方法研究[D]. 成都：西南交通大學(xué)，2012.

[2] 黃輝先，史忠科. 城市單交叉路口交通流實時遺傳算法優(yōu)化控制[J]. 系統(tǒng)工程理論與實踐，2001（3）：102-106.

[3] FEBBRARO A D， GIGLIO D， SACCO N. A deterministic and stochastic petri Net model for traffic-responsive signaling control in urban areas[J]. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（2）：510-524.

[4] JULVEZ J，BOEL R K. A continuous petri net approach for model predictive control of traffic systems[J]. Transactions on System Man and Cybernetics Part A-systems and Humans，2010，40（4）：686-697.

[5] WANG J， YAN J， LI L. Microscopic modeling of a signalized traffic intersection using timed Petri nets[J]. IEEE Transactions on Intelligent Transportation Systems，2016，17（2）：305-312.